圖像編碼中上下文量化問題的研究.pdf

1、基于上下文的熵編碼在圖像編碼系統(tǒng)中扮演著重要的角色，它充分地利用了各符號之間的相關性，使圖像的壓縮性能大大提升。上下文量化是上下文熵編碼的最重要組成部分，它解決了熵編碼中上下文過多的問題。上下文量化的準則是相對熵最小。現(xiàn)階段，上下文量化只有GLA和動態(tài)規(guī)劃兩種算法。 本文對上下文量化的GLA算法進行了深入的研究，指出GLA算法對初始碼本比較敏感，容易陷入局部最小值，并采用簡化的隨機松弛算法來解決GLA算法受初始碼本影響的問題；此

2、外本文還根據(jù)動態(tài)規(guī)劃算法的性質，減少了GLA算法冗余計算量。實驗結果表明，本文提出的GLA改進算法能夠在基本沒有增加算法復雜度的前提下，較大幅度地減少量化誤差。 本文首次把遺傳算法和模擬退火算法應用于上下文的量化。遺傳算法是一種區(qū)域搜索與空間擴展相結合的算法，其量化誤差介于區(qū)域搜索(如GLA算法)和全局搜索算法(如動態(tài)規(guī)劃算法)之間。針對遺傳算法容易過早收斂和進化后期搜索效率較低的缺點，本文把模擬退火算法與遺傳算法結合使用，利用

3、退火溫度T控制搜索過程朝著最優(yōu)化的方向進行，同時根據(jù)Metropolis準則，以一定的概率接受某些劣解，以便跳出局部極小值的陷阱。實驗結果表明：遺傳退火算法的量化誤差比GLA算法的減少了大約1/4，與動態(tài)規(guī)劃算法的結果非常相近，而耗費時間不到動態(tài)規(guī)劃算法的1/7。 本文還把SOM算法應用于上下文量化。實驗結果表明，用SOM算法進行上下文分類的量化誤差也遠遠小于JPEG2000的結果，而且SOM算法的速度非?？?，將來可以運用到在線