专利名称：一种指数分布数据的基于块自适应量化的方法
技术领域：
本发明涉及一种指数分布数据的量化方法，具体的说是一种数据压缩过 程中，指数分布数据的量化方法。
背景技术：
量化是压缩中带来损失的主要过程，有效的量化方法是提高压縮性能的 关键。
对于具有很大的动态范围的图像，有些区域比较暗，数据值比较小；有 些区域特别亮，数值比较大。块自适应量化(BAQ : Block Adaptive Quantization)方法最初被Ronald Kwok用来压縮合成孔径雷达的原始数据， 合成孔径雷达的原始数据服从高斯分布，通过估计每一块数据的方差来査表 决定每一块的量化步长，通过BAQ可以将8比特的数据压縮到2比特。
量化的任务是将区间[-"，,"_]上的数用固定长度的比特表示出来。不同 的数据块"_差别比较大，如果对于所有的数据块使用同样的量化步长，就 要使用所有块中的最大的"^，对于不同数据块"^变化范围比较大，这显然 不是理想的方法。块自适应量化是一种能够适应块局部特性的量化方法。量 化时先计算出每块的最大数据值，根据该值计算量化步长，为了便于实时实 现，量化步长通过移位数来表示，如每个数量化为/ 比特，则量化步长 0鄉=_/7—log2("m』-P + l ，其中如。Kx)表示不大于x的最大整数。每一个数 据块压缩时只需要记下量化步长。如图1所示的是对一幅4K"K的图像的块 量化歩长统计信息，可以看出量化变化范围比较大，量化步长相差8倍左右。
块自适应量化比均匀量化具有显著的优点，它产生的平均量化误差 (MQE)要比均匀量化产生的平均量化误差小得多。
发明内容
本发明考虑数据压縮过程中，成指数分布数据的量化方法，提供一种基 于块自适应量化的量化方法，适用于数据动态范围大，整体成指数分布的一 类数据，基于块自适应的量化方法能够有效地压縮图像，并且易于实时实现。
按照本发明提供的技术方案， 一种指数分布数据的基于块自适应量化的
方法，包括如下步骤
(1)在量化模型中，假设产生W个量化步长，第/个移位为&(/ = o,i，...，w-i)，每个移位产生的概率为/K"o,i，…,w-i)，最大移位为K。均 匀分布的数据使用均匀量化器，若量化步长为Q，则平均量化误差MQE =
Q/4;使用块自适应量化产生的平均量化误差MeE"为
(2)使用均匀量化的方法，移位统一变为K，对于原来移位为K,块现在 使用移位为K进行量化，产生的平均量化误差为MQE=2V4，使用均匀量
化参数的Me&为
(3)区间[-w,，,",^]上的数据经过BAQ量化成n比特的数据，即映射到 [-2" + l,"]区间上的2n个整数。量化以后的数值为"通过下面的公式将数 据转换到
区间上
对指数分布的数据进行块自适应量化，根据每块数据的特点进行相应的 处理，数据块不同，他们的量化步长不同，数据密集区域采用较小的量化步 长，数据分布较大的区域采用较大的量化步长，这样就更加有利于逼进量化 前的数据，减小丫量化误差。
本发明具有以下优点可以有效的解决不同图像数据块之间数据动态范 围大的特点，结合各数据块的特性采用不同的量化歩长，从而有效地降低了 量化误差；方法的复杂度不高，易于实时实现。
图1是一幅图像的块量化步长统计图。
图2是BAQ量化后的数据分布图。
具体实施例方式
下面结合附图和实施例对本发明作进一步说明。
图1是一块4096X2048大小的图像分成128X 128大小宏块以后的量化 步长统计图，横坐标是量化后的值，纵坐标是量化值的个数。通过该量化歩 长的分布可以看出，自适应量化可以非常有效的解决动态范围大的数据分布。
图2所示的4kX2k的块量化步长统计，横坐标是量化歩长，纵坐标是分 块的格式，数据块信息熵为3.78，而量化后每个数据为4比特。因此可以进
一步利用熵编码来提高压縮比。在Huffman编码和算术编码中选择了算术编 码，因为它的编码效率更高，基本接近于熵，它的一个缺点就是运算复杂度 较高。不同数据块的分布特性不一样，块自适应的算术编码可以根据各数据 块的分布情况及时的调整概率分布从而得到较好的熵编码效率。不同的数据 块采用不同的概率模型，同一块内采用固定概率模型，这种块自适应的算术 编码效率比较高，它能够在每个块内部达到最优的编码效率从而达到全局的 最优。结合块自适应量化的结果，可以对指数分布的数据量化方法进一步改 进，使得量化以后的数据接近于均匀分布。数据分布密集的区域量化步长减 小，数据分布广的区域量化步长增加。
