CN1835549A - 解码装置、逆量化方法及其程序 - Google Patents

Abstract

一种解码装置，包括逆量化值生成部分、分布信息获取部分和校正部分。逆量化值生成部分针对各量化系数值生成多个逆量化值。分布信息获取部分获取与各量化系数对应的原数据的分布信息。校正部分基于由分布信息获取部分获取的分布信息，对由逆量化值生成部分生成的逆量化值的至少一部分进行校正。

Description

解码装置、逆量化方法及其程序

技术领域

本发明涉及用于对由编码处理生成的码数据进行解码的解码装置。更具体地，本发明涉及用于对包括量化数据的由编码处理生成的码数据进行逆量化以对该码数据进行解码的解码装置。

背景技术

由于图像、音频等包括巨大的数据量，因此通常通过对其进行压缩来降低数据量，然后存储或发送所压缩的数据。例如，利用诸如JPEG、JPEG2000等的有损编码处理对数据进行压缩，可明显降低多值图像数据(当通过扫描仪将彩色文件或照片转换成电子形式或者当通过数码相机拍摄风景时生成的)的量。

但是，有损耗编码处理造成编码失真，这是个问题。尤其是，JPEG处理具有在解码图像的DCT块边界处出现块失真的问题(编码失真)。

关于这点，首先对有损耗编码处理的编码失真的生成机理进行说明。

图1A和1B是示意性示出了诸如JPEG和JPEG2000的变换编码方法的框图，其中图1A示出了编码处理的要点，而图1B示出了解码处理的要点。

图2A至2C示出了变换编码方法中的量化处理。图1A和1B中所示的变换系数T(c，i，j)和量化系数Q(c，i，j)是变量c，i和j的函数。变量c是表示一种变换系数的参数(index)。例如，在使用8×8块的DCT变换的情况中，变量c是表示64(8×8)的变换系数之一的值(1至64范围内的整数)。在小波变换的情况中，变量c是表示诸如1HH、1LH、1HL、2HH、2LH、2HL、...、NLLL的多个分量之一的值。另外，变换变量i和j分别是表示变换系数位置的变量。例如，在DCT变换的情况中，将位于上起第i行和左起第j列的块内的第c个变换系数表示为T(c，i，j)。在小波变换的情况中，将位于上起第i行和左起第j列的块内的第c个变换系数的数据表示为T(c，i，j)。

如图1A中所示，在变换编码方法的编码处理中，对输入图像G进行诸如离散余弦变换(DCT)或小波变换的变换处理，以生成该输入图像G的变换系数T。之后将该变换系数T量化成量化系数(quantizationindex)Q。对该量化系数Q进行熵编码处理(无损耗编码处理)以作为压缩码F。

在此，量化系数指区分量化值所使用的信息。此外，该量化值指将由特定范围(量化区间)内的一组数值简并成(degenerated)的值。例如，如图2A至2C中所示，这些量化值是分别代表量化区间(A-2～A2)的离散值(在该示例中为-2×D(c)至2×D(c))。

如图1B中所示，对以此方式生成的码数据(压缩码F)进行熵解码成量化系数Q。该量化系数Q等于编码处理中的量化系数Q。

之后，将量化系数Q逆量化成变换系数R(即，逆量化值)。此后，对变换系数R进行逆变换以生成解码图像H。

在此，逆量化值指基于量化系数或量化值生成的并用于对数据进行解码的值。例如，该逆量化值是JPEG或JPEG2000的变换系数(变换系数与量化系数相关)。

在上述处理中，在量化过程中出现编码失真。一般地，原图像的变换系数T的精确度高于量化系数Q的精确度。因此，利用量化系数Q再生的变换系数R可能与原变换系数T不同。这是编码失真的原因。

下面，参照图2A至2C对量化和逆量化进行详细说明。

利用为各变换系数c准备的量化步宽D(c)来执行量化。该量化步宽D(c)是变换系数c的类型的函数。例如，在JPEG的情况中，在量化中根据以下公式来计算量化系数Q。

Q(c，i，j)＝round(T(c，i，j)/D(c))

其中“round()”是输出与输入值最接近的整数的函数。

此外，在逆量化中根据以下公式来计算逆量化值R。

R(c，i，j)＝Q(c，i，j)×D(c)

在JPEG2000的情况中，根据以下公式来计算量化系数Q和逆量化值R。

Q(c，i，j)＝sign(T(c，i，j))×floor(|T(c，i，j)|/D(c)

如果Q(c，i，j)＞0，则R(c，i，j)＝(Q(c，i，j)+r)×D(c)

如果Q(c，i，j)＜0，则R(c，i，j)＝(Q(c，i，j)-r)×D(c)

如果Q(c，i，j)＝0，则R(c，i，j)＝0

其中，“sign()”是输出正号或负号的函数，“floor()”是使小数位无效的函数，而且“||”是表示绝对值的符号。

此外，“r”是0至1范围内的数值，通常r＝0.5。在JPEG2000中，可能存在不对低位进行编码的情况。在此，通过示例的形式对包括最低有效位的所有位进行编码的情况进行说明。另选地，在JPEG2000中，可以在解码过程中从码流中得到在编码过程中未被编码的位数。因此，通过将量化步宽D左移上述位数并将移位后的量化步宽设定为新量化宽度，JPEG2000可以具有与JPEG相同的操作。

如图2A中所示，在JPEG的编码处理中，由针对输入图像G执行的变换处理所生成的变换系数T(量化之前)分布在X轴上，其为一数值直线。

如果量化区间A0中存在变换系数T，则量化系数Q通过量化处理变成0。类似地，如果量化区间Aq中存在变换系数T，则量化系数Q变成q。

之后，当针对量化系数Q执行逆量化时，在量化系数Q为0的情况中，通过逆量化处理生成逆量化值R为0。在量化系数Q为1的情况中，生成逆量化值R为D(c)。

类似地，在JPEG2000方案中，如图2B中所示，如果在量化区间Aq中存在变换系数T，则量化系数Q变成q。之后，当针对量化系数Q执行逆量化时，生成以一对一的方式与量化系数Q对应的逆量化值。

