CN101695000A - 基于高斯混合模型的分裂矢量量化编解码方法及其装置 - Google Patents
基于高斯混合模型的分裂矢量量化编解码方法及其装置 Download PDFInfo
- Publication number
- CN101695000A CN101695000A CN200910272395A CN200910272395A CN101695000A CN 101695000 A CN101695000 A CN 101695000A CN 200910272395 A CN200910272395 A CN 200910272395A CN 200910272395 A CN200910272395 A CN 200910272395A CN 101695000 A CN101695000 A CN 101695000A
- Authority
- CN
- China
- Prior art keywords
- vector
- module
- sub
- normalization
- gained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供了一种基于高斯混合模型的分裂矢量量化编解码方法,以及相应两个装置。其中编码装置包括高斯混合模型参数训练模块、归一化无偏估计模块、量化器比特数分配模块、矢量分裂模块、子矢量比特数分配模块、矢量量化模块、编码逆量化模块、编码子矢量合并模块、失真计算模块、最小值判断模块、最小失真量化索引获取模块、码流写入模块;解码装置包括码流读取模块、解码逆量化模块、解码子矢量合并模块、高斯模型参数获取模块、逆归一化无偏估计模块。本发明所提供技术方案能够在低存储空间的条件下,实现对高维矢量进行的基于高斯混合模型的分裂矢量量化。
Description
技术领域
本发明涉及量化编码技术领域,更具体地,涉及基于高斯混合模型的分裂矢量量化编解码方法及其装置。
背景技术
在量化编码中,矢量量化方法在相同的编码比特数下能获得比标量量化方法更低的量化失真。但是,将高维矢量作为一个矢量进行整体量化的方法存储量大、搜索运算复杂,难以实现。因此,出现了各种优化的矢量量化算法,如多级矢量量化、分裂矢量量化等。但是,目前各种矢量量化算法一般基于聚类训练算法得到矢量量化器,虽然适合对任何概率分布的信号进行高效量化,但其需要大量的存储空间存储矢量码本(一般其存储空间随量化比特数和矢量的维数成指数增长),存在运算复杂度高、存储空间大的缺点。
2006年,Chatterjee率先提出一种基于GMM的分裂矢量量化算法,具体为基于GMM模型的线谱对频率(Line Spectral Frequencies,LSF)参数分裂矢量量化算法,这种量化算法的基本思想是利用高斯混合模型(Gaussian mixturemodel,GMM)将输入的16维的LSF参数分成属于不同高斯分布的M个分量,然后针对每个高斯分量设计分裂矢量量化器对该高斯分量进行量化。这种量化算法选择GMM,是因为GMM是一种半参数的密度估计算法,不局限于特定的概率密度函数的形式。并且如果GMM中高斯分量足够多,它能够以任意精度逼近任意的连续概率分布。但在设计分裂矢量量化器时,该算法采用的是非均匀分裂方法,16维LSF参数被分裂为5个维数不相同的子矢量,因此针对每个维数不同的子矢量都需要有对应的一套码本,增加了存储开销。
发明内容
本发明针对现有量化方法的不足,提出一种基于高斯混合模型的分裂矢量量化技术方案,目的是支持在低存储空间的条件下,实现对高维矢量的高效量化。
本发明提供的分裂矢量量化编码方法技术方案包括以下步骤:
步骤1.1、对训练矢量进行高斯混合模型建模,即根据设定的高斯模型分量个数M,用M个高斯模型分量去拟合训练矢量,每个高斯模型分量的拟合结果构成一个高斯模型参数集,M个高斯模型分量的拟合结果构成高斯混合模型参数集,并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号;
步骤1.2、利用步骤1.1所得高斯混合模型参数集中的每一个高斯模型参数集分别对待量化矢量先进行无偏估计再进行归一化,得到待量化矢量的M个归一化无偏估计矢量;
步骤1.3、根据设定的高斯模型分量个数M,得出索引高斯模型分量序号所需比特数;然后根据索引高斯模型分量序号所需比特数和给定的量化器总比特数,计算得出对归一化无偏估计矢量量化的索引所需的比特数;
步骤1.4、对步骤1.2中所得M个归一化无偏估计矢量进行均匀分裂,得出M组分裂后的子矢量;
步骤1.5、根据步骤1.3中所得对归一化无偏估计矢量量化的索引所需的比特数和步骤1.4中得到的子矢量,得出对步骤1.4中所得各子矢量量化索引所需的比特数;
步骤1.6、根据步骤1.5中所得各子矢量量化索引所需的比特数,对步骤1.4中所得各子矢量采用同一矢量量化器进行量化,得出各子矢量的量化索引;
步骤1.7、根据步骤1.6中所得各子矢量的量化索引通过查找量化码本得出量化后的子矢量;
