1、多媒體技術(shù)根底四川大學(xué) 計(jì)算機(jī)學(xué)院陳 虎復(fù)習(xí)-2fs -fs 0 fs 2fsfs-fHfs+fH Ms(f)f抽樣頻率fs對(duì)頻譜Ms(f)的影響低通訊號(hào)的抽樣定理： 一個(gè)頻帶限制在0 fH內(nèi)的低通訊號(hào)m(t)，假設(shè)抽樣頻率fs 2 fH，那么可以由抽樣序列無失真地重建原始信號(hào)m(t) 。fs2fHf-2 f s - f s -fH 0 fH fs 2fs Ms(f)fs-fHfs+fHfs2fHfs=2fH -fH 0 fHM(f)f -2 f s - f s -fH 0 fH fs 2fs Ms(f)fM(f) -fH 0 fHfM(f) -fH 0 fHf量化模

2、擬信號(hào)數(shù)字化中的量化： 在實(shí)踐中，信號(hào)的波形都是典型的延續(xù)幅度和延續(xù)時(shí)間，因此模數(shù)A/D變換用來產(chǎn)生波形的離散表示方式。經(jīng)過抽樣后的樣值在幅度上依然是延續(xù)的，幅度量化過程是用來把能夠的幅度數(shù)目限制到有限個(gè)數(shù)目。由于幅度量化在很大程度上決議了系統(tǒng)總失真，以及把波形傳送到接納端所必需的比特率。因此，量化是數(shù)字通訊中關(guān)鍵的過程。量化量化在多媒體領(lǐng)域常有兩種用途一是將模擬信號(hào)轉(zhuǎn)變成數(shù)字信號(hào)，以便于隨后進(jìn)展數(shù)字處置，普通采用線性量化器，量化區(qū)間均勻劃分，以區(qū)間的中間值做量化輸出值。另一種用途是數(shù)據(jù)緊縮，如在 DPCM 系統(tǒng)中對(duì)預(yù)測(cè)誤差的量化，這種場所常用不均勻量化。量化類型標(biāo)量 (Scalar) 量化：

3、對(duì)每一個(gè)樣值做獨(dú)立的量化。矢量 (Vector) 量化：由 K 個(gè)樣值構(gòu)成 K 維空間的一個(gè)矢量，然后對(duì)其進(jìn)展一次性量化。量化量化本質(zhì)上可以看作是一個(gè)映射的過程。將一切取值落在 Ri 范圍內(nèi)的輸入信號(hào)映射到一點(diǎn) yi 上。量化 量化過程d1d2d4d3d5q5q4q3q2q1T2T3T4T5T6T7Tt量化誤差信號(hào)實(shí)踐值信號(hào)量化值m(t)m(6T)mq(6T)q6 信號(hào)實(shí)踐值 信號(hào)量化值量化量化器的設(shè)計(jì)要求，通常設(shè)計(jì)量化器有下述兩種情況：給定量化分層級(jí)數(shù) L，滿足量化誤差 D 最小。限定量化誤差 D，確定分層級(jí)數(shù) L，滿足以盡量小的平均比特?cái)?shù)，表示量化輸出，即碼率 R 最小。 標(biāo)量量化又可分為

4、: 均勻量化、非均勻量化和自順應(yīng)量化均勻量化 5 4 3 2 1 0-1-2-3-4-5ui (v)uo(v)-5 -4 3 -2 -1 0 1 2 3 4 5量化特性-5 -4 3 -2 -1 0 1 2 3 4 5 2 1 0 -1-2ui (v)e(v)量化誤差量化間隔都相等的量化稱為均勻量化mkqkaLaMv正常量化區(qū)限幅區(qū)限幅區(qū)mM dM-1dk+1dkd2d1 d0判決電平量化值qM qM-1qkq2q1 q0均勻量化量化誤差t 1 0-1e(v)信號(hào)幅度在 aL,aM之間t 5 4 3 2 1 0-1-2-3-4-5u(v)正常量化區(qū)aLaMv2均勻量化限幅區(qū)v2信號(hào)幅度進(jìn)入限幅