在此，为便于说明，仅考虑量化系数Q变成q的量化区间Aq。

假设在量化区间Aq中存在变换系数T。

如图2C中所示，量化区间Aq具有d1至d2的范围。在此情况下，变换系数T被包含在d1至d2的范围内。此外，假设变换系数T的逆量化值为R。

在此条件下，生成解码图像的变换系数是逆量化值R。但是，原图像的变换系数T具有d1至d2的范围内的任何值并且不是始终等于逆量化值R。此时，在原变换系数T和逆量化值R之间出现差值。该差值是编码失真的原因。

如上所述，有损耗编码处理通过将多个数据值(在各量化区间内存在的原数据值)简并成一个量化值(与各量化区间对应的量化值)实现了有损耗数据压缩，但同时，由于该量化出现编码失真。

为了减小该编码失真，可以选择用于降低编码处理中的压缩效率的参数。

但是，这会引起编码效率下降并且数据量增加的问题。

另外，当先前编码的数据要用作高质量图像时，采用这种降低压缩效率的处理是不可能的。

为此，已经提出各种技术以克服解码处理中的图像失真问题。

从广义分类上，有两类方法，即滤波方法和噪音方法。在滤波方法中，对解码图像进行低通滤波处理，以使编码失真微弱并且不明显。在噪音方法中，将噪音加到解码图像或变换系数，以使编码失真微弱并且不明显。

首先，对采用低通滤波处理的方法(滤波方法)进行说明。

例如，日本特开平5-14735号公报揭示了一种仅在DCT块之间的边界处应用低通滤波器以去除块失真的方法。

该方法利用低通滤波器使编码失真微弱，从而难以辨别该失真。

但是，该方法存在原图像的边缘分量同样变得微弱的问题。

另外，日本特开平5-31636号公报揭示了一种方法，该方法准备多个低通滤波器，确定在图像中是否存在边缘，并基于确定结果选择性地应用滤波器以使边缘不变得微弱。

下面，对添加噪音的方法(噪音方法)进行说明。

例如，日本特开平7-336684号公报揭示了以下一种方法：当确定在区域内失真显著时，将噪音添加给DCT系数以使编码失真微弱。

在该方法中，当确定该区域为平面图像区域时认为编码失真是显著的。

当根据编码图像生成解码图像时(即，执行解码处理)，目标是使解码图像尽可能地接近在对原图像进行编码处理之前的原图像。

鉴于此，根据现有技术的方法不能提供最佳解决方案，因为采用低通滤波器或添加噪音导致的图像微弱不能使解码图像接近原图像。

更具体地，这些方法可能存在如下一些副作用。

(1)在滤波方法中，解码图像的高频带内的信号受到抑制。因此，当在原图像中存在高频分量的结构时，不可能再现这些结构。

(2)在滤波方法中，有可能存在由于错误的边缘确定而导致的边缘钝化。

(3)在噪音方法中，有可能存在由于噪音的添加而出现在原图像中不存在的结构。

发明内容

考虑到上述情况提出了本发明。本发明提供一种用于更有效地对码数据进行解码的解码装置。

根据本发明的一个方面，解码装置包括逆量化值生成部分、分布信息获取部分和校正部分。逆量化值生成部分针对各量化系数值生成多个逆量化值。分布信息获取部分获取与各量化系数对应的原数据的分布信息。校正部分基于由分布信息获取部分获取的分布信息，对由逆量化值生成部分生成的逆量化值的至少一部分进行校正。

根据本发明的另一方面，逆量化方法包括：针对与各量化值(当对原数据进行量化时得到的)对应的各量化系数值生成多个逆量化值；获取与各量化系数值对应的原数据的分布信息；并且，基于所获取的分布信息对所生成的多个逆量化值的至少一部分进行校正。

根据本发明的另一方面，一种计算机可读存储介质，其存储有可由计算机执行的指令程序，以执行包括以下步骤的逆量化功能：针对与各量化值(其是在对原数据进行量化时得到的)对应的各量化系数值生成多个逆量化值；获取与各量化系数对应的原数据的分布信息；并且，基于所获取的分布信息对所生成的多个逆量化值中的至少一部分进行校正。

根据上述解码装置，可以更有效地对码数据进行解码。

附图说明

基于以下附图对本发明的实施例进行详细说明，在附图中：

图1A是示意性示出了诸如JPEG和JPEG2000的变换编码方法的编码处理的框图；

图1B是示意性示出了诸如JPEG和JPEG2000的变换编码方法的解码处理的框图；

图2A示出了变换编码方法中的量化处理；

图2B示出了变换编码方法中的量化处理；

图2C示出了变换编码方法中的量化处理；

图3示出了中心设置有控制器20的解码装置2的硬件配置，该解码装置2采用了根据本发明实施例的解码方法；

图4示出了由图3中所示的控制器20执行的解码程序5的功能性配置，用于实施根据本发明实施例的解码方法；

图5示出了图4中所示的校正部分580的详细情况；

图6A示意性地示出了由期望值移位部分584执行的校正；

图6B示意性地示出了由期望值校正部分586执行的校正；

图7是示出了由图4中所示的解码程序5执行的解码处理(S10)的流程图；

图8A是说明第一虚线近似的图；

图8B是说明第一虚线近似的图；

图8C是说明第一虚线近似的图；

图8D是说明第一虚线近似的图；

图8E是说明第一虚线近似的图；

图9是说明采用拉普拉斯分布的近似的图；以及

图10是说明第二直线近似的图。

具体实施方式

以下，对本发明的实施例进行说明。

在该实施例中，通过示例的方式说明对依据JPEG编码的码数据进行解码的情况。在该实施例中要描述的解码处理大致类似于ITU-T推荐T.81中所述的解码处理。但是，该实施例的解码处理在逆量化处理方面与ITU-T推荐T.81的不同。

[硬件配置]

首先，对根据该实施例的解码装置2的硬件配置进行说明。

图3示出了以控制器20为中心的解码装置2的硬件配置，该解码装置2采用根据本发明的解码方法。

如图3中所示，解码装置2包括：控制器20，具有CPU 202、存储器204等；通信单元22；诸如HDD、CD等的存储单元24；以及用户界面单元(UI单元)26，包括LCD显示器或CRT显示器、键盘、触摸屏等。

