（控制科学与工程专业论文）图象压缩中码率控制、量化及编码技术的研究.pdf

摘要 图象压缩技术对于图象信号的传输、处理、存储、显示等都具有 极其重要的意义。本文对图象压缩系统中的码率控制、量化及编码环 节进行了一定的研究。主要内容如下： 1 提出了一种用于j p e g 2 0 0 0 无损模式的码率控制算法。改变了 以往算法中对子带加权的模拟方法，根据5 3 小波变换的特性实现分 数位平面提升的子带加权，和原来的整数位平面提升相比，图象的率 失真性能有所提高，而算法复杂度没有增加。 2 提出对j p e g 2 0 0 0 第二部分的嵌入格子编码反量化公式的修 改。以使其比以前原有的公式更加合理，例如在缺省情况下，重构值 更接近相应量化区间的中点。实验结果证明虽然改动较小，但是却明 显的提高了j p e g 2 0 0 0 中的嵌入格子编码量化的率失真性能。 3 提出了一种基于上下文的反量化方法，并将它应用于小波图 象压缩系统中。它改变了传统的从量化索引到重构值的一对一映射， 而将同样的量化索引根据其所在上下文的不同映射到多个重构值，降 低了量化失真，各上下文的重构值需要作为辅助头信息传送给解码 器。 4 利用d c t 对图象的能量聚集特性以及图象经过d w t 之后 h l 、l h 和h h 三个子带不同的方向特性，分别设计了三种修改的 z i g - z a g 扫描方式。这些扫描方式能够使一个二维变换块的主要能量 位于扫描后的一维序列的前端，从而给熵编码带来便利。 5 提出非零量化系数位置的自适应编码。图象视频经过变换、 量化后的系数有许多扫描、编码方式，如逐点扫描，四分法，记录非 零系数坐标法等，本文提出将这些编码模式都作为可选的模式，然后 由编码器来选择其中之一作为最终的模式。 6 提出一种改进的可变长编码方法。可变长熵编码的码字由前 缀和后缀组成，任何一个码字都不是其他码字的前缀。本文通过实验 发现，在可变长编码存在的冗余中，前缀中的“0 ，“1 分布不均是 主要的原因。因此，本文提出在一般的可变长编码之后，再对所有码 字的前缀集中编码压缩。 关键词图象压缩，码率控制，量化，上下文，j p e g 2 0 0 0 a b s t r a c t t h e i m a g ec o m p r e s s i o nt e c h n o l o g y i s e x t r e m e l yi m p o r t a n tf o r t r a n s m i s s i o n , p r o c e s s ，s t o r a g e ，a n dd i s p l a yo fi m a g es i g n a l t h i sp a p e r r e s e a r c h e st h er a t ec o n t r o l ，q u a n t i z a t i o n , a n de n c o d i n gt e c h n o l o g i e si n i m a g ec o m p r e s s i o ns y s t e m t h em a i n c o n t e n ti sa sf o l l o w s ： 1 a ne f f i c i e n tr a t ec o n t r o lm e t h o d ，w h i c hi sd e s i g n e df o rl o s s l e s s m o d eo fj p e g 2 0 0 0 ，i sp r o p o s e d t h i sm e t h o du s e saf r a c t i o n a lu p w a r d s h i f to fb i t p l a n eb a s e do n5 3w a v e l e tf i l t e rt os i m u l a t em o r ep r e c i s e s u b b a n dw e i g h t i n g c o m p a r e dt ot h ep r e v i o u si n t e g e ru p w a r ds h i f to ft h e b i t p l a n e ，i ta c h i e v e ss u p e r i o rp e r f o r m a n c ea tm o s tb i t - r a t e sw i t h o u tt h e c o s to fi n c r e a s e dc o m p u t a t i o n a lc o m p l e x i t y 2 am o d i f i e de m b e d d e dt r e l l i sc o d e dq u a n t i z