CN1838723A - 解码装置,分布估计方法,解码方法及其程序 - Google Patents

Abstract

解码装置，分布估计方法，解码方法及其程序。一种分布估计方法，该估计方法估计多个分量的每一个分量的信号的分布，包括：在估计目标分量的分布中，用关于其他分量的函数拟合表明其它分量的信号的分布的分布数据；并且使用基于该拟合处理的该函数计算目标分量的分布数据。

Description

解码装置，分布估计方法，解码方法及其程序

技术领域

本发明涉及对通过编码处理生成的编码数据进行解码的解码装置。更具体地，本发明涉及通过进行反向量化对通过数据量化的编码处理生成的编码数据进行解码的解码装置。

背景技术

例如，JP-A-2004-80741公开了一种方法，该方法通过根据量化索引的频率分布假定原始图像的转换系数的概率密度函数来估计由压缩编码引起的图像质量的劣化。

而且，ITU-T建议T.81公开了JPEG标准。

还有，ITU-T建议T.800公开了JPEG2000标准。

发明内容

本发明提供一种分布估计装置，该装置在量化之前更适当地估计原始数据的分布。

根据本发明的一个方面，提供了一种为多个分量的每一个估计信号分布的分布估计方法，包括，在估计作为处理目的的目标分量的分布中，用关于其他分量的函数来拟合(approximate)表明其它分量的信号分布的分布数据，并且使用该基于所述拟合处理的函数来计算所述目标分量的分布数据。

根据本发明的另一方面，提供了一种解码方法，包括，在估计作为处理目的的目标分量的分布中，用关于其他分量的函数拟合表明其它分量的信号分布的分布数据，并且使用该基于拟合处理的函数计算目标分量的分布数据，使用计算出的分布数据计算目标分量的反向量化值，并且使用计算出的反向量化值生成经解码的数据。

根据本发明的另一方面，提供了一种解码装置，包括：第一分布生成单元，其基于量化索引的频率分布，在对任何分量量化之前生成表明数据分布的分布数据；第二分布生成单元，其基于所述第一分布生成单元生成的分布数据生成其它分量的分布数据；和反向量化值生成单元，其基于由所述第一分布生成单元生成的分布数据或由所述第二分布生成单元生成的分布数据生成对应于量化索引的反向量化值。

根据本发明的另一个方面，提供了一种计算机可读存储介质，该存储介质存储指令程序，该程序可由计算机执行以执行估计多个分量中的每一个的信号分布的功能，该功能包括以下步骤：在估计作为处理目的的目标分量的分布中，使用关于其他分量的函数拟合表明其它分量的信号分布的分布数据，并且使用该基于拟合处理的函数计算所述目标分量的分布数据。

本发明的分布估计装置可以更适当地在量化以前估计原始数据的分布。

附图说明

将基于以下附图详细描述本发明的实施例，其中：

图1A到1C是说明根据转换编码方法的量化处理的示图；

图2A和2B是示意性地说明分布估计处理的示图；

图3A和3B是示例σ值分布的示图；

图4是根据本发明第一实施例的分布估计处理的流程图；

图5是本发明的变型例的分布估计处理的流程图；

图6是示例使用了本发明的分布估计方法的解码程序5的功能配置的示图；

图7是更具体地说明了分布估计部分520(图6)的示图；

图8是说明非零转换系数分布估计部分524进行的分布估计处理的示图；

图9是示出了解码程序5(图6)的解码处理的流程图；

图10是示出了分布估计装置2和解码装置3的硬件配置的示图。

具体实施方式

首先，为了帮助理解本发明，下面将介绍本发明的背景和概要。

对于图像数据、声音数据、和运动图片数据等，因为数据量巨大，所以一般通过将其压缩而减小数据量以保存或传输该图像数据。例如，诸如用图像扫描仪将彩色原图(color manuscript)或照片电子化所得到的图像数据、或用数码相机拍摄场景的照片所得的图像数据之类的多值图像数据可由诸如JPEG方法和JPEG2000方法之类的不可逆编码方法压缩成更小的数据量。

JPEG方法和JPEG2000方法的内容已经分别在ITU-T建议T.81和ITU-T建议T.800中详细描述。

这里有个问题，就是当执行不可逆编码处理时，发生了编码失真。在不可逆编码处理中，输入的图像信号被一次线性转换，经转换的信号被量化从而高效率地压缩图像。

例如，经转换的信号的分布例如为拉普拉斯(Laplace)分布或高斯(Gauss)分布。

如图1A到1C所示，量化包括将信号划分为多个区间，并且将索引q给予区间q中的信号。该索引q以下称为量化索引。如图1A所示的量化区间(用于量化的区间)对应于JPEG方法，如图1B所示的量化区间(用于量化的区间)对应于JPEG2000方法。

解码器输入以上述方法量化的索引并且通过进行反向量化来恢复转换信号(转换系数T)。在这个时候，如图1C所示，原始数据的转换系数T在d1到d2的范围内分布，但是因为所恢复的转换系数信号R(反向量化值)和原始图像的系数信号T是不同的，所以将发生图像的失真。

在本发明中，应注意“根据量化索引的频率分布估计原始数据(在这个示例中的原始图像的转换系数)的概率密度函数”。

针对适当地估计概率密度函数的技术，构思了下面的两种应用。

(1)减少数据压缩失真的技术

(2)估计数据压缩失真的技术

首先，下面将描述这两种应用。

(减少图像压缩失真的技术)

为了减少例如JPEG方法或JPEG2000方法的图像编码发生的编码失真，可以在编码时选择减小压缩效率的参数。但是，在这种情况下，存在着编码效率较低、数据量增加的问题。

此外，如果要增加已经被编码的数据的图像质量，则不能采用该减小压缩效率的方法。

因此，需要其他技术在解码时解决图像失真。例如，通过使反向量化转换系数的分布更拟合于原始图像转换系数的分布来解决经解码的图像的失真的其他技术。例如，根据量化索引的频率分布估计原始图像的转换系数的概率密度函数，并且根据所估计出的概率密度函数的分布生成随机数。