解码装置2是通用计算机，其中安装有以下所述的解码程序5。解码装置2通过通信单元22、存储单元24等获取码数据并对所获取的码数据进行解码。

[解码程序]

图4示出了由图3中所示的控制器20执行的解码程序5的功能性配置，用于实现根据本发明实施例的解码方法。

如图4中所示，解码程序5包括熵解码部分40、逆量化部分50和逆变换部分60。

而且，逆量化部分50包括逆量化值估测部分500、分布估测部分520、期望值估测部分540、随机数生成部分560、校正部分580以及逆量化值输出部分590。

在解码程序5中，熵解码部分40对输入的码数据进行熵解码并将解码后的数据输出到逆量化部分50。

该实施例的熵解码部分40对输入的码数据进行解码以生成量化系数Q并将该生成的量化系数Q输出到逆量化部分50。

逆量化部分50基于从熵解码器40输入的量化系数Q生成逆量化值R并将生成的逆量化值R输出到逆变换部分60。

逆变换部分60基于从逆量化部分50输入的逆量化值R来执行逆变换，以生成解码图像。

在逆量化部分50中，逆量化值估测部分500(用作逆量化值估测装置)基于从熵解码部分40输入的量化系数Q，对逆量化值进行估测，并将所估测的逆量化值输出到校正部分580。也就是，该逆量化值估测部分500并不总是针对一个量化系数值生成单一逆量化值，而是能够针对一个量化系数值生成多个不同的逆量化值。换句话说，尽管逆量化值估测部分500针对各量化系数生成一个逆量化值，但即使当输入的量化系数具有相同值时，逆量化值估测部分500也不一定会生成相同的逆量化值。

该实施例的逆量化值估测部分500基于给定块的量化系数和与该给定块相邻的另一块的量化系数(限于具有与变换系数相同类型c的量化系数)，计算与该给定块的量化系数对应的逆量化值R的校正因子α，并将所计算的校正因子α输出到校正单元580。

另外，在以下说明中，用αycq来表示与各变换系数类型c和各量化系数q对应的校正因子α。而且，假设分别具有变换系数类型c和量化系数q的信号的数量为k，并且将各校正因子表示为αycq(k)(其中k＝1、2、...、K)。

分布估测部分520(用作分布信息生成装置)基于从熵解码部分40输入的多个量化系数(或者与多个量化系数对应的逆量化值)来估测(原数据的)变换系数的分布，并然后将代表所估测的变换系数分布的分布数据输出到期望值估测部分540和随机数生成部分560。

该示例中的分布估测部分520针对各变换系数类型c计算量化系数的频率分布，并随后基于该计算的频率分布生成各变换系数类型c的分布数据。

期望值估测部分540(用作分布信息生成装置或分布信息获取装置)基于从分布估测部分520输入的分布数据计算逆量化值的期望值，并随后将所计算的期望值和分布数据输出到校正部分580。

更具体地，期望值估测部分540基于针对各变换系数类型c生成的分布数据，计算各量化区间的期望值(即，各量化系数值的期望值)。

当变换系数类型为c并且量化系数Q(c，i，j)等于q时，则用E(αTcq)表示期望值。也就是，期望值E(αTcq)表示以一对一方式对应于量化系数的逆量化值R与对应于量化系数的原变换系数T之间的差的所估测的期望值。

随机数生成部分560根据从分布估测部分520输入的分布数据生成随机数，并将所生成的随机数输出到逆量化值输出部分590。

校正部分580(用作校正装置)基于从期望值估测部分540输入的分布数据或期望值，对从逆量化值估测部分500输入的逆量化值(该示例中的逆量化值的校正因子α)进行校正。

此外，校正部分580将从逆量化值估测部分500输入的逆量化值(该示例中的逆量化值的校正因子α)校正到预定范围内(例如，在逆量化值的情况中，与量化系数对应的量化区间)，并随后将所校正的逆量化值(校正因子α)输出到逆量化值输出部分590。

该示例中的校正部分580基于从期望值估测部分540输入的期望值，对从逆量化值估测部分500输入的校正因子α进行校正，使得分布估测部分520计算的量化系数的频率分布变得与由逆量化值估测部分500针对各变换系数类型c和各量化区间计算的逆量化值的频率分布大致相同，并随后再次对校正后的校正因子α进行线性校正，以落入JPEG中的-0.5至0.5的范围内。

例如，通过从与相同量化系数对应的多个校正因子α中间选出最大值αmax和最小值αmin并随后对所有校正因子α进行线性变换以使所选的最大值αmax和最小值αmin落入预定范围(JPEG中的-0.5至0.5的范围)内，来实现由校正部分580执行的线性校正。

另外，如果校正因子α在-0.5至0.5的范围之外，则校正部分580可以取校正因子α作为该范围的边界值(即，-0.5和0.5中更接近α的一个)。此外，如果校正因子α在-0.5至0.5的范围之外，则校正部分580可以取校正因子α为0。

另外，JPEG2000与JPEG的不同之处仅在于校正因子α的范围。也就是说，在JPEG2000中，校正部分580分别根据以下范围来对校正因子α进行校正：如果Q(c，i，j)＞0，则0 r+α≤1；如果Q(c，i，j)＜0，则-1 -r+α≤0；如果Q(c，i，j)＝0，则-1 α≤1。

逆量化值输出部分590利用从校正部分580输入的逆量化值(该示例中的逆量化值的校正因子α)或者从随机数生成部分560输入的随机数，来确定要采用的逆量化值，之后将所确定的逆量化值输出到逆变换部分60。

该示例中的逆量化值输出部分590基于从校正部分580或随机数生成部分560输入的校正因子α和量化系数(或与该量化系数相关联的逆量化值)来计算逆量化值。更具体地，逆量化值输出部分590利用以下公式来计算要采用的逆量化值Ry(c，i，i)。

Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)

[校正部分]

图5示出了校正部分580(图4)的详细情况。

如图5中所示，校正部分580包括分布信息指定部分582、期望值移位部分584和期望值校正部分586。

在校正部分580中，分布信息指定部分582针对各变换系数类型和各量化系数值计算从逆量化值估测部分500输入的逆量化值(该示例中的校正因子α)的平均值、最小值和最大值，并随后将所计算的均值、最小值和最大值以及所输入的逆量化值一起输出到期望值移位部分584。

