CN105594128A - 尤其用于编码压缩图像的方法，尤其通过“距离编码器”或算术压缩 - Google Patents

Abstract

一种使用算术或距离编码器型的多个模型对一系列符号进行编码的方法，包括如下步骤：-将每个模型与归属标准相关，-遍历该系列以便根据所述标准对于每个符号确定其所属的编码模型；随后，-确定每个符号在相应模型中的出现概率；随后，-通过编码相继的每个符号，遍历该系列；以及，-基于因此获得的编码而构建文件。

Description

尤其用于编码压缩图像的方法，尤其通过“距离编码器”或算术压缩

技术领域

本发明主要涉及二进制熵编码领域，尤其是使用“距离编码器”型编码模型、即使用间隔或者算术的编码领域。

背景技术

距离编码器类型或算术编码器使得能够编码而不损失一系列符号。这些符号可以是所有类型的，尤其是字母数字字符或者标点字符。在图像压缩方法的情况下，符号是数，这些数由通常在颜色转换之前的对所述图像的预压缩，例如通过差分压缩或者小波压缩产生。

称为熵的二进制编码使得能够减少编码信号所需的位数，在此由将编码的一系列符号表示，而不损失其内容。减少程度取决于符号在信号中的出现率。尤其，称为“算术”和“距离编码器”的编码，使用概率模型，其中每个符号与一个概率值相关。在“距离编码器”类型或算术编码类型的编码器的范围内，编码符号所需位的理论数值为-log2(P)，其中P是该符号在信号中的出现概率。

在对符号编码或解码时，距离编码器类型的编码器或算术编码器应当始终具有概率模型，其包括一个或多个符号，以及其出现概率，至少是该当前符号的出现概率。使用该符号的概率来进行编码。为了编码同一信号，许多概率模型是可行的。最为适宜的是信号被压缩最大的模型，即编码形成的代码权重量最小。

为了二进制编码性能良好，应当使得：

-解码数据与输入数据相同；

-压缩数据权重量尽可能最小；

-编码时间尽可能最短；

-编码时间尽可能最短；

这取决于两个主要因素：

-编码自身，对于给定的概率P，应当在尽可能最接近-log2(P)的位数上编码符号，如果提供相同的模型，则通过解码可以获得相同的符号；

-模型计算，其应当使得能够提供最适于每个符号的模型，且尽可能最快；

还可以对整个信号使用一个模型。因而，获得接近Shannon熵的压缩水平。相反地，一些编码器使用完全自适应模型，诸如PPMd方法，即英语：“PredicionbyPartialMatching(通过局部匹配进行预测)，逃脱方法D”。在该情况下，随着编码而建立模型。这些编码器使得能够获得适于每个符号的多个模型，但是处理时间大大增长。

发明内容

本发明旨在提供一种编码方法，其使得获得的编码的权重量小于通常借助于唯一模型获得的权重量，并且其处理时间短于使用多个模型而通常获得的处理时间。

在多媒体压缩的范围内，应当说明，在信号转变之后，例如通过所述小波方法，较小的值通常彼此接近，而最高值也彼此接近。

根据本发明，用于一系列符号的这种二进制熵编码方法，使用至少两个模型，每个模型与一个归属标准相关，因此包括下列步骤：

-遍历所述系列，以便根据所述归属标准，对每个符号确定其所属于的编码模型；随后，

-对于每个模型和每个符号，确定符号在模型中的出现概率；随后

-通过根据每个符号所属的模型而对每个符号相继编码，重新遍历所述系列；以及

-存储这些模型或使得能够重建模型的信息，以及因此而获得的二进制编码。。

有利的是，预先遍历该系列，以确定每个模型的归属标准。

优选地，根据由在该系列中所述当前符号之前的一个或多个符号计算得的归属函数，确定当前符号对于一个模型的归属。每个符号可以是数，优选是10进制的数，归属函数是在该系列中所述当前符号之前紧邻的给定数量的参考符号的绝对值的平均值，给定数量的参考符号优选是四个参考符号。

为了计算归属函数，有利的是，在该系列之前设置足够数量的任意符号，每一个符号的值优选为零。

模型之一的归属标准可以是模型所覆盖的区间的下限值以及将先前的符号的平均值与所述下限值进行比较。每个模型的极限值以渐增的顺序排列，有利的是，当所述极限值的值增加时，相继两个极限值之间的差值也增加。为了确定每个模型的极限值，可以：

-计算该系列的符号的值的平均值；随后，

-计算该系列符号的值中的最大值和该系列符号的值的平均值之间的差值以及该系列符号的值的平均值和该系列符号的值中的最小值之间的差值，并且从中推导出等于两个差值中的最大值的距离；随后，

