第十一章差分编码.pdf

第十一章 差分编码 很多信源相邻样本之间存在相关，如图像、语音 差分编码：利用信源相邻符号之间的相关性 用过去的样本预测当前样本，然后对差值进行编码 如果预测模型足够好，且样本序列在时间上相关性较 强，差值会很小 对差值再量化，相同码率下，量化误差会减小 差分编码 预测编码基本原理 差分编码：DPCM 、ADPCM ADPCM在语音编码中的应用 G.726 预测编码在图像编码中的应用 JPEG无损压缩模型 JPEG-LS 预测编码在视频编码中的应用 帧内预测 运动估计/运动补偿 差分编码 预测编码基本原理 差分编码：DPCM 、ADPCM ADPCM在语音编码中的应用 G.726 预测编码在图像编码中的应用 JPEG无损压缩模型 JPEG-LS 预测编码在视频编码中的应用 帧内预测 运动估计/运动补偿 例：11.2.1 原始信号：sinusoid，采样：30个样本/秒 相邻样本的差分的幅值大大减小：[-1, 1] [-0.25， 0.25] 用2 比特均匀量化器量化，步长为0.1，量化误差：[-0.05, 0.05] 例：11.2.2 Sinan图像 像素直方图 像素差分直方图 99% ∈[-31, 31] 5 比特/像素 (或更少 差值的动态范围比信源输出已有本质减小 基本算法 考虑序列： 6.2 9.7 13.2 5.9 8 7.4 4.2 1.8 差分： 6.2 3.5 3.5 −7.3 2.1 −0.6 −3.2 −2.4 无失真编码： 编码差分就足够重构原始信号 有失真编码 量化器: −6 -4 -2 0 2 4 6 量化序列：6 4 4 −6 2 0 −4 −2 ‘无失真’重构：6 10 14 8 10 10 6 4 QE ：0.2 −0.3 −0.8 −2.1 −2 −2.6 −1.8 −2.2 观察：QE看起来随时间增大——这是偶然吗？ 基本算法 (2) 考虑： d x x − {x } 与 d = x – x 2 2 1 n n n n-1 ˆ d Q d d 2 q2 +[2 ] 2 ˆ d Q d d n qn +[n ] n ˆ ˆ ˆ x x =+d x =+q +d +q 2