a t i o n ( t c q ) f o r j p e g 2 0 0 0i sp r e s e n t e d t h em o d i f i e de m b e d d e dt c qf o r m u l a t i o ni s m o r er e a s o n a b l et h a nb e f o r e f o re x a m p l e ，t h er e c o n s t r u c t i o nv a l u ef a l l s c l o s e rt ot h em i d d l eo ft h ec o r r e s p o n d i n gq u a n t i z a t i o ni n t e r v a li nd e f a u l t c o n d i t i o n e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sm i n o rm o d i f i c a t i o ny i e l d s s i g n i f i c a n tp e r f o r m a n c ei m p r o v e m e n tc o m p a r e dt ot h eo r i g i n a lo n ei n j p e g 2 0 0 0 3 ac o n t e x t - b a s e di n v e r s eq u a n t i z a t i o nm e t h o di sp r o p o s e da n di t s a p p l i c a t i o ni nw a v e l e ti m a g ec o m p r e s s i o ni sp r e s e n t e d t h ep r o p o s e d m e t h o db r e a k st h et r a d i t i o n a lo n e t o - o n em a p p i n go ft h eq u a n t i z a t i o n i n d e xt or e c o n s t r u c t i o nv a l u ei ni n v e r s eq u a n t i z a t i o nw h i l em a p sa ni n d e x t os e v e r a ld i f f e r e n tr e c o n s t r u c t i o nv a l u e sa c c o r d i n gt ot h ec o r r e s p o n d i n g c o n t e x t so ft h ei n d e x t h i sm e t h o dc a nr e d u c et h eq u a n t i z a t i o nd i s t o r t i o n s i g n i f i c a n t l y t h er e c o n s t r u c t i o nv a l u e so fc o n t e x t sn e e dt ob es e n tt o d e c o d e ra ss i d ei n f o r m a t i o n 4 t h r e em o d i f i e dz i g - z a gs c a nm o d e sa r ep r o p o s e d ，w h i c ha r eb a s e d o nt h e e n e r g yc o n c e n t r a t i n gp r o p e r t yo fd c ta n dt h e d i r e c t i o n a l c h a r a c t e ro ft h r e ed w td e t a i l ss u b b a n d sh l ，l h ，a n dh h t h e s es c a n m o d e sm a k et h ee n e r g yo fa2 - db l o c kc o n c e n t r a t i n go nt h ef r o n t - e n do f t h es c a n n e d1 一ds e q u e n c e t h i sb e n e f i t se n t r o p yc o d i n gal o t 5 a na d a p t i v ec o d i n gm e t h o do fr e c o r d i n gt h el o c a t i o n so fn o n z e r o c o e f f i c i e n t