5、區(qū)t 5 4 3 2 1 0-1-2-3-4-5u(v)量化誤差t 1 0-1e(v)aLaM均勻量化 均勻量化的數(shù)學(xué)表示 量化間隔： 量化區(qū)間端點(diǎn)： 假設(shè)量化輸出電平qi取為量化間隔的中點(diǎn)，那么i = 0, 1, , M 量化誤差輸入 x 與輸出 y 之間的誤差是量化過程中所固有的，稱為量化誤差。量化誤差 (噪聲是數(shù)字小信號(hào)失真的主要來源。量化處置是多個(gè)對(duì)一個(gè)的處置過程，是個(gè)不可逆過程，有信息喪失，或者說，會(huì)產(chǎn)生量化噪聲。不同于信道噪聲或熱噪聲，量化噪聲不是隨機(jī)引入的，普通說來，它與被量化的信號(hào)相關(guān)。度量量化誤差時(shí)，首先需求一個(gè)衡量的規(guī)范，比如，均方誤差準(zhǔn)那么MSE、絕對(duì)值誤差準(zhǔn)那么等。我們

6、下面的討論都基于廣泛運(yùn)用的均方誤差準(zhǔn)那么。 均勻量化 均勻量化的平均信號(hào)量噪比 量化噪聲功率的平均值Nq ： 信號(hào)mk的平均功率：顆粒失真和過載失真顆粒失真Granular Noise： 均勻量化誤差與輸入信號(hào)的關(guān)系如圖。處在均勻量化范圍內(nèi)的量化誤差大小為 -0.5, +0.5，稱之為顆粒失真，或者顆粒噪聲，表示為 Dgran顆粒失真和過載失真平均顆粒失真：代入得顆粒失真和過載失真假設(shè)輸入信號(hào) x 先經(jīng)過歸一化處置，使其范圍在 x0,1 ，即 b-a =1 ，那么上面等式成為：信噪比為：顆粒失真和過載失真闡明：量化級(jí)數(shù)每添加 1bit，那么步長減小一半，均方量化噪聲減為 ，SNR 添加 6dB

7、。人眼視覺對(duì)圖像中變化不大、較為均勻的區(qū)域低頻比較敏感，而對(duì)細(xì)節(jié)高頻部分的敏感程度相對(duì)較弱。因此，通常對(duì)圖像信號(hào)中的低頻部分采用較大的量化級(jí)數(shù)。顆粒失真和過載失真變暗、只保管輪廓1 比特量化：0, 127 64128, 255 1962 比特量化：邊境：0, 64, 128, 196, 255 重構(gòu)程度32, 96, 160, 2243 比特量化例：8 1, 2, 3 bits/pixel顆粒失真和過載失真輸入信號(hào)幅度為無界(-,) 時(shí)在兩個(gè)區(qū)間-, x1 和 xL-1,)產(chǎn)生過載失真 Dol 在其它的 L-2 個(gè)區(qū)間 (x1, xL-1) 產(chǎn)生顆粒噪聲，即量化失真大小在 -0.5, +0.5

8、內(nèi)的誤差。 普通而言，顆粒失真幅度相對(duì)較小、產(chǎn)生的概率隨著輸入樣值的不同而不同；過載失真幅度大，但只需設(shè)計(jì)合理，其產(chǎn)生的概率很小。假設(shè)輸入隨機(jī)信號(hào)零均值、對(duì)稱量化器，那么該均勻量化器的噪聲 D 為： 非均勻量化非均勻量化的目的 提高小信號(hào)的輸出信號(hào)量噪比。非均勻量化的原理 量化間隔隨信號(hào)抽樣值的不同而變化。信號(hào)抽樣值小時(shí)，量化間隔v也小；信號(hào)抽樣值大時(shí)，量化間隔v也變大。非均勻量化xe(x)量化誤差非均勻量化特性曲線x 11 0y非均勻量化量化誤差非均勻量化特性曲線yxxe(x)非均勻量化非均勻量化的實(shí)現(xiàn)原理yt51018t擴(kuò)張?zhí)匦郧€x緊縮特性曲線yt510t18y非均勻量化常用的壓擴(kuò)方法

9、A緊縮律A律：主要用于英國、法國、德國等歐洲各國和我國大陸； 緊縮律律：主要用于美國、加拿大和日本等國。非均勻量化 A緊縮律A律 緊縮規(guī)律：A-緊縮率 我國大陸：A = 87.6xy11-1-10A=1A=87.61/A非均勻量化 13折線緊縮特性 A律的近似 yx11/21/41/81/161/321/641/128 17/86/85/84/83/82/81/81/481/2716254483162161斜率段號(hào)各段斜率 1 2345 678A=87.6時(shí)的A律緊縮特性非均勻量化 A=87.6 A律與13折線緊縮特性比較 y x1 82838485868781按A=87.6關(guān)系求得x1128

