检索结果-南通市图书馆

电子与信息学报 2016年第3期38卷 661-667页

作者：陈建华王勇张鸿云南大学信息学院电子工程系昆明650091

在基于Context建模的熵编码系统中,为了达到预期的压缩性能,需要通过Context量化来缓解由高阶Context模型所引入的"Context稀释"问题。为此,该文提出一种通过最小化描述长度来实现Context量化(Minimum Description Length Context Quant... 详细信息

在基于Context建模的熵编码系统中,为了达到预期的压缩性能,需要通过Context量化来缓解由高阶Context模型所引入的"Context稀释"问题。为此,该文提出一种通过最小化描述长度来实现Context量化(Minimum Description Length Context Quantization,MDLCQ)的算法。该算法使用描述长度作为评价准则,通过动态规划算法来实现单条件的最优Context量化,然后通过循环迭代来实现多条件的Context量化。该算法不仅可以得到多值信源的优化Context量化器,而且可以自适应地确定各个条件的重要性从而确定模型的最佳阶数。实验结果表明:由MDLCQ算法所得到的Context量化器,可以明显改善熵编码系统的压缩性能。

关键词：条件熵编码 Context量化描述长度算术编码

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Context建模的熵编码在无失真图像压缩中的应用

基于Context建模的熵编码在无失真图像压缩中的应用

引用

作者：张峰云南大学

学位级别：硕士

最近一段时间随着网络应用与多媒体技术的高速发展,多维图像数据的传输以及其存储问题已经成为非常重要的研究领域。又因为一些重要领域的特殊需求,图像压缩必须是可逆的即能够实现无失真压缩,所以对图像进行无失真压缩的研究具有重要... 详细信息

最近一段时间随着网络应用与多媒体技术的高速发展,多维图像数据的传输以及其存储问题已经成为非常重要的研究领域。又因为一些重要领域的特殊需求,图像压缩必须是可逆的即能够实现无失真压缩,所以对图像进行无失真压缩的研究具有重要实际意义。由于熵编码能获得较高的压缩性能,所以在编码领域具有重要的作用。随着信源序列复杂度的增加,基于Context建模的信源编码理论越来越被广泛使用。基于Context建模的图像压缩编码主要是利用当前采样点前面的样本点的学习经验。信息论中条件熵不大于无条件熵这一原理作为理论支撑,基于自适应Context建模可以有效的减少编码长度即有效降低信息熵。但是基于Context建模的熵编码也面临一个高阶熵编码不可避免的问题-“模型稀释”。当Context模板过大时造成信源不能提供足够的样本点作致使码长增加,降低压缩性能,所以如何选择模板建立Context模型是本文重要研究方向。为了尽可能的降低模型代价,同时利用更多的已知条件信息,本文基于Context建模采用训练集的方法把前面的学习经验更好的应用在后面像素点的编码上。本文Context建模主要是通过利用Context模板往前匹配到与当前采样点统计特性相似的像素点作为训练集,然后对训练集中的像素点的Context模板点进行自相关排序,最终通过最小描述长度自适应确定模型的阶数。这样就可以做到图像变化缓慢的像素点可以选择较大的阶数,相反图像变化剧烈的点选择较小的阶数,充分利用先验学习经验。本文模型大小根据当前已有数据统计数量决定,可以有效解决高阶熵的“模型稀释”问题。实际编码过程中遇到一些像素点的训练集统计数据过少的情况,导致其编码效率不高。本文在Context建模的基础上结合GGD算法初始化概率分布,从而对统计概率分布实现进一步的优化。实验证明本文基于Context的建模的熵编码算法具有一定的有效性。

关键词：无损压缩 Context模型 GGD 条件熵编码

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态规划的多变量Context建模算法

基于动态规划的多变量Context建模算法

引用

作者：王勇云南大学

学位级别：硕士

在基于Context建模的熵编码系统中,Context建模作为一种用来估计信源概率模型的重要方法,其实现需要三个步骤：选取Context模板、估计条件概率分布及进行Context量化。而Context建模的研究重点则是通过Context量化来缓解由高阶Context... 详细信息

