[2018年最新整理]媒体信号编码第5章.ppt

　　5.1　预测编码的基本原理　　预测编码(Prediction Coding)的基本原理如下：根据某一种模型，利用以前的(已收到)一个或几个样值，对当前的(正在接收的)样本值进行预测，将样本实际值和预测值之差进行编码。如果样本时间上相关性很强，而且模型足够好，则预测值与实际值也越接近，其差值的数学期望为0，方差非常小；也就是说，差值信号的不确定性相比原始信号的不确定性减少。因此，差值信号的熵值相比原始信号的熵值减小，对差值信号进行编码需要的码率也会变小，从而可以获得较高的压缩比。 5.1.1　DPCM基本原理　　1952年，Bell实验室的B.M.Oliver等人开始了线性预测编码理论研究，同年该实验室的C.C.Cutler取得了差分脉冲编码调制(Diffrential Pulse Code Modulation， DPCM)系统的专利。1958年，Graham首次用计算机模拟法研究了图像的DPCM编码方法。1966年，O.Neal依据最小均方误差(MMSE)准则，对图像DPCM编码中的线性预测器和量化器作了系统研究。这些成果奠定了预测编码在现代媒体信号编码中的地位。　　DPCM基本原理框图如图5-1所示，其中编、解码器分别完成对预测误差量化值的熵编码和解码。为了正确恢复被压缩信号，收端不仅要有与发端完全一样的预测器，而且输入信号也要相同。 图5-1　DPCM原理框图 　　DPCM系统工作时，发端先发送一个初始值x0(预测值初始化为0)，接着就只发送预测误差ek=xk－　。预测值　可记为　　收端把接收到的量化后的误差信号　与本地预测器算出的预测值　相加，即可恢复信号　。在不考虑信道传输误码的影响下，收端重建信号　与发端原始信号xk之间的差异为这正是量化器造成的量化误差，即整个预测编码系统的失真完全来自发端的量化器。 　　因此，如果在图5-1的系统中没有量化器，那么可以得到　=xk，这时DPCM为无失真(熵保持)编码；如果存在量化器，那么一般qk≠0，则必然有　≠xk，此时为有失真编码。　　根据式(5-1)是线性函数还是非线性函数，预测编码可以分为线性预测编码和非线性预测编码。对于线性预测编码，式(5-1)又可以表示成： 5.1.2　最佳线性预测　　预测编码的核心问题是预测器的设计。在图5-1中，预测器设计得越好，预测值与原始信号值就越接近，预测误差也就越集中分布在零附近，编码码率就会越小。那么如何设计预测器，使得预测值与原始值最接近呢？这就是所谓的最佳预测器设计问题。　　为简化这个问题的研究难度，经典的方法是以最小均方误差为准则，然后设计时不变线性预测器，即在式(5-3)中，预测系数ai(k)=ai与k无关。同时，为使分析简单，用原始信号的样值xk来代替量化后的恢复值　 。此时，式(5-3)可以简化为 　　预测误差信号为　　根据MMSE准则，即使式(5-5)定义的ek的均方值 最小，这里认为me=0。显然，当N给定后，　取决于预测系数ai，对式 　　求ai的偏微分，有  将式(5-4)代入上式，有　　定义数据的自相关函数： R(i, j)=R(j, i)=E{xixj} (5-8)将式(5-7)展开，并将式(5-8)代入，可以得到：　　当{xk}广义平稳时，自相关函数满足下列等式：　R(k－i, k－j)=R(k－j, k－i)=R(j－i)=R(i－j)=R(|i－j|) (5-10) 将式(5-10)代入式(5-9)，并用矩阵表示，有式(5-11)也称Yule-Walker方程。该方程右边矩阵是xk的自相关矩阵，其主对角线上诸元素相等，同时与主对角线平行的任一斜线上的元素也相等，它是实对称的Toeplitz矩阵，故它是正定阵且可逆，因此它的解是存在的，即按MMSE准则的最佳预测器是存在的。 　　按式(5-11)计算得到最佳预测系数ai后，然后就可以计算最小均方误差为这是在MMSE准则下得到的结果。因而在最佳预测条件下必然有ek的方差　 小于原始信号的R(0)，甚至可能 　。这意味着预测误差信号的自相关性弱于原始信号的自相关性，甚至可能弱很多。因此，预测编码传送已经去除了大部分相关性的预测误差序列{ek}，有利于降低编码码率。一般而言，R(i)(i 0)越大，原始信号序列{xk}的相关性越强，　就越小，所能达到的编码效率也就越高；反之，若R(i)=0 (i0)，则原始信号序列{xk}各点之间不相关， ，此时预测编码并不能降低码率。 5.1.3　常用预测编码方法　　1. 增量调制(DM)　　增量调制简称ΔM或增量脉码调制(DM)，它是继PCM后出现的又一种模拟信号数字化的方法。Δ