10、160.6130.6115.417.813.411.981按13折線關(guān)系求得x1 1281641321161814121非均勻量化 緊縮律 緊縮規(guī)律：xy0 0.2 0.4 0.6 0.8 1.01.0m=030100200yx0 0.2 0.4 0.6 0.8 1.01.0m=030緊縮特性擴(kuò)張?zhí)匦?00200非均勻量化 15折線緊縮特性 律的近似 i 012345678y = i/801/82/83/84/85/86/87/81x=(2i - 1) / 25501/2553/2557

11、/25515/25531/25563/255127/2551斜率 2551/81/161/321/641/1281/2561/5121/1024段號(hào)12345678非均勻量化 15折線緊縮特性非均勻量化 15折線緊縮特性與13折線緊縮特性比較 15折線特性第一段的斜率255/8大約是13折 線特性第一段斜率16的兩倍，15折線特性 給出的小信號(hào)的信號(hào)量噪比約是13折線特性的 兩倍。 對(duì)于大信號(hào)而言，15折線特性給出的信號(hào)量噪 比要比13折線特性時(shí)稍差。 恢復(fù)原信號(hào)大小的擴(kuò)張?jiān)?，完全和緊縮的過程相反。非均勻量化 非均勻量化和均勻量化比較 0 -10 -20 -30 -40 -50 -60 20

12、lgy/x(dB)605040302010SNR(dB)均勻量化11位碼字均勻量化7位碼字非均勻量化7位碼字26傳輸規(guī)范對(duì)通訊系統(tǒng)的要求是：在信號(hào)動(dòng)態(tài)范圍大于40dB的條件下，信噪比不應(yīng)低于26dB。Lloyd-Max 標(biāo)量量化器問題：信號(hào) x 的概率密度函數(shù)為 p(x) ，設(shè)計(jì)一個(gè) L 個(gè)輸出電平的量化器，以均方誤差作為評(píng)判規(guī)范，使其最?。篖loyd-Max 標(biāo)量量化器結(jié)果：Lloyd-Max 最正確均方量化器MMSE，Lloyd 1957; Max 1960L-1 個(gè)判決電平(門限)準(zhǔn)確位置于輸出電平之間的中點(diǎn)最近鄰L 個(gè) 輸出量化電平位于 pdf 函數(shù)在兩個(gè)延續(xù)判決門限之間的質(zhì)心Lloy

13、d-Max 標(biāo)量量化器證明：根據(jù)量化失真度量公式，得Lloyd-Max 標(biāo)量量化器 如今要對(duì)此多元方程求 D 的極小值，根據(jù)拉格郎日極值定理，分別對(duì) xi 及 yi 求偏導(dǎo)，并使之為 0，得： Lloyd-Max 標(biāo)量量化器求解上述方程得：Lloyd-Max 標(biāo)量量化器最正確均方量化器的三個(gè)主要特點(diǎn)：設(shè) y=Q(x) ，量化誤差 = y-x = Q(x) x ，那么量化誤差的均值為 0，量化誤差無直流分量量化誤差和重建信號(hào)不相關(guān)，正交方差為輸入輸出信號(hào)方差的差值，方差減少Lloyd-Max 標(biāo)量量化器闡明： 1E=0，量化誤差沒有直流分量。用 = x-Qx = x y 交換，得到 Ex = E

14、y 。這闡明MMSE量化器的輸出電平 y 是輸入電平 x 的的無偏估計(jì)。 2 EQ(x)=0，量化誤差正交于量化器的輸出電平。 3 E2=2 = x2- y2 ，做數(shù)學(xué)代換得到 。Lloyd-Max 標(biāo)量量化器設(shè)計(jì)根本思想：前面引見的最正確量化器條件，即最小均方誤差MMSE量化器的最近鄰條件和質(zhì)心條件。給定 xi ，可以計(jì)算對(duì)應(yīng)的最正確 yi給定 yi ，可以計(jì)算對(duì)應(yīng)的最正確 xi顯然，判決電平 xi 和量化電平 yi 的求解是一個(gè)相互依賴的過程。問題：如何同時(shí)計(jì)算最正確的 xi 和 yi ？答案：迭代，或查表法Lloyd-Max 標(biāo)量量化器設(shè)計(jì)迭代法就是選擇參量，以同時(shí)到達(dá)最正確分區(qū)最臨近條

