基于描述长度和层次聚类Context模型量化.docVIP

基于描述长度和层次聚类Context模型量化 　　摘要：熵编码被广泛应用于数据压缩中，Context建模可以有效的利用信源序列中符号间的相关性使信源编码码长缩短，但是过大的Context模型会加大对信源符号的统计难度从而使编码效率降低。为了使Context模型中的条件概率分布更加方便统计并且收敛于信源的实际概率分布，本文使用层次聚类算法对已经建立的Context模型中的条件概率分布按照描述长度最短的原则进行聚类合并。实验证明此方法可以解决基于K-mean聚类的Context量化器设计算法中类数和初始聚类中心需要提前设定而造成设计困难的问题，还能使熵编码的效率提高。 　　关键词：Context量化；层次聚类；描述长度 　　中图分类号：TN919.81 　　文献标识码：A 　　DOI：10.3969/j.issn.1003-6970.2015.12.009 　　本文著录格式：陈慧，陈建华.基于描述长度和层次聚类的Context模型量化[J].软件，2015，36（12）：38-41 　　l 引言 　　熵编码是以信息出现的概率分布特性作为编码的依据，在信源压缩过程中不产生失真，是一种无损的压缩编码。用Context模型可对有记忆的信源可以进行有效编码，它利用之前符号的统计量来预测当前符号的概率分布情况，这样当前符号的概率分布就变成了条件概率分布。根据信息论中条件熵必不大