基于改进K均值的Context量化模型.docVIP

基于改进K均值的Context量化模型 　　摘要：为了提高图形编码系统压缩性能，可以通过使用Context模型来得到当前所要编码符号的概率。但是事实证明由于高阶Context模型很难在统计中有效收敛于信号的真实分布，结果使得编码效果降低，这就是所谓的“模型代价”问题。为了解决这一问题，一种有效的方法就是对高阶Context模型进行量化。由于Context量化问题与一般矢量量化问题相似，可以在设定合适的失真度量准则的条件下，使用聚类算法来实现Context量化。目前，K均值是使用比较广泛的一种聚类算法，但K均值算法必须具有确定的类数和选定的初始聚类中心。但在实际中，K均值往往难以准确界定，从而导致了聚类效果不佳。基于此，为了找到最佳的聚类数，本文提出采用聚类有效性函数来改进K均值聚类算法。 　　【关键词】 Context模型 Context量化 聚类有效性 最佳聚类数目Kopt K均值 　　Context quantization model based on improved K mean 　　Abstract： In order to improve the compression performance of the image coding system，the context model can be used to get the probability of the current coded symbol. However， it is proved that high-level context model is difficult to achieve the true distribution of the signal， as a result the effect of coding is reduced， which is the so-called “model cost” problem. Context quantization is an efficient method to deal with this problem. As the context quantification is similar to the general vector quantization problem， context quantization can be achieved by the clustering algorithm under the condition that a suitable distortion measure is defined. Currently， K-means is widely used as a clustering algorithm， but K-means algorithm is determined by the premise that the number of classes and the initial cluster centers are given. However， in fact， K-means is often difficult to be defined precisely， resulting in poor clustering effects. To obtain the best number of clustersin this paper， using cluster validity to improve K-means clustering. 　　一、引言 　　熵编码在图形编码中占有非常重要的地位，它通过利用信源符号的统计特性[2，4，5]来获得图像的压缩编码。近十几年来随着算术编码技术以及高速计算机的广泛运用，使得复杂的高阶熵编码实现成为可能。近几年来，图像编码研究者的注意力逐渐集中在了高阶熵编码上。但是高阶熵编码的实现却面临着一个很严重的问题―模型代价问题。 　　为了解决模型代价[1]问题，一种有效的方法是对Context模型进行量化。通过Context量化可以使经过训练后得到的Context模型的条件分布经过聚类后更易于统计、更好的收敛于信源的真实概率分布，而且在最小相对熵的准则下，使得量化后增加的熵在最优情况下最小并且可得到最小码长。 　　本文采用改进K均值的Context量化方法。其中选择K均值算法作为Context量化的聚类算法。K均值聚类算法是目前最常使用的聚类算法之一。该算法对大型数据集的处理效率较高，可以达到较好的聚类效果。但K均值的聚类数目开始是确定的，而在实际处理中最佳聚类数目往往很难确定，而这导致了K均值的聚类效果不佳。 　　本文提出了一些检验聚类有效性的函数