15、件和最正確碼表質(zhì)心條件的算法。Lloyd-Max 迭代算法的詳細(xì)步驟如下： Lloyd-Max 標(biāo)量量化器設(shè)計(jì)Lloyd-Max 算法舉例Ix 是均值為 0，方差為1 的高斯分布，即 xN(0,1)設(shè)計(jì)一個(gè) 4 個(gè)索引的量化器，使得失真 D* 最小用 Lloyd-Max 算法得到最正確量化器判決電平邊境：-0.98, 0, 0.98量化重建程度：1.51, -0.45, 0.45, 1.51Lloyd-Max 標(biāo)量量化器設(shè)計(jì)收斂情況初始化A：判決邊境為：3, 0, 3初始化A：判決邊境為：1/2, 0, 1/2在兩種情況下，經(jīng)過 6 次迭代后，Lloyd-Max 標(biāo)量量化器設(shè)計(jì)Lloyd-Ma

16、x 算法舉例 IIx 是均值為 0，方差為 1 的 Laplacian 分布設(shè)計(jì)一個(gè) 4 個(gè)索引的量化器，使得失真 D* 最小用Lloyd-Max算法得到最正確量化器判決電平邊境：-1.13, 0, 1.13量化重構(gòu)程度：-1.83, -0.42, 0.42, 1.83一個(gè)好的預(yù)測(cè)器輸出的預(yù)測(cè)差值信號(hào)通常滿足 0 周圍頂峰值的分布，如 Laplacian分布Lloyd-Max 標(biāo)量量化器設(shè)計(jì)初始化A：判決邊境為：3, 0, 3初始化A：判決邊境為：1/2, 0, 1/2收斂情況在兩種情況下，經(jīng)過 6 次迭代后，Laplacian 分布的尾巴更長，外側(cè)步長大；同時(shí)，內(nèi)側(cè)步長小，由于在中心附近概率

17、大。Lloyd-Max 標(biāo)量量化器設(shè)計(jì)4比特 Laplacian 最優(yōu)量化器當(dāng)輸入方差小于假定方差，SNR下降很快。均方量化噪聲MSQE減小，由于過載噪聲減小。但是由于輸入方差小，SNR中的信號(hào)/噪聲比率減小很快。當(dāng)輸入方差大于假定方差，均方量化噪聲MSQE相應(yīng)增大，但是由于輸入信號(hào)的能量增大，信號(hào)/噪聲比率減小緩慢。當(dāng)真實(shí)的數(shù)據(jù)方差和假設(shè)的方差不匹配時(shí)呵斥的影響 Lloyd-Max 標(biāo)量量化器設(shè)計(jì)當(dāng)信號(hào) x 的概率密度函數(shù) p(x) 不是均勻分布時(shí)，需求采用上述的反復(fù)迭代方法設(shè)計(jì)最正確均方量化器。這種迭代過程是比較費(fèi)事的， Max 曾經(jīng)針對(duì)不同分布的 p(x)，計(jì)算出了最正確量化電平和判決電

18、平。在某些情況可以直接套用。判決門限輸出電平Lloyd-Max 標(biāo)量量化器設(shè)計(jì)Lloyd-Max 標(biāo)量量化器設(shè)計(jì)知輸入信號(hào) x 的概率密度函數(shù) p(x) 為高斯分布、拉普拉斯分布或均勻分布，且均值 Ex=0 ，規(guī)范方差 x = 1 時(shí)，得到最正確量化器量化電平 yk (k=1,2,.,L) 規(guī)范表。問題：當(dāng)隨機(jī)變量 x 的均值 = Ex 0 ，規(guī)范差 x 1 時(shí)，如何由規(guī)范表轉(zhuǎn)換出相應(yīng)的量化電平 ？ 詳細(xì)步驟如以下圖：Lloyd-Max 標(biāo)量量化器當(dāng)信號(hào) x 的概率密度函數(shù) p(x) 在整個(gè)范圍內(nèi)是均勻分布時(shí)，即 p(x) 為某個(gè)常數(shù) c 時(shí)，上述 Lloyd-Max 最正確均方量化器變?yōu)榫鶆?/p>