步骤1.8、根据步骤1.7所得量化后的子矢量,分组合并得出M个量化后归一化无偏估计矢量;
步骤1.9、根据步骤1.2所得M个归一化无偏估计矢量以及步骤1.8所得M个量化后归一化无偏估计矢量,得出M个归一化无偏估计矢量的量化失真;
步骤1.10、对步骤1.9所得M个归一化无偏估计矢量的量化失真进行比较,判断出归一化无偏估计矢量的量化失真的最小值,得出量化失真的最小值所对应的高斯模型分量序号;
步骤1.11、根据步骤1.10所得量化失真的最小值所对应的高斯模型分量序号,以及步骤1.6所得各子矢量的量化索引,得出量化失真的最小值所对应的各子矢量的量化索引;
步骤1.12、将步骤1.10所得量化失真的最小值所对应的高斯模型分量序号写入码流,以及将步骤1.11所得量化失真的最小值所对应的各子矢量的量化索引写入码流。
本发明提供的相应分裂矢量量化解码方法技术方案包括以下步骤,
步骤2.1、从码流中提取量化失真的最小值所对应的各子矢量的量化索引和量化失真的最小值所对应的高斯模型分量序号;
步骤2.2、根据步骤2.1所得量化失真的最小值所对应的各子矢量的量化索引,通过查找量化码本得出对应的量化后的子矢量;
步骤2.3、根据步骤2.2所得对应的量化后的子矢量,合并得出对应的量化后归一化无偏估计矢量;
步骤2.4、根据步骤2.1所得量化失真的最小值所对应的高斯模型分量序号,从与编码端一致的高斯混合模型参数集中查找得出对应的高斯模型参数集;
步骤2.5、根据步骤2.3所得对应的量化后归一化无偏估计矢量,以及步骤2.4所得对应的高斯模型参数集,得出待量化矢量的量化结果。
本发明还提供了相应分裂矢量量化装置,包含以下部份,
高斯混合模型参数训练模块,用于对输入高斯混合模型参数训练模块的训练矢量和高斯模型分量个数M进行高斯混合模型建模,得到高斯混合模型参数集并输出到归一化无偏估计模块;所述高斯混合模型建模是用M个高斯模型分量去拟合训练矢量,每个高斯模型分量的拟合结果构成一个高斯模型参数集,M个高斯模型分量的拟合结果构成高斯混合模型参数集,并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号;
归一化无偏估计模块,用于根据高斯混合模型参数训练模块所得高斯混合模型参数集对输入到归一化无偏估计模块的待量化矢量进行处理,得到待量化矢量的归一化无偏估计矢量并输出到矢量分裂模块和失真计算模块;
量化器比特数分配模块,用于根据输入到量化器比特数分配模块的量化器总比特数和高斯模型分量个数M,得到索引高斯模型序号所需比特数和对归一化无偏估计矢量量化的索引所需的比特数,并输出对归一化无偏估计矢量量化的索引所需的比特数到子矢量比特数分配模块;
矢量分裂模块,用于对归一化无偏估计模块所得待量化矢量的归一化无偏估计矢量进行均匀矢量分裂,得到分裂后的子矢量并输出到矢量量化模块;
子矢量比特数分配模块,用于根据量化器比特数分配模块所得对归一化无偏估计矢量量化的索引所需的比特数和矢量分裂模块所得分裂后的子矢量,得到各子矢量量化索引所需的比特数并输出到矢量量化模块;
矢量量化模块,用于根据子矢量比特数分配模块所得各子矢量量化索引所需的比特数和矢量分裂模块所得分裂后的子矢量,对各子矢量采用同一矢量量化器进行量化,得到各子矢量的量化索引并输出到编码逆量化模块和最小失真量化索引获取模块;
编码逆量化模块,用于根据矢量量化模块所得各子矢量的量化索引,查找量化码本得到量化后的子矢量并输出到编码子矢量合并模块;
编码子矢量合并模块,用于根据编码逆量化模块所得量化后的子矢量,合并得到量化后归一化无偏估计矢量并输出到失真计算模块;
失真计算模块,用于根据归一化无偏估计模块所得待量化矢量的归一化无偏估计矢量和编码子矢量合并模块所得量化后归一化无偏估计矢量,计算归一化无偏估计矢量的量化失真并输出到最小值序号判断模块;
最小值判断模块,用于对失真计算模块所得归一化无偏估计矢量的量化失真判断出最小值,得到量化失真的最小值所对应的高斯模型分量序号并输出到码流写入模块;
最小失真量化索引获取模块,用于根据最小值所对应的高斯模型分量序号,从矢量量化模块所提供各子矢量的量化索引中,提取量化失真的最小值所对应的各子矢量的量化索引并输出到码流写入模块;
码流写入模块,用于将量化失真的最小值所对应的高斯模型分量序号写入码流,以及将量化失真的最小值所对应的各子矢量的量化索引写入码流。本发明还提供了相应分裂矢量逆量化装置,包含以下部份,
码流读取模块,用于从码流中提取得到量化失真的最小值所对应的各子矢量的量化索引和高斯模型分量序号,并将量化失真的最小值所对应的各子矢量的量化索引输出到解码逆量化模块,将量化失真的最小值所对应的高斯模型分量序号输出到高斯模型参数获取模块;
解码逆量化模块,用于根据码流读取模块所得量化失真的最小值所对应的子矢量的量化索引,得到对应的量化后的子矢量;
解码子矢量合并模块,用于根据解码逆量化模块所得对应的量化后的子矢量,合并得到对应的量化后归一化无偏估计矢量并输出到逆归一化无偏估计模块;