(估计图像压缩失真的技术)

此外，在JP-A-2004-80741中公开了通过根据量化索引的频率分布估计原始图像的转换系数的概率密度函数来估计由于压缩编码导致的图像质量劣化的技术。

通过这种技术，根据量化索引的频率分布估计原始图像的转换信号的概率密度函数f(x)。

假设量化索引q的反向量化值是R(q)。还假设量化索引为q的转换信号的范围是Min(q)到Max(q)。

此时，量化索引为q的信号必定分布在从Min(q)到Max(q)的范围内，但因为图像压缩而具有R(q)的值。因此，在JP-A-2004-80741中，根据下面的表达式(公式1)估计出具有量化索引q的信号的失真S(q)。

【公式1】

$S\left(q\right)={\∫}_{\mathrm{Min}\left(q\right)}^{\mathrm{Max}\left(q\right)}{(x-R\left(q\right))}^2\mathrm{dx}$ (表达式1)

此外，通过针对所有的索引q增加S(q)来计算总的失真，实践中，有多个转换系数(例如，在JPEG方法中有64个转换系数)，通过针对这些转换系数增加失真来估计整个图像的失真。

在上述的方式中估计概率密度函数的技术是可用的。因此，适当地估计概率密度函数是重要的。

接下来，将考察估计概率密度函数的技术。

(准备)

首先，假设量化索引的频率分布是h(q)。也就是说，假设值为q的量化索引的数量是h(q)。此外，假设q的最小值是qmin，最大值是qmax。

此外，假设H(q)是经规一化的直方图。在本文中，规一化意味着H(q)的总和等于1。也就是说，规一化直方图由下面的表达式(公式2)定义。

【公式2】

$H\left(q\right)=\frac{h\left(q\right)}{\underset{q=q\min }{\overset{q\max }{\mathrm{\Σ}}}h\left(q\right)}$ (表达式2)

此外，假设量化索引q的反量化值是R(q)，并且量化步长(也就是如图1A到1C所示的每个量化区间的宽度)是D。

(第一种估计方法)

首先，下面将介绍JP-A-2004-80741中公开的第一种估计方法。

在JP-A-2004-80741中，认为量化索引的反向量化值的方差(variance)和原始连续信号的方差几乎是相同的，从而估计出σ。以如下的方式计算反向量化值的方差。

首先，根据表达式3(公式3)计算出R(q)的平均值μ。

【公式3】

$\mathrm{\μ}=\underset{q=q\min }{\overset{q\max }{\mathrm{\Σ}}}R\left(q\right)H\left(q\right)$ (表达式3)

接下来，使用平均值μ，根据表达式4(公式4)计算出R(q)的方差σ²。

【公式4】

${\mathrm{\σ}}^2=\underset{q=q\min }{\overset{q\max }{\mathrm{\Σ}}}{(R\left(q\right)-\mathrm{\μ})}^{2}H\left(q\right)$ (表达式4)

利用JP-A-2004-80741公开的估计方法，通过上面的公式获得的标准偏差为σ的拉普拉斯(Laplace)分布是估计出的转换系数的分布。

利用上述的第一种估计方法，当所有的R(q)值为0时，就是说，量化步长大(或者信号尺寸小)时，并且所有的量化索引为0时，不能得到方差(或估计出的值为0)。

因此，下面的第二种估计方法包括按频率的顺序二维地排列转换系数的标准偏差，并且获得估计值为0的转换系数的标准偏差。

(第二种估计方法)

下面将描述第二种估计方法。

首先，假设非零转换系数是这样的转换系数，其中没有转换系数的量化索引是0。还假设零转换系数是这样的转换系数，其中转换系数的所有量化索引都是0。

图2A和2B是示意性地说明了第二种估计方法的示图。

对于第二种估计方法，给出了利用JPEG方法解码处理的具体示例。如图2A所示，用JPEG方法，转换系数被排列成两维的8×8矩阵。假设标准偏差σ从离散余弦变换(DCT)的分量(1，1)到分量(8，8)两维地排列。因此，标准偏差σ被排列在两维平面上。也就是说，分量(x，y)的σ值由σ(x，y)表示。

σ(1，1)是直流(DC)分量的σ值，并且σ(8，8)是表示最高频率范围内的交流(AC)分量的转换系数的σ值。其中，没有对直流分量σ进行估计。

如图2B所示，利用该第二种估计方法，σ(x，y)被认为是xy平面上的函数。使用已经获得的σ确定该函数，并且估计其他σ。其中，如图2B所示，该函数由两维指数函数拟合。也就是说，

【公式5】

σ(x，y)＝Cexp(-ax-by)                  (表达式5)

在公式5中，C，a和b是表明σ(x，y)的拟合函数的形状(shape)的参数。在获得这些参数后，使用公式5计算未获得的σ。

其中，已经获得的σ(x，y)为σ(x(u)，y(u))。其中，u＝1，2…，U，并且(x(u)，y(u))是已经获得的σ的坐标。

此外，因为所有的量化索引都是0，没有获得的σ为σ(x(v)，y(v))。v＝1，2…，V，并且U+V＝63。

首先，利用σ(x(u)，y(u))(u＝1，2…U)确定C、a和b。

作为准备，对公式5的两边取对数。

logσ(x，y)＝1ogC-ax-by

将σ(x(u)，y(u))带入该表达式，即

log(x(u)，y(u))＝logC-ax(u)-by(u)

这里，u＝1，2，…U。实际上，上述表达是表达式(公式6)所示的矩阵操作。

【公式6】

$\left(\begin{array}{ccc}-x\left(1\right)& -y\left(1\right)& 1\\ -x\left(2\right)& -y\left(2\right)& 1\\ \·\·\·& \·\·\·& \·\·\·\\ -x\left(U\right)& -y\left(U\right)& 1\end{array}\right)\left(\begin{array}{c}a\\ b\\ \log C\end{array}\right)=\left(\begin{array}{c}\log \mathrm{\σ}(x\left(1\right),y\left(1\right))\\ \log \mathrm{\σ}(x\left(2\right),y\left(2\right))\\ \·\·\·\\ \log \mathrm{\σ}(x\left(U\right),y\left(U\right))\end{array}\right)$ (表达式6)

