受约束的矢量量化的制作方法

专利名称：受约束的矢量量化的制作方法
技术领域：
本发明涉及用于编码和解码信号的量化字典和用于存储或传输信 号的视图，其中，该信号例如音频信号和视频信号，更一般地为多々某 体信号。
更确切地说，本发明提出了包括失真阈值的先验知识的非结构化 的统计矢量量化问题的解决方法。
背景技术：
用于处理信号，尤其是处理数字信号的非常普遍的解决方法是矢
量量化(VQ), —般由选自有限集合的相同维数的矢量来表示输入矢 量。该有限集合被称为再生字母表或字典或目录，并且其元素被称为 码矢量、码字、输出点或代理。
在矢量量化中，信号的n个采样构成的数据块^^皮当作n维的矢量 来处理。该矢量通过从有限字典选取与其最"类似"的码矢量来编;马。 例如，为了选择字典元素使该元素与输入矢量之间的距离测量最小化， 在字典的所有元素之间进行穷举搜索。
一般地，利用例如广义Lloyd-Max算法(GLA)或LBG(Linde、 Buzo 和Gmy)算法的统计方法，以对将被编码并形成驱动序列或训练序列的 信号的采样进行的分析为基础，来设计矢量量化字典。例如，在Gersho A.、 Gray R. M的著作"Vector Quantization and Signal Compression (矢 量量化和信号压缩)，，，Kluwer Academic Publishers(学院出版社)，1992 中，描述了该类算法。
根据驱动序列和最初的字典，字典被迭代地构造。每次迭代包括 对驱动矢量分类的步骤，以根据最邻近规则构造驱动序列的量化区域； 和根据所谓的质心规则，通过用区域的质心替换以前的码矢量而对字 典进行改进的步骤。
6为了避免向该确定性的迭代算法的局部极小收敛，提出了被称为
为随机松弛的变化(SKA:随机的K平均算法)，在质心构造的步骤和/ 或类构造的步骤中引入了随机部分。例如，在Kovesi， B.; Saoudi， S.; Boucher, J. M.; Reguly, Z的出版物"A fast robust stochastic algorithm for vector quantizer design for nonstationary channels (用于不稳、定4言道的矢 量量化器设计的快速健壮的随机算法)，，，IEEE International Conference on Acoustics, Speech, and Signal Processing (IEEE关于声学、语音和信 号处理的国际研讨会)，Vol. l，pp. 269-272， 1995中描述了该^奮改。
以这种方法获得的字典或统计矢量量化器没有特殊的结构，这佳: 得在计算和存储方面对其进行探索很昂贵。实际上，通过传统的统计 矢量量化获得的字典的使用，尤其在实时性方面，常常受限于低维数 和/或低速率的编码(每个矢量约为4至10比特)。
一般地，统计矢量量化采用将被处理的信号的概率分布的形状， 并且在统计矢量量化器的字典的码矢量的分布中再次找到该形状。用 于矢量量化中的构造算法的目的在于使平均失真最小化；从而能够将 许多的码矢量设置在高密度区域中。将被编码的信号的高密度区域中 的质心的集中并不总是与感观相关。从而，高密度区域的两个码矢量 如此接近、以至于觉察不到由一个码矢量替换另一个码矢量所产生的 失真是可能的。
另外，对于低分辨率的量化器，即，具有很少的码矢量的量化器， 发生该集中会损害将被编码的信号的概率分布的低密度区域，该区域 净皮较差地表现，即，4皮较差地编码。
对于大小和维数约束的自由度，开发了统计矢量量化的若干变量， 尤其能够试图补救字典所缺乏的结构，从而降低质量损害的复杂小生。 然而，改进了性能复杂性折衷，这使得扩大分辨率和/或维数的范围成 为可能，从而有效应用矢量量化。已经提出了针对受约束的矢量量化 器的许多方法，特别地，树型矢量量化器、多级矢量量化器、"笛卡儿 乘积"矢量量化器或作为笛卡儿乘积矢量量化器的特殊情况的"增益/ 定向"矢量量化器。