高斯模型参数获取模块,用于根据码流读取模块所得量化失真的最小值所对应的高斯模型分量序号,从与编码端一致的高斯混合模型参数集中查找得到对应的高斯模型参数集并输出到逆归一化无偏估计模块;
逆归一化无偏估计模块,用于根据解码子矢量合并模块所得对应的量化后归一化无偏估计矢量,以及高斯模型参数获取模块所得对应的高斯模型参数集,得到待量化矢量的量化结果。
本发明的技术方案对分裂后所得各子矢量采用同一矢量量化器进行量化,提高了量化效率,因此能够在低存储空间的条件下,实现对高维矢量进行的基于高斯混合模型的分裂矢量量化。
附图说明
图1为本发明实施例的分裂矢量量化装置工作示意图;
图2为本发明实施例的分裂矢量逆量化装置工作示意图。
具体实施方式
本发明提供了基于高斯混合模型的分裂矢量量化编码方法,以及相应的分裂矢量量化解码方法。具体实施时,可以由本领域技术人员采用计算机软件手段根据所提供技术方案实现自动化量化编解码。由于在编解码应用中,往往还将编解码软件方法固化形成编解码装置,本发明也提供了相应的分裂矢量量化装置和分裂矢量逆量化装置。
以下结合附图和实施例做详细说明。
实施例在本发明方法前提下进行实施,给出了详细的实施方式与具体的操作过程,但本发明的实现不限于该实施例。
编码方案:
步骤1.1、对训练矢量进行高斯混合模型建模,即根据设定的高斯模型分量个数M,用M个高斯模型分量去拟合训练矢量,每个高斯模型分量的拟合结果构成一个高斯模型参数集,M个高斯模型分量的拟合结果构成高斯混合模型参数集,并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号。可以认为,步骤1.1最后是形成了一个高斯模型序号和高斯模型参数集的一一对应表,解码端需要与编码端保持一致,因此解码端需要使用与编码端一致的高斯混合模型参数集。所以具体实施时,此步骤生成高斯混合模型参数集后,编码端和解码端都存储该高斯混合模型参数集。
本发明涉及矢量可根据维度标识为D维矢量。实施例对输入的多个D维训练矢量进行高斯混合模型建模,即用M个高斯模型分量去拟合输入的训练矢量。理论上M大于等于1就可以针对不同应用环境,具体实施时M值可以由本领域技术人员相应取值设定。用最大似然估计算法训练得出高斯混合模型参数集Θ,高斯混合模型参数集由M个高斯模型参数集构成,记为Θ=(θ1,θ2,...,θM),其中每一个高斯模型参数集θi由系数αi,数学期望μi,方差σi构成,即为θi={αi,μi,σi},i=1,2,…,M。其中,数学期望μi,方差σi均为D维矢量。
步骤1.2、利用步骤1.1所得高斯混合模型参数集中的每一个高斯模型参数集分别对待量化矢量先进行无偏估计再进行归一化,得到待量化矢量的M个归一化无偏估计矢量。
实施例用高斯混合模型参数集对待量化的多维矢量X(X为D维矢量,X={x1,x2...xD},x1,x2...xD用于表示其中的D个分量)进行归一化无偏估计计算得到多维矢量X的M个归一化无偏估计矢量Y={Y1,Y2,…,Yi,…,YM},其中Yi为D维矢量,i=1,2...M。即Yi={yi1,yi2,…,yij,…,yiD},i=1,2,…,M,j=1,2,…,D。其中,每一维Yi值的计算见公式1:
步骤1.3、根据设定的高斯模型分量个数M,得出索引高斯模型分量序号所需比特数;然后根据索引高斯模型分量序号所需比特数和给定的量化器总比特数,计算得出对归一化无偏估计矢量量化的索引所需的比特数。
实施例中,归一化无偏估计矢量量化的索引所需的比特数c的计算见公式2:
c=ctot-log2M 公式2
其中ctot是本分裂矢量量化编码方法中给定的量化器总比特数,因为分裂矢量量化编码用于通信等领域时,往往能够占用的比特数是被分配给定的,所以要用给定的量化器总比特数减去索引高斯模型分量序号所需比特数,得到对归一化无偏估计矢量量化索引可用的比特数。M是步骤1.1所述高斯模型分量个数,本发明实施例采用二进制编码传输高斯模型分量序号,因此索引高斯模型分量序号所需比特数为log2M。
步骤1.4、对步骤1.2中所得M个归一化无偏估计矢量进行均匀分裂,得出M组分裂后的子矢量。
实施例将步骤1.2所述M个归一化无偏估计矢量Y={Y1,Y2,…,Yi,…,YM}进行矢量分裂,将每一个归一化无偏估计矢量Yi分裂为S个子矢量Yij,i=1,2...M,j=1,2,…,s。为了能够随后在步骤1.6采用同一矢量量化器进行量化,实施例采用的矢量分裂方式为均匀分裂方式,实现如下:
Yij={Yi[(j-1)d+1)],Yi[(j-1)d+2],…,Yi[(j-1)d+d]}
其中Yi为步骤1.2所述归一化无偏估计矢量,D为步骤1所述Yi的维数,M为步骤1.2所述归一化无偏估计矢量的个数,S(S≥2)为子矢量的个数,d为Yi分裂后的子矢量Yij的维数。
步骤1.5、根据步骤1.3中所得对归一化无偏估计矢量量化的索引所需的比特数和步骤1.4中得到的子矢量,得出对步骤1.4中所得各子矢量量化索引所需的比特数。