可以利用最小二乘法求解该表达式(公式6)，得到a、b和C。

然后，使用获得的a、b和C

σ(x(v)，y(v))＝Cexp(-ax(v)-by(v))

来估计出未获得的σ。

如此，通过该第二种估计方法，基于所获得的σ值计算a、b和C，并且利用计算出的a、b和C计算未获得的σ值。

(该估计方法的第一个问题)

当利用公式6获得了a、b和C时，在公式6中的矩阵M的秩(rank)

【公式7】

$M=\left(\begin{array}{ccc}-x\left(1\right)& -y\left(1\right)& 1\\ -x\left(2\right)& -y\left(2\right)& 1\\ \·\·\·& \·\·\·& \·\·\·\\ -x\left(U\right)& -y\left(U\right)& 1\end{array}\right)$ (表达式7)

需要大于或等于3。也就是说，如果秩小于3，不能够解出上述的公式。

(该估计方法的第二个问题)

标准偏差的实际分布与公式5所示的指数分布不匹配，因此不能进行精确的估计。

例如，图3A的图示出了沿两维频率轴的标准偏差值，这些标准偏差值是通过测量实际图像的每个DCT系数的标准偏差值获得的。每个条形图的长度对应着标准偏差值。沿着xy轴的小值表示低频系数。

图3B的图示出了基于公式5的参数(这些参数被确定为与图3A的σ值最为匹配)的标准偏差值的估计结果。

如图3A和3B所示，可以发现在低频部分误差尤其较大。

因此，根据上述的问题，本实施例的分布估计装置2基于已经估计出标准偏差的系数值估计未被估计出标准偏差的系数值的标准偏差，其中，可以

(1)即使矩阵M的秩小于3也可进行估计，和

(2)可执行精确的估计。

【示例】

下面将更具体地描述本实施例的分布估计装置2。接下来，(x，y)分量的标准偏差被表示为σ(x，y)。

在这个实施例中，没有将低频分量的σ(1，2)和σ(2，1)带入公式6中以计算公式6。

然而，由于这种方式可能减小矩阵M的秩，因此，可以根据秩的大小在公式5中带入σ(1，2)和σ(2，1)以估计参数。

图4是本实施例的流程图。

在图4中，“σ(x，y)→x”意思是σ(x，y)不包括在公式6的计算中。此外，“σ(x，y)→0”意思是σ(x，y)包括在公式6的计算中。除非特别指出，σ(x，y)一般包括在公式6的计算中。

此外，“max{A，B}→x”的意思是A或B较大的不包括在公式6的计算中。此外“max{A、B}→0”的意思是A或B较大的包括在公式6的计算中。类似地，“min{A，B}→x”的意思是A或B较小的不包括在公式6的计算中。此外“min{A、B}→0”的意思是A或B较小的包括在公式6的计算中。

此外，“σ曲面估计”表明公式6的计算。

如图4所示，分布估计装置2首先将σ(1，2)和σ(2，1)排除在考虑之外(S100)。

如果秩小于3(S102：否)，则分布估计装置2在公式6中仅仅恢复σ(1，2)和σ(2，1)之一(S104)。σ(1，2)和σ(2，1)的哪一个被恢复是任选的，但是在本示例中首先恢复较大的值。

另一方面，如果秩大于等于3(S102：是)，分布估计装置2进行到步骤S116的处理。

如果较大的σ被恢复并且秩仍小于3(S106：否)，则分布估计装置2排除较大σ的值并且恢复较小σ的值(S108)。

另一方面，如果由于恢复了较大σ的值(S106：是)，秩大于或等于3，则分布估计装置2进行到步骤S116的处理。

如果仅仅恢复较小的σ值时秩仍小于3(S110：否)，则分布估计装置2恢复两个σ值(S112)。

另一方面，如果由于单独恢复了较小的σ值，秩大于或等于3(S110，是)，则分布估计装置2进行到步骤S116的处理。

如果在恢复了两个σ值(S114：否)后，秩仍然小于3，则分布估计装置2进行分情况处理(S118)，这将在后面描述。每种情况对应于状态1(其中σ(1，2)和σ(2，1)之外的任何其它系数都是0)或状态2(其中非0的系数单独存在于一行或一列)。

另一方面，如果由于恢复两个σ值，秩大于或等于3(S114：是)，则分布估计装置2进行到步骤S116的处理。

在步骤S116，分布估计装置2利用公式6计算参数a，b和C。

(分情况处理)

下面将描述分情况处理(S118)。

(1)σ(1，2)≠0和σ(2，1)≠0，其它σ(i，j)＝0(情况1)

分布估计装置2预置公式5中的参数a和b的缺省值(本示例确定缺省值a’)，并且假设对称，来确定C的值，其中，使用乘以α(α小于或等于1)的σ(1，2)和σ(2，1)的值。也就是说，分布估计装置2通过将公式5改变为下面的公式来计算C。

Cexp(-3a′)＝α(σ(1，2)+σ(2，1))/2

还有，分布估计装置2通过下面的表达使用以上述方式计算出的C来计算σ值。

σ(u，v)＝Cexp(-a′u-a′v)

(2)只有σ(1，2)和σ(2，1)之一为非0，所有其它σ(i，j)都是0

分布估计装置2利用预置的系数a和b确定C的值，其中使用了乘以α(α小于或等于1)的σ(1，2)和σ(2，1)的值。

分布估计装置2一维地确定C的值，并且也确定其它行和列的系数对称。也就是说，分布估计装置2利用Cexp(-3a′)＝ασ(1，2)或Cexp(-3a′)＝ασ(2，1)获得C的值。