在未结构化的矢量量化中，通过受约束的方法所获得的字典总是具有大量相互接近的码矢量，尤其具有接收器所察觉不到的差别的码 矢量。其导致非最佳质量。
也提出了称为代数矢量量化的另一方法。代数矢量量化利用来自 点的规则格或纠错码的高度结构化的字典。规则格的简单示例是例如 由具有整数纵坐标的一组点构成的立方格。
根据其字典的代数性质，代数矢量量化器是容易实现的，并且不 必存储在存储器中。开发这些字典的规则结构使得能够开发最佳、快 速搜索算法和用于将索引与相关的码矢量例如通过公式相关联的机 制。
在本领域中已经开发的用于代数矢量量化的技术导致字典作为類L 则格或阵列的子集。
规则格的一个主要参数是在其上设置了码矢量的两点之间的最小 平方距离。为了简化指数化，字典一般选作具有规则多面体(例如超 立方体或超球面)或具有该表面的格的交集。在该交集外的点则是离 群值。对于给定的速率，即，交集点的固定数值，限制离群值的数目 将导致两个码矢量之间最小距离的增加。
然而，代数矢量量化器在实现上具有较小的复杂性，并且需要4交 小的存储器，其仅对编码具有均勻分布的信号是最佳的。
还应该注意的是，为码矢量标定指数(indexing )或编号的操作和 用于解码的相反操作比统计矢量量化器的情况需要更多的计算，对于 统计矢量量化器而言，通过简单地读表就可实现该操作。
最后，矢量量化的另一形式是联合代数量化和统计量化。其适用 于在Moayeri, N.， Neuhoff D. L.; Stark, W.E.的"Fine -coarse vector quantization (高质量匿低质量的矢量量化)"，IEEE Trans, on Information Theory (IEEE信息论学才艮)，Vol, 37， Issue 4， pp. 1503-1515， July 1991 (1991年7月)的出版物中所描述的高质量-低质量的矢量量化。该量 化包括两个量化器。第一，高分辨率的量化器， 一般很好地被构造并 且不难实现，然而，第二，低分辨率量化器，是未结构化的统计矢量 量化器。第一阶段是预计算，使第二阶段的搜索更快速。
"高质量-低质量"量化器与上述指出的统计矢量量化具有相同的缺点。实际上，高分辨率量化器与低分辨率量化器之间的连接是简单 的对应表，从而即使高分辨率矢量量化器是码矢量之间具有最小距离 的规则格的有限子集，但该约束并不影响由统计矢量量化的标准技术 所构造的低分辨率矢量量化器。
从而，统计矢量量化导致字典的点的分布是不适当的，因为在才妄 收器的级别是察觉不到的，所以这些点中的某些点是多余的。
另 一方面，代数矢量量化导致字典的分布只适用于具有均匀概率 分布的信号，并且导致其它信号的编码质量的降低。

发明内容
本发明通过定义通过适用于将被编码的信号的统计矢量量化而获 得字典的适当的方法以及考虑感知阈值而具有特殊优点。
为了该目的，本发明的主题是一种生成用于信号的矢量量化字典 的方法，其包括对表示所述信号的驱动矢量进行统计分析的步骤，所 述信号确定作为所述驱动矢量的代理的码矢量的有限集合，其特征在 于，所述方法还包括修改码矢量的所述有限集合的步骤，以改进#皮<务 改的码矢量两两之间的最小距离，其中，被修改的码矢量形成所述字 典。
从而，因为对驱动矢量进行统计分析的步骤，本发明生成适用于 信号的字典，但是码矢量之间具有最小的距离，从而使考虑码矢量太 接近而使其在感知级别不能辨别的事实变成可能。
根据本发明的其它特征，所述统计分析的步骤包括创建初始字 典的子步骤；从所述初始字典对所述驱动矢量进行分类、以形成量化 区域的子步骤；以及确定每个区域的质心的子步骤，所述质心就是所 述码矢量。该实施方式对应于统计分析的特定实现。
有利地，所述创建初始字典的子步骤从所述驱动矢量开始执-f亍， 并且包括用在点的规则格上选择的经舍入的矢量来替换每个驱动矢 量，以及根据所述经舍入的矢量的出现频率来选择性地去除所述经舍 入的矢量。
在本发明的特定实施方式中，所述统计分析的步骤还包括计算所述初始字典的失真的子步骤，以及将所述失真与容忍阈值进行比较 的子步骤，如果所述比较得到否定的结果，则重复所述统计分析的步 骤。该迭代方法使得能够获得较好质量的初始字典。
在一种变体中，所述修改步骤包括用在点的规则格上选择的邻 近码矢量替换所述有限集合的每个码矢量。该实施方式能够确保码矢 量之间的最小距离。
有利地，所述方法还包括在所述被修改的码矢量之间去除重复矢 量的步骤，其结果是减小字典的大小。
在特定的实施方式中，所述去除重复矢量的步骤包括通过对所 述被修改的码矢量彼此比较来搜索重复矢量的子步骤，以及删除重复 矢量的子步骤。
有利地，所述方法还包括将所述被修改的码矢量与所述驱动矢量 合并的步骤，以改进字典的码矢量的失真，其中，所述驱动矢量之间 至少具有所述最小距离。
在特定的实施方式中，所述合并步骤包括用在点的规则格上选 择的经舍入的矢量替换每个驱动矢量的子步骤，以及将所述被修改的 码矢量与经舍入的驱动矢量相结合的子步骤。从而，与被修改的码矢 量结合的经舍入的驱动矢量两两之间也具有最小的距离。
在另一变体中，所述合并步骤还包括根据出现频率对所述经舍
入的驱动矢量进行排序，以及选择有限数量的所述经舍入的驱动矢量， 以将其与所述修改的码矢量相结合。
在实施方式中，所述结合的子步骤包括将有限数量的经舍入的驱 动矢量加入到所述修改的码矢量中，其中，所述经舍入的码矢量不同 于所述修改的码矢量。
在一种变体中，所述点的规则格具有对应于接收器灵敏度级别的 间距，其中，所述接收器是所述信号的目的地，从而能够改善对应于 感知真实的两个码矢量之间的最小距离。
在另一个实施方式中，该方法也包括优化所述字典的步骤。 例如，所述优化的步骤包括计算所述字典的失真的步骤，以及 将所述失真与容忍阈值进行比较的步骤，如果所述比较得到否定的结
10果，则重复所述统计分析的步骤和修改步骤。
可选地，所述优化的步骤包括在由所述被^修改的码矢量形成的字 典基础上执行的所述方法的至少 一次迭代。
本发明的另 一主题是包括实现上述方法的代码指令的计算机程 序，以及包括例如工作存储器、处理器的、执行所述计算机程序从而 生成本发明的意义范围内的矢量量化字典的装置。
本发明也旨在编码和解码的方法，以及使用#4居本发明获得的字 典的解码器。


根据下文的以非限制性实施例方式给出并参考附图的描述，将更 好地理解本发明，其中，
-图1是本发明的方法的流程-图2和图3是在本发明的方法的不同步骤上的字典的表示； -图4是最佳方法的流程-图5和图6是编码器和解码器的方框图，其中，该编码器和解码 器实现由本发明的方法获得的字典。
具体实施例方式
现在参考图l描述根据本发明获得矢量量化字典的方法。
在所描述的实施方式中，该方法在表示数字音频信号(例如语音 信号)的驱动矢量上实现。
首先，该方法包括驱动矢量的统计分析步骤10。在所描述的实施 方式中，步骤10对应于广义Lloyd-Max算法的应用。
步骤IO从用于创建记为C0的初始字典的子步骤12开始。通过 分析驱动矢量，或者通过本身已知的其它方法创建该字典，其中，其 它方法例如随机选择有限数量的驱动矢量或者称为"分离，，的算法、 "LBG算法"或其它。该初始字典CO是确定大小的。
在所描述的实施方式中，该方法然后包括用于初始化当前变量的 子步骤14,尤其是初始化对应于迭代数目的变量ITER和对应于失真值的变量DITER。
步骤10然后包括用于对与初始字典CO有关的驱动矢量进行分 类、以形成分类区域的子步骤16，以及用于为每个区域确定质心的子 步骤18。
