多媒体技术量化和变换编码和预测编码.pptxVIP

本单元的内容量化变换编码预测编码本单元的内容量化变换编码预测编码为什么要量化一个典型的信号压缩系统如以以下图为什么要量化一个典型的信号压缩系统如以以下图。通过时间轴上采样和幅度量化将连续信号变成离散数字信号为什么要量化一个典型的信号压缩系统如以以下图。通过时间轴上采样和幅度量化将连续信号变成离散数字信号为什么要量化一个典型的信号压缩系统如以以下图。通过变换将信号的能量集中在少数几个变换系数上去除信号中的相关性为什么要量化一个典型的信号压缩系统如以以下图。信号压缩真正表达在量化阶段 为什么要量化一个典型的信号压缩系统如以以下图。一般先是行程编码，然后Huffman编码或算术编码进一步提高压缩比 量化原理量化之前需要规定量化级，比方8级，16级等量化时将取样值与量化级比较，假设取样值在某个量化级的覆盖区间之内，那么规定它取这个量化级的代表值，我们称其为码字。 一个量化器只能取有限多个量化级，从而量化过程不可防止地会引起量化误差。 量化器定义 设编码操作在Rk上进行，X为在Rk上给定了概率分布函数的一个随机向量。x为X的取值。A是随机向量取值空间，那么A的一个N级量化器Q={Y, }由以下三局部组成：码本集： 对A的分割： 由下式定义的映射： 在以上定义中，当k 1时，所定义的是向量量化器；当k = 1时，即为标量量化器。 量化器定义 例如：码本集：Y = {y1,y2,…,yN} 分割 依Y将R划分为N个子空间R1, R2, …, RN，且 Ri的区间表示为Ri=[xi, xi+1), i = 1, 2, …, N 产生的量化误差定义为 量化分类 量化可以分为两类： (1) 标量量化：输入信号的所有分量使用同一个量化器进行量化，每个分量的量化都和其它分量无关，也称为零记忆量化。 从码本集合中选出最适配于输入信号的一个码字作为输入信号的近似，这种方法以输入信号与选出的码字之间失真最小为依据。 (2)矢量量化：矢量量化与标量量化相比有更大的数据压缩能力。 矢量量化也可以与其他的编码方法一同使用。 矢量量化常常是与变换编码相结合使用，在图像进行变换之后，按一定方式形成多维向量组，然后到码本中寻找最正确码字。 标量量化标量量化: 均匀量化 〔恒定量化步长〕 非均匀量化〔量化步长可变〕带死区的量化： 当 称 为死区 标量量化均匀量化标量量化标量量化的输入/输出特性采用阶梯形函数的形式 带死区的量化器非带死区的量化器最优标量量化器定义 输出代表点集Y = {y1,y2,…,yN} 存在一种最优分割φ依Y将R划分为N个子空间R1, R2, …, RN，且 Ri的区间表示为Ri=[xi, xi+1〕, i = 1, 2, …, N 如果φ是最优的，yi是Ri的质心。标量量化是将区间上的点映射为质心的操作， 产生的量化误差定义为 最优标量量化均方误差为 最优量化是使 最小，就可得如下解： 〔1〕〔2〕是非线性方程组， Lloyd给出了一种迭代法，给出了数值解。当均匀分布时，就构成了最优均匀标量量化器： LBG算法LBG算法希望设计一个具有K维N码字的码本空间的向量量化器，给出一个初始码本 其对应的量化器记为Q0假设能找到一种新的码本 其对应的量化器记为Q1。那么称量化器被优化了一次。 重复这个过程我们去寻找Y2, Y3, …, Ym LBG算法初始化，给定N, ε 0，假设初始码本及训练集分别为 对于，对 训练集进行划分，将训练集分为划分的原理为 :如果 那么并计算如果停止，并令 为最终码本否那么继续。令 形成新的码本转向2〕其中 是 中矢量的个数LBG算法的局限性最优量化器是对于训练向量集而言的，对于实际的未经训练的输入向量是否还是最优的却很难说，这要依赖于训练向量集的代表性到底真实到何种程度。 由于优化分割的过程并没有依据什么数据结构方面的规那么或限制，而是自由进行，这就使得对码本进行有效组织时遇到了极大的困难。在某些情况下根本无法找到真正具有代表性的训练向量集。 用LBG算法对Lenna图像进行向量量化的结果，压缩后PSNR = 25.21dB 本单元的内容量化变换编码预测编码为什么变换变换是信号实现时域和变换域(频域)映射关系的运算通常经正变换将信号在变换域分解，然后由反变换重建信号：当 有当，有为什么变换变换的本质就是将信号在一组基函数上投影，得到一组投影值，即