向量量化编码是影像压缩一种在低位元率很有效率的影像编码技术而.DOCVIP

The modified finite state vector quantization by using the combination of grey prediction model and edge detection Yuan Been Chen Dept. of Electrical Engineering, Chienkuo Technology University, Changhua City Chang-Ming Wu Dept. of Computer Science and Information Engineering, Providence University, Taichung Hsien, 摘要-本文中我們基於灰色預測模型GM(1,1) prediction model理論來設計出更有效率的次狀態函數，以獲得更佳的重建影像品質與更高的壓縮比。GM(1,1)VQ的特色是沒有對相鄰區塊的特性作一個假設，而是根據實際編碼值來作預測，因此可以克服像側邊匹配及斜率匹配在複雜的區塊時並不適用的缺點。而在物件輪廓邊緣會有急遽灰度變化，此時採用GM(1,1)預測模型往往無法求出正確值。因此本計劃提出改良式的GM(1,1)VQ，應用自動邊緣偵測的技術將物件邊緣取出另行處理以提高GM(1,1)預測模型之正確性並節省計算時間。由於可自動算出圖形中物件的輪廓，當遇到這些輪廓點即可自行修正至正確值取代GM(1,1) model 的預測結果。 一、簡介 在眾多的影像壓縮技術當中，向量量化是具有高壓縮比及良好的重建影像品質的編碼方式。它將一張影像切割成大小一致的n×n區塊，每一區塊可表成維的向量，再根據事先設計好的編碼書中之向量予以量化，並記錄下向量的索引編號。在解碼端根據索引編號，從相同的編碼書中重建影像。自1984年Gray提出向量量化編碼技術之後[1]，便有許多相關的研究陸續提出來，例如設計更佳的編碼書[2], [3]，將有限狀態法則應用到向量量化編碼上 [4], [5]，還有結合其他壓縮技術例如離散餘旋轉換(DCT) [9]與小波轉換(Wavelet transformation)等等。這些研究的主要目的，都是提昇向量量化影像編碼的整體性能或是結合向量量化技術來提升其它壓縮技術的性能。其中有限狀態向量量化(FSVQ)的編碼技術，可在提升壓縮比方面有較佳的性能表現。此技術主要的原理在利用已經編碼過後的區塊訊息，經回授後利用次狀態函數來設計更精簡且更適合目前欲編碼區塊的狀態編碼書，和原始的向量量化技術相比，在幾乎不影響重建影像品質的情形下，可以大幅提昇壓縮比。1987年Aravind和Gersho提出此一技術之後，陸續有許多相關的有限狀態法則之研究被提出來[15], [17]~[20]。 本研究由國科會贊助，計畫編號NSC 95-2221-E-270 -015。 例如Conditional histogram design, nearest-neighbor design,以及omniscient design等方法。然而大部分的方法都很難去掌握到影像中的連續性，為了能最有效的保留相鄰影像區塊間邊緣(Edge)的一致性，韓國的Kim在1992年提出了兩種有限狀態的演算法 [6]，分別是側邊匹配(Side match)和重疊匹配(Overlap match)法則。其中側邊匹配有限狀態向量量化技術 [6]近年來受到極大的重視，且有不少這方面的論文發表出來 [7], [8], [10]~[14]。此一技術可減少由於相鄰區塊邊界部位的像素值灰階有太大的落差而造成不連續的情況，以降低解碼影像的區塊效應。此外，這個方法根據相鄰區塊邊界像素值的誤差來設計出次態函數，以獲得編碼向量數目較少但更有效率的狀態編碼書，可降低位元元率而對影像品質不會有太大的影響。而重疊匹配法則雖然會分割出較多的區塊，但是因為編碼後的索引有相當高的重複性，使得我們在使用Entropy coding的技術後可減少更多的位元率，而獲得更高的壓縮比。 灰色理論分析(Grey System Theory)是由中國鄧聚龍於1982年提出 [23]，該理論主要計對系統模型之不明確性及資訊之不完整性之下，進行關於系統的關聯分析(Relational Analysis)及模型建構(Model Construction)，並藉著決策(Decision Making)及預測(Prediction)的方法來探討及了解系統。灰色理論的應用範圍極廣，主要能對事物“不確定性” (Not Certainty)、“多變量輸入” (Multi-Input)、“離散數據” (Discrete Data)及“數據的不完整性” (Not Enough)做有效的處理。而利用指數函數來做