專利名稱:一種指數(shù)分布數(shù)據(jù)的基于塊自適應(yīng)量化的方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種指數(shù)分布數(shù)據(jù)的量化方法,具體的說(shuō)是一種數(shù)據(jù)壓縮過(guò) 程中,指數(shù)分布數(shù)據(jù)的量化方法。
背景技術(shù):
量化是壓縮中帶來(lái)?yè)p失的主要過(guò)程,有效的量化方法是提高壓縮性能的 關(guān)鍵。
對(duì)于具有很大的動(dòng)態(tài)范圍的圖像,有些區(qū)域比較暗,數(shù)據(jù)值比較小;有 些區(qū)域特別亮,數(shù)值比較大。塊自適應(yīng)量化(BAQ : Block Adaptive Quantization)方法最初被Ronald Kwok用來(lái)壓縮合成孔徑雷達(dá)的原始數(shù)據(jù), 合成孔徑雷達(dá)的原始數(shù)據(jù)服從高斯分布,通過(guò)估計(jì)每一塊數(shù)據(jù)的方差來(lái)査表 決定每一塊的量化步長(zhǎng),通過(guò)BAQ可以將8比特的數(shù)據(jù)壓縮到2比特。
量化的任務(wù)是將區(qū)間[-",,"_]上的數(shù)用固定長(zhǎng)度的比特表示出來(lái)。不同 的數(shù)據(jù)塊"_差別比較大,如果對(duì)于所有的數(shù)據(jù)塊使用同樣的量化步長(zhǎng),就 要使用所有塊中的最大的"^,對(duì)于不同數(shù)據(jù)塊"^變化范圍比較大,這顯然 不是理想的方法。塊自適應(yīng)量化是一種能夠適應(yīng)塊局部特性的量化方法。量 化時(shí)先計(jì)算出每塊的最大數(shù)據(jù)值,根據(jù)該值計(jì)算量化步長(zhǎng),為了便于實(shí)時(shí)實(shí) 現(xiàn),量化步長(zhǎng)通過(guò)移位數(shù)來(lái)表示,如每個(gè)數(shù)量化為/ 比特,則量化步長(zhǎng) 0鄉(xiāng)=_/7—log2("m』-P + l ,其中如。Kx)表示不大于x的最大整數(shù)。每一個(gè)數(shù) 據(jù)塊壓縮時(shí)只需要記下量化步長(zhǎng)。如圖1所示的是對(duì)一幅4K"K的圖像的塊 量化歩長(zhǎng)統(tǒng)計(jì)信息,可以看出量化變化范圍比較大,量化步長(zhǎng)相差8倍左右。
塊自適應(yīng)量化比均勻量化具有顯著的優(yōu)點(diǎn),它產(chǎn)生的平均量化誤差 (MQE)要比均勻量化產(chǎn)生的平均量化誤差小得多。
發(fā)明內(nèi)容
本發(fā)明考慮數(shù)據(jù)壓縮過(guò)程中,成指數(shù)分布數(shù)據(jù)的量化方法,提供一種基 于塊自適應(yīng)量化的量化方法,適用于數(shù)據(jù)動(dòng)態(tài)范圍大,整體成指數(shù)分布的一 類數(shù)據(jù),基于塊自適應(yīng)的量化方法能夠有效地壓縮圖像,并且易于實(shí)時(shí)實(shí)現(xiàn)。
按照本發(fā)明提供的技術(shù)方案, 一種指數(shù)分布數(shù)據(jù)的基于塊自適應(yīng)量化的
方法,包括如下步驟
(1)在量化模型中,假設(shè)產(chǎn)生W個(gè)量化步長(zhǎng),第/個(gè)移位為&(/ = o,i,...,w-i),每個(gè)移位產(chǎn)生的概率為/K"o,i,…,w-i),最大移位為K。均 勻分布的數(shù)據(jù)使用均勻量化器,若量化步長(zhǎng)為Q,則平均量化誤差MQE =
Q/4;使用塊自適應(yīng)量化產(chǎn)生的平均量化誤差MeE"為
(2)使用均勻量化的方法,移位統(tǒng)一變?yōu)镵,對(duì)于原來(lái)移位為K,塊現(xiàn)在 使用移位為K進(jìn)行量化,產(chǎn)生的平均量化誤差為MQE=2V4,使用均勻量
化參數(shù)的Me&為
(3)區(qū)間[-w,,,",^]上的數(shù)據(jù)經(jīng)過(guò)BAQ量化成n比特的數(shù)據(jù),即映射到 [-2" + l,"]區(qū)間上的2n個(gè)整數(shù)。量化以后的數(shù)值為"通過(guò)下面的公式將數(shù) 據(jù)轉(zhuǎn)換到