更确切地说，在分类子步骤16中，对于每个驱动矢量，遍及当前 字典的全部，即，字典C0通过连续迭代被修改，用驱动矢量使误差 平方最小化的码矢量选自该字典。
子步骤18实现如下对于每个类或区域Vi,计算新的质心。
Vi被定义为验证了 Q(xj) = yi的驱动矢量xj的集合，其中Q()是 量化函数，且yi是字典的码矢量。
假设Ni是Vi的矢量的数目，且Vi(j，k)是Vi的第j个矢量的第k 个元素。
对于质心yi的第k个元素
乂 7=0
在子步骤20中，计算当前字典的失真值。
在子步骤20中，用由上一步骤提供的当前字典量化驱动矢量。驱 动矢量与其被量化的结果之间的误差平方形成了失真测量。
然后迭代地重复子步骤16、 18和20，直到达到迭代的最大次数 ITERMAX或失真小于容忍阈值，该测试在子步骤22中进行。
如上所述，在实施例中，步骤10，尤其子步骤16、 18、 20和22 的重复，对应于广义Lloyd-Max算法的应用。
在步骤10的结尾处，该方法提供了字典CITER,其中，该字典 CITER由驱动矢量的迭代统计分析构成。
图2给出了字典CITER的二维表示，其中，码矢量由大量的点表 示。在该表示中，灰点对应于驱动矢量或信号矢量，黑点对应于字典 的矢量。能够明白的是，字典CITER的矢量分布遵从驱动矢量的密度， 许多矢量之间互相接近。
该方法之后包括用于^f奮改字典CITER以增强码矢量两两之间的 最小距离的步骤30。
该修改步骤30包括，用在点的规则格(例如笛卡儿栅格)上所选的邻近矢量，替换每个码矢量。这些修改的矢量也称为舍入的矢量。
在所描述的实施方式中，所选的邻近矢量是设置在离码矢量最近的^L 则格上的矢量。根据实施方式和矢量的类型，除了矢量之间的距离的 其他准则能够用于确定码矢量的邻近矢量。
从而，步骤30提供了新的字典C，，其通过在规则格上对在步骤 10获得的字典CITER进行舍入而获得。
在规则格上对码字进行舍入按如下执行，p被认为是格的间距
L P」
其中，i=l...M, k= 1…n且[.]表示舍入到最近的整数。 然后本发明的方法包括用于从构成字典C，的所修改的码矢量中 去除重复矢量。
步骤32包括用于搜索重复矢量的子步骤和删除重复矢量的子步 骤，其中，通过将每个码矢量与字典的其它码矢量进行比较，在整个 字典C，上执行搜索重复矢量的子步骤。
在步骤32的结尾处，字典C，可包括比字典CITER更少的码矢量。
该方法然后包括用于将所修改的字典与舍入的驱动矢量合并的步 骤34，从而在字典大小被减小时使该字典完善。
步骤34从子步骤36开始，子步骤36用被称为舍入的驱动矢量的 邻近矢量替换每个驱动矢量，其中，该舍入的驱动矢量是在点的MJ!寸 格上选取的。有利地，使用与步骤30中相同的格。有利地，在去除重 复矢量之后，然后根据舍入的驱动矢量的出现频率，以降序方式对其 进行排列。
本发明的方法然后包括，用于联合所修改的码矢量字典C'与舍入 的驱动矢量的子步骤38。在该子步骤的过程中，有利地通过遵循降序 排列的出现频率，加入不存在于字典中的舍入的驱动矢量来完成字典 C，。
从而，构造字典c"，以保证形成该字典的码矢量的质心之间的最
小距离，从而其被描述为受约束的。在实施例中，在对数标度上取得 将被量化的参数，该范围的不变的间距等于与人耳灵敏度对应的能量 范围中的对数间距。根据感知阈值的变化来选择间距p，由于本发明
13的方法，可在考虑感知阈值的情况下生成统计矢量量化的字典。
另外，通过联合字典与舍入的驱动矢量，获得了码矢量的更好的 分布。
图3以二维的大量点的形式表现字典C"。显而易见的是，在图3 中，根据上述方法获得的字典C"覆盖了大范围的驱动矢量，并且码矢 量的两两之间具有最小的距离。