-计算偏差值，等于信号的每个元素和该系列的平均值之间的差的绝对值的平均值；随后，

-根据如下公式计算间距(E)：

随后，

-根据如下公式计算相继模型中的每一个的活动平均值中的下限值：

本发明还涉及一种图像、视频或声音类型媒介的压缩方法，其特征在于其使用根据本发明的编码方法。图像压缩方法优选地适用于图像的压缩符号，每个符号均对应于矩阵的一个格子，该系列通过将这些符号设置成行而形成。为了将符号设置成行，对于每行，可以在第一方向上行进一行，如仍有空间，则在与第一方向相反的方向上行进下一行。

根据本发明另一目的，一种二进制熵解码方法，用于使用至少两个模型并且借助于前述任意一项权利要求所述的方法进行编码的一系列符号，其特征在于：

-提取编码所使用的每个模型，

-提取或再计算这些模型中每一个的归属标准，以及

-使用与编码相同的归属标准，借助于编码所使用的模型来解码每一个符号。

附图说明

下文将参考随附附图，作为非限制性实例描述本发明的多个实施方案，在附图中：

-图1示出了根据本发明的方法应用于其上的一层图像；

-图2示出10进制的系数的子矩阵，称为三阶LH，得自于通过小波而对图1的图像进行变化，随后进行量化和舍入；

-图3示出了将图2的矩阵的系数设置成行的方法，以便于形成一系列符号，以采用根据本发明的方法进行处理；

-图4示出了表格，对每个所采用的模型给定对应的下限值；

-图5是图4的表格的示意图；

-图6所示的表格示出对应于该系列符号的10进制的所有值、对于每个值其在该系列中的出现数以及因此在单一模型的范围内的概率；

-图7是图6的表格的示意图；以及

-图8的表格示出了每个值在每个模型中的出现数。

具体实施方式

为了说明根据本发明的方法的一个例子，使用原始图像，其像素设置成320列、240行，并且使用三个分量R(红)、G(绿)、(蓝)而编码。该图像随后被进行Y、Cb、Cr类型的颜色变换。图1以图像的形式示出了得自于该颜色变换的亮度分量Y。

首先在图1上应用使用定点数的二维的小波变换CDF5/3。图2示出了称为三阶LH的子矩阵的矩阵LHQ，其通过小波变换得到，随后对其进行系数等于3、53的量化，随后将其舍入为最接近的整数。对于每阶该小波变换在两个维度实施：垂直通道，随后是水平通道。垂直小波变换产生了称为细节的矩阵或矩阵H，以及称为近似的矩阵或矩阵L。对矩阵L应用水平小波通道，形成细节矩阵LH和近似矩阵LL。对矩阵H应用垂直小波通道，形成两个细节矩阵HL和HH。随后，对相继的近似矩阵LL循环地应用新阶的小波。同样，第三阶矩阵LH是在3阶小波期间获得的LH类型的矩阵。一旦获得矩阵LH，使用因子3、53进行量化，随后对这些值进行舍入以获得矩阵LHQ。

矩阵LHQ包括40列和30行，即1200个值，每个对应于将编码的一个符号。为了应用根据本发明的处理，设置1200个值成行，即形成1200个值的系列S。在所示实例中，如图3中所示设置成行，矩阵LHQ的第一行从左向右行进，随后第二行从右向左，以便于使得在系列S中，矩阵LHQ的第一行的最后一个值之后是第二行的最后一个值。更一般地，一行在一个方向上行进，而下一行在反向上行进。还获得由N个符号Sn的系列形成的信号，n是从1变化到N的整数，其中N＝1200，每个符号Sn具有标注值V(n)。

在所示的实例中，为了确定将应用至信号S的模型，首先对该信号进行分析。

首先根据公式计算信号的所有值的算术平均值M：

$M=\frac{{\mathrm{\Σ}}_{n=1}^{n=N}V\left(n\right)}{N}=-0.07833$

随后确定最小值Min[V(n)]和最大值Max[V(n)]；即，在所示的实例中：

Min[V(n)]＝-42

Max[V(n)]＝35

从中推导出距离D，其中D等于平均值M与信号最小值Min[V(n)]的差值和信号最大值Max[V(n)]与平均值M的差值中的最大值；即，在所示的实例中：

D＝距离＝max(平均值-最小值；最大值-平均值)

＝max((-0.07833)-(-42)；35--0.07833)