本发明提出了一种指数分布基于块自适应量化的方法，适用于图像动态 范围大，整体成指数分布的数据。基于块自适应的量化方法能够有效地压縮 图像，并且易于实时实现。该方法可以很好的应用压縮过程中，特别对于在 时域或者空域成指数分布的数据，实现了对数据实现接近无损压縮的量化。 本发明对实数图像进行DCT或者FFT变换以后的数据进行量化；对复数图 像进行DCT或者FFT变换以后的数据进行量化。
本发明采用BAQ的方法来压縮成指数分布的数据。
在量化模型中，假设产生7V个量化步长，第/个移位为《(/ = 0,1，...，#-1)， 每个移位产生的概率为f(h(U,…，W-l)，最大移位为K。均匀分布的数据使用 均匀量化器，若量化步长为Q，则平均量化误差MQE二Q/4。使用块自适应 量化产生的平均量化误差为
<formula>formula see original document page 5</formula>
使用均匀量化(Uniform Quantization)的方法，量化步长移位统一变为 K，对于原来移位为《块现在使用移位为K进行量化，产生的平均量化误差 为MQE二2V4，从而使用均匀量化参数的似0￡ 9为
<formula>formula see original document page 5</formula>M2￡—要比MG&小很多，例如对于图1中N二4，《分别为14、 15、 16、 17，《分另U为0德、0.746、 0.183、 0.023。 M^—= 10207.232，而M^ =32768。
区间[-",，",皿]上的数据经过BAQ量化成4比特的数据，即映射到[-7,8] 区间上的16个整数。量化以后的数值为"通过下面的公式将数据转换到
区间上。实验中我们发现经过量化以后的数据服从一定的分布，如图2所示，它 反应的是一块数据量化后的各个数据值的分布情况。根据香农的离散随机变
量的熵公式//(/0 = -5>(/)10§2;)(/)(其中p(/)表示事件/发生的概率)，图2
所示的数据块信息熵为3.78，而量化后每个数据为4比特。因此可以进一步 利用熵编码来提高压缩比。在Huffman编码和算术编码中我们选择了算术编 码，因为它的编码效率更高，基本接近于熵，它的一个缺点就是运算复杂度 较高。不同数据块的分布特性不一样，块自适应的算术编码可以根据各数据 块的分布情况及时的调整概率分布从而得到较好的熵编码效率。不同的数据 块采用不同的概率模型，同一块内采用固定概率模型，这种块自适应的算术 编码效率比较高，它能够在每个块内部达到最优的编码效率从而达到全局的 最优。
结合块自适应量化的结果，可以对指数分布的数据量化方法进一步改进， 使得量化以后的数据接近于均匀分布。数据分布密集的区域量化步长减小， 数据分布广的区域量化步长增加。
权利要求
1、一种指数分布数据的基于块自适应量化的方法，其特征是所述方法包括如下步骤，(1)在量化模型中，假设产生N个量化步长，第i个移位为Ki(i＝0，1，...，N-1)，每个移位产生的概率为Pi(i＝0，1，...，N-1)，最大移位为K。均匀分布的数据使用均匀量化器，若量化步长为Q，则平均量化误差MQE＝Q/4；使用块自适应量化产生的平均量化误差MQEbaq为<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><msub> <mi>MQE</mi> <mi>baq</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <msub><mi>K</mi><mi>i</mi> </msub></msup><mo>/</mo><mn>4</mn><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <mrow><msub> <mi>K</mi> <mi>i</mi></msub><mo>-</mo><mn>2</mