向量量化编码法.ppt

《向量量化编码法.ppt》由会员分享，可在线阅读，更多相关《向量量化编码法.ppt（14页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、向量量化编码法 Still waters run deep.流静水深流静水深,人静心深人静心深 Where there is life,there is hope。有生命必有希望。有生命必有希望向量量化編碼法向量量化編碼法(VQ,Vector Quantization)(VQ,Vector Quantization)是以一向量值用另一量化值取代，已達成資料壓縮的目的將影像分割成許多大小相同的小方格，每個小方格包含了許多的像素，通常是由左而右、由上而下地串成一個向量。每個方格都有不同的像素值，編碼時只要是先收集完成具有代表性的向量，組成編碼簿 (Code book)，找出其中跟此一個影像方格最接

2、近的編碼字 (Code word)，的索引值取代此向量(方格)，組成一張索引表。解壓縮時只需利用索引值至編碼部中取出該區對應的向量即可還原。索引表即是VQ 壓縮後的結果，因為索引表的體積通常會比原影像小方格的體積小很多，故VQ 能有很好的壓縮效果(壓縮率通常是十六分之一)。但因壓縮時是取最接近的向量，所以會造成部分原始資料有失真，屬於失真影像壓縮法。適用於允許失真的數位影像、聲音等資料上，此法為學術界所廣泛使用向量量化編碼法向量量化編碼法(VQ,Vector Quantization)(VQ,Vector Quantization)whkk=w x hii原原 始始 影影 像像編編 碼碼 字字

3、編編 碼碼 簿簿(索索 引引 表表)壓壓 縮縮 碼碼尋找最接近的編碼字壓縮端:向量量化編碼法向量量化編碼法(VQ,Vector Quantization)(VQ,Vector Quantization)kk=w x hi編編 碼碼 字字編編 碼碼 簿簿查表近似區塊近似區塊重建影像wh解碼端:壓縮索引壓縮索引 i i尋找最接近的編碼字輸入向量 X編碼簿 C,包含K個編碼字 Yi則最接近的編碼字 Yj定義如下:|X-Yj|2|X-Yi|2 for all YiC其中 X=(x1,x2,XL)且|X|2=xi2i=1LEuclidean distance向量量化編碼法向量量化編碼法(VQ,Vecto

4、r Quantization)(VQ,Vector Quantization)LBGLBG 演算法演算法LBG演算法由Linde、Buzo和Gray三位學者所提出的方法。其主要精神是從一堆編碼字的樣本中以分群法找出代表每個群的編碼字，再由這些其代表性的編碼字形成一本編碼簿。步驟1 選出三至五張具代表性的影像。將每一張影像切割成4x4的區塊。考 慮一張512x512的影像，則共可被切割成 (512x512)/(4x4)=16,384個區塊，其中每個區塊我們可視之為一個16維的向量。訓練出一本含有256個編碼字的編碼簿，其中每個編碼字均由16維向量所組成，其步驟如下:步驟2 首先從這些區塊中隨意挑

5、出256個區塊當作初始編碼簿。步驟3 以這256個初始向量為重心，將其餘區塊分別歸群到這256個重心，也就是每個區塊去尋找與其距離最近的重心，以形成256個群。步驟4 重新計算這256個群的重心，得到新的一本編碼簿。重複步驟3及4，直到每個群重心的變化不再很大時(收斂)，即完成了編碼簿的訓練工 作。LBG演算法的結果取決於初始向量是否足夠分散。也就是說，若初始向量太過集中的話，所編出來的編碼簿通常不具有很好的代表性。LBGLBG 演算法演算法標準編碼的做法相當直接，將每個編碼字的向量一一計算它們之間的距離(Euclidean distance)，並從中找出最接近的一組編碼字進行隻索引值來當向量

6、的編碼。標準標準VQVQ編碼法編碼法Full searchFull searchLBG演算法的結果，屬於較不穩定的，而且此方法需要大量的計算，是其缺點之一。設X=(x1,x2,x3,xk)為欲進行編碼的一組向量，Y=Y1,Y2,Ym為編碼簿，其中共有i個編碼字，每個編碼自均為一個k為向量，即Yi=(yi1,yi2,yi3,yik)。向量x所得的編碼為c。此法是最直接且最簡單的方法，但也是最耗時的方法。v=1(xv-Ycv)kl=1(xv-Ylv)k=minml=1細胞分裂法演算法細胞分裂法演算法細胞分裂法其主要精神是將初始編碼簿儘量分開，如此可以改善LBG演算法初始值過於集中的缺點，並且可以改