在基于Context建模的熵编码系统中,Context建模作为一种用来估计信源概率模型的重要方法,其实现需要三个步骤：选取Context模板、估计条件概率分布及进行Context量化。而Context建模的研究重点则是通过Context量化来缓解由高阶Context模型所引入的‘’Context稀释”问题,以达到预期的压缩性能。Context量化的实质是减少概率模型中的条件概率分布的数目,其研究方向主要有两种：一种是在概率分布空间中,通过聚类算法来合并相似的条件概率分布以直接减少其数目;另一种则是在Context条件域,通过减少条件样本的可能取值以达到Context量化的目的。目前,由于聚类思想研究的深入及聚类算法的不断出现,Context量化在第一种研究方向上取得了较大的进展,而在Context条件域中进行的Context建模算法的研究则较少。为此在Context条件域中,针样本取值具有数值大小的信源序列,本文提出了一种通过最小化描述长度来实现Context量化的算法(Minimum Description Length Context Quantizaiton, MDLCQ)。MDLCQ算法首先使用描述长度作为评价指标,并通过动态规划算法来实现单条件Context模型的量化,然后将单条件Context模型量化算法扩展至多条件Context模型,通过循环迭代来实现多条件Context模型的量化。此算法不仅可以得到多值信源的优化的Context量化器,而且可以自适应地确定各个条件的重要性进而确定模型的最佳阶数,从而提供了很好的Context模型优化效果。本文通过实验分析对MDLCQ算法的性能进行了验证。实验结果表明：由此算法得到的Context量化器不仅达到了预期的量化效果,而且可以明显地改善熵编码系统的压缩性能。

关键词：条件熵编码 Context量化动态规划描述长度算术编码

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于描述长度的Context量化算法在小波图像压缩中的应用

基于描述长度的Context量化算法在小波图像压缩中的应用

引用

作者：张鸿云南大学

学位级别：硕士

随着时代的发展,科技逐渐渗透到生活中每一个角落,人们生产、生活、娱乐都在依赖并扩充着数字世界。在数字数据中,数量多、内存大的是图像和视频数据。对这类数据压缩处理上,熵编码受到青睐。而基于小波变换的压缩算法也广泛地应用于图... 详细信息

随着时代的发展,科技逐渐渗透到生活中每一个角落,人们生产、生活、娱乐都在依赖并扩充着数字世界。在数字数据中,数量多、内存大的是图像和视频数据。对这类数据压缩处理上,熵编码受到青睐。而基于小波变换的压缩算法也广泛地应用于图像、视频数据国际压缩标准和应用开发研究。由“条件降低熵值”这一理论,在小波变换基础上建立Context模型,依赖上下文相关性的条件熵编码受到广泛关注。然而,Context模型增大时,模型中条件概率分布得不到充分统计会造成“模型稀释”。为解决此问题广大研究学者引入了Context量化的概念。Context量化实质是用聚类的思想减少概率分布的数量从而避免模型稀释。较为经典的Context量化算法有最小条件熵量化算法、最大互信息算法、蚁群算法等。以上算法都提出了行之有效的方法计算Context中概率统计分布的相似程度,并进行聚类。但上述算法存在一个共同问题——调参,即量化前必须人为指定量化级数。本文对最短描述长度MDLCQ算法做了详细理论说明,并在本文实验中以此算法作为Context量化标准,量化器优化目标是使全局描述长度最短。MDLCQ算法克服了以往Context量化器不能自适应得到量化级数的局限性。本文将这种量化算法应用到小波变换图像压缩中,实验结果表明最短描述长度Context量化器不依赖人工经验的条件下,能够获得与人工精心调试的量化器类似的压缩效率。图像小波变换后在不同子带有不同的幅值特性,即使是一个十分高效的Context模型也难以兼顾不同频率的信源。为此,本文突破了传统编码器只采用一个Context概率模型编码的束缚,提出多模型混合编码方案。令信源信息根据概率统计情况自动选择最佳模型编码。图像压缩实验验证表明多模型混合编码器压缩效率高于单模型。

关键词：条件熵编码 context量化描述长度小波变换混合编码

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：