实施例针对每一个归一化无偏估计矢量Yi的子矢量Yij分配其量化索引所需比特数cij,具体实施时求取cij的计算方法可采用现有技术中的自适应或给定比特数方法。
步骤1.6、根据步骤1.5中所得各子矢量量化索引所需的比特数,对步骤1.4中所得各子矢量采用同一矢量量化器进行量化,得出各子矢量的量化索引。
现有技术中,在基于高斯混合模型的矢量分裂方法中,对分裂后的各子矢量采用不同矢量量化器进行量化,而本发明创造性提出对分裂后的各子矢量采用同一矢量量化器进行量化。矢量量化器可以利用现有技术,例如代数矢量量化器、随机矢量量化器等。根据上一步骤所谓为每一个归一化无偏估计矢量Yi的子矢量Yij分配的比特数cij,量化子矢量Yij。实施例采用同一矢量量化器,通过矢量量化方法找到每一个子矢量Yij对应到矢量量化码本中的索引值Kij;
步骤1.7、根据步骤1.6中所得各子矢量的量化索引通过查找量化码本得出量化后的子矢量。
步骤1.8、根据步骤1.7所得量化后的子矢量,分组合并得出M个量化后归一化无偏估计矢量。
实施例将子矢量 合并为M个量化后的矢量
步骤1.9、根据步骤1.2所得M个归一化无偏估计矢量以及步骤1.8所得M个量化后归一化无偏估计矢量,得出M个归一化无偏估计矢量的量化失真。
实施例计算量化前的归一化无偏估计矢量Yi和量化后的归一化无偏估计矢量的量化失真,量化失真的度量可以采用现有谱失真、均方误差等失真测度方法。
步骤1.10、对步骤1.9所得M个归一化无偏估计矢量的量化失真进行比较,判断出归一化无偏估计矢量的量化失真的最小值,得出量化失真的最小值所对应的高斯模型分量序号。
对上一步骤得出的量化失真的最小值做出判断,并得到量化失真的最小值所对应的高斯模型分量序号num。由于步骤1.1事先为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号,因此只需找出量化失真的最小值,就可以得到相应序号。
步骤1.11、根据步骤1.10所得量化失真的最小值所对应的高斯模型分量序号,以及步骤1.6所得各子矢量的量化索引,得出量化失真的最小值所对应的各子矢量的量化索引。
实施例根据序号num从子矢量量化的索引Kij中找到对应的子矢量量化的索引Knumj。
步骤1.12、将步骤1.10所得量化失真的最小值所对应的高斯模型分量序号写入码流,以及将步骤1.11所得量化失真的最小值所对应的各子矢量的量化索引写入码流。
实施例将步骤1.10得到的序号num和步骤1.10得到的量化索引Knumj一起写入码流输出。
解码方案:
步骤2.1、从码流中提取量化失真的最小值所对应的各子矢量的量化索引和量化失真的最小值所对应的高斯模型分量序号。
实施例从码流中提取本方案解码所需的参数,即编码时写入码流的序号num和对应的子矢量量化的索引Knumj。
步骤2.2、根据步骤2.1所得量化失真的最小值所对应的各子矢量的量化索引,通过查找量化码本得出对应的量化后的子矢量。
实施例根据子矢量量化的索引Knumj查找量化码本,得到对应的量化后的子矢量显然,解码时所用量化码本与编码时步骤1.7所用量化码本一致。
步骤2.3、根据步骤2.2所得对应的量化后的子矢量,合并得出对应的量化后归一化无偏估计矢量。
步骤2.4、根据步骤2.1所得量化失真的最小值所对应的高斯模型分量序号,从与编码端一致的高斯混合模型参数集中查找得出对应的高斯模型参数集。
实施例根据步骤2.1得出的序号num从高斯混合模型参数集Θ=(θ1,θ2,...,θM)中找到对应的高斯模型参数集θnum={αnum,μnum,σnum}
步骤2.5、根据步骤2.3所得对应的量化后归一化无偏估计矢量,以及步骤2.4所得对应的高斯模型参数集,得出待量化矢量的量化结果。
其中μnum为序号num所对应的高斯模型参数集中的数学期望,σnum为序号num所对应的高斯模型参数集中的方差。
本发明所提供分裂矢量量化装置与上述分裂矢量量化编码方法实现原理致,分裂矢量逆量化装置与上述分裂矢量量化解码方法实现原理一致。为便于本领域技术人员实施参考,本发明以装置形式提供了更详细的实施例如下。实施例输入的D维矢量为4维矢量,每个分量均为整数,所选高斯混合模型包含2个高斯模型。
实施例的分裂矢量量化装置工作过程,参见图1:
(1)首先由高斯混合模型参数训练模块对输入其中的训练用4维矢量进行高斯混合模型建模,用2个高斯模型分量去拟合输入的训练矢量,即输入其中的M=2。得出高斯模型混合参数集为:Θ=(θ1,θ2),其中,高斯模型分量1的参数集为θ1={α1=0.3,μ1,σ1},其中μ1,σ1都为4维矢量,μ1={4,2,1,3},σ1={1,2,2,1};高斯模型分量2的参数集为θ2={α2=0.7,μ2,σ2},其中μ2,σ2也为4维矢量,μ2={1,2,3,1},σ2={1,2,1,1}。高斯混合模型参数集Θ=(θ1,θ2)输出到归一化无偏估计模块。高斯模型参数集θ1分配的高斯模型分量序号为1,高斯模型参数集θ2分配的高斯模型分量序号为2。所得高斯混合模型参数集还传输存至分裂矢量逆量化装置,供其高斯模型参数获取模块查找使用。