7、進製作編碼簿的速度，以下是細胞分裂法的演算過程:步驟1 選出三至五張具代表性的影像。將每一張影像切割成4x4的區塊。考 慮一張512x512的影像，則共可被切割成 (512x512)/(4x4)=16,384個區塊，其中每個區塊我們可視之為一個16維的向量。步驟2 從這些區塊中隨意挑出一個區塊X=(x1,x2,.,xk)為初始向量。步驟3 將X向量分別減去一個值形成二個向量，分別為Y=(y1,y2,.,yk)以及Z=(z1,z2,.,zk)，其中yi=xi-，zi=xi+，且值為一常數值。當yi255時，取zi=255。步驟4 以這Y及Z為重心，將其餘區塊分別去尋找與其距離最接近的重心；亦即將

8、所有的區塊歸到這兩個重心，並重新計算各群之重心，得到Y 及Z。步驟5 將Y及Z各分裂成兩個向量，並重複第、步驟，如此每一回合群 的個數會以2的倍數成長，一直到產生足夠的編碼字個數。細胞分裂法演算法細胞分裂法演算法X=(x1,x2,.,xk)Z=(z1,z2,.,zk)Y=(y1,y2,.,yk)zi=xi+yi=xi-Y=(y1,y2,.,yk)Z=(z1,z2,.,zk)P=(p1,p2,.,pk)pi=yi+Q=(q1,q2,.,qk)qi=yi-R=(r1,r2,.,rk)ri=zi+S=(s1,s2,.,sk)si=zi-以Y為重心分群後重新計算各群重心以Z為重心分群後重新計算各群重心

9、演算法中為一常數值，該值大小可一實驗來取得較佳的經驗值。利用樹狀結構漸進的方式產生編碼簿，可以不用每次都計算編碼簿個分群重心，因此可以有效的減少計算量。初始向量的選擇對編碼簿的結果，不會有絕對性的影響。細胞分裂法演算法細胞分裂法演算法較LBG演算法具有更好的效能，包括編碼簿可產生較佳的壓縮品質，以及製作編碼簿所花費的時間較少等優點。邊緣吻合向量量化法邊緣吻合向量量化法一般的向量量化壓縮法，都是針對事先劃分好的每個區塊分別做壓縮。完全不考慮區塊間的關聯性，但是一般的影像大多具有局部相似的性質，因此有效的利用已知的相鄰區塊資料來對尚未解碼的區塊做有效的預測，可增加壓縮效率。邊緣吻合向量量化法邊緣吻

10、合向量量化法 (Side Match Vector Quantization SMVQ)利用已知的相鄰區塊來改進 VQ 壓縮率的方法，稱之為邊緣吻合向量量化法 (Side Match Vector Quantization SMVQ)，其作法是先用傳統的VQ編碼法對影像最上方第一列區塊及最左方第一行區塊作編碼，這些區塊稱之為seed block。其餘剩下來的區塊(residual blocks)則只須利用這些seed blocks來設法還原即可。還原方法如下所述，先參考右圖，其中U和L為以還原的區塊，因此這兩個區塊內所有像素值皆為已知，而X則為未還原區。將 X1這個像素值設為(U13+L14)

11、/2，和U、L相鄰的像素值設為之後，從編碼簿中找出最接近的編碼字來還原 X，此時只需和編碼字中的這幾個相對位置比較，也就是16維向量的編碼字中的第1、2、3、4、5、9及第13個位置上的值。X2=U14,X3=U15,X4=U16,X5=L8,X9=L12,X13=L16L L1313L L1414L L1515L L1616L L4 4X X1 1X X2 2X X3 3X X4 4L L8 8X X6 6L L1212X X9 9L L1616X X1616ULX邊緣吻合向量量化法邊緣吻合向量量化法 (Side Match Vector Quantization SMVQ)SMVQ的壓縮率

12、是相當高的，因為真正編碼的只有第一列及第一行區塊的編碼而已。其餘的區塊均是利用相鄰的區塊來加以還原。除非該影像是一張幾乎完全沒變化的影像，否則其壓縮品質將會是無法被接受的。其原因是當上一回合所還原出的區塊有很大的誤差時，則下一回合還原出來的結果將會更差，而令人難以接受，此一問題稱為derailment。一種用來提昇 side-match VQ的壓縮品質的方法。利用交叉的方式，將奇數行或列的區塊儲作 seed block，而偶數位的區塊則用 SMVQ來還原。如此，每個未還原的區塊就可以利用四面八方的區塊資訊，如upper、right、down 及left block來求得更加的編碼字。由於已知資訊增加了，相對的正確率也就可以提高。分類邊緣吻合向量量化法分類邊緣吻合向量量化法 Variable-rate SMVQ with a block classifier(CSMVQ)以樣式為基礎的以樣式為基礎的SMVQ SMVQ Pattern-based SMVQ(PSMVQ)其他邊緣吻合向量量化法其他邊緣吻合向量量化法