si sp r o p o s e d t h e r ea r em a n ym o d e st oe n c o d et h eq u a n t i z e d t r a n s f o r mc o e f f i c i e n t so fi m a g e v i d e od a t a f o re x a m p l e ，s a m p l eb y s a m p l e ，q u a r t a t i o n , p o i n tc o o r d i n a t e s ，a n ds oo n t h ep r o p o s e dm e t h o d a d o p t st h e r ea l lm o d e sa st h eo p t i o n a lm o d e st oe n c o d eas q u a r ew h i l et h e f i n a lo n ei n d e e du s e dt oe n c o d et h i ss q u a r ei ss e l e c t e db ye n c o d e r 6 a ni m p r o v e dv a r i a b l el e n g t hc o d i n gm e t h o di sp r o p o s e d t h ec o d e w o r do fv a r i a b l el e n g t hc o d ec o m p r i s e so fp r e f i xa n ds u f f i x n oc o d e w o r di sap r e f i xo fa n yo t h e rc o d ew o r di nt h es e t t h i sp a p e rf i n d st h e u n e v e nd i s t r i b u t i o n s o f “0 ”“l s y m b o l s i n p r e f i x a r e t h em a i n r e d u n d a n c yw i t h i nt h ev a r i a b l el e n g t hc o d e s t h e r e f o r e ，t h i sp a p e r p r o p o s e st og r o u pt h ep r e f i x e so fan u m b e ro fv a r i a b l el e n g t hc o d e s t o g e t h e ra f t e rt r a d i t i o n a lv a r i a b l el e n g t hc o d i n gt of u r t h e rc o m p r e s s k e yw o r d s i m a g ec o m p r e s s i o n , r a t ec o n t r o l ，q u a n t i z a t i o n ，c o n t e x t , j p e g 2 0 0 0 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均己在论文中作了明确的说明。 作者签名： 日期：毕年月日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到中国学位论文全文数据库， 并通过网络向社会公众提供信息服务。 作者签名 新签这蚣吼碎年月上日 硕士学位论文第一章绪论 1 1 概述 第一章绪论 视觉是人类获取信息的最重要的途径之一，外部世界丰富多彩的信息大部分 是通过视觉感知的。统计表明，视觉信息占人类从外界获取信息的2 3 ，而听觉 信息约占1 5 ，其余为触觉、味觉、嗅觉等信息。“百闻不如一见”，图象信息具 有直观、形象、易懂和信息量大的特点，是人类最丰富的视觉信息来源。随着计 算机、数字通信、多媒体和网络技术的发展，图象作为信息最重要的载体之一， 己经深入人们的日常生活。 随着计算机，电子领域技术的发展，数字化己成为人类社会发展的趋势。然 而，一方面，图象信号数字化后所产生的巨大数据量会给存储和传输带来极大挑 战；另一方面，图象信号无论在统计特性上还是对于人眼的视觉感观上来说都存 在巨大的冗余度。图象压缩技术就是利用图象信号本身所隐含的冗余性进行有效 的压缩编码，它对于图象信号的传输、处理、存储、显示等都具有极其重要的意 义。因此，它一直是学术界和工业界非常关心的话题。 一般来说，数字图象可以看作是一个二维的样本值序列， 研f ，刀，0 f m ，0 n ( 1 一1 ) 在垂直和水平方向分别具有有限的宽度m 和n ；样本值虹f ，】表示图象在第 i 行、第j 列位置上象素点的强度( 亮度) 。