分布估计装置2使用σ(u，v)＝Cexp(-a′u-a′v)最终获得其它转换系数(零转换系数)的标准偏差。

(3)非零系数单独存在于一行或一列

当除了σ(1，2)和σ(2，1)外有两个或多个非零系数时，分布估计装置2在“σ(1，2)→x”和“σ(2，1)→x”的情况下一维地确定C的值以及a或b的值。分布估计装置2也确定其它行或列的系数是对称的。也就是说，分布估计装置2当a被确定时设定b＝a或当b被确定时设定a＝b。

例如，假设非零行是i，如果σ(i，x1)，σ(i，x2)，…，σ(i，xn)是非零的，分布估计装置2通过解下面的表达式(公式8)获得参数a和C。

【公式8】

$\left(\begin{array}{cc}-i-x_1& 1\\ -i-x_2& 1\\ \·\·\·& \·\·\·\\ -i-x_n& 1\end{array}\right)\left(\begin{array}{c}a\\ \log C\end{array}\right)=\left(\begin{array}{c}\log \mathrm{\σ}(i,x_1)\\ \log \mathrm{\σ}(i,x_2)\\ \·\·\·\\ \log \mathrm{\σ}(i,x_n)\end{array}\right)$ (表达式8)

尽管在上面的情况中是行中出现了非零系数，但是非零系数也可能出现在列中。分布估计装置2通过下面的表达式最终获得其它转换系数(零转换系数)的标准偏差。

σ(u，v)＝Cexp(-au-av)

(4)其它情况

分布估计装置2以为0的零转换系数结束该处理。

在这种方式中，即使矩阵M的秩小于3，本实施例的分布估计装置2也可以估计对应于零转换系数的σ值(即，在量化之前的原始数据的分布)。

此外，该分布估计装置2可以更精确地估计该σ值(即，在量化之前的原始数据的分布)。

【变型例1】

下面将描述本实施例的变型例。

尽管在上述的实施例中表达式(公式6)的计算中没有包括两个系数值σ(1，2)和σ(2，1)，然而不包括在该计算中的系数值不限于此。

因此，如图2A和2B所示，在第一变型例中的分布估计装置2将一组系数(x，y)中属于预置组G的系数从等式(公式6)的计算中排除。在这种情况下，如果即使所有属于该组G的系数都被排除之后秩仍大于或等于3，则可直接操作。此外，如果秩小于3，则像上述的实施例一样，将系数一个接一个在表达式(公式6)的计算中恢复，从而秩可以大于或等于3。

例如，可以将所述组G定义为G＝{(x，y)|(1，2)(2，1)(2，2)(1，3)(3，1)(3，2)(2，3)}。

图5是第一变型例的流程图。

在流程图5中，通过一个步骤表示“在计算中包括组G的i个系数”的处理，但是从组G中取出i个系数的操作可能是重复的以覆盖所有的情况。此外，如图5所示的在S118处的处理基本与如图4所示的S118处的处理相同。

如图5所示，分布估计装置2不考虑属于组G的σ值(S200)。

如果秩小于3(S202：否)，分布估计装置2设定i＝1(S204)，并且在表达式(公式6)中恢复属于组G的σ值中的i个σ值(S206)。该示例的分布估计装置2根据规定的优先权顺序选择i个属于组G的σ值并且恢复所选择的σ值，但是针对所有的情况，从组G中取出i个系数的操作可能是重复进行的。

另一方面，如果秩大于或等于3(S202：是)，则分布估计装置2进行到步骤S214的处理。

如果在恢复i个σ值之后秩仍小于3(S208：否)，则分布估计装置2将i值加1(S210)。

另一方面，如果秩因恢复了i个σ值而大于或等于3(S208：是)，则分布估计装置2进行到步骤S214的处理。

如果i值超出属于组G的σ值的数量，则分布估计装置2进行到步骤S118的处理，如果未超出，则返回到S206的处理。

在S214，分布估计装置2使用表达式(公式6)计算参数a、b和C。

关于上述算术操作的校正，下面给出了其数值。

计算(这个变型例中的结果平均误差)/(估计中包括了σ(1，2)和σ(2，1)情况下的平均误差)。比率是0.849。

可以发现性能增加了大约15％。

【变型例2】

尽管在上述的实施例中，计算中不包括部分σ(x，y)，但第二变型例通过乘以特定因数，在部分σ(x，y)被完全包括在计算中和被完全不包括在计算中之间提供中间的特性。换句话说，这个变型例的分布估计装置2通过将部分σ(x，y)乘以权重因数α以减小部分σ(x，y)对分布估计的贡献比率。

例如，准备了系数α(0＜α＜1)，并且分布估计装置2用系数α乘以σ(1，2)和σ(2，1)，并且使用被乘以了系数α的σ(1，2)和σ(2，1)计算参数a、b和C和它们的σ值。也就是说

σ’(1，2)＝α×σ(1，2)

σ’(2，1)＝α×σ(2，1)

分布估计装置2使用σ’(1，2)和σ’(2，1)代替σ(1，2)和σ(2，1)来创建矩阵M，并且获得其它0系数的σ。

此处，在上述的实施例中，因为假定指数分布，理想的是σ估计函数关于x和y单调递减。因此这个变型例的分布估计装置2检验是否：

σ’(1，2)＞σ(1，3)

σ’(1，2)＞σ(2，2)

σ’(1，2)＞σ(2，3)

σ’(2，1)＞σ(3，1)

σ’(2，1)＞σ(2，2)

σ’(2，1)＞σ(3，2)