即使图2和图3的字典实际上具有相同数目的码矢量，但是图3 中的字典的明显的点的数量小于图2中的字典的明显的点的数量。实 际上，图2和图3只表现了更高维数的矢量的二维投影。如图3所示 的字典的码矢量在规则格上舍入，某些矢量被缩至一点，图2所示的 字典则不是这种情况。
有利地，该方法也包括用于使字典C"优化的阶段40,在图4中示 出了其流程图。
该优化从字典C"的接收开始，字典C"在参考图1到图3所描述 的方法的结尾处获得。
在所描述的实施方式中，该优化阶段包括重复相同的处理步骤和 将其应用于字典C"的码矢量。然而，在所描述的优化阶段，在每次迭 代中，都进行了分类、质心的确定、码矢量的修改和重复矢量的去除。
从而，阶段40从应用于字典C"的码矢量的分类步骤42开始，接 着是用于确定质心的步骤44。步骤42和44类似于上述的步骤16和 18。
接下来，执行用于通过在规则格舍入而进行if改的步骤46。该步 骤46之后是用于替换重复矢量的步骤48。
最后，优化阶段包括用于测量失真的步骤50和用以确定失真是否 小于容忍阈值或是否已达到迭代的最大次数的测试52。
该优化阶段可进一 步改进字典的质量。
当然，其它实施方式是可能的。
作为变体，通过在规则格上删除舍入的驱动矢量来创建初始字典。 该初始字典的创建方法包括，用在规则格上选择的邻近矢量替换驱动 矢量，然后根据舍入的驱动矢量的出现频率的变化，选择性地排除舍入的驱动矢量。
在另一个变体中，优化阶段包括，利用先前获得的字典作为初始 字典，同一地重复图l的方法。
在另一个变体中，合并步骤在所修改的码矢量和未舍入的驱动矢 量之间进行。然而，在该实施方式中，所使用的驱动矢量被选择以保 证维持字典的码矢量之间的最小距离。
可利用适用于任意类型的计算器和计算机的程序，实现如上所述 生成码矢量的方法。
参考图5和图6描述利用根据本发明的方法获得的字典的编码器 和解码器。
这些编码器和解码器是分波段中的分层音频编码和解码的总系统 的一部分，以三个可能的速度8、 12或13.65 kbit/s工作。实际上， 编码器以最大速度13.65 kbit/s工作，然而，解码器能够以8 kbit/s接 收核心，也可分别以12或13.65 kbit/s接收一个或两个增进层。
如图5所示的编码器60包括接收输入信号的两个路径。第一路径 包括滤波单元62,适用于从信号中提取0到4000Hz的低波段LF。第 二路径包括类似的单元64，适用于提取4000到8000Hz的高波段HF。 例如，这些单元62和64包含以标准方法实现的滤波和抽取才莫块。
在编码单元66中，根据标准CELP编码(例如8到12 kbit/s的嵌 入式CELP编码)，对低波段信号进行编码。
特别地，在单元70中利用矢量量化对高波段信号进行编码。在所 描述的实施方式中，单元70是参数编码单元，其中，被编码的参数是 信号的时间和频率包络，分别对应于通过高波段信号的每个子帧或子 波段的均方根(r.m.s)获得的有效值。这些包络被如下传递到对数域 内
cr dB=1/21og2 其中，ff是包络值。
对于输入信号的每帧，在参数分析模块72和74中提取时间和频 率包络参数。然后在矢量量化模块76中，利用根据本发明生成的字典， 这些参数在对数域中被共同量化。更确切地说，在所描述的实施方式中，通过称为笛卡儿乘积的矢 量量化通过受抑制的平均值对参数进行编码。
计算时间包络矢量的平均值p,然后该平均值^^皮量化。被量化的 平均值用符号M表示。因而，在时间和频率包络矢量被分别量化和多
路复用之前，它们以nq为中心。
通过统一的标量量化对平均值n进行量化，其间距p=0.99657是 感知阈值，是用以生成字典的规则格的间距。
利用根据本发明获得的字典，实现笛卡儿乘积矢量量化，其中， 所存储的码矢量是对应于6dB的间距、具有最小距离p=0.99657的字。
然后，在多路复用器80中将两个路径HF和LF进行多路复用， 以形成编码器60的输出信号。
参考图6描述相应的解码器100。
首先，解码器包括多路信号分离器102，分离对应于信号的低波 段和高波段部分的路径。
对应于低波段信号的路径被送入CELP解码器104。该CELP解 码器也提供了以标准方法计算的激励参数。
对应于高波段信号的路径被送入解码单元110，其特别地利用了 逆矢量量化112。
模块112的输出被提供给时间修整模块114。模块114也接收同 步激励信号，该激励信号由模块116从CELP解码器104所提供的 CELP激励参数产生。
, 最后，单元110包括频率修整模块118。
与参数的编码对称，解码由时间和频率包络的反向规格化来完成， 其中，时间和频率包络由反量化装置进行反量化。
最后，在混频器124中重组两个路径之前，在处理模块120和122 中处理所述两个路径。
该编码器和解码器的体系结构和操作是本身标准化的，在本文中 不再详细描述。在文档UIT-T， COM 16, D214 (WP 3/16) "High level description of the scalable 8-32 kbit/s algorithm submitted to the Qualification Test by Matsushita, Mindspeed and Siemens (递交至Matsushita、 Mindspeed和Siemens的量化测试的可升级8-32 kbit/s算 法的高级描述)，，Q.10/16, Study Period 2005-2008 (研究阶賴: 2005-2008 ) ， Geneva, 26 July画5 August 2005 (日内瓦，2005年7月 26日至8月5日)(Source: Siemens (来源西门子))中给出了详细 的描述。
权利要求
1. 生成用于信号的矢量量化字典(C＂)的方法，其包括对表示所述信号的驱动矢量进行统计分析的步骤(10)，所述信号确定作为所述驱动矢量的代理的码矢量(CITER)的有限集合，其特征在于，所述方法还包括修改码矢量的所述有限集合的步骤(30)，以改进被修改的码矢量两两之间的最小距离，其中，被修改的码矢量形成所述字典。
2. 如权利要求l所述的方法，其特征在于，所述统计分析的步骤 (IO)包括创建初始字典(C0)的子步骤(12);从所述初始字典开始对所 述驱动矢量进行分类、以形成量化区域的子步骤(16);以及确定每个 区域的质心的子步骤(18)，所述质心就是所述码矢量。
3. 如权利要求2所述的方法，其特征在于，所述创建初始字典的 子步骤(12)从所述驱动矢量开始执行，并且包括用在点的规则格上 选择的经舍入的矢量来替换每个驱动矢量，以及根据所述经舍入的矢 量的出现频率来选择性地去除所述经舍入的矢量。
4. 如权利要求1到3中任一权利要求所述的方法，其特征在于， 所述统计分析的步骤还包括计算所述初始字典的失真的子步骤(20)， 以及将所述失真与容忍阈值进行比较的子步骤(22),如果所述比较得 到否定的结果，则重复所述统计分析的步骤(IO)。
5. 如权利要求1到4中任一权利要求所述的方法，其特征在于， 所述修改步骤(30)包括用在点的规则格上选择的邻近码矢量替换所 述有限集合的每个码矢量。
6. 如权利要求1到5中任一权利要求所述的方法，其特征在于， 所述方法还包括在所述被修改的码矢量之间去除重复矢量的步骤 (32)。
7. 如权利要求6所述的方法，其特征在于，所述去除重复矢量的 步骤(32)包括通过对所述被修改的码矢量彼此比4^来搜索重复矢量 的子步骤，以及根据码矢量的出现频率来删除重复矢量的子步骤。
8. 如权利要求1到7中任一权利要求所述的方法，其特征在于， 所述方法还包括将所述被修改的码矢量与所述驱动矢量合并的步骤 (34)，其中，所述驱动矢量之间至少具有所述最小距离。