样本值通常是b 位的有符号或无符号 整数。而具有c 维的图象( 如彩色图象、高光谱图象) 则可由多个图象分量来组成： x c i ，月，0 i m ，0 - ， 0 的部分和公式( 3 3 ) 中q 和 o s i g n ( q ( p ) ( i g q l + 回2 q + 1 a + 2 a ，q p 0 + 万) 2 ，+ n a + a ，q p o s i g n ( q 和岫和卜回2 p + n a + i 5 a , q p o ( 3 5 ) 公式( 3 5 ) 选择公式( 3 - 2 ) 中q ( ， 0 的部 分，公式( 3 - 6 ) 是公式( 3 - 4 ) 和( 3 5 ) 的折中。完全的t c q ( f u l l t c q ) 算法 是指当所有的位平面( 量化索引的位) 均可获得时，用准确的格子路径反转格子 编码量化。完全t c q 算法中的各种码率下的子带量化步长由拉格朗日率分配算法 获得【2 9 】。四个嵌入的t c q 算法( 公式( 3 1 ) 、( 3 - 4 ) 、( 3 5 ) 、( 3 - 6 ) ) 的实验结果 是这样得到的：先用完全的t c q 算法将码流压缩到lb p p ，再用四个嵌入的t c q 公式进行反量化解码，使用最优的码率控制算法p c r d 玎将码流截断到各种目标 码率。四个嵌入的t c q 公式都使用典型的设置万= 0 5 。正如文献 3 2 q a 所指的原 因，本文的实验中使用如下策略：如果码流中包含了一个码块的最低位平面中的 一个编码过程，则必须也同时包含该位平面的所有编码过程。这种设置允许解码 器在收到这样的码流之后可以利用完全的t c q 反量化进行解码。从图3 3 中可以 看出，在目标码率lb p p ，所有曲线重合在一起，这是因为此时解码器已经获得 了量化索引的所有比特，所有码块均使用了完全的t c q 反量化【2 9 】，【3 0 1 。明显可以 看出，在所有的码率下，三个修改的公式( 公式( 3 - 4 ) 、( 3 - 5 ) 、( 3 6 ) ) 都胜过 了腰e ( 论0 0 0 中的原始公式( 3 1 ) 。其中公式( 3 - 4 ) 又好于公式( 3 5 ) 和( 3 6 ) ， 有最好的率失真性能。 2 l ， p g g j “1 j “7 - ， p g g咖忉 s 5 ，j、l 硕士学位论文 第三章j p e g 2 0 0 0 中的嵌入格子编码量化 目标码睾( b 薅 ( b ) 图3 3 不同重构公式的p s n r 性能比较。( a ) l e n a 图象( b ) b a b o o n 图象 3 4 实验结果 本节提供以下各种算法的性能比较：j p e g 2 0 0 0 中的原始嵌入的t c q ( o t c q ) ，修改的嵌入的t c q ( m t c q ，公式( 3 - 4 ) ) ，完全的t c q ( f u l l t c q ， f t c q ) ，以及j p e g 2 0 0 0 第一部分的标量量化( s q ) 。测试图象使用以下几个典 型图象：l e n a ( 5 1 2 x5 1 2 ) ，g o l d h i l l ( 5 1 2x5 1 2 ) ，b a b o o n ( 5 1 2x5 1 2 ) ，a i r p l a n e ( 5 1 2 x5 1 2 ) ，t o o l s ( 1 5 2 4 x1 2 0 0 ) ，和b i k e ( 2 0 4 8 2 5 6 0 ) 所有的算法都已经在 j p e g 2 0 0 0 的参考软件j 嬲p e r i 引j 的基础上得以实现。实验设置使用5 级9 7 小波分 解( 或6 个分辨率等级) ，码块大小为“6 4 ，其余都是缺省的设置。标量量化 硕士学位论文第三章j p e g 2 0 0 0 中的嵌入格子编码量化 ( s q ) 时，量化步长的选择如j 部p e r 中的缺省设置如下： 小去 协7 ， 其中g 6 是子带b 的能量加权参数，最优的码率控制算法p c r d 被用于截断 位流。o t c q ，m t c q ，和f t c q 的实验设置和图3 - 3 所用的测试设置一样。 