以下，分别用αycqMean、αycqMin和αycqMax表示由分布信息指定部分582所计算的均值、最小值和最大值。针对变换系数类型c和量化系数q的各个组合计算这些值，并且针对变换系数类型c和量化系数q的各个组合还执行以下要说明的期望值移位部分584和期望值校正部分586的处理。

期望值移位部分584利用从分布信息指定部分582输入的校正因子的校正因子αycq(k)和平均值αycqMean以及从期望值估测部分540(图4)输入的所估测的期望值E(αycq)，来执行以下计算，以计算移位校正后的校正因子αxcq1(k)。

αxcq1(k)＝αycq(k)+E(αTcq)-αycqMean

针对k(＝1、2、...、K)执行上述处理。

另外，期望值移位部分584还以类似的方式对最大值和最小值进行移位。

也就是，期望值移位部分584通过执行以下计算来对移位校正后的最小值αycqMin1和最大值αycqMax1进行计算。

αycqMin1＝αxcqMin+E(αTcq)-αycqMean

αycqMax1＝αxcqMax+E(αTcq)-αycqMean

期望值校正部分586执行范围校正，使得移位校正后的所有校正因子αxcq1(k)都落在-0.5α≤0.5的范围内。在此，范围校正指使一组数值落入特定范围内的校正。

具体地，期望值校正部分586在不改变校正因子αxcq1的平均值的情况下使移位校正后的校正因子αxcq1的范围为特定范围(αmin～αmax)。

该示例中的期望值校正部分586根据以下处理实现范围校正。

(1)当αycqMax1≤αMax并且αmin≤αycqMin1时，αxcq2(k)＝αxcq1(k)

(2)否则，执行以下处理。

V1＝(E(αTcq)-αmin)/(E(αTcq)-αycqMin1)

V2＝(αmax-E(αTcq))/(αycqMax1-E(αTcq))

当V1 V2时，V＝V1

否则，V＝V2

αycq2(k)＝V(αxcq1(k)-E(αTcq))+E(αTcq)

根据上述范围校正，期望值校正部分586获得范围校正后的校正因子αxcq2(k)。

图6A和6B示意性示出了由期望值移位部分584和期望值校正部分586执行的校正。

如图6A中所示，期望值移位部分584对逆量化值的分布进行移位(如图的(a3)中所示)，以使变换系数T的所估测的期望值(如图的(a1)中所示)等于逆量化值的期望值(如图的(a2)中所示)。

另外，如图6B中所示，如果逆量化值(该示例中的校正因子α)的分布偏离量化区间d1至d2(该示例中α的范围αmin～αmax)(如图的(b1)中所示)，则期望值校正部分586以不改变期望值的方式使逆量化值的分布朝着逆量化值的期望值减小(如图的(b2)中所示)。

另外，尽管在该示例中，期望值移位部分584和期望值校正部分586以独立的方式执行校正处理，但校正处理也可以综合到一个校正处理中。

以下是移位校正和范围校正组合的一个示例。

(1)αycqMin1＝αxcqMin+E(αTcq)-αycqMean

αycqMax1＝αxcqMax+E(αTcq)-αycqMean

当αycqMax1≤αmax并且αmin≤αycqMin1时，αycq(k)＝αycq1(k)

(2)否则，执行以下处理。

V1＝(E(αTcq)-αmin)/(αxcqMean-αycqMin)

V2＝(αmax-E(αTcq))/(αycqMax-αxcqMean)

当V1 V2时，V＝V1

否则，V＝V2

αxcq(k)＝V(αxcq1(k)-αycqMean)+E(αTcq)

另外，可以省略上述处理(1)。

此外，执行该计算，使αycqMean的输入为E(αTcq)并且αycqMin或αycqMax的输入为αmin或αmax。

[全部操作]

接下来，对解码装置2(解码程序5)的全部操作进行说明。

图7是图4中所示的解码程序5所执行的解码处理(S10)的流程图。在该示例中，通过示例的方式对输入图像数据的(JPEG的)码数据的情况进行说明。

如图7中所示，在步骤S100中，熵解码部分40(图4)将输入的码数据进行解码，以生成各块(8×8块)的量化系数并将所生成的各块的量化系数输出到逆量化部分50。

在步骤S105中，逆量化部分50(图4)将输入的量化系数依次设定为给定的量化系数，并确定是否能够估测出各给定的量化系数的逆量化值。例如，如果给定的量化系数等于所有相邻的量化系数(相邻块的量化系数)，则逆量化部分50确定不可能估测出逆量化值。否则的话，逆量化部分50确定有可能估测出该逆量化值。否则，逆量化部分50确定有可能估测出逆量化值。

如果逆量化部分50确定有可能估测出该逆量化值，则解码程序5进行到步骤S105。如果逆量化部分50确定不可能估测出该逆量化值，则解码程序5进行到步骤S115。

在步骤S110中，逆量化值估测部分500(图4)在给定量化系数Q(c，i，j)的相邻位置内提取多个量化系数Q(c，i+m，j+n)(在该示例中-1 m 1并且-1 n 1)，并基于所提取的相邻量化系数Q(c，i+m，j+n)以及给定量化系数Q(c，i，j)，计算与给定量化系数Q(c，i，j)对应的校正因子αycq。所提取的相邻量化系数是给定块周围的3×3块内具有变换系数类型c的量化系数并且由3×3矩阵表示。

更具体地，逆量化值估测部分500通过利用所提取的相邻量化系数Q(c，i+m，j+n)和给定量化系数Q(c，i，j)执行以下计算来生成差分矩阵P。

P(m，n)＝Q(c，i+m，j+n)-Q(c，i，j)

接下来，逆量化值估测部分500对差分矩阵P内包括的各差分值的绝对值|P(m，n)|与阈值TH进行比较，并随后将大于阈值TH的差分值P(m，n)设为0(阈值处理)。