19、量化器，其輸出的量化電平為：Lloyd-Max 標(biāo)量量化器 判決電平仍為：在輸入?yún)^(qū)間上等間隔分布 闡明：對(duì)于均勻分布，均勻量化是最正確量化器 對(duì)應(yīng)輸入信號(hào)區(qū)間 (xi-1，xi的中值，換言之，量化電平是判決電平 xi-1 和 xi 的算術(shù)平均值。量化電平是等間隔分布的。熵約束標(biāo)量量化器Lloyd-Max 量化器是對(duì)固定碼率編碼的優(yōu)化，對(duì)于變字長變碼率編碼，怎樣做更好？量化的三個(gè)部分選擇判決邊境選擇重構(gòu)電平量化電平選擇碼字前面討論的：給定 L 個(gè)重構(gòu)程度，以均方量化誤差(MSQE)最小來衡量量化器的性能，一切區(qū)間用固定碼率編碼： log2L 比特。熵約束標(biāo)量量化器如今討論另一個(gè)問題：用碼率 R

20、(bit/sample 或者“熵衡量量化器的性能思索判決的選擇會(huì)影響碼率，重新設(shè)計(jì)量化器熵約束量化器。采用同樣設(shè)計(jì)的量化器 (Lloyd-Max量化器)，對(duì)索援用變長碼編碼。熵約束標(biāo)量量化器對(duì) Lloyd-Max 量化器的輸出進(jìn)展熵編碼Number of Levels定長碼(bit)GaussianLaplacianUniformNonUniformUniformNonUniform421.9041.9111.7511.72862.4092.4422.1272.207832.7592.8242.3942.4791643.6023.7653.0633.4733254.4494.7303.7794

21、.427Output entropies in bits per samples for minium mean squared error quantizes熵約束標(biāo)量量化器低碼率情況下，定長碼與熵編碼之間的差別并不大高碼率情況下，定長碼與熵編碼之間的差別增大Laplacian分布的32電平均勻量化器，定長碼需 5 比特，熵編碼只需 3.779 比特定長碼與均勻量化輸出熵編碼之間的差別大于定長碼與非均勻量化輸出熵編碼之間的差別非均勻量化器在大約率區(qū)域步長小，在小概率區(qū)域步長大 使得每個(gè)區(qū)間的概率相近 增大非均勻量化輸出的熵分布越接近均勻分布，上述差別越小。熵約束標(biāo)量量化器熵約束標(biāo)量量化器 E

22、ntropy-constrained Scalar quantizer, ECSQ用量化器輸出的熵作為碼率的度量對(duì)量化索援用熵編碼技術(shù)編碼量化器輸出的熵定義為所以重構(gòu)電平 yi 的選擇不影響碼率但判決邊境 xi 既影響失真，也影響碼率，因此需求引入一個(gè)參數(shù)熵約束標(biāo)量量化器均方量化誤差 MSQEP. A. Chou, T. Lookabaugh, R. M. Gray, “Entropy-constrained vector quantization, IEEE Trans. Signal Processing, vol. 37, no. 1, pp. 31-42, Jan 1989熵約束標(biāo)量量

23、化器給定碼率限制 H(Q)R0，求得 xi, yi 和二進(jìn)制碼字，使 Lagrange 代價(jià)函數(shù)最?。?太復(fù)雜，不能直接求解用迭代法求解熵約束標(biāo)量量化器在最小化 J() 中 的作用:較大的 H(Q) 的權(quán)重更大只保管較小的熵 H(Q) 隨著的添加減小可以用二分法求解最正確的 ，使得 H(Q)=R H(Q)熵約束標(biāo)量量化器ECSQ 算法二重循環(huán)1.選擇一個(gè)初始的 0外層循環(huán)，控制碼率 H(Q)2.初始化一切的 yi，j=0，D0=里層循環(huán)，控制失真D3.計(jì)算判決邊境：4.更新一切的 yi ：5.更新 pi ：6.計(jì)算 MSE：7.假設(shè) ，轉(zhuǎn)第8步；否那么 j=j+1，轉(zhuǎn)第3步8.假設(shè) ，調(diào)整，轉(zhuǎn)