并且调整系数α的值从而被乘以系数α的σ值(σ’)和其它σ值单调递减。

也就是说，如果上述的表达式不成立，则分布估计装置2执行未乘α的算术操作。

【第二实施例】

下面将描述其中将第一实施例描述的分布估计方法应用到解码处理的第二实施例。

在这个实施例中，对由JPEG方法编码的编码数据进行解码的具体示例将在下面给出。

【解码程序】

图6是示例应用了本发明的分布估计方法的解码程序5的功能配置的示图。

如图6所示，解码程序5具有熵解码器40、反向量化部分50和反向转换部分60。

此外，反向量化部分50包括反向量化值估计部分500、分布估计部分520、期望值估计部分540、随机数生成器560、校正部分580和反向量化值输出部分590。

在解码程序5中，熵解码器40熵解码输入的编码数据并且将解码数据输出到反向量化部分50。

本示例的熵解码器40解码输入的编码数据以生成量化索引Q，并且将生成的量化索引输出到反向量化部分50。

反向量化部分50根据从熵解码器40输入的量化索引生成反向量化值，并且将生成的反向量化值输出到反向转换部分60。

反向转换部分60基于从反向量化部分50输入的反向量化值执行反向转换处理，并且生成解码图像。

在反向量化部分50中，反向量化值估计部分500基于从熵解码器40输入的量化索引估计反向量化值，并且将估计出的反向量化值输出到校正部分580。也就是说，反向量化值估计部分500并不总是为一个量化索引值生成单一的反向量化值，而是可以为一个量化索引值生成多个不同的反向量化值。换句话说，反向量化值估计部分500为每个量化索引生成一个反向量化值，但是即使输入的量化索引值是相同的，也不是必须生成相同的反向量化值。

这个示例的反向量化值估计部分500基于目标块的量化索引和目标块周围的块的量化索引(具有相同的转换系数类c)计算对应于目标块的量化块的反向量化值R的校正系数α，并且将计算出的校正系数α输出到校正部分580。

在下面的说明中，对应于每个转换系数类c和每个量化索引q的校正系数α被表示为αycq。此外，具有转换系数类c和每个量化索引q的信号的数量是K。并且将每个校正系数表示为αycq(k)(其中k＝1，2，…，K)。

基于从多个熵解码器40输入的多个量化索引(或它们的相关的量化值)，分布估计部分520估计转换系数(原始数据)的分布，并且将表明估计出的转换系数的分布的分布数据输出到期望值估计部分540和随机数生成器560。

这个示例的分布估计部分520计算每个转换系数类c的量化索引值的频率分布，并且基于计算出的频率分布，为每个转换系数类c生分成分布数据。

基于从分布估计部分520输入的分布数据，期望值估计部分540计算量化值的期望值，并且将计算出的期望值和分布数据输出到校正部分580。

更具体地，基于为每个转换系数类c生成的分布数据，期望值估计部分540计算每个量化区间中的原始数据的概率密度函数的期望值。

在转换系数类是c并且量化索引Q(c，i，j)＝q的情况下将期望值表示为E(αTcq)。也就是说，期望值E(αTcq)是与量化索引一一对应的量化值R和对应于该量化索引的原始转换系数T之间的差异的估计期望值。

随机数生成器560根据从分布估计部分520输入的分布数据生成随机数，并且将生成的随机数输出到反向量化值输出部分590。

校正部分580根据从期望值估计部分540输入的期望值或分布数据，校正从反向量化值估计部分500输入的反向量化值(这个示例中的反向量化值的校正系数α)。

此外，校正部分580校正将反向量化值估计部分500输入的反向量化值(这个示例中的反向量化值的校正系数α)校正到落入规定的范围(例如，在反向量化值的情况下对应于量化索引的量化区间)内，并且将经校正的反向量化值(校正系数α)输出到反向量化值输出部分590。

这个示例的校正部分580基于从期望值估计部分540输入的期望值，校正从反向量化值估计部分500输入的校正系数α，从而由分布估计部分520计算出的量化索引的频率分布和由反向量化值估计部分500计算出的反向量化值的频率分布对于每个转换系数类c在每个量化区间几乎相一致，并且根据JPEG方法线性地校正经校正的校正系数α以使其落入从-0.5到0.5的范围。

例如，校正部分580通过从对应于相同的量化索引的校正系数中选择最大值αmax和最小值αmin来执行线性校正，并且整体地线性转换校正系数α，从而所述的最大值αmax和最小值αmin可以落入规定的范围(根据JPEG从-0.5到0.5)内。

如果校正系数α超出了从-0.5到0.5的范围，则校正部分580可以设定校正系数α为该范围的边界值。除此之外，如果校正系数α超出了从-0.5到0.5的范围，则校正部分580将α设定为0。

此外，JPEG2000方法仅仅在校正系数α的范围方面不同于JPEG方法。也就是说，对于JPEG2000方法，校正部分580将校正系数α校正在如下范围：如果Q(c，i，j)＞0则0≤r+α≤1，如果Q(c，i，j)＜0则-1≤-r+α≤0的范围，如果Q(c，i，j)＝0则-1≤α≤1。

反向量化值输出部分590使用从校正部分580输入的反向量化值(在这个示例中的反向量化部分580的校正系数α)和从随机数生成器560输入的随机数确定要使用的反向量化值，并且将所确定的反向量化值输出到反向转换部分60。

基于从校正部分580或随机数生成器560输入的校正系数α，这个示例的反向量化值输出部分590计算反向量化值和量化索引(它的相关的反向量化值)。更具体地，反向量化值输出部分590根据如下表达式计算要使用的反向量化值Ry(c，i，j)。

Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)

也就是说，这个示例的解码程序5没用使用由随机数生成器560生成的随机数作为反向量化值本身，而是使用由随机数生成器560生成的随机数作为反向量化值的校正系数α。

【分布估计部分】

图7是更具体地说明分布估计部分520(图6)的示图。

如图7所示，分布估计部分520包括零确定部分522、非零转换系数分布估计部分524和零转换系数分布估计部分526。该非零转换系数分布估计部分524具有根据第一实施例的分布估计装置2的功能。

在分布估计部分520中，零确定部分522根据对应于量化索引的原始数据的属性(例如，转换系数类)对从熵解码器40输入的量化索引进行分类，并且确定是否仅仅通过分类成各个属性的量化索引组就能估计原始数据的频率分布(换句话说，是否需要使用与分类成其它属性的量化索引组的相关性来估计该频率分布)。

这个示例的零确定部分522确定从熵解码器40输入的量化索引对应于零转换系数还是非零转换系数，并且将所确定的对应于非零转换系数的量化索引输出到非零转换系数分布估计部分524，或指示零转换系数分布估计部分526使用非零转换系数的分布对所确定的对应于零转换系数的量化索引进行分布估计处理。