接下来，逆量化值估测部分500通过执行差分矩阵P(对其已经执行了阈值处理)的卷积运算，采用3×3滤波器核心K(m，n)计算校正因子αycq。因此，尽管给定量化系数的值是相同的，但如果相邻量化系数不同，则所计算的校正因子αycq也具有不同的值。

在步骤S115中，分布估测部分520基于从熵解码部分40输入的多个量化系数来估测变换系数的分布，并随后将代表该估测分布的分布数据输出到随机数生成部分560。

随机数生成部分560根据从分布估测部分520输入的分布数据生成随机数，并随后将所生成的随机数输出到逆量化值输出部分590作为校正因子α。

在步骤S120中，逆量化部分50确定是否为所有量化系数生成校正因子α。如果逆量化部分50确定为所有量化系数生成校正因子α，则处理进行到步骤S125。否则的话，处理返回到步骤105，在步骤105取下一个量化系数作为要处理的给定量化系数。

在步骤S125中，分布估测部分520基于从熵解码部分40输入的所有量化系数，估测各变换系数类型c的变换系数的分布，并随后将代表该估测分布的分布数据输出到期望值估测部分540。

在步骤S130中，期望值估测部分540基于从分布估测部分520输入的分布数据，计算变换系数类型c和量化系数的各个组合的期望值E(αTcq)，并随后将所计算的期望值E(αTcq)输出到校正部分580。

在步骤S135中，校正部分580的分布信息指定部分582(图5)对由逆量化值估测部分500针对各变换系数类型和各量化系数所计算的校正系数αycq进行分类，计算所分类的校正系数αycq的最小值、最大值和平均值，并将所计算的最小值、最大值和平均值输出到期望值移位部分584。

在步骤S140中，期望值移位部分584(图5)针对变换系数类型和量化系数的各个组合，对从期望值估测部分540输入的期望值E(αTcq)与从分布信息指定部分582输入的平均值进行比较，并对一组校正系数αycq(根据变换系数类型和量化系数的组合进行分类)进行移位，使期望值E(αTcq)变成等于平均值。

在步骤S145中，期望值校正部分586(图5)确定该组校正系数αycq(期望值移位部分584已经对其进行移位校正)是否落在-0.5至0.5的范围内。如果期望值校正部分586确定该组校正系数αycq没有落在该范围内，则期望值移位部分584执行范围校正，从而在不改变该组校正系数αycq的平均值的情况下使该组校正系数αycq的范围落在-0.5至0.5的范围内。

在步骤S150中，逆量化值输出部分590(图4)基于给定的量化系数Q和从期望值校正部分586输入的校正因子αycq(或者，从随机数生成部分560输入的校正因子α)，计算要采用的逆量化值Ry，并随后将所计算的逆量化值Ry输出到逆变换部分60。

具体地，该示例中的逆量化值输出部分590根据以下计算公式来计算逆量化值Ry。

Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)

在步骤S155中，逆变换部分60(图4)利用从逆量化部分50输入的逆量化值(近似变换系数)来执行逆变换(该示例中的逆DCT变换)，以生成解码图像H。

[分布估测处理]

接下来，对参照图7已经说明的分布估测处理(步骤S125)进行更详细的描述。

以下，依次对分布估测部分520执行的分布估测处理(步骤S125)进行说明。

首先，分布估测部分520获取各变换系数类型c的量化系数Q(c，i，j)的直方图hc(q)。

下面，分布估测部分520对变换系数类型c的变换系数的分布进行估测。

也就是，分布估测部分520基于量化系数Q(c，i，j)的直方图hc(q)，对变换系数T(c，i，j)的概率密度函数进行估测。

通过线性近似和拉普拉斯分布近似实现变换系数T(c，i，j)的概率密度函数的估测。

具体地，在线性近似中，如果变换系数T的值落在d1至d2的范围内并且量化系数为q，则概率密度函数由点d1、d0和d2之间相连的线(折线)近似表示，其中d0是d1和d2之间的中点，如图8A中所示。在此，如上所述，T可表示如下：

T(c，i，j)＝R(c，i，j)+α×D(c)(αmin≤α≤αmax)

以下，以示例的方式对通过由连接点αmin、αmid和αmax(其中将αmid定义为(αmid+αmax)/2)之间的线(折线)近似表示概率密度函数的估测进行说明。

另外，当量化系数值q具有AC分量并且接近0时，由于难以实现线性近似，因此采用拉普拉斯分布近似。在此，假设具有正整数的阈值为TH1，分布估测部分520执行以下依据|q|值划分的近似处理。

当|q|＞TH1时，执行第一线性近似。

当|q|＝TH1时，执行第二线性近似。

当|q|＜TH1时，执行拉普拉斯近似。

首先，对第一线性近似进行说明。

首先，如图8B中所示，考虑以下函数fk(α)。

fk(α)＝hc(q)，αmin≤α≤αmax

于是将该单值函数近似为一折线。

下面，采用相邻直方图hc(q-1)和hc(q+1)来估测fk(αmin)和fk(αmax)的值。例如，估测fk(αmax)的值。确定图8C中所示的点A的位置。

在hc(q)和hc(q+1)之间设置fk(αmax)的值是合理的。例如，fk(αmax)＝(hc(q)+hc(q+1))/2。

在该示例中，采用以hc(q)∶hc(q+1)的比例对hc(q)和hc(q+1)之间的区间进行内分的点作为点A的位置。

优选地，上述方法是因为当hc(q)小于hc(q+1)或hc(q)的值接近零时点A的值可变得充分小。

此时，可得到fk(αmax)如下：

fk(αmax)＝2×hc(q)×hc(q+1)/(hc(q)+hc(q+1))

类似地，可得到fk(αmin)如下：

fk(αmin)＝2×hc(q)×hc(q-1)/(hc(q)+hc(q-1))

下面，估测fk(αmid)的值。在此，将相邻直方图的形状划分成两种(分别显示在图8D和8E中)。

如图8D中所示，当fk(αmid)的值随着量化系数值q单调递增或递减时，

fk(αmid)＝hc(q)