表3 - 1 各种算法对六幅图象的p s n r 性能 s o ：标量量化f t ：完全的t 1 1 1 0 0 ：修改的嵌入t o t c o ：原始的嵌入t t a r g e tb i t - r a t e ( 州 i m a g m c t b o d s o 1o - 2o 3o 4o 5o 6o 7o 8o 91 o s q 3 0 3 7 3 3 3 4 3 5 3 9 3 6 6 73 7 8 53 8 6 33 9 4 34 0 o l4 0 6 54 1 2 6 f t c q 3 0 1 93 3 1 83 5 0 23 6 3 l3 7 3 i3 8 1 23 8 9 03 9 5 9 4 0 2 3 4 0 8 5 l e n a m t c q 3 0 1 63 3 3 63 9 l3 5 7 63 6 引3 7 1 83 1 1 23 8 8 23 9 6 24 0 8 5 o t c q 3 0 0 63 2 7 73 3 7 03 幅l3 5 i 3 聃83 己6 73 7 8 93 8 7 94 0 8 5 s q 2 7 7 i2 9 8 33 1 1 23 2 2 4 3 3 1 93 3 9 33 4 6 33 5 3 53 5 9 43 6 5 4 f t c q 2 7 4 72 9 5 03 0 8 03 1 8 43 2 7 83 3 5 93 4 3 l3 4 9 93 5 6 23 6 2 l g o k n i i l l m t c q 2 7 6 72 9 4 43 0 2 73 1 3 23 1 盯3 2 4 83 3 1 03 4 1 93 5 1 43 6 2 l o t c q 2 7 4 92 8 8 42 9 4 93 删3 0 7 63 1 1 63 i 秘3 3 1 73 4 3 i3 6 2 l s q 2 0 7 92 2 1 42 3 1 62 4 1 i2 5 0 92 5 8 4 2 6 6 72 7 2 02 7 7 82 8 4 7 f t c q 2 0 5 52 i 2 2 9 i2 3 8 72 4 7 02 5 4 62 6 2 02 6 9 02 7 5 62 8 1 9 b a b o o n m t c q 2 0 7 52 i 6 l2 2 2 92 3 嘶2 3 6 4m 5 52 5 2 82 6 1 72 7 2 82 8 1 9 o t c q 2 0 5 32 i 1 82 1 8 82 2 3 62 2 8 02 3 4 42 4 3 22 5 4 52 6 7 92 8 1 9 s q 2 6 7 l3 0 1 33 2 1 03 3 8 23 5 2 33 6 2 i3 7 3 2 3 8 1 03 8 9 0 3 9 5 4 兀q 2 6 1 62 9 6 23 1 7 83 3 - 3 83 4 胡3 5 8 2 3 6 7 63 7 6 23 8 4 2 3 9 2 0 a u p t a 3 3 3 3 妮3 4 够3 5 7 73 6 3 7 8 73 9 2 0 t , r r c q 2 6 7 42 9 9 83 2 0 5 o t c q 2 6 7 l2 9 5 23 0 8 53 l 渤3 2 嚣3 3 2 93 “3 s 7 63 6 8 l3 9 上0 s q 2 0 8 42 3 0 62 4 8 82 6 3 62 7 7 32 8 9 0 2 9 8 83 0 9 23 1 7 73 2 4 8 兀q 2 0 4 92 2 6 52 4 3 42 5 8 l2 7 0 92 8 2 22 9 2 43 0 1 6 3 1 o l 3 1 8 2 t o o l s m t c q 2 0 7 72 2 8 92 4 3 92 5 4 82 6 鹤2 7 6 32 蹦2 9 6 83 0 7 53 i 8 2 o t c q 2 0 7 02 2 5 82 3 7 82 4 6 92 s 稻拍5 02 7 5 32 8 8 23 0 1 03 1 8 2 s q 2 5 4 52 8 4 33 0 5 13 2 0 73 3 5 03 4 6 l3 5 5 33 6 5 03 7 3 73 8 1 0 f t c q 2 4 6 92 7 6 02 9 7 03 1 3 l3 2 6 33 3 7 93 4 8 23 5 7 73 6 6 43 7 4 4 b i k e m t c q 2 5 3 i2 8 2 83 0 1 73 1 3 73 2 j o3 3 1 83 4 1 63 5 2 83 6 2 43 7 4 4 o t c q 2 5 2 92 7 8 92 9 2 43 也2 63 1 1 63 i 刖3 瑚3 4 3 33 5 4 53 7 4 4 表3 1 中列出了各种算法关于6 幅测试图象的p s n r 性能。当m t c q 比o t c q 的p s n r 增益大于ld b 时，在表中用黑体突出显示。图3 - 4 显示了对g o l d h i i l 图象各种算法的p s n r 性能曲线。这些结果说明了修改后的嵌入的t c q 比原 j p e g 2 0 0 0 中的有了明显的性能改进。在肛lb p p 码率下提高的p s n r 增益大约 从0 0 2 d b 到1 5d b 。 