9. 如权利要求8所述的方法，其特征在于，所述合并步骤包括 用在点的规则格上选择的经舍入的矢量替换每个驱动矢量的子步骤 (36),以及将所述被修改的码矢量与经舍入的驱动矢量相结合的子步 骤(38)。
10. 如权利要求9所述的方法，其特征在于，所述合并步骤(36) 还包括根据出现频率对所述经舍入的驱动矢量进行排序，以及选择 有限数量的所述经舍入的驱动矢量，以将其与所述修改的码矢量相结 合。
11. 如权利要求9和10中的任一权利要求所述的方法，其特征在 于，所述结合的子步骤(38)包括将有限数量的经舍入的驱动矢量加入 到所述修改的码矢量中，其中，所述经舍入的码矢量不同于所述修改 的码矢量。
12. 如权利要求3、 5或9所述的方法，其特征在于，所述点的规 则格具有对应于接收器灵敏度级别的间距，其中，所述接收器是所述 信号的目的地。
13. 如权利要求1到12中任一权利要求所述的方法，其特征在于， 所述方法还包括优化所述字典的步骤(40)，其中，所述字典由所述被修改的码矢量形成。
14. 如权利要求13所述的方法，其特征在于，所述优化的步骤(40) 包括计算所述字典的失真的步骤(50)，以及将所述失真与容忍阚值 进行比较的步骤(52)，如果所述比较得到否定的结果，则重复所述统 计分析的步骤和修改步骤。
15. 如;f又利要求13所述的方法，其特征在于，所述优化的步骤(40) 包括在由所述被修改的码矢量形成的字典基础上执行的所述方法的至 少一次迭代。
16. 矢量量化字典(C")，包括作为驱动矢量的代理的码矢量，所述 驱动矢量表示信号，其特征在于，所述字典由根据权利要求1到15 中的任一权利要求所述的方法获得。
17. 用于生成信号的矢量量化字典(C")的计算机程序，其特征在 于，所述计算机程序包括代码指令，当所述计算机程序在计算机上运 行时，所述代码指令执行根据权利要求1到15中的任一权利要求所述 的方法。
18. 用于生成矢量量化字典(C")的装置，其特征在于，所述装置包 括用于执行如权利要求17所述的计算机程序的装置。
19. 对信号进行编码的方法，包括分析所述信号以从其中获得代 表性参数的至少一个步骤，其特征在于，利用如权利要求1到15中任 一权利要求所述的方法生成的字典，通过矢量量化对至少一个所述代 表性参数进行编码。
20. 信号编码器(60)，至少包括分析所述信号以从其中获得代表性 参数的装置(72，74)，其特征在于，所述信号编码器还包括利用如权利要求1到15中的任一权利要求所述的方法生成的字典，通过矢量量4匕 对至少一个所述代表性参数进行编码的装置(76)。
21. 对信号进行解码的方法，包括处理所述信号的代表性参数的 至少一个步骤，其特征在于，利用如权利要求1到15中的任一权利要 求所述的方法生成的字典，通过逆矢量量化，对至少一个所述代表性 参数进行解码。
22. 信号解码器(100)，至少包括处理所述信号的代表性参数的装 置，其特征在于，所述信号解码器还包括利用如权利要求1到15中的 任一权利要求所述的方法生成的字典，通过逆矢量量化对至少一个所 述代表性参数进行解码的装置(112)。
全文摘要
本发明涉及生成用于信号的矢量量化的字典的方法。该方法包括对表示所述信号的驱动矢量进行统计分析的步骤(10)，所述信号确定表示所述驱动矢量的码矢量(CITER)的有限集合。本发明的特征在于，所述方法还包括修改码矢量的所述有限集合的步骤(30)，以改进被修改的码矢量两两之间的最小距离，其中，被修改的码矢量的集合形成所述字典。
文档编号H04N7/26GK101467459SQ200780009915
公开日2009年6月24日 申请日期2007年3月9日 优先权日2006年3月21日
发明者史蒂芬·拉格特, 西里尔·纪尧姆 申请人:法国电信公司