另外，如图8E中所示，当fk(αmid)的值不随着量化系数值q单调递增或递减时，优选地：

当hc(q)具有最大值(峰值)时，fk(αmid)＞hc(q)并且

当hc(q)具有最小值(谷值)时，fk(αmid)＜hc(q)。

之后，将fk(αmin)和hc(q)之差与fk(αmax)和hc(q)之差的平均值加到hc(q)。即，

fk(αmid)＝hc(q)+(hc(q)-fk(αmin)+hc(q)-fk(αmax))/2＝2×hc(q)-(fk(αmin)+fk(αmax))/2

另选地，在不将量化系数值q划分成单调递增和递减的情况下，可以始终假设：

fk(αmid)＝2×hc(q)-(fk(αmin)+fk(αmax))/2

如上所述，可以实现图8A中所示的折线近似。

另外，期望值估测部分540基于该折线近似来计算期望值E(αTcq)。更具体地，期望值估测部分540利用以下公式来计算期望值E(αTcq)。

$E\left(\mathrm{\αTcq}\right)=\left\{{\∫}_{\mathrm{\α}\min }^{\mathrm{\α}\max }\mathrm{xfk}\left(x\right)\mathrm{d\α}\right\}/\left\{{\∫}_{\mathrm{\α}\min }^{\mathrm{\α}\max }\mathrm{fk}\left(x\right)\mathrm{dx}\right\}---\left(1\right)$

下面，对拉普拉斯分布近似进行说明。

拉普拉斯分布公式可表示如下。

$L\left(x\right)=\frac{1}{\sqrt{2}\mathrm{\σ}}\exp \left(\frac{-\sqrt{2}\left|x\right|}{\mathrm{\σ}}\right)---\left(2\right)$

为了估测拉普拉斯分布的形状，对上述公式中的σ进行估测。

首先，分布估测部分520根据以下公式，从直方图hc(q)中计算概率密度函数fhc(x)。

$\mathrm{fhc}\left(x\right)=\frac{\mathrm{hc}\left(q\right)}{D\left(c\right)\×\underset{q}{\mathrm{\Σ}}\mathrm{hc}\left(q\right)}---\left(3\right)$

在上述公式中，(q-0.5)×D(c)＜x  (q+0.5)×D(c)，其中q是正数。

如图9中所示，可以使利用拉普拉斯分布的近似公式L(x)与概率密度函数fhc(x)之差尽可能小的σ。

作为估测“使差值尽可能小”的函数，定义以下误差函数Err(σ)。

$\mathrm{Err}\left(\mathrm{\σ}\right)=\underset{q}{\mathrm{\Σ}}\left|{\∫}_{(q-0.5)\×D\left(c\right)}^{(q+0.5)\×D\left(c\right)}\right\{L\left(x\right)-\mathrm{fhc}\left(x\right)\left\}\mathrm{dx}\right|---\left(4\right)$

误差函数Err(σ)是使针对量化系数q得到的概率密度函数的区间差的绝对值相加的函数。可以认为，Err(σ)的值越小，则fhc(x)和L(x)彼此越近似。

分布估测部分520通过数值计算得到使Err(σ)最小化的σ。

另选地，分布估测部分520可通过简单计算各变换系数类型c的Q(c，i，j)的标准偏差来得到σ。

下面，将对当|q|＜TH1时的拉普拉斯近似进行说明。

如果TH1＝2，则当图9中所示的分布中q＝0、1和-1时形成拉普拉斯近似。

即使在该情况中，期望值估测部分540采用上述公式计算期望值E(αTcq)。在此，根据以下公式从拉普拉斯分布(而非折线)中导出函数fk()。

$\mathrm{fk}\left(x\right)=L((x+q)\×D\left(c\right))=\frac{1}{\sqrt{2}\mathrm{\σ}}\exp \left(\frac{-\sqrt{2}|(x+q)\×D\left(c\right)|}{\mathrm{\σ}}\right)---\left(5\right)$

此外，例如，如果TH1＝1，则当q＝0时形成拉普拉斯近似。由于在q＝0的范围内的拉普拉斯分布是两边对称的，因此可假设E(αTcq)＝0。

下面，对第二线性近似进行说明。

该第二线性近似是|q|＝TH1时的线性近似。

当q＝TH1时，由于与第一线性近似不同，左边(q＝TH1-1的情况)近似于拉普拉斯分布，因此希望考虑到fk(αmin)的值满足分布的连续性。

图10示出了第二线性近似。

图10示出了阈值TH1＝1的情况。因此，当q＝0时形成拉普拉斯近似。此外，当q＝2时形成第一线性近似。此时，可以通过使概率密度函数的近似曲线通过点A(图10中所示)来使概率密度函数连续。

因此，以下公式可成立。

$\mathrm{fk}\left(\mathrm{\α}\min \right)=L((\mathrm{\α}\min +q)\×D\left(c\right))=\frac{1}{\sqrt{2}\mathrm{\σ}}\exp \left(\frac{-\sqrt{2}|(\mathrm{\α}\min +q)\×D\left(c\right)|}{\mathrm{\σ}}\right)---\left(6\right)$

以与第一线性近似相同的方式来计算fk(αmax)和fk(αmid)。另外，利用三个数值(fk(αmin)、fk(αmax)和fk(αmid))，可通过与第一线性近似相同的方式来计算期望值E(αTcq)。

当q＝-TH1时，由于右边(q＝TH1-1的情况)近似于拉普拉斯分布，因此希望考虑到fk(αmax)的值满足分布的连续性。类似地，由于必须通过使概率密度函数的近似曲线经过点B(图10中所示)来使概率密度函数连续，因此以下公式可成立。

$\mathrm{fk}\left(\mathrm{\α}\max \right)=L((\mathrm{\α}\max +q)\×D\left(c\right))=\frac{1}{\sqrt{2}\mathrm{\σ}}\exp \left(\frac{-\sqrt{2}|(\mathrm{\α}\max +q)\×D\left(c\right)|}{\mathrm{\σ}}\right)---\left(7\right)$

以与第一线性近似相同的方式计算fk(αmin)和fk(αmid)。另外，利用三个数值(fk(αmin)、fk(αmax)和fk(αmid))，可通过与第一线性近似相同的方式来计算期望值E(αTcq)。