區(qū)間上
對(duì)指數(shù)分布的數(shù)據(jù)進(jìn)行塊自適應(yīng)量化,根據(jù)每塊數(shù)據(jù)的特點(diǎn)進(jìn)行相應(yīng)的 處理,數(shù)據(jù)塊不同,他們的量化步長(zhǎng)不同,數(shù)據(jù)密集區(qū)域采用較小的量化步 長(zhǎng),數(shù)據(jù)分布較大的區(qū)域采用較大的量化步長(zhǎng),這樣就更加有利于逼進(jìn)量化 前的數(shù)據(jù),減小丫量化誤差。
本發(fā)明具有以下優(yōu)點(diǎn)可以有效的解決不同圖像數(shù)據(jù)塊之間數(shù)據(jù)動(dòng)態(tài)范 圍大的特點(diǎn),結(jié)合各數(shù)據(jù)塊的特性采用不同的量化歩長(zhǎng),從而有效地降低了 量化誤差;方法的復(fù)雜度不高,易于實(shí)時(shí)實(shí)現(xiàn)。
圖1是一幅圖像的塊量化步長(zhǎng)統(tǒng)計(jì)圖。
圖2是BAQ量化后的數(shù)據(jù)分布圖。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
圖1是一塊4096X2048大小的圖像分成128X 128大小宏塊以后的量化 步長(zhǎng)統(tǒng)計(jì)圖,橫坐標(biāo)是量化后的值,縱坐標(biāo)是量化值的個(gè)數(shù)。通過(guò)該量化歩 長(zhǎng)的分布可以看出,自適應(yīng)量化可以非常有效的解決動(dòng)態(tài)范圍大的數(shù)據(jù)分布。
圖2所示的4kX2k的塊量化步長(zhǎng)統(tǒng)計(jì),橫坐標(biāo)是量化歩長(zhǎng),縱坐標(biāo)是分 塊的格式,數(shù)據(jù)塊信息熵為3.78,而量化后每個(gè)數(shù)據(jù)為4比特。因此可以進(jìn)
一步利用熵編碼來(lái)提高壓縮比。在Huffman編碼和算術(shù)編碼中選擇了算術(shù)編 碼,因?yàn)樗木幋a效率更高,基本接近于熵,它的一個(gè)缺點(diǎn)就是運(yùn)算復(fù)雜度 較高。不同數(shù)據(jù)塊的分布特性不一樣,塊自適應(yīng)的算術(shù)編碼可以根據(jù)各數(shù)據(jù) 塊的分布情況及時(shí)的調(diào)整概率分布從而得到較好的熵編碼效率。不同的數(shù)據(jù) 塊采用不同的概率模型,同一塊內(nèi)采用固定概率模型,這種塊自適應(yīng)的算術(shù) 編碼效率比較高,它能夠在每個(gè)塊內(nèi)部達(dá)到最優(yōu)的編碼效率從而達(dá)到全局的 最優(yōu)。結(jié)合塊自適應(yīng)量化的結(jié)果,可以對(duì)指數(shù)分布的數(shù)據(jù)量化方法進(jìn)一步改 進(jìn),使得量化以后的數(shù)據(jù)接近于均勻分布。數(shù)據(jù)分布密集的區(qū)域量化步長(zhǎng)減 小,數(shù)據(jù)分布廣的區(qū)域量化步長(zhǎng)增加。
本發(fā)明提出了一種指數(shù)分布基于塊自適應(yīng)量化的方法,適用于圖像動(dòng)態(tài) 范圍大,整體成指數(shù)分布的數(shù)據(jù)?;趬K自適應(yīng)的量化方法能夠有效地壓縮 圖像,并且易于實(shí)時(shí)實(shí)現(xiàn)。該方法可以很好的應(yīng)用壓縮過(guò)程中,特別對(duì)于在 時(shí)域或者空域成指數(shù)分布的數(shù)據(jù),實(shí)現(xiàn)了對(duì)數(shù)據(jù)實(shí)現(xiàn)接近無(wú)損壓縮的量化。 本發(fā)明對(duì)實(shí)數(shù)圖像進(jìn)行DCT或者FFT變換以后的數(shù)據(jù)進(jìn)行量化;對(duì)復(fù)數(shù)圖 像進(jìn)行DCT或者FFT變換以后的數(shù)據(jù)進(jìn)行量化。
本發(fā)明采用BAQ的方法來(lái)壓縮成指數(shù)分布的數(shù)據(jù)。