此处，非零转换系数意味着这样的转换系数：其中转换系数类c的任一个量化索引都不是0。此外，零转换系数意味着这样的转换系数：其中所有的转换系数类c的量化索引都是0。换句话说，不是零转换系数的转换系数就是非零转换系数。

所述非零转换系数分布估计部分524基于从零确定部分522输入的量化索引估计原始数据(这个示例的转换系数)的频率分布。

更具体地，非零转换系数分布估计部分524生成具有相同属性的量化索引组(在这个示例中对应于相同转换系数c的多个量化索引)的频率分布，并且基于生成的量化索引的频率分布生成量化索引的概率密度函数。该概率密度函数拟合于转换系数的概率密度函数。

这个示例的非零转换系数分布估计部分524生成从零确定部分522输入的每个转换系数类c的量化索引Q(c，i，j)的直方图hc(q)(对应于非零转换系数)。

这个示例的非零转换系数分布估计部分524用Laplace分布拟合生成的直方图hc(q)，并且提供Laplace函数，作为转换系数T的分布函数。

Laplace分布被表示如下。

【公式9】

$L\left(x\right)=\frac{1}{\sqrt{2}\mathrm{\σ}}\exp \left(\frac{-\sqrt{2}\left|x\right|}{\mathrm{\σ}}\right)$ (表达式9)

非零转换系数分布估计部分524通过计算上述的表达式中σ获得转换系数T的分布函数。

首先，非零转换系数分布估计部分524用量化区间的宽度D(c)和量化索引的总数将生成的直方图hc(q)规一化为概率密度函数fhc(x)。更具体地，非零转换系数分布估计部分524根据下面的表达式将直方图hc(q)转换为概率密度函数fhc(x)。

【公式10】

$\mathrm{fhc}\left(x\right)=\frac{\mathrm{hc}\left(q\right)}{D\left(c\right)\×\underset{q}{\mathrm{\Σ}}\mathrm{hc}\left(q\right)}$ (表达式10)

其中，(q-0.5)×D(c)＜x≤(q+0.5)×D(c)

非零转换系数分布估计部分524计算拟合直方图hc(q)的Laplace函数。

图8是示出了直方图h和分布函数L(Laplace函数)的示图。

如图8所示，非零转换系数分布估计部分524可以获得σ以使得Laplace函数L(x)和直方图fhc(x)之间的差值(在本示例中为面积差)尽可能小。

作为评价“尽可能小的偏差”的函数，定义了下面的误差函数Err(σ)。

【公式11】

$\mathrm{Err}\left(\mathrm{\σ}\right)=\underset{q}{\mathrm{\Σ}}\left|{\∫}_{(q-0.5)\×D\left(c\right)}^{(q+0.5)\×D\left(c\right)}\right\{L\left(x\right)-\mathrm{fhc}\left(x\right)\left\}\mathrm{dx}\right|$ (表达式11)

通过针对每个量化索引q增加与获得的概率密度函数的面积差的绝对值来获得这个误差函数Err。Err(σ)的值越小，直方图fhc(x)和Laplace函数L(x)越相似。非零转换系数分布估计部分524可以通过执行数值计算获得σ以使误差函数Err(σ)最小。

根据来自零确定部分522的指令，零转换系数分布估计部分526基于由非零转换系数分布估计部分524估计的其它转换系数(非零转换系数)的频率分布，估计零转换系数的频率分布。

也就是说，仅仅在直方图具有有意义的形状时非零转换系数分布估计部分524才可以估计该分布，但是如果在所生成的直方图中所有的频率值都是0，则不能估计该分布的形状。

因此，零转换系数分布估计部分526通过下面的方法，使用已经获得的其它分布数据(在这个示例的σ值)，估计在转换系数类c的所有量化索引都是0的情况下的Laplace分布的形状。

在这个示例中，因为以JPEG方法的解码处理作为具体示例描述，所以将转换系数类安排为8×8的两维矩阵。

其中，如图2A所示，将σ值与DCT系数的分量(1，1)到分量(8，8)相关，并且被两维地排列。也就是说，将对应于分量(x，y)的转换系数的σ值表示为σ(x，y)。

例如，σ(1，1)是DC分量的σ值，并且σ(8，8)是表示高频范围内AC分量的转换系数的σ值。然而，这个示例的非零转换系数分布估计部分524和零转换系数分布估计部分526不能用Laplace分布拟合对应于DC分量的σ值，并且不能用于估计σ值。

在这个示例中，将σ(x，y)认为是在xy平面的函数。零转换系数分布估计部分526使用已经获得的σ值(即，由非零转换系数分布估计部分524计算的σ值)确定这个函数σ(x，y)，并且估计对应于零转换系数的σ值。

具体地，零转换系数分布估计部分526指定函数σ(x，y)并且通过使用如第一实施例或它的变型例中描述的分布估计方法计算对应于零转换系数的σ值。

【整体操作】

下面将介绍解码装置3(解码程序5)的整体操作。

图9是示出了解码程序5(图4)的解码处理(S30)的流程图。在这个示例中，输入了图像数据的(用JPEG方法编码的)编码数据的具体示例将在下面描述。

如图9所示，在步骤300(S300)，熵解码器40(图6)对输入的编码数据进行解码以生成每个块(8×8块)的量化索引，并且将生成的每个块的量化索引输出到反向量化部分50。

在步骤305(S305)，分布估计部分520基于从熵解码器40输入的多个量化索引估计每个转换系数类的转换系数T的分布。

具体地，如果从熵解码器40输入了对应于一页图像的量化索引，则设置在分布估计部分520中的零确定部分522(图7)根据转换系数类c对输入的量化索引进行分类，并且确定经分类的量化索引组对应于零转换系数还是对应于非零转换系数。

非零转换系数分布估计部分524(图7)生成了对应于非零转换系数的每个量化索引组的量化索引值的直方图hc(q)(即，每个转换系数类c的直方图)，并且计算拟合这个直方图hc(q)的Laplace函数L(即σ值)。