24、第2步熵約束標(biāo)量量化器ECSQ 算法的運(yùn)用 (I)x 是均值為 0，方差為 1 的高斯分布，即 xN(0, 1)設(shè)計(jì)一個(gè) R2 的ECSQ，使得期望失真 D* 最小11 個(gè)區(qū)間-6，6 內(nèi)：幾乎是均勻定長編碼：熵約束標(biāo)量量化器初始化A：初始化為15個(gè)均勻區(qū)間初始化A：初始化為4個(gè)均勻區(qū)間熵約束標(biāo)量量化器ECSQ 算法的運(yùn)用 (II)x 是均值為 0，方差為 1 的 Laplacian 分布設(shè)計(jì)一個(gè) R2 的ECSQ ，使得期望失真 D* 最小21 個(gè)區(qū)間-10，10 內(nèi)，幾乎是均勻的 熵約束標(biāo)量量化器初始化A：初始化為25個(gè)均勻區(qū)間初始化A：初始化為4個(gè)均勻區(qū)間高碼率下 ECSQ 的性能對(duì) M

25、SQE 失真和高碼率高分辨率，均勻量化器緊跟熵編碼是最正確的 Gish, Pierce, 1968H. Gish and J. N. Pierce, “Asymptotically. efficient quantizing, IEEE Trans. Inform. Theory,. vol. IT-14, pp. 676-683, Sept. 1968. 高碼率下 ECSQ 的性能碼率為 失真-碼率函數(shù)為 是Shannon下界 的 ，即 高碼率的均勻 ECSQ量化器的 SNR 與 Shannon 下界差 1.53dB對(duì)任何平滑 pdf高碼率下 ECSQ 的性能一樣碼率 R 下，ECSQ 的失

26、真比 Lloyd-Max 量化器更小Gaussian 信源的量化器熵約束標(biāo)量量化器高碼率下 Lloyd-Max量化器失真碼率函數(shù)：縮放因子 2 的數(shù)值均勻 1Laplacian 9/2 = 4.5gaussian (3)/2 = 2.721高碼率下 ECSQ 的失真率函數(shù)自順應(yīng)量化器思想不是靜態(tài)方法，而是與真實(shí)數(shù)據(jù)相順應(yīng)均值、方差、pdf前向自順應(yīng) (離線)將信源分塊分析塊的統(tǒng)計(jì)特性設(shè)置量化方案邊信道Side channel后向自順應(yīng) (在線)基于量化器輸出自順應(yīng)無需邊信道前向自順應(yīng)量化器 FAQ 選擇塊大小：折中太大分辨率不夠，不能抓住輸入的變化延遲增大太小需求傳輸更多的邊信息假設(shè)均值為0方

27、差估計(jì)FAQ 問題：需求緩存分析統(tǒng)計(jì)特性，呵斥延時(shí)邊信息的同步前向自順應(yīng)量化器 FAQ 例：語音量化16 比特 3 比特定長碼男聲 “test前向自順應(yīng)量化器 FAQ 例：語音量化 216 比特 3 比特 FAQ塊大小：128 個(gè)樣本8 比特方差量化失真較小紅色區(qū)域還有提升空間前向自順應(yīng)量化器 FAQ 迄今為止，我們假設(shè)均勻 pdf改良假設(shè)均勻 pdf，但記錄每塊的最大/最小值例： Sena圖像 88 塊每個(gè)像素 3 比特量化每個(gè)塊中邊信息最大值/最小值各用 8bit 表示，那么每個(gè)像素平均為每個(gè)像素共：3.25bits/pixel和原始圖像幾乎難以區(qū)別對(duì)于高碼率，前向自順應(yīng)量化是個(gè)非常好的選

28、擇原始圖像： 8bits/pixel量化： 3.25 bits/pixel后向自順應(yīng)量化器 BAQ 察看解碼器只能看到量化器的輸出 只能根據(jù)量化器輸出進(jìn)展自順應(yīng)問題只根據(jù)輸出，如何減少不匹配信息假設(shè)知道 pdf，這是能夠的耐心：察看長時(shí)間的量化器輸出，推測(cè)能否發(fā)生了不匹配景象假設(shè)匹配，落入某區(qū)間的概率與預(yù)定的 pdf 一致，否那么，發(fā)生了不匹配景象。失配時(shí)，假設(shè)步長比應(yīng)有的步長小，輸入落入外側(cè)區(qū)間的數(shù)目偏大；相反，輸入落入內(nèi)側(cè)區(qū)間的數(shù)目偏大。后向自順應(yīng)量化器 BAQ Jayant 量化器不需求察看長時(shí)間的量化器輸出，在察看單個(gè)輸出后就可調(diào)整量化步長，Jayant 稱之為“quantizatio