(2)由归一化无偏估计模块用(1)中的两个高斯混合模型参数集中的数学期望μ1、μ2,方差σ1、σ2及归一化无偏估计值计算公式(公式1)分别计算4维的待量化矢量X={6,4,5,7}的归一化无偏估计矢量,待量化矢量X对应高斯模型分量1的参数集θ1计算得到的归一化无偏估计矢量为Y1={2,1,2,4},待量化矢量X对应高斯模型分量2的参数集θ2计算得到的归一化无偏估计矢量Y2={5,1,2,6}。然后将Y1={2,1,2,4}和Y2={5,1,2,6}输出到矢量分裂模块和失真计算模块。
(3)由量化器比特数分配模块根据量化器的比特数分配公式(公式2)计算对各个归一化无偏估计矢量量化索引所需的比特数,设总比特数ctot=9,由于高斯模型分量个数M=2,则对各个归一化无偏估计矢量量化的索引所需比特数C=9-log2=8。输出对归一化无偏估计矢量量化的索引所需的比特数8到子矢量比特数分配模块。
(4)由矢量分裂模块分裂步骤(2)中的各个归一化无偏估计矢量,采用平均分裂矢量的方法将维数为4的各个归一化无偏估计矢量均匀分裂为两个维数为2的子矢量,则Y1被分裂为Y11={2,1},Y12={2,4};Y2被分裂为Y21={5,1},Y22={2,6}。分裂后所得的子矢量Y11、Y12、Y21、Y22输出到矢量量化模块。
(5)由子矢量比特数分配模块根据量化器比特数分配模块所得对各个归一化无偏估计矢量量化的索引的比特数C=8,矢量分裂模块所得分裂后的子矢量Y11、Y12、Y21、Y22,计算各子矢量量化索引所需的比特数:对于Y1,其分裂得到的子矢量Y11、Y12量化分别所需的比特数为c11=4,c12=4;对于Y2,其分裂得到的子矢量Y21、Y22量化分别所需的比特数为c21=4,c22=4。将c11、c12、c21、c22输出到矢量量化模块。
(6)由矢量量化模块利用子矢量比特数分配模块所得各子矢量量化所需的比特数来量化矢量分裂模块所得对各个归一化无偏估计矢量分裂后的子矢量,对各子矢量采用同一矢量量化器进行量化,找出其对应的最接近的码本矢量,并得出该码本矢量的量化索引,对于Y11、Y12,其对应的最接近的码本矢量为 对应的量化索引为{K11,K12},对于Y21、Y22,其对应的最接近的码本矢量为 对应的量化索引为{K21,K22}。将{K11,K12}和{K21,K22}输出到编码逆量化模块和最小失真量化索引获取模块。
(9)失真计算模块,用于根据归一化无偏估计模块所得待量化矢量的归一化无偏估计矢量和编码子矢量合并模块所得量化后归一化无偏估计矢量,计算归一化无偏估计矢量的量化失真并输出到最小值序号判断模块。实施例由失真计算模块采用均方误差作为失真测度,计算出Y1和的均方误差MSEY1=0、Y2和均方误差MSEY2=2。均方误差为常用度量方式,实施例具体计算方法为先求取归一化无偏估计矢量与量化后归一化无偏估计矢量对应分量间的差值的平方,求和后再除以归一化无偏估计矢量的分量个数(即矢量纬度,归一化无偏估计矢量与量化后归一化无偏估计矢量的纬度相同),得到均方。
(10)由最小值判断模块对失真计算模块所得归一化无偏估计矢量的两个失真值MSEY1和MSEY2做出判断,得到量化失真的最小值MSEY1所对应的高斯模型分量序号为num=1,将num的值1输出到码流写入模块。
(11)由最小失真量化索引获取模块根据最小值判断模块提供的num=1,从矢量量化模块所提供各子矢量的量化索引{K11,K12}和{K21,K22}中,提取量化失真的最小值所对应的各子矢量的量化索引{K11,K12}并输出到码流写入模块。
(12)由码流写入模块,将量化失真的最小值所对应的高斯模型分量序号num=1,以及量化失真的最小值所对应的各子矢量的量化索引{K11,K12},一起写入码流输出。
实施例的分裂矢量量化装置工作过程,参见图1:
(1)由码流读取模块从码流中提取量化失真的最小值所对应的子矢量量化的索引{K11,K12}和量化失真的最小值所对应的高斯模型分量序号num=1;并将索引{K11,K12}输出到解码逆量化模块,将量化失真的最小值所对应的高斯模型分量序号num=1输出到高斯模型参数获取模块。
(4)由高斯模型参数获取模块,根据码流读取模块所得量化失真的最小值所对应的高斯模型分量序号num=1,查找与编码端一致的高斯混合模型参数集。实施例就是查找编码端高斯混合模型参数训练模块所得的高斯混合模型参数集,得出对应的高斯模型参数集θ1={α1=0.3,μ1,σ1},μ1={4,2,1,3},σ1={1,2,2,1}。
Claims (4)
1.一种基于高斯混合模型的分裂矢量量化编码方法,其特征是:包含以下步骤,
步骤1.1、对训练矢量进行高斯混合模型建模,即根据设定的高斯模型分量个数M,用M个高斯模型分量去拟合训练矢量,每个高斯模型分量的拟合结果构成一个高斯模型参数集,M个高斯模型分量的拟合结果构成高斯混合模型参数集,并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号;
步骤1.2、利用步骤1.1所得高斯混合模型参数集中的每一个高斯模型参数集分别对待量化矢量先进行无偏估计再进行归一化,得到待量化矢量的M个归一化无偏估计矢量;
步骤1.3、根据设定的高斯模型分量个数M,得出索引高斯模型分量序号所需比特数;然后根据索引高斯模型分量序号所需比特数和给定的量化器总比特数,计算得出对归一化无偏估计矢量量化的索引所需的比特数;
步骤1.4、对步骤1.2中所得M个归一化无偏估计矢量进行分裂,得出M组分裂后的子矢量;
步骤1.5、根据步骤1.3中所得对归一化无偏估计矢量量化的索引所需的比特数和步骤1.4中得到的子矢量,得出对步骤1.4中所得各子矢量量化索引所需的比特数;
步骤1.6、根据步骤1.5中所得各子矢量量化索引所需的比特数,对步骤1.4中所得各子矢量采用同一矢量量化器进行量化,得出各子矢量的量化索引;
步骤1.7、根据步骤1.6中所得各子矢量的量化索引通过查找量化码本得出量化后的子矢量;
步骤1.8、根据步骤1.7所得量化后的子矢量,分组合并得出M个量化后归一化无偏估计矢量;
步骤1.9、根据步骤1.2所得M个归一化无偏估计矢量以及步骤1.8所得M个量化后归一化无偏估计矢量,得出M个归一化无偏估计矢量的量化失真;
步骤1.10、对步骤1.9所得M个归一化无偏估计矢量的量化失真进行比较,判断出归一化无偏估计矢量的量化失真的最小值,得出量化失真的最小值所对应的高斯模型分量序号;
步骤1.11、根据步骤1.10所得量化失真的最小值所对应的高斯模型分量序号,以及步骤1.6所得各子矢量的量化索引,得出量化失真的最小值所对应的各子矢量的量化索引;
步骤1.12、将步骤1.10所得量化失真的最小值所对应的高斯模型分量序号写入码流,以及将步骤1.11所得量化失真的最小值所对应的各子矢量的量化索引写入码流。
2.一种基于高斯混合模型的分裂矢量量化解码方法,其特征是:包含以下步骤,
步骤2.1、从码流中提取量化失真的最小值所对应的各子矢量的量化索引和量化失真的最小值所对应的高斯模型分量序号;
步骤2.2、根据步骤2.1所得量化失真的最小值所对应的各子矢量的量化索引,通过查找量化码本得出对应的量化后的子矢量;
步骤2.3、根据步骤2.2所得对应的量化后的子矢量,合并得出对应的量化后归一化无偏估计矢量;
步骤2.4、根据步骤2.1所得量化失真的最小值所对应的高斯模型分量序号,从与编码端一致的高斯混合模型参数集中查找得出对应的高斯模型参数集;
步骤2.5、根据步骤2.3所得对应的量化后归一化无偏估计矢量,以及步骤
2.4所得对应的高斯模型参数集,得出待量化矢量的量化结果。
3.一种实现权利要求1所述基于高斯混合模型的分裂矢量量化编码方法的分裂矢量量化装置,其特征是:包含以下部份,
高斯混合模型参数训练模块,用于对输入高斯混合模型参数训练模块的训练矢量和高斯模型分量个数M进行高斯混合模型建模,得到高斯混合模型参数集并输出到归一化无偏估计模块;所述高斯混合模型建模是用M个高斯模型分量去拟合训练矢量,每个高斯模型分量的拟合结果构成一个高斯模型参数集,M个高斯模型分量的拟合结果构成高斯混合模型参数集,并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模型分量序号;
归一化无偏估计模块,用于根据高斯混合模型参数训练模块所得高斯混合模型参数集对输入到归一化无偏估计模块的待量化矢量进行处理,得到待量化矢量的归一化无偏估计矢量并输出到矢量分裂模块和失真计算模块;
量化器比特数分配模块,用于根据输入到量化器比特数分配模块的量化器总比特数和高斯模型分量个数M,得到索引高斯模型序号所需比特数和对归一化无偏估计矢量量化的索引所需的比特数,并输出对归一化无偏估计矢量量化的索引所需的比特数到子矢量比特数分配模块;
矢量分裂模块,用于对归一化无偏估计模块所得待量化矢量的归一化无偏估计矢量进行矢量分裂,得到分裂后的子矢量并输出到矢量量化模块;
子矢量比特数分配模块,用于根据量化器比特数分配模块所得对归一化无偏估计矢量量化的索引所需的比特数和矢量分裂模块所得分裂后的子矢量,得到各子矢量量化索引所需的比特数并输出到矢量量化模块;
矢量量化模块,用于根据子矢量比特数分配模块所得各子矢量量化索引所需的比特数和矢量分裂模块所得分裂后的子矢量,对各子矢量采用同一矢量量化器进行量化,得到各子矢量的量化索引并输出到编码逆量化模块和最小失真量化索引获取模块;
编码逆量化模块,用于根据矢量量化模块所得各子矢量的量化索引,查找量化码本得到量化后的子矢量并输出到编码子矢量合并模块;
编码子矢量合并模块,用于根据编码逆量化模块所得量化后的子矢量,合并得到量化后归一化无偏估计矢量并输出到失真计算模块;
失真计算模块,用于根据归一化无偏估计模块所得待量化矢量的归一化无偏估计矢量和编码子矢量合并模块所得量化后归一化无偏估计矢量,计算归一化无偏估计矢量的量化失真并输出到最小值序号判断模块;
最小值判断模块,用于对失真计算模块所得归一化无偏估计矢量的量化失真判断出最小值,得到量化失真的最小值所对应的高斯模型分量序号并输出到码流写入模块;
