基于上下文的四维矩阵变长编码

为了进一步提高彩色视频的压缩比,根据四维矩阵理论,提出了基于上下文的四维矩阵变长编码方法。将彩色视频序列构建在一个统一的四维模型中,进行四维矩阵形式的预测、变换和量化。为了进一步利用系数间存在的相关性,对四维矩阵视频子单元进行基于上下文的四维矩阵变长编码,从而节省了对描述信息的表达,并且更加有效地利用了上下文之间的相关性。实验结果表明,基于上下文的四维矩阵变长编码方法在保持高信噪比的情况下,与改进的三维离散余弦变换算法相比,压缩比可以提高1倍;与霍夫曼编码方法相比,压缩比可以提高15.05%。     

基于上下文的四维矩阵变长编码

为了进一步提高彩色视频的压缩比，根据四维矩阵理论提出了基于上下文的四维矩阵变长编码方法。首先将彩色视频序列构建在一个统一的四维模型中，然后进行四维矩阵形式的预测、变换和量化。研究发现，此时各四维予矩阵系数间仍然存在一定的相关性，为了进一步利用这种相关性，提出了以四维矩阵视频予单元为整体，进行基于上下文的四维矩阵变长编码的方法，一方面可以节省对描述信息的表达，另一方面可以更加有效地利用上下文之间的相关性。实验结果表明，在保持高信噪比的情况下，该方法可以大幅度地提高压缩比。     

LBG与SOFM应用于矢量量化的比较研究

在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感。论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考。     

基于矢量量化和Huffman编码的图像压缩方法

实现一种数字图像压缩编码方法。该方法首先应用LBG算法对数字图像进行矢量量化编码,然后对矢量量化编码所得的最佳码书的索引进行Huffman编码。该方法的图像压缩比可以达到17.2：1。     

用模糊聚类神经网络设计图象矢量量化码书

讨论了一种模糊聚类神经网络模型，给出了将该模型用于图象矢量量化码书设计的学习算法。实验结果表明，模糊聚类神经网络可以为图象矢量量化压缩编码提供一种新的码书设计方法。     

自适应分形矢量量化编码

提出了一种自适应分形矢量量化编码方法。对图像进行自适应四叉树分割,并构造粗糙的均值图像。误差图像进行分形矢量量化编码时,使用设计的自适应二维维纳数字滤波器,对收缩的均值图像进行滤波后,可构造好的码书。实验证明,本方法码书不需外部训练,解码不需要迭代,可以改善重建图像的视觉质量,使压缩比和PSNR都有明显提高。     

一种基于预测的矢量量化图像编码方法

为了提高图像编码效率,提出了一种基于预测的矢量量化图像编码方法．在编解码端设置维数和大小各不相同的两种码书．对于平滑区域,用较小的码书对输入矢量进行编码,从而加快图像编码速度和降低比特率;对于边缘区域,用较大的码书去量化当前输入矢量以保证图像质量．文中还提出了一种有效的码书设计方法以提高生成的码书的质量．仿真结果表明,相对于其它方法,文中所提出的矢量量化图像编码方法运算速度更快,在同样图像质量下降低了传输过程中所需的比特率．     

灰度图象的快速矢量量化

本文改进了矢量量化的码书设计方法和编码的搜索过程，大大提高了矢量码书的训练效率 和编码速度，获得了满意的压缩速度和效果，通过对标准测试图象的测试，速度平均提高了２．６倍，而信噪比却下降很少。     

码书分类重排矢量量化方法及其应用

矢量量化可有效降低语音编码速率,但目前已有的多级分裂矢量量化、转换分类分裂矢量量化方法等都存在存储需求、计算复杂度以及解码语音质量等不能达到良好折衷的缺陷。该文提出了一种码书分类重排矢量量化方法。该方法通过将设计好的码书进行分类重排以降低码书搜索范围。并将该方法与多级分裂矢量量化结合,提出了码书分类重排多级分裂矢量量化方法。在量化比特及码书大小不变的前提下,实验结果表明:该方法可达到透明量化效果,量化时的计算复杂度最大降幅可达到多级分裂矢量量化方法的90.24%。     