29、n with one word memory。嵌入式量化器動(dòng)機(jī)：可伸縮scalable解碼隨著比特流的解碼，漸近地精化重構(gòu)數(shù)據(jù)對(duì)低帶寬有用是 JPEG2000 的一個(gè)關(guān)鍵特征嵌入式量化：低碼率器的區(qū)間被再分割，以產(chǎn)生更高碼率的量化器可以經(jīng)過截?cái)嗔炕饕@得較粗糙的量化嵌入式量化器例1：均勻量化器嵌入式量化器例2：Deadzone quantizer假設(shè) deadzone 量化器的量化區(qū)間的索援用 4 個(gè)比特表示假設(shè)收到了一切 4 個(gè)比特步長為假設(shè)只收到了前 3 個(gè)比特步長為 2假設(shè)只收到了前 2 個(gè)比特步長為 4矢量量化主要內(nèi)容根本思想標(biāo)量量化的缺乏之處LBG 算法樹構(gòu)造 VQTree-str

30、uctured VQ格型量化Lattice quantization網(wǎng)格編碼量化Trellis coded quantization, TCQ矢量量化矢量量化編碼是近年來圖像、語音信號(hào)編碼技術(shù)中采用的一種量化編碼方法。矢量量化編碼方法普通是有失真編碼方法。緊縮符號(hào)串比緊縮單個(gè)符號(hào)在實(shí)際上可產(chǎn)生更好的效果如圖像和聲音的相鄰數(shù)據(jù)項(xiàng)都是相關(guān)的矢量量化：量化時(shí)不是處置單個(gè)信源輸出，而是一次處置一組符號(hào)矢量得到更好的緊縮性能：碼率/失真更小矢量量化以圖像編碼為例查表搜索間隔最近的碼字非對(duì)稱編碼：編碼：在輸入與碼本匹配過程中需大量計(jì)算解碼：只需查表矢量量化碼率碼書codebook中共有 K 個(gè)碼字code

31、word碼字是長度為 L 的矢量那么表示碼字索引需 log2K 比特假設(shè)矢量長度為 L 個(gè)樣本，因此碼率表示每個(gè)樣本所需比特為例：對(duì) 256 級(jí)的灰度圖像，矢量每塊大小為 L = 44 ，用 K =1024 個(gè)碼字的碼書對(duì)圖像進(jìn)展矢量量化那么碼率為 R = log2K/L = 10/16 = 0.63bpp緊縮比為：8 : 0.63 = 12.8 : 1可以經(jīng)過對(duì)碼字索引采用熵編碼技術(shù)得到更高的緊縮比矢量量化失真采用均方誤差作為量化失真度量定義：碼書 C，包含 K 個(gè)碼字矢量 Yj X 與 Yj 最近，量化定義為 其中量化區(qū)域判決邊境： 表示一切可以被 Yj 量化的輸入矢量iff 當(dāng)且僅當(dāng)矢量量化問題：為什么矢量量化 (VQ) 比標(biāo)量量化SQ好？怎樣產(chǎn)生碼書？對(duì)每個(gè)輸入矢量，怎樣找到與其最匹配的碼字？SQ 缺乏 VQ 優(yōu)勢(shì)假設(shè)對(duì)思索二者之間的相關(guān)性例如身高和體重，對(duì) x1, x2 一同量化，那么輸出點(diǎn)數(shù)量一樣，但輸出點(diǎn)位于輸入的聚集區(qū)域。實(shí)踐中，一個(gè)80英寸身高40磅體重，或者身高42英寸體重200磅的人，很少出現(xiàn)。因此，圖中的均勻量化效率不高。一個(gè)人的身高和體重是相關(guān)的，不再單獨(dú)量化，在同樣的量化比特?cái)?shù)時(shí)，為輸入提供了更細(xì)致的量化。SQ 缺乏 VQ 優(yōu)