此外，零转换系数分布估计部分526(图7)使用非零转换系数估计部分524通过如图4或5所示的估计处理(S10或S20)计算出的频率分布估计零转换系数的频率分布(即σ值)。

在步骤310(S310)，反向量化部分50(图6)按顺序将输入量化索引设定到目标量化索引。

反向量化值估计部分500(图6)提取目标量化索引Q(c，i，j)周围的量化索引Q(c，i+m，j+n)(这个示例中-1≤m≤1，-1≤n≤1)。提取出的周围量化索引具有对应于在目标块周围的3×3块中的相同转换系数类c的量化索引值，并且构成了3×3矩阵。

在步骤315(S315)，反向量化值估计部分500使用提取出的周围量化索引和目标量化索引执行下面的算术操作以生成一个差值矩阵P。

P(m，n)＝Q(c，i+m，j+n)-Q(c，i，j)

也就是说，反向量化值估计部分500计算目标量化索引值和周围量化索引值之间的差值。

反向量化值估计部分500将差值矩阵P中包括各个差值的绝对值|P(m，n)|与阈值TH(例如是1)进行比较，并且使差值P(m，n)大于为0的阈值TH(阈值处理)。也就是说，反向量化值估计部分500去除作为不相关信号的周围量化索引值，该周围量化索引值与目标量化索引的差值大于阈值。

在步骤320(S320)，反向量化部分50(图6)确定是否可估计目标量化索引的反向量化值。

具体地，如果差值矩阵P的所有分量与阈值处理后的目标量化索引的差值是0(例如，如果所有的周围量化索引(周围分量的量化索引)值是一致的，或所有周围量化索引作为不相关信号被去除)，反向量化部分50确定不能估计反向量化值，否则，确定可以估计反向量化值。

如果确定可估计反向量化值(在这个示例中，估计校正系数α)，反向量化部分50进行到S325的处理，否则如果确定不能进行估计，则进行到S330的处理。

在步骤325(S325)，反向量化值估计部分500使用3×3过滤器内核K(m，n)，对阈值处理后的差值矩阵P进行卷积处理，并且计算校正系数αycq。因此，如果目标量化索引值相同但在其周围存在的周围量化索引不同，则计算出的校正系数αycq彼此不同。

这里使用的过滤器具有低通特性。

在步骤330(S330)，随机数生成器560根据从分布估计部分520输入的分布数据为目标量化索引生成随机数，并且将生成的随机数作为校正系数α输出到反向量化值输出部分590。

具体地，随机数生成器560从由非零转换系数分布估计部分524和零转换系数分布估计部分526估计的分布之中选择对应于目标量化索引的分布，根据所选择的分布生成随机数，并且将该随机数作为校正系数α输到反向量化值输出部分590。

在步骤335(S335)，反向量化部分50确定是否为所有的量化索引生成了校正系数α，如果已为所有的量化索引生成了校正系数α，则进程进行到S340的处理，否则，返回到在S310的处理以处理作为目标量化索引的下一个量化索引。

在步骤340(S340)，期望值估计部分540基于从分布估计部分520输入的分布数据为转换系数类和量化索引的各个组合计算概率密度函数的期望值E(αTcq)，并且将计算出的期望值E(αTcq)输出到校正部分580。

在步骤345(S345)，校正部分580根据该转换系数类和量化索引对由反向量化值估计部分500计算出的校正系数α进行分类，并且计算经分类的校正系数α的最小值、最大值和平均值。

校正部分580比较从期望值估计部分540输入的期望值E(αTcq)和计算出的转换系数类和量化索引各个组合的平均值，并且根据转换系数类和量化索引的组合改变经分类的校正系数组αTcq，以便它们可以一致(改变校正)。

而且，校正部分580确定经过改变校正的校正系数α组是否落入了从-0.5到0.5的范围。如果不是，则在不改变校正系数组αycq的平均值的情况下进行将校正系数组αycq的范围校正到从-0.5到0.5的范围内的范围校正。

在步骤350(S350)，反向量化值输出部分590(图6)基于从校正部分580输入的目标量化索引q和校正系数α或从随机数生成器560输入的校正系数α，计算要使用的反向量化值Ry，并且将计算出的反向量化值Ry输出到反向转换部分60。

具体地，这个示例的反向量化值输出部分590通过使用下面的算术操作计算反向量化值Ry，

Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)

在步骤355(S355)，反向转换部分60(图6)使用从反向量化部分50输入的反向量化值(拟合转换系数)执行反向转换处理(在这个示例中的反DCT转换)，以通过执行反向转换处理(在这个示例中的反DCT转换)生成解码图像H。

如上所述，这个实施例的解码装置3基于量化索引估计转换系数的分布，根据所估计出的分布生成随机数，并且基于随机数生成反向量化值。

此外，这个实施例的解码装置3校正反向量化值从而基于量化索引估计的转换系数的分布(期望值)和所使用的反向量化值的频率分布几乎是一致的。

因此，经解码图像被期望可再生得更好。

【硬件配置】

下面将描述第一实施例的分布估计装置2的硬件配置和第二实施例的解码装置3的硬件配置。

图10是示出了围绕控制装置20的使用了本发明的分布估计方法的分布估计装置2和解码装置3的硬件配置示图。

如图10所示，分布估计装置2和解码装置3包括：具有CPU202和存储器204的控制装置20；通信装置22；例如硬盘驱动器(HDD)或光盘(CD)单元的记录装置24；LCD显示装置或CRT显示装置；和具有键盘或触摸面板的用户界面单元(UI单元)26。

此外，解码装置3可以是安装了解码程序5的通用计算机，其通过通信装置22或记录装置24获取编码数据，解码所获取的编码数据并将其输出。

适当地，信号是通过转换编码处理生成的转换系数，并且分量是一类各转换系数，其中其它转换系数类的转换系数的分布数据被获得，所获取的其它转换系数类的分布数据被用函数拟合，并且使用该函数计算目标转换系数类的转换系数的分布数据。