最小失真量化索引获取模块,用于根据最小值所对应的高斯模型分量序号,从矢量量化模块所提供各子矢量的量化索引中,提取量化失真的最小值所对应的各子矢量的量化索引并输出到码流写入模块;
码流写入模块,用于将量化失真的最小值所对应的高斯模型分量序号写入码流,以及将量化失真的最小值所对应的各子矢量的量化索引写入码流。
4.一种实现权利要求2所述基于高斯混合模型的分裂矢量量化解码方法的分裂矢量逆量化装置,其特征是:包含以下部份,
码流读取模块,用于从码流中提取得到量化失真的最小值所对应的各子矢量的量化索引和高斯模型分量序号,并将量化失真的最小值所对应的各子矢量的量化索引输出到解码逆量化模块,将量化失真的最小值所对应的高斯模型分量序号输出到高斯模型参数获取模块;
解码逆量化模块,用于根据码流读取模块所得量化失真的最小值所对应的子矢量的量化索引,得到对应的量化后的子矢量;
解码子矢量合并模块,用于根据解码逆量化模块所得对应的量化后的子矢量,合并得到对应的量化后归一化无偏估计矢量并输出到逆归一化无偏估计模块;
高斯模型参数获取模块,用于根据码流读取模块所得量化失真的最小值所对应的高斯模型分量序号,从与编码端一致的高斯混合模型参数集中查找得到对应的高斯模型参数集并输出到逆归一化无偏估计模块;
逆归一化无偏估计模块,用于根据解码子矢量合并模块所得对应的量化后归一化无偏估计矢量,以及高斯模型参数获取模块所得对应的高斯模型参数集,得到待量化矢量的量化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910272395A CN101695000B (zh) | 2009-10-13 | 2009-10-13 | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910272395A CN101695000B (zh) | 2009-10-13 | 2009-10-13 | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101695000A true CN101695000A (zh) | 2010-04-14 |
CN101695000B CN101695000B (zh) | 2012-08-29 |
Family
ID=42093947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910272395A Expired - Fee Related CN101695000B (zh) | 2009-10-13 | 2009-10-13 | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101695000B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982807A (zh) * | 2012-07-17 | 2013-03-20 | 深圳广晟信源技术有限公司 | 用于对语音信号lpc系数进行多级矢量量化的方法和系统 |
EP3026917A1 (en) * | 2014-11-27 | 2016-06-01 | Thomson Licensing | Methods and apparatus for model-based visual descriptors compression |
CN113449468A (zh) * | 2021-06-22 | 2021-09-28 | 北京交通大学 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
CN116527943A (zh) * | 2023-06-29 | 2023-08-01 | 中国传媒大学 | 基于矢量量化索引和生成模型的极限图像压缩方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281750B (zh) * | 2008-05-29 | 2010-12-22 | 上海交通大学 | 基于变长分裂表的矢量量化高阶码本扩展编码及解码系统 |
-
2009
- 2009-10-13 CN CN200910272395A patent/CN101695000B/zh not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982807A (zh) * | 2012-07-17 | 2013-03-20 | 深圳广晟信源技术有限公司 | 用于对语音信号lpc系数进行多级矢量量化的方法和系统 |
CN102982807B (zh) * | 2012-07-17 | 2016-02-03 | 深圳广晟信源技术有限公司 | 用于对语音信号lpc系数进行多级矢量量化的方法和系统 |