如上所述，当针对单一量化系数生成多个不同的逆量化值时，根据该实施例的解码装置2基于量化系数的分布对这多个不同的逆量化值进行校正。

具体地，通过基于量化系数的分布来估测变换系数T的分布，并且通过对所计算的逆量化值进行校正，以使变换系数T的估测分布变得与计算的逆量化值的分布相同，解码装置2可获得具有更高再现性的解码数据。

[第一变型例]

尽管已经针对上述实施例中的各量化系数q和各变换系数类型c对期望值进行了估测、移位和校正，但本发明并不限于此。例如，可使用对所有量化系数q共有的α的期望值。

在第一变型例中，将说明期望值对所有量化系数q相同的情况进行说明。但是，当共同使用这样的期望值时，仅当q＝0时将α的期望值设定为0。另外，仅将该情况应用到AC分量。

利用AC分量分布的对称性来生成所有量化系数值q相同的单一期望值。具体地，该单一期望值的生成利用了以下事实：如果在量化系数值q为正值时校正因子α的期望值为E(α)，则当量化系数值q为负值时，可将校正因子α的期望值近似为-E(α)。

首先，解码程序5如下变换αy：

当Q(c，i，j)＜0时，αy＝-αy

在此，假设具有变换系数类型c和量化系数q的信号的数量是p(c，q)，则利用该信号数量p(c，q)确定权重平均值(weight average)，以计算对所有量化系数q共有的期望值E(αTc)。

也就是，为了解决q＜0的情况，期望值估测部分540首先变换E(αTcq)如下：

当q＜0时，E(αTcq)＝-E(αTcq)

下面，期望值估测部分540根据以下公式来计算期望值E(αTc)。

$E\left(\mathrm{\αTc}\right)=\frac{\underset{q=0}{\mathrm{\Σ}}P(c,q)\×E\left(\mathrm{\αTcq}\right)}{\underset{q=0}{\mathrm{\Σ}}P(c,q)}---\left(8\right)$

接下来，通过与上述实施例相同的计算得到αx。

最后，逆量化值输出部分590根据以下计算获得逆量化值Rx(c，i，j)。

当Q(c，i，j)0时，Rx(c，i，j)＝R(c，i，j)+α×D(c)

当Q(c，i，j)＞0时，Rx(c，i，j)＝R(c，i，j)-α×D(c)

另外，当采用该变型例时，需要分布信息指定部分582(图5)来计算各变换系数类型c的平均值αycMean、最小值αycMin和最大值αycMax。

[第二变型例]

此外，可以使用对所有变换系数类型c共有的α的期望值。

在该第二变型例中，对使用所有变换系数类型c共有的α的期望值的情况进行说明。

假设具有变换系数类型c和量化系数q的信号的数量为p(c，q)，则利用该信号数量p(c，q)来确定权重平均值，以计算所有变换系数类型c共有的期望值E(αTq)。

也就是，期望值估测部分540根据以下公式计算E(αTq)。

$E\left(\mathrm{\αTq}\right)=\frac{\underset{c}{\mathrm{\Σ}}p(c,q)\×E\left(\mathrm{\αTcq}\right)}{\underset{c}{\mathrm{\Σ}}p(c,q)}---\left(9\right)$

此外，通过与上述实施例相同的计算得到逆量化值。

而且，在该变型例中，需要分布信息指定部分582(图5)来计算各量化系数q的平均值αyqMean、最小值αyqMin和最大值αyqMax。

[第三变型例]

另外，可以使用对所有量化系数q和所有变换系数类型c共有的α的期望值。

在该第三变型例中，将说明使用对所有量化系数q和所有变换系数类型c相同的期望值的情况。但是，当共用这种的期望值时，仅在q＝0时将α的期望值设定为0。而且，仅将该情况应用到AC分量。

利用AC分量分布的对称性来生成所有量化系数值q共有的单一期望值。具体地，该单一期望值的生成利用了以下事实：如果当量化系数值q为正值时校正因子α的期望值为E(α)，则当量化系数值q为负值时，可将校正因子α的期望值近似为-E(α)。

首先，解码程序5变换αy如下：

当Q(c，i，j)＜0时，αy＝-αy

在此，假设具有变换系数类型c和量化系数q的信号的数量为p(c，q)，利用该信号数量p(c，q)确定权重平均值，以计算对所有变换系数类型c和所有量化系数q共有的期望值E(αT)。

也就是，为了解决q＜0的情况，期望值估测部分540首先变换E(αT)如下：

当q＜0时，E(αT)＝-E(αT)

下面，期望值估测部分540根据以下公式计算期望值E(αTc)。

$E\left(\mathrm{\αT}\right)=\frac{\underset{c}{\mathrm{\Σ}}\underset{q=0}{\mathrm{\Σ}}p(c,q)\×E\left(\mathrm{\αTcq}\right)}{\underset{c}{\mathrm{\Σ}}\underset{q=0}{\mathrm{\Σ}}p(c,q)}---\left(10\right)$

另外，通过与上述实施例相同的计算得到αx。

最后，逆量化值输出部分590根据以下计算获得逆量化值Rx(c，i，j)。

当Q(c，i，j)0时，Rx(c，i，j)＝R(c，i，j)+α×D(c)

当Q(c，i，j)＞0时，Rx(c，i，j)＝R(c，i，j)-α×D(c)

另外，在该变型例中，需要分布信息指定部分582来计算所有αy的均值αyMean、最小值αyMin和最大值αyMax。

[其他变型例]

在上述实施例中，校正值α的期望值(而非变换系数T的期望值)已变得相同。但是，也可能变换系数T的期望值变得相同。变换系数T与校正因子α之间的关系由以下公式表示。

T(c，i，j)＝R(c，i，j)+α×D(c)

如从以上公式所看到的，由于变换系数T与校正因子α两者之间具有线性关系，因此与校正因子α相关联所描述的所有部分都可以利用上述公式由变换系数T的描述代替。

另外，尽管已经通过JPEG的示例对上述实施例进行了说明，但也可以应用到JPEG2000。

在JPEG2000中，αy、αx和αT的范围如下。

当Q(c，i，j)0时，-0.5 αy、αx和αT≤0.5

当Q(c，i，j)＝0时，-1 αy、αx和αT≤1

设定αmin和αmax满足以上范围。

此外，尽管在上述实施例中已经对变换系数的期望值进行了估测，但也可以在编码处理中对这些期望值进行测量并将这些期望值插入到码数据中。

在该情况中，期望值估测部分540将插入到码数据中的期望值按原样输出到校正部分580。

另外，尽管在上述实施例中已经参照相邻量化系数值(即，通过滤波处理)为一个量化系数值计算了多个逆量化值，但本发明并不限于此。例如，可通过生成随机数为一个量化系数值生成多个逆量化值。