基于矢量量化的贝尔原始数据压缩算法

提出了直接对贝尔原始数据进行矢量量化压缩的算法。首先把贝尔CFA图像从RGB色空间转换到YCrCb色空间,然后用分块法对图像进行矢量块分割,最后用训练好的码书对每一矢量块编码,实现对贝尔原始数据的压缩。采用改进的LBG算法训练码书,并对得到的码书用合并法进一步优化,最终得到性能优良的码书。实验结果表明,笔者提出的压缩算法带来的失真很小,压缩的比特率很低,且插值后恢复的全彩图像在主观视觉和客观质量评价中都能获得令人满意的效果。     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

一种基于预测量化对结构的LSP参数量化算法

为了提高LSP参数的量化效率,提出了一种基于预测量化对结构的联合预测矩阵量化算法。与常用的预测矢量量化结构不同,算法中的预测量化对结构对码本中的每一个码字采用一个与其匹配的预测器,可进一步减小预测量化的信息冗余。在码本训练中,设计了一种渐进闭环迭代优化方法,有效地提高了预测器与量化器的匹配程度。仿真实验结果表明,与传统的矩阵量化算法相比,提出的算法对LSP参数量化的平均量化谱失真较小,具有更优的量化性能。     

省略零平面的彩色视频编码

为提高彩色视频的压缩比,在定义四维矩阵零平面的基础上,提出了一种"省略零平面"的编码方法.彩色视频在经过四维矩阵离散余弦变换(4DMDCT:Four-dimensional Matrix Discrete Cosine Ttansform)和四维矩阵量化后,量化系数中存在着大量的零系数.在对这些系数进行游程编码时,过多的零系数使得互不相同的游程数目多而分散,从而降低了熵编码的效率."省略零平面"编码使得大多数描述零系数的游程变短,而且变得较为集中.而对于每个子矩阵中省略的零平面信息,用额外的几个比特来表示,并对其进行DPCM(D卅erential Pulse Code Modulation)编码.实验结果表明,在保证较好视觉效果的前提下,该方法的压缩比一般可达到200倍以上.     

基于SFCM自适应矢量量化码本训练方法

自适应矢量量化在语音信号处理中有广泛地应用,提出了一种基于SFCM算法的自适应矢量量化码本的训练方法,其特点是通过模糊聚类方法,重新调整训练样本与码字之间的隶属度,达到最小编码失真,使码本更适合新说话人,且计算简单·实验结果表明,可以使编码平均失真下降·     

声道参数的矢量量化

矢量量化是一种高效数据压缩技术,成功的用于语音、图象处理和模式识别中。本文讨论矢量量化应用在参数编码中的码书结构、初始码书的生成和训练中的一些具体问题。     

低速率CS-ACELP语音编码算法研究及实现

介绍了8kb／s Cs-ACELP语音编码算法的基本原理，即采用LSP参数量化和代数结构的固定码书，同时对增益的量化使用共轭结构；对该算法进行了仿真实现。结果表明，CS-ACELP是一种高质量的语音编码算法。     

神经网络矢量量化的设计与实现

设计了一种混合神经网络矢量量化编码方法。利用Ｋｏｈｏｎｅｎ网络的自组织聚类功能设计矢量量化器码书，实现矢量量化，用３层ＢＰ网络完成码字的信道符号编码。该神经网络矢量量化编码器能够并行处理输入矢量，速度快，效率高，适用于语音和图像数据压缩     

低延迟10kb/s语音编码算法研究

介绍了8kHz采样率下算法延迟为2.5ms的10kb/s语音编码算法。本算法使用20维的CELP,并用自适应码本搜索和代数码本搜索相级联的方法进行矢量量化。通过PC仿真实验并经PESQ测试,其合成语音质量接近16kb/s的G.728。