＝41.9216

随后计算这些值在平均值M附近的偏差DV，即平均离散差。该离散差计算为每个符号Sn的值V(n)和平均值M之间的差的绝对值的平均值；即，在所示的实例中：

随后计算模型之间的距离E。在所示的实例中，根据下式计算该距离。

有利地是2，将编码的信号越大，模型的数量越多。这指的是输入参数能够取决于信号中存在的信息量。在所示的实施例中，选择使用5个模型。

对于号码为0至4的每个模型，确定下限，根据该下限，符号将归属于这个模型。优选地，模型涉及的变量越小，阈值彼此越接近。同样地，限定下式用于在实例范围内计算每个模型的下限：

其中m是5以内的模型编号，m取值为0至4的整数。计算获得的下限值在图4所示的表格Tab1中编为索引并且如图5的曲线所示。

为了将每个符号Sn与一个模型相关，其适于限定归属标准，其能够与在先计算的极限值l(m)相比较。另外，标准应当对于编码和解码相同，以便于使得对相同的符号应用相同的模型，从而符号在解码期间的重建值与其初始值相同。为此目的，选择归属标准为当前符号、即将要编码或解码的符号的先前符号值的函数。因为进行无损编码和解码，当前正符号的先前值在压缩和解压缩时将是相同的。同样地，对将编码和解码的相同值应用相同的归属标准对当前符号实施相同的模型。

在所示的实例中，小波变换之后的值假定集中或近似集中在零附近；事实上，平均值M约等于零。像这样，确定所选归属标准的函数是当前符号之前紧邻的四个符号的绝对值的平均，舍入至小数点后四位。所使用的先前符号的数量可以不同，但是足以限定与其他值差异特别大的值的影响，其将对模型造成不合时宜的改变，并且有利的是，是2的幂次方，以有利于其二进制标注。小数位数可以不为4，但是有利的是2的幂次方，以有利于其二进制标准。

在所示实例中，由下式确定模型的归属标准：

其中，移动平均值T的大小等于4，即等于用于计算的在前符号的数量，n’在1到4之间变化。

这能够对每个符号Sn选择适当的模型。以参数给定的精确度计算移动平均值，此处为四位小数，这对于编码和解码是相同的。

值V(n)的每个符号Sn属于最大模型m，其下限值l(m)小于或等于在前绝对值的移动平均值mm(n)：1(m)＜＝mm(n)。

图6中所示的表格Tab2示出了每个值V(n)在信号S中的出现数量。图7是其曲线图。应当注意到，空值是超乎表现的。因此，使用单一模型是尤为不适合的。

图8中所示的表格Tab3示出了每个值V(n)在每个模型M中的出现数量。

对每个符号Sn选择模型m之后，对该模型的值应用“距离编码器”型或算术编码器。为此，首先计算每个符号Sn在该模型m内的出现数量，并从中推导出该符号在该模型m中的出现概率。

为了进行编码，在渐增的指数n的方向上遍历信号，诸如参考图3在前所限定的。对于每个符号，根据在先确定的归属标准，确定其属于的模型。随后，在所选的编码器中使用该模型，例如“距离编码器”型或算术的编码器。对于每个模型，还可以选择与对于另一模型所选类型不同的编码器。

将编码的第一批符号之前的符号数量不足以用于计算归属标准，则使在该信号之前具有足以进行计算的一定数量的任意值。因此，在所示的实例中，使得信号之前有四个值，任意的选为零；这些值使得能够计算将编码的四个第一批符号S1-S4的归属标准。

有利的是，形成文件F，其包含通过对信号S编码而获得的二进制编码C。为了能够对二进制编码C解码，在文件的头部设置解码所需的所有信息，尤其，在所示的实例中：

-模型数量；

-平均值M；

-偏差DV；

-在前元素的数量，用于计算移动平均值，为2的幂次方形式；以及

-用于计算移动平均值的精确性，为2的幂次方形式。

为进行解码，通过简单的读取或再计算而获得模型的极限值，随后根据无损解码的在前符号，以与编码相同的方式确定将解码的符号Sn对于一个模型的归属，随后使用所发现的模型以解码符号。

以与编码相同的方式，将解码的第一批符号之前具有一定数量的符号不足以计算归属标准，则对应于已编码的信号S，在该编码之前设置足以进行计算的一定数量的任意值。这些值与用于编码的值相同。因此，在所示的实例中，使得在该编码之前有，任意选为零：这些值使得能够计算将解码的四个第一批符号S1-S4的归属标准。