在量化模型中,假設(shè)產(chǎn)生7V個(gè)量化步長(zhǎng),第/個(gè)移位為《(/ = 0,1,...,#-1), 每個(gè)移位產(chǎn)生的概率為f(h(U,…,W-l),最大移位為K。均勻分布的數(shù)據(jù)使用 均勻量化器,若量化步長(zhǎng)為Q,則平均量化誤差MQE二Q/4。使用塊自適應(yīng) 量化產(chǎn)生的平均量化誤差為
<formula>formula see original document page 5</formula>
使用均勻量化(Uniform Quantization)的方法,量化步長(zhǎng)移位統(tǒng)一變?yōu)?K,對(duì)于原來(lái)移位為《塊現(xiàn)在使用移位為K進(jìn)行量化,產(chǎn)生的平均量化誤差 為MQE二2V4,從而使用均勻量化參數(shù)的似0£ 9為
<formula>formula see original document page 5</formula>M2£—要比MG&小很多,例如對(duì)于圖1中N二4,《分別為14、 15、 16、 17,《分另U為0德、0.746、 0.183、 0.023。 M^—= 10207.232,而M^ =32768。
區(qū)間[-",,",皿]上的數(shù)據(jù)經(jīng)過(guò)BAQ量化成4比特的數(shù)據(jù),即映射到[-7,8] 區(qū)間上的16個(gè)整數(shù)。量化以后的數(shù)值為"通過(guò)下面的公式將數(shù)據(jù)轉(zhuǎn)換到
區(qū)間上。實(shí)驗(yàn)中我們發(fā)現(xiàn)經(jīng)過(guò)量化以后的數(shù)據(jù)服從一定的分布,如圖2所示,它 反應(yīng)的是一塊數(shù)據(jù)量化后的各個(gè)數(shù)據(jù)值的分布情況。根據(jù)香農(nóng)的離散隨機(jī)變
量的熵公式//(/0 = -5>(/)10§2;)(/)(其中p(/)表示事件/發(fā)生的概率),圖2
所示的數(shù)據(jù)塊信息熵為3.78,而量化后每個(gè)數(shù)據(jù)為4比特。因此可以進(jìn)一步 利用熵編碼來(lái)提高壓縮比。在Huffman編碼和算術(shù)編碼中我們選擇了算術(shù)編 碼,因?yàn)樗木幋a效率更高,基本接近于熵,它的一個(gè)缺點(diǎn)就是運(yùn)算復(fù)雜度 較高。不同數(shù)據(jù)塊的分布特性不一樣,塊自適應(yīng)的算術(shù)編碼可以根據(jù)各數(shù)據(jù) 塊的分布情況及時(shí)的調(diào)整概率分布從而得到較好的熵編碼效率。不同的數(shù)據(jù) 塊采用不同的概率模型,同一塊內(nèi)采用固定概率模型,這種塊自適應(yīng)的算術(shù) 編碼效率比較高,它能夠在每個(gè)塊內(nèi)部達(dá)到最優(yōu)的編碼效率從而達(dá)到全局的 最優(yōu)。
結(jié)合塊自適應(yīng)量化的結(jié)果,可以對(duì)指數(shù)分布的數(shù)據(jù)量化方法進(jìn)一步改進(jìn), 使得量化以后的數(shù)據(jù)接近于均勻分布。數(shù)據(jù)分布密集的區(qū)域量化步長(zhǎng)減小, 數(shù)據(jù)分布廣的區(qū)域量化步長(zhǎng)增加。
權(quán)利要求
1、一種指數(shù)分布數(shù)據(jù)的基于塊自適應(yīng)量化的方法,其特征是所述方法包括如下步驟,(1)在量化模型中,假設(shè)產(chǎn)生N個(gè)量化步長(zhǎng),第i個(gè)移位為Ki(i=0,1,...,N-1),每個(gè)移位產(chǎn)生的概率為Pi(i=0,1,...,N-1),最大移位為K。均勻分布的數(shù)據(jù)使用均勻量化器,若量化步長(zhǎng)為Q,則平均量化誤差MQE=Q/4;使用塊自適應(yīng)量化產(chǎn)生的平均量化誤差MQEbaq為<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><msub> <mi>MQE</mi> <mi>baq</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <msub><mi>K</mi><mi>i</mi> </msub></msup><mo>/</mo><mn>4</mn><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <mrow><msub> <mi>K</mi> <mi>i</mi></msub><mo>-</mo><mn>2</mn> </mrow></msup><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>;</mo> </mrow>]]></math></maths>(2)使用均勻量化的方法,移位統(tǒng)一變?yōu)镵,對(duì)于原來(lái)移位為Ki塊現(xiàn)在使用移位為K進(jìn)行量化,產(chǎn)生的平均量化誤差為MQE=2K/4,使用均勻量化參數(shù)的MQEuq為<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msub> <mi>MQE</mi> <mi>uq</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <mi>K</mi></msup><mo>/</mo><mn>4</mn><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>=</mo><msup> <mn>2</mn> <mrow><mi>K</mi><mo>-</mo><mn>2</mn> </mrow></msup><mo>;</mo> </mrow>]]></math></maths>(3)區(qū)間[-umax,umax]上的數(shù)據(jù)經(jīng)過(guò)BAQ量化成n比特的數(shù)據(jù),即映射到[-2n-1+1,2n-1]區(qū)間上的2n個(gè)整數(shù)。量化以后的數(shù)值為i,通過(guò)下面的公式將數(shù)據(jù)轉(zhuǎn)換到
區(qū)間上<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>=</mo><mo>{</mo><mfrac> <mrow><mn>2</mn><mo>*</mo><mi>i</mi><mo>-</mo><mn>1</mn><mrow> <mo>(</mo> <mi>i</mi> <mo>></mo> <mn>0</mn> <mo>)</mo></mrow> </mrow> <mrow><mo>-</mo><mn>2</mn><mo>*</mo><mi>i</mi><mrow> <mo>(</mo> <mi>i</mi> <mo><</mo> <mo>=</mo> <mn>0</mn> <mo>)</mo></mrow> </mrow></mfrac><mo>}</mo><mo>.</mo> </mrow>]]></math></maths>
全文摘要
本發(fā)明涉及一種指數(shù)分布數(shù)據(jù)的量化方法,具體地說(shuō)是一種數(shù)據(jù)壓縮過(guò)程中,指數(shù)分布數(shù)據(jù)的量化方法?;趬K自適應(yīng)的量化方法能夠有效地壓縮圖像,并且易于實(shí)時(shí)實(shí)現(xiàn)。該方法可以很好的應(yīng)用壓縮過(guò)程中,特別對(duì)于在時(shí)域或者空域成指數(shù)分布的數(shù)據(jù),實(shí)現(xiàn)了對(duì)數(shù)據(jù)實(shí)現(xiàn)接近無(wú)損壓縮的量化。本發(fā)明對(duì)實(shí)數(shù)圖像進(jìn)行DCT或者FFT變換以后的數(shù)據(jù)進(jìn)行量化;對(duì)復(fù)數(shù)圖像進(jìn)行DCT或者FFT變換以后的數(shù)據(jù)進(jìn)行量化。本發(fā)明的優(yōu)點(diǎn)是可以有效的解決不同圖像數(shù)據(jù)塊之間數(shù)據(jù)動(dòng)態(tài)范圍大的特點(diǎn),結(jié)合各數(shù)據(jù)塊的特性采用不同的量化步長(zhǎng),從而有效地降低了量化誤差;方法的復(fù)雜度不高,易于實(shí)時(shí)實(shí)現(xiàn)。
文檔編號(hào)H04N7/26GK101527845SQ200810244059
公開(kāi)日2009年9月9日 申請(qǐng)日期2008年12月19日 優(yōu)先權(quán)日2008年12月19日
發(fā)明者夏衛(wèi)平, 李恒中 申請(qǐng)人:無(wú)錫億普得科技有限公司