硕士学位论文第三章j p e g 2 0 0 0 中的嵌入格子编码量化 芎 v 董 譬 8 鼍 譬 图3 4 各种算法对g o i d h ii i 图象的p s n r 性能 在本实验中，甚至超过f t c q 的s q 算法，在几乎所有码率下都有最好的性能， 而且m t c q 和o t c q 算法在某些极低码率下也有超过f t c q 的现象。这个看起来 好像是不合理的。其实这种现象的产生是因为用于s q ，m t c q ，和o t c q 的p c r d 码率控制算法是对每个码块进行截断的，也相当于是对每个码块选择量化步长， 而f t c q 所用的拉格朗日码率控制算法是对每个子带选择量化步长，这样前者就 更能适应图象子带内的非平稳特性，s q ，m t c q ，和o t c q 算法就可以获得“子 带分类增益”1 4 5 】。如果将一个子带分成多个“类 ，对每一个“类”分别确定量 化步长，f t c q 算法应该就会有最好的性能，因为这样开发了子带内的非平稳特 性。然而，这种一个子带内有多个量化步长的做法并不被j p e g 2 0 0 0 支持。 下面对o t c q 和m t c q 进行主观质量的比较。图3 5 显示了对l e n a 图象的 比较，m t c q 比o t c q 在视觉上显得噪声更少，人脸面部更加平滑。图3 - 6 比 较了a i r p l a n e 图象，图3 7 比较了t 0 0 l s 图象。 硕士学位论文 第三章j p e g 2 0 0 0 中的嵌入格子编码量化 圈3 - 6o t c q 和町伽升le n a 图象在03 b p p 码率下的主观质量( a ) o t c q p s l 肾= - 3 37 0d b ， ( 时盯p s # r = - 3 49 1d b 硕士学位论文第三章j p e g 2 0 0 0 中的嵌入格子编码量化 0 ) 圈3 - 6o t c q 和m 瑚对a ir p la n e 圈摹在0 铀神码率下的主观质量。( a ) o t p e j 拈- 3 0 艏 d b i r r c q p s l i r = 3 2 曲 硕士学位论文第三章j p e g 2 0 0 0 中的嵌入格子编码量化 m ) 囤3 - 7 0 t c 0 和耵c 口对t is 图象在o5 却d 码卓t 的主观质量h ) 0 t c o p s n r = 2 56 5 ( b ) _ t p s n r = 2 66 8 柏 35 本章小结 本章对j p e g 2 0 0 0 第二部分中的嵌人的格子编码反量化公式傲了一些改动。 以使其比以前原有的更加合理，例如在缺省情况下，重构值更接近相应量化区问 的中点。实验结果证明虽然改动较小，但是却明显的提高了j p e g 2 0 0 0 中嵌入的 格子编码量化的率失真性能。 硕士学位论文第四章基于上下文的反量化 4 1 本节引论 第四章基于上下文的反量化 在一般的有损数据压缩系统中，量化处理是失真的主要来源。 操作可以分别用( 4 1 ) 式和( 4 2 ) 式表示如下： q = q ( x ) 量化和反量化 ( 4 - 1 ) i = q 叫( g ) ( 4 - 2 ) 其中，x 是量化器的输入数据( 矢量或标量) ；q 表示量化索引值，是量化器的 输出和反量化器的输入；i 表示反量化器输出的重构值。( 4 1 ) 式中从输入数 据x n 输出量化索引q 是一个多对一的映射，( 4 2 ) 式中从量化索引q 到重构值主。 是一个一对一的映射。理想情况下，为保证量化引入的均方误差( m s e ) 最小， i 。应等于被量化到索引q 的输入数据x 的均值 4 6 1 ，【4 7 1 ，如下( 4 3 ) ( 4 - 4 ) 式所示： 氽南乏x2 佩毫x ( 4 - 3 ) e = x i q ( x ) = g ) ( 4 - 4 ) 这个重构规则仅仅考虑了被量化到索引g 的输入数据x 的全局统计特性，当 被量化到索引q 的输入数据x 是统计独立的时候它能达到最优的结果。然而，在 实际中( 例如，小波图象压缩系统) ，变换后的系数存在着相关性，被量化到某 个索引q 的输入数据x 的概率分布是和它的上下文高度相关的，处于不同的上下 文环境中，被量化到同一个索引q 的输入数据x 将有不同的概率分布( 和均值) 。 因此，用一个重构值i 来重构位于不同上下文环境中的量化索引口是不合适的。 在本文中，作者对小波系数进行上下文建模，并根据量化索引q 的上下文来确定 其重构值i 。 上下文建模技术已经被广泛的应用于熵编码阶段来改进压缩性能。在普遍的 信源编码理论中【4 8 】，【4 9 1 ，编码一个序列一，而，所需的最小码长应该等于： l - - l 0 9 2i ip ( 毛ix j l ，毛) ( 4 - 5 ) i = l 熵编码能够接近这个码长，但是在实际中概率p ( ix j ，五) ，l i 刀一般是未 知的，在编码过程中必须通过对以前的观测来进行估计。