一种基于矢量分割的字符识别算法.docxVIP

一种基于矢量分割的字符识别算法 向量量化广泛应用于图像压缩和语音编码等领域，但其运算量相对较大，这对应用有限。因此，为了减少运算量，有必要研究高效快速的搜索方法。 基于不等式判决的快速搜索算法是一类实用有效的快速搜索算法。如部分失真搜索算法(PDS),等均值最近邻域搜索算法(ENNS)和改进的ENNS算法(IENNS)。 以及等均值等方差最近邻域搜索算法(EENNS)和改进的EENNS算法(IEENNS)。 文在IEENNS算法的基础上,增加了两个基于子矢量参数不等式的排除准则,性能得到了进一步的提高。 本文在IEENNS算法的基础上,提出了基于矢量分割的一般性码字排除准则,并设计了一个快速搜索算法。实验表明,新算法能够减少更多的编码运算时间。 1 在关注局部作业码本的同时排除enns算法 定义1设X、Y均为K维矢量,定义矢量X和Y的失真为 D(X?Y)=Κ∑i=1(xi-yi)2.(1) 定义2设X为K维矢量,定义矢量X的均值为mX, 方差为VX, 即: mX=1ΚΚ∑i=1xi?VX=√Κ∑i=1(xi-mX)2.(2) ENNS算法: 设X为K维待量化矢量,Y为K维码本里的一个码字,Dmin是当前码本搜索中已知的最小失真,若 Κ(mX-mY)2≥Dmin?(3) 则D(X,Y)≥Dmin, 码字Y可以被排除。 IEENNS算法: 设X为K维待量化矢量,Y为K维码本里的一个码字,Dmin是当前码本搜索中已知的最小失真,若 Κ(mX-mY)2+(VX-VY)2≥Dmin,(4) 则D(X,Y)≥Dmin, 码字Y可以被排除。 2 计算有,其dmin的编码 准则1设X为K维待量化矢量,Y为K维码本里的一个码字。X和Y均被同样分割成M个子矢量,子矢量Xi和Yi的维数均为Ki,i=1,2,…,M。 设Dmin是当前码本搜索中已知的最小失真。 X=[X1?X2???XΜ]?Y=[Y1?Y2???YΜ]?Κ=Μ∑i=1Κi.(5) 若 Μ∑i=1[Κi(mXi-mYi)2+(VXi-VYi)2]≥Dmin?(6) 则D(X,Y)≥Dmin, 码字Y可以被排除。 证明由IEENNS算法知 D(X,Y)≥Κ(mX-mY)2+(VX-VY)2.(7) 式(7)同样对X、Y的每个子矢量都成立,所以 D(X,Y)=Μ∑i=1D(Xi?Yi)≥Μ∑i=1[Κi(mXi-mYi)2+(VXi-VYi)2]?(8) 若式(6)成立,则D(X,Y)≥Dmin, 该码字可以被排除。 当只使用子矢量的均值参数时,从准则1还可以推导出一个有用的推论,即: 准则2对于准则1中所述的待量化矢量X和码字Y, 若 Μ∑i=1Κi(mXi-mYi)2≥Dmin?(9) 则D(X,Y)≥Dmin, 码字Y可以被排除。 3 快速搜集编码 根据新的码字排除准则,可得到一个实用的快速搜索算法。在该算法中,子矢量的数目设定为两个,即M=2, 并将准则1和准则2进行形式上的修改,得到两个实用的判决不等式,以减少运算量。 准则3对于准则1中所述的待量化矢量X和码字Y, 若 2∑i=1(√ΚimXi-√ΚimYi)2≥Dmin?(10) 则码字Y可以被排除。其中K1+K2=K。 准则4对于准则1中所述的量化矢量X和码字Y, 若 2∑i=1(√ΚimXi-√ΚimYi)2+(VXi-VYi)2≥Dmin?(11) 则码字Y可以被排除。其中K1+K2=K。 快速搜索算法框架如下: 1) 选定两个子矢量的维数K1和K2, 计算码本中每个码字Y对应的5个参数,即√ΚmY、√Κ1mY1、√Κ2mY2、VY1和VY2, 并事先存储; 2) 计算输入矢量X对应的5个参数:√ΚmX、√Κ1mX1、√Κ2mX2、VX1和VX2; 3) 选取一个初始码字,计算失真Dmin; 4) 如果所有码字都被搜索过,到步骤9), 否则选取下一个码字; 5) 按照ENNS判决准则进行码字排除; 6) 按照准则3进行码字排除; 7) 按照准则4进行码字排除; 8) 按照式(1)计算输入矢量和码字之间的失真,更新门限Dmin。 回到步骤4); 9) 搜索结束。 4 性能对比测试 因为新的快速搜索算法只是排除不可能的码字,所以没有量化质量的损失,其量化结果与全搜索算法相同。为了衡量新算法的性能,我们将快速搜索算法应用到语音编码中线谱对(LSP)参数的量化中,并与全局搜索算法、IEENNS搜索算法进行比较。测试所用的语音库为72MB, 每25ms为一帧,每帧提取10个LSP参数进行量化。 测试1用尺寸为11bit的10维码本对10个LSP参数进行矢量量化。性能比较如表1。 表中,平均每帧失真计算次数相当于平均每帧用于失真计算的码字的个数,而平均每帧量化所需时间t体现了快速算法的搜索速度,是衡量快速算法性能的主要标准。 测试