Claims (16)

1.一种解码装置，包括：

逆量化值生成部分，其针对各量化系数值生成多个逆量化值；

分布信息获取部分，其获取与各量化系数对应的原数据的分布信息；以及

校正部分，其基于由所述分布信息获取部分获取的所述分布信息，对由所述逆量化值生成部分生成的所述逆量化值的至少一部分进行校正。

2.根据权利要求1所述的解码装置，其中：

所述分布信息获取部分获取与各量化系数对应的所述原数据的概率密度函数的期望值，作为所述分布数据；并且

所述校正部分基于由所述分布信息获取部分获取的所述期望值以及由所述逆量化值生成部分生成的所述逆量化值的平均值来确定校正量。

3.根据权利要求1或2所述的解码装置，其中：

各量化系数与由变换编码处理生成的变换系数的一个分量相关联；

所述分布信息获取部分获取所述变换系数的各分量的所述分布信息；以及

所述校正部分基于针对所述变换系数的各分量获取的所述分布信息中其变换系数的分量与各量化系数的分量相同的分布信息，对从各量化系数生成的逆量化值进行校正。

4.根据权利要求2所述的解码装置，其中：

所述分布信息获取部分在与各量化系数对应的量化区间内获取所述原数据的所述概率密度函数的期望值，作为所述分布数据；并且

所述校正部分基于(a)由所述分布信息获取部分获取的各量化区间内的所述原数据的所述期望值，以及(b)由所述逆量化值生成部分为各量化系数生成的所述逆量化值的平均值，来确定各量化系数的所述校正量。

5.根据权利要求3所述的解码装置，其中：

所述分布信息获取部分计算以下两项的乘积的总和：(a)与所述各个量化系数对应的量化区间内的原数据的概率密度函数的期望值，和(b)与所述变换系数的各分量的量化系数数量对应的权重因子；并且

所述校正部分对所生成的逆量化值进行校正，以使由所述逆量化值生成部分为各量化系数生成的所述逆量化值的平均值变得与由所述分布信息获取部分计算的总和大致相同。

6.根据权利要求1所述的解码装置，其中所述校正部分还根据与各量化系数对应的量化区间，对从各量化系数生成的所述逆量化值的至少一部分进行校正。

7.根据权利要求6所述的解码装置，其中所述校正部分对从各量化系数生成的所述逆量化值的至少所述部分进行校正，从而在不改变从各量化系数生成的所述逆量化值的平均值的情况下，使已经基于所述分布信息进行校正的所述逆量化值落入与各量化系数对应的所述量化区间内。

8.根据权利要求1所述的解码装置，进一步包括：

生成所述量化系数的分布信息的分布信息生成部分，其中：

所述分布信息获取部分获取由所述分布信息生成部分生成的所述量化系数的所述分布信息，作为所述原数据的所述分布信息。

9.根据权利要求8所述的解码装置，其中：

所述分布信息生成部分对所述量化系数值的频率分布应用折线近似，以生成所述量化系数的概率密度函数；并且

所述分布信息获取部分获取由所述分布信息生成部分生成的所述概率密度函数，作为所述原数据的概率密度函数。

10.根据权利要求9所述的解码装置，其中所述分布信息生成部分根据所述量化系数值的频率分布中的相邻量化系数值之间的相邻量化系数值的频率比，来执行所述折线近似，使折线经过一内分点。

11.根据权利要求9所述的解码装置，其中：

当所述量化系数值的频率分布中的三个连续量化系数值的中间量化系数值的频率大于另外两个量化系数值的频率时，所述分布信息生成部分执行所述折线近似，以使所述中间量化系数值的频率增大到比所述中间量化系数值的实际频率大；并且

当所述三个连续量化系数值的中间量化系数值的频率小于另外两个量化系数值的频率时，所述分布信息生成部分执行所述折线近似，以使所述中间量化系数值的频率减小到比所述中间量化系数值的实际频率小。

12.根据权利要求9所述的解码装置，其中当所述量化系数值的频率分布中的三个连续量化系数值分别由h(q-1)、h(q)和h(q+1)表示时，所述分布信息生成部分利用以下公式来计算中间量化系数值的折线近似值h’(q)：

$h^{\′}\left(q\right)=h\left(q\right)\×\frac{h\left(q\right)}{\{\frac{1}{(h\left(q\right)+h(q-1))}+\frac{1}{(h\left(q\right)+h(q+1))}\}}.$

13.根据权利要求9所述的解码装置，其中：

当所述量化系数值处于第一范围内时，所述分布信息生成部分对所述量化系数值的频率分布应用所述折线近似，以生成所述量化系数的所述概率密度函数；并且

当所述量化系数值处于第二范围内时，所述分布信息生成部分基于拉普拉斯分布近似表示所述量化系数值的频率分布，以生成所述量化系数的所述概率密度函数。

14.根据权利要求1所述的解码装置，其中所述逆量化值生成部分基于给定量化系数值和位于与所述给定量化系数相关的预定位置处的逆量化系数值，来计算所述给定量化系数的逆量化值。

15.一种逆量化方法，包括：

针对与当对原数据进行量化时获得的各量化值对应的各量化系数值，生成多个逆量化值；

获取与各量化系数对应的所述原数据的分布信息；以及

基于所获得的分布信息对所述多个所生成的逆量化值的至少一部分进行校正。

16.一种计算机可读存储介质，所述存储介质存储有计算机可执行的指令程序，以执行包括以下步骤的逆量化功能：

针对与当对原数据进行量化时获得的各量化值对应的各量化系数值来生成多个逆量化值；

获取与各量化系数对应的所述原数据的分布信息；并且

基于所获得的分布信息对所述多个所生成的逆量化值的至少一部分进行校正。

Images