上下文建模是用来估计 硕士学位论文第四章基于上下文的反量化 概率p ( 而i 中，毛) ，l - 7 _ i 一“l i - , i i ，l i , 1l i 。i ，o ( 4 - 1 1 ) 硕士学位论文 第四章基于rr 文的反最化 ( o 圈4 _ 3h l 子带十的零索的l 敷分布( a ) 奎局分布，( b ) 。( f ) 五个上下i 中的 系数分布 44 实验结果 在这一节中作者对传统的反量化( t r a d i t i o n a l l n v e e q u a n t i z a t i o n ，c i q ) 和基于上下文的反量化( c o n t e x t - b a s e d i n v e r s e q u a n 妇l t i o n ，c i q ) 进行率失真方 面的比较。 因为这两种方法的用于编码的量化索引是一样的，所以它们产生的码率是几 乎相等的，唯一的差别就是c i q 所需要的少量辅助信息n 解码器要用这些辅助 信息来确定每个上下文的重构值。正如( 4 1 1 ) 式中所示，上下文l 和上下文2 的量化索引通常有正的重构值，并且分别是上下文i 和上下文2 的索引重构值 的相反数。因此作者仅需要在位流中传递上下文l 和上下文2 的重构值，然后解 码器便可以推断出上下文1 和上下文2 的重构值，上下文0 的索引应该有重构 值为零，这个不需要传送。具体的，作者用4 比特位来表示位于( 0 ，) 区间的重 构值砟r ( 可表示1 6 个均匀的重构值：a 1 6 ，2 a 1 6 ，) ，用3 比特位来表示 位于( 0 ，) 区间的重构值( 可表示8 个均匀的重构值) 。这样，在c i q 方法 中，一个子带共需要7 个附加的比特位( 4 + 3 ) 。 袁4 - 2a ir p i a n e 图象两级分辨率的各子带中各上下文中的系数个数( n u m b e r ) 和平均值( m e a n ) f j o b a l c o n t e x t2c o n t e x tlc o n t e x t0c o n l e x t - lc o n t e x t - 2 飘i t l b 柚d m 锄n u m b e rm 铷n u m b e rm 啪n u m b e rm 锄n u m b e rm 锄n u m b e rm 啪n u m b e r 毗io 0 56 2 7 3 05 9 91 5 2 82 4 89 8 8- 0 0 45 7 5 8 62 5 71 0 3 05 9 81 5 粥 l h lo 0 66 2 5 6 55 8 31 9 1 33 - 3 09 6 3o 0 25 7 0 8 03 3 71 0 4 65 1 41 5 6 3 唧lo o l6 5 4 8 2 5 4 2 4 4 9 69 70 0 16 5 2 9 4 4 7 i8 3 - 8 5 44 20 1 31 3 0 7 62 7 09 9 00 1 34 9 7- 0 1 0l o o 铂- 0 9 75 1 62 8 29 8 7 u 心- 0 1 2 6 1 32 1 51 2 4 4o - 4 85 4 7o 0 59 0 8 1o 4 95 2 23 0 21 1 6 9 h 啦o 0 6 1 4 6 5 l3 0 4 2 3 7 1 2 99 3 70 0 71 2 2 酯 i 3 5 9 5 72 5 22 5 4 表4 - 3 每个上下文中的平均值( m e a n ) 和重构值( r v ) 。t i o 和c i q 算法中每个子带的均 方误差以及整个图象的p s n r s u b - c a 删2c o m e x t ic a 螂ic “栅- 2g 0 e 蛔a 0腔 p s n r ( 血) o v h - i _ 簪 h e a d b l e df o r m r v 皿r vm r vr vm ml t v t 1 qa q1 1 qa 9 a o f m i t s 札9 o li o4 3 5s- 5 4 9- 5i o 3 3- l oo 小o9 工5s j ( 粕s 0 x s l 2 1 ”3 7 3 2 i b i l s 珊6 3 l 7 2 7 9砌埘2 配5矗石 - 7 - 0 0 io0 j 77 7 2 a 叩h 儿s 9 96z 柏z 巧- 2 5 72 上55 朋- 6- 0 0 4o1 7 3 71 5 4 7 ( 5 1 2 x $ 1 2 ) 撕j 叮撕 l b i t s l h5 j 353 33 1 2 5- 3 3 73 1 ”s 1 - 5- o o lo1 7 3 61 5 m g