适当地，用两个变量定义转换系数类，并且用指数函数拟合其它转换系数类的分布数据，该函数中一个输出变量由两个输入变量确定。

适当地，将部分分布数据从其它转换系数类的分布数据中排除出去，用函数拟合排除了部分分布数据的分布数据，并且用该函数计算目标转换系数类的转换系数的分布数据。

适当地，确定应该被排除的部分数据从而作为排除了部分分布数据的结果，用于计算用于拟合的函数的系数的矩阵的秩可以为3或更大。

适当地，用规定的权重因数乘以在其它转换系数类的分布数据中的部分分布数据，用函数拟合其它转换系数类的分布数据(包括用权重系数乘过的分布数据)，并且使用该函数计算目标转换系数类的转换系数的分布数据。

适当地，在布置在两维平面上的转换系数的分布数据中，当非零系数单独存在于一列或一行中时，用指数函数拟合分布数据，该指数函数中由一个输入变量确定一个输出变量。

适当地，在安排在两维平面的转换系数的分布数据中，当仅存在一个非零系数时或当两个非零系数存在而没有非零系数不是单独存在于一列或一行时，用由规定系数表示的指数函数拟合分布数据。

适当地，目标转换系数类是其中所有量化索引值都是零的转换系数类，而其它转换系数类是其中任何一个量化索引值都不是零的转换系数类。

适当地，第一分布生成单元为其中所有量化索引值都是零的转换系数类生成分布数据，第二分布生成单元用指数函数拟合由第一分布单元生成的分布数据，并且使用该指数函数生成其中所有的量化索引值都是0的转换系数类的分布数据。

适当地，第二分布生成单元允许对应于低频分量的转换系数类的部分分布数据对指数函数的影响比对应于较高频分量的转换系数类的分布数据小。

本文通过引用并入了于2005年3月25日提交的包括说明书、权利要求、附图和摘要的日本专利申请No.2005-088229的全部内容。

Claims (14)

1.一种分布估计方法，该估计方法估计多个分量的每一个分量的信号的分布，包括：

用函数拟合表明其它分量的信号的分布的分布数据以估计目标分量的分布；并且

利用基于该拟合处理的该函数计算目标分量的分布数据。

2.根据权利要求1所述的分布估计方法，

其中所述信号是通过转换编码处理生成的转换系数，并且所述分量是各转换系数的类，该方法还包括：

获取其它转换系数类的转换系数的分布数据；

用函数拟合所获取的其它转换系数类的分布数据；并且

用基于该拟合处理的该函数计算目标转换系数类的转换系数的分布数据。

3.根据权利要求2所述的分布估计方法，

其中用两个变量确定转换系数类，该方法还包括：用指数函数拟合其它转换系数类的分布数据，该指数函数中由两个输入变量确定一个输出变量。

4.根据权利要求2所述的分布估计方法，还包括：

将部分分布数据从其它转换系数类的分布数据中排除出去；

用函数拟合排除了部分分布数据的所述分布数据；并且

利用基于该拟合处理的该函数计算目标转换系数类的转换系数的分布数据。

5.根据权利要求4所述的分布估计方法，还包括：

确定要被排除的部分分布数据，以便作为排除了部分分布数据的结果，用于计算用于拟合的函数的系数的矩阵的秩是3或更大。

6.根据权利要求2所述的分布估计方法，还包括：

用预定的权重因数乘以其它转换系数类中的分布数据的部分分布数据；

用函数拟合包括用权重因数乘过的分布数据的其它转换系数类的分布数据；并且

用基于该拟合处理的该函数计算所述目标转换系数类的转换系数的分布数据。

7.根据权利要求3所述的分布估计方法，还包括：

当在排列在两维平面上的转换系数的分布数据中，非零系数单独存在于一列或一行时，用指数函数拟合该分布数据，该指数函数中由一个输入变量确定一个输出变量。

8.根据权利要求3所述的分布估计方法，还包括：

当在排列在两维平面上的转换系数的分布数据中，仅存在一个非零系数或仅存在两个非零系数，并且非零系数单独存在于一列或一行时，用由规定系数表示的指数函数拟合该分布数据。

9.根据权利要求2所述的分布估计方法，

其中所述目标转换系数类是其中所有的量化索引值都是零的转换系数类，并且

其它转换系数类是其中任何量化索引值都不是零的转换系数类。

10.一种解码方法，包括：

用关于其它分量的函数拟合表明其它分量的信号的分布的分布数据以估计目标分量的分布；

用基于该拟合处理的函数计算目标分量的分布数据；

用计算出的目标分量的分布数据计算反向量化值；并且

用计算出的反向量化值生成经解码的数据。

11.一种解码装置，包括：

第一分布生成单元，其基于量化索引的频率分布生成表明任一分量量化之前的数据分布的分布数据；

第二分布生成单元，其基于所述第一分布生成单元生成的分布数据生成其它分量的分布数据；和

反向量化值生成单元，其基于由所述第一分布生成单元生成的分布数据或由所述第二分布生成单元生成的分布数据生成对应于量化索引的反向量化值。

12.根据权利要求11所述的解码装置，

其中所述第一分布生成单元生成其中所有的量化索引值都是零的转换系数类的分布数据，

所述第二分布生成单元用指数函数拟合由所述第一分布生成单元生成的分布数据，并且

所述第二分布生成单元用该指数函数生成其中所有的量化索引都是零的转换系数类的分布数据。

13.根据权利要求12所述的解码装置，

其中所述第二分布生成单元允许对应于较低频率分量的转换系数类的部分分布数据对指数函数的影响比对应于较高频率的分量的转换系数类的分布数据对指数函数的影响小。

14.一种计算机可读存储介质，该存储介质存储指令程序，该程序是可由计算机执行以执行估计多个分量中的每一个分量的信号的分布的功能，该功能包括：

用关于其他分量的函数拟合表明其它分量的信号分布的分布数据，以估计目标分量的分布；并且

用基于拟合处理的该函数计算该目标分量的分布数据。

Images