向量量化编码法.pptVIP

鄭松賓02/10/30VectorQuantization向量量化編碼法(VQ,VectorQuantization)是以一向量值用另一量化值取代，已達成資料壓縮的目的1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(Codebook)，找出其中跟此一個影像方格最接近的編碼字(Codeword)，的索引值取代此向量(方格)，組成一張索引表。2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。3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4向量量化編碼法(VQ,VectorQuantization)……………whkk=wxhii原始影像編碼字編碼簿(索引表)壓縮碼尋找最接近的編碼字壓縮端:向量量化編碼法(VQ,VectorQuantization)kk=wxhi編碼字編碼簿查表近似區塊重建影像wh解碼端:壓縮索引i則最接近的編碼字Yj定義如下:i=1LEuclideandistance向量量化編碼法(VQ,VectorQuantization)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}||X-Yj||2?||X-Yi||2forallYi?C其中X=(x1,x2,…XL)且||X||2=?xi2LBG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:123654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。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2首先從這些區塊中隨意挑出256個區塊當作初始編碼簿。LBG演算法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。LBG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(Euclideandistance)，並從中找出最接近的一組編碼字進行隻索引值來當向量的編碼。標準VQ編碼法~~FullsearchLBG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，並且可以改進製作編碼簿的速度，以下是細胞分裂法的演算過程: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3將X向量