o i d 咕u 甩2 5 53 ”6 3- 3 ：撕 3 3 1 6 3 o ：拈o2 7 9 7 2 7 ( 5 1 2 x 5 1 2 ) m3 5 3 “ b h u i3 研43 6 33 5- 3 3 - 3 工s- o 由lo孤2 5 硒 c | 睫 札3 s 7 1 i- i 0 61- 3 j 6 2 0 0 2o2 8 3 i拍3 s ( 2 0 4 8 x 2 5 3 3 舯m 嘶 l b i l s 6 0 ) u i4 2 34i 5 l 1 5 - i 捣1 53 船0 o lo 3 l 工6 2 9 o l 在本文多级小波分解的测试实验中，由c q 方法获得的增益主要来源于第一 3 3 硕士学位论文 第四章基于上下文的反量化 级分解的h l 和l h 子带。即h l l 和l h i 子带。表4 之展示了a j r p l a n e 图象两 级二维9 - 7d w t 的实验结果，量化步长= t 6 表中列出了两个分辨率的子带 中，各个上下文中的系数平均值和系数的个数，从表帕可以看出，h h 子带的 总零索引数远多于h l 和l h 于带而各上下文下的索引数却非常少，因为不能 形成足够多的上下文，所以便降低了c i q 方法带来的增益。在更高级别的小波 分解( h l 2 l h 2 ) 中，各上下文的重构值都和零非常接近即上下文建模的效 果并不明显。图4 4 和圈分别显示了脯p l a n c 图象的h h l 子带和h l 2 子带 的各上下文分布情况因此，本文下面的实验仅展示在一级( 9 ，7 ) d w t 的h l 和l h 子带中采用c i o 的实验结果。失真测度用p 帆和m s e 来衡量。 夏；硼 啦) ( 曲 ( o 圈4 - 4a ir p ib n e 图象h h i 干带中卓索引的 敷分布( a ) 奎局舟布( b ) 。什) 五个上 下i 中时 敷分布 硕士学位论文第四章基于上下文的反量化 ；i ； ；蕊 弧 ； ( 0 圜4 _ 5 lr p ia n e 圈象 l 2 于带中的卓索引的系数分布“) 奎局分布，( b ) ( f ) 五个上 下文中的系数分布 量化步长设为a = 1 6 ，四个测试用的灰度图象分别是f m 他( 4 9 0 x 5 1 2 ) ， a b l a n e ( 5 1 2 x 5 1 2 ) ，g o l d h i l l ( 5 1 2 x 5 1 2 ) 和c a f c ( 2 0 4 8 x 2 5 6 0 ) 。表4 3 显示了 各上下文中索引的实际平均值和用于解码的重构值，以及t i q 和c i q 方法中每 个子带的m s e 和整个图象的p s n r 。 从表4 - 3 可阻看出，将基于上下文的反量化仅用于h l l 和l h i 子带的零索 引，能够得到大约0 2 的p s n r 增益，而编码长度仅增加了对于这些图象来 说完全可以忽略不计的1 4 比特。作者相信通过更加精确的上下文建模以及对非 零索引进行上下文建模将能够取得更大的增益。 硕士学位论文第四章基于上下文的反量化 4 5 本章小结 本章提出了一种基于上下文的反量化方法，并将它应用于小波图象压缩系统 中。它改变了传统的从量化索引到重构值的一对一反量化映射，而将同样的量化 索引( 本文只涉及了量化索引0 ) 根据其所在上下文的不同映射到多个重构值， 这样使得量化失真有了明显的降低，为了精确的解码，各上下文的重构值需要作 为辅助头信息传送给解码端。 硕士学位论文第五章量化系数的扫描及编码方法研究 第五章量化系数的扫描及编码方法研究 5 1 基于d w t - d o t 联合变换的子带自适应的系数扫描 5 1 1 本节引论 高效图象压缩的关键是开发图象样本间的相关性以找到一种紧凑的图象数 据表达形式。图象变换能够有助于完成这项工作，它将原始图象样本映射到一组 基函数上，然后对变换后的样本进行编码。在过去的几十年中，各种各样的空间 变换，如k l t ( k a r h u n e nl o e v et r a n s f o r m ) ，d c t ( d i s c r e t ec o s i n et r a n s f o r m ) 刈， 和d w t ( d i s c r e t ew a v e l e tt r a n s f o r m ) 5 7 】【强】等已经被用于开发图象数据的相关 性。信号的傅立叶表达是分析时不变( 平稳) 周期信号的强有力的工具。k l t 变 换在去除相关性方面具有最优的性能 5 6 1 ，d c t 变换的性能非常接近于k l t 。小波 表达是分析时变( 非平稳) 信号的强大数学工具，这些信号可能在统计上是不可 预测的，尤其是在不连续的区域，如图象的边缘【，礓【5 s 】。 也有一些学者致力于研究d w t