使用下述假设而计算理论权重值：

·忽略模型的权重以及用于对信号解码所需的其他头部信息；以及

·所使用的二进制编码器是以其概率P(Sn)对于-log₂(P(Sn))位的函数对每个符号Sn编码的完美编码器，P(Sn)是根据所提供的模型的概率。

为了理论计算，使用下列标记：

·P(Sn)：符号的概率，等于对于该模型的该符号的出现数量除以符号的数量；

·N(Sn)：符号Sn的出现数量。

同样，所遇到的每个符号理论上为-log₂(P(Sn))，因此在所给定的模型范围内的所有符号s为：

-N(Sn)×log₂(P(Sn))。

在特殊情况下，这些符号包括在-42和35之间，表格Tab2中所示的单一模型范围内的全部符号的理论权重是：

采用上述值，获得权重P_单一模型＝1941位。

在分成5个模型的情况下，使用相同的公式，相对于当前模型的符号数量而计算概率。因而获得：

·模型0：300位；

·模型2：92位；

·模型3：505位；

·模型4：588位；

·模型5：34位；

因此，总权重是使用这些模型中的每一个模型而编码的符号的权重的总和，即：

P_5个模型＝300+92+505+588+34＝1519位。

根据计算假设，相对于唯一模型节省了422位。将编码的符号数量越大，可预见的增益越大。此外，信号中不同的符号越多，增加使用的模型数量越有利。

当然，本发明不局限于上文描述的实例。

Claims (13)

1.一种用于一系列(S)符号(Sn)的二进制熵编码方法，使用至少两个模型(m)，每个模型与一个归属标准相关，包括下列步骤：

-遍历所述系列，以便根据所述归属标准，对每个符号确定其所属于的编码模型(m)；随后，

-对于每个模型和每个符号，确定符号在模型中的出现概率(P)；随后

-通过根据每个符号所属的模型而对每个符号相继编码，重新遍历所述系列；以及

-存储这些模型或使得能够重建模型的信息，以及因此而获得的二进制编码。

2.根据权利要求1所述的编码方法，其特征在于预先遍历该系列，以便确定每个模型的归属标准。

3.根据权利要求1或2中任意一项所述的编码方法，其特征在于根据归属函数mm(n)确定当前符号(Sn)对模型的归属，所述归属函数mm(n)根据在该系列中所述当前符号之前的一个或多个符号(S_n-4-S_n-1)而计算获得。

4.根据权利要求1至3中任意一项所述的编码方法，其特征在于每个符号是数，优选是10进制的数。

5.根据权利要求2或3中任意一项所述的编码方法，其特征在于归属函数是在该系列中所述当前符号之前紧邻的给定数量的参考符号的绝对值的平均值(mm)，给定数量的参考符号优选是四个参考符号(S_n-4-S_n-1)。

6.根据权利要求4所述的编码方法，其特征在于为了计算归属函数，在该系列之前设置足够数量的任意符号，每一个符号的值优选为零。

7.根据权利要求5或6所述的方法，其特征在于当前符号对于模型之一的的归属标准，是模型所覆盖的区间的下限值l(m)以及与所述当前符号之前的符号的绝对值的平均值(mm)的比较。

8.根据权利要求7所述的方法，其特征在于每个模型的极限值以渐增的顺序排列，当所述极限值的值增加时，相继的两个极限值之间的差也增加。

9.根据权利要求7或8所述的编码方法，其特征在于为了确定该下限值l(m)：

-计算该系列的符号的值的平均值；随后，

-计算该系列符号的值中的最大值和该系列符号的值的平均值之间的差值以及该系列符号的值的平均值和该系列符号的值中的最小值之间的差值，并且从中推导出等于两个差值中的最大值的距离(D)；随后，

-计算偏差值(DV)，等于信号的每个元素和该系列的平均值之间的差的绝对值的平均值；随后，

-根据如下公式计算间距(E)：

随后，

-根据如下公式计算相继模型(m)中的每一个的活动平均值中的下限值l(m)：

10.一种压缩图像、视频或声音类型的媒体的方法，其特征在于使用根据权利要求4至9中任意一项所述的编码方法。

11.根据权利要求10所述的压缩图像的方法，其特征在于适用于所述图像的压缩符号，每个符号对应于矩阵的一个格子，该系列通过将所述符号设置成行而形成。

12.根据权利要求11所述的压缩方法，其特征在于为了将符号设置成行，对于每行，先在第一方向上行进一行，如果还有空间，则在与第一方向相反的方向上行进随后的一行。

13.一种二进制熵解码方法，用于使用至少两个模型并且借助于前述任意一项权利要求所述的方法进行编码的一系列符号，其特征在于：

-提取编码所使用的每个模型，

-提取或再计算这些模型中每一个的归属标准，以及

-使用与编码相同的归属标准，以借助于编码所使用的模型来解码每一个符号。