EP3026917A1 (en) * | 2014-11-27 | 2016-06-01 | Thomson Licensing | Methods and apparatus for model-based visual descriptors compression |
US10021395B2 (en) | 2014-11-27 | 2018-07-10 | Thomson Licensing | Methods and apparatus for model-based visual descriptors compression |
CN113449468A (zh) * | 2021-06-22 | 2021-09-28 | 北京交通大学 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
CN113449468B (zh) * | 2021-06-22 | 2024-03-12 | 北京交通大学 | 一种锂离子电池组的多参数分布特性建模和参数生成方法 |
CN116527943A (zh) * | 2023-06-29 | 2023-08-01 | 中国传媒大学 | 基于矢量量化索引和生成模型的极限图像压缩方法及系统 |
CN116527943B (zh) * | 2023-06-29 | 2023-09-12 | 中国传媒大学 | 基于矢量量化索引和生成模型的极限图像压缩方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101695000B (zh) | 2012-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101842988B (zh) | 基于概率表动态计算的符号平面编码/解码 | |
Zhang et al. | Efficient algorithms for robust one-bit compressive sensing | |
CN101695000B (zh) | 基于高斯混合模型的分裂矢量量化编解码方法及其装置 | |
JP6574287B2 (ja) | ピラミッドベクトル量子化器形状サーチ | |
CN105993178A (zh) | 用于音频/视频采样矢量的棱椎矢量量化编索引和解索引的方法和装置 | |
CN103345767A (zh) | 一种高安全性的jpeg图像隐写方法 | |
EP3069449B1 (en) | Split gain shape vector coding | |
CN101937680B (zh) | 码书分类重排矢量量化方法及其矢量量化器 | |
CN102084594B (zh) | 用于处理数字数据的方法 | |
Boo et al. | Fixed-point optimization of transformer neural network | |
CN101685436B (zh) | 音频信号处理装置与方法 | |
CN102982807B (zh) | 用于对语音信号lpc系数进行多级矢量量化的方法和系统 | |
Elliott | Quantum coarse graining for extreme dimension reduction in modeling stochastic temporal dynamics | |
CN114219027A (zh) | 一种基于离散小波变换的轻量级时间序列预测方法 | |
CN101266796A (zh) | 一种量化编解码方法及装置 | |
CN112686384A (zh) | 一种自适应比特位宽的神经网络量化方法及其装置 | |
CN110135465B (zh) | 模型参数表示空间大小估计方法及装置、推荐方法 | |
CN113743593B (zh) | 神经网络量化方法、系统、存储介质及终端 | |
CN113705114B (zh) | 一种数据预测方法及装置 | |
CN113364535B (zh) | 数学形式多输入多输出检测方法、系统、设备及存储介质 | |
CN114501011A (zh) | 图像压缩方法、图像解压缩方法及装置 | |
CN114333861A (zh) | 音频处理方法、装置、存储介质、设备及产品 | |
Matschkal et al. | Spherical logarithmic quantization | |
Geiger | Information loss in deterministic systems | |
CN101377926B (zh) | 加速量化循环程序功能的音频编码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120829 Termination date: 20141013 |
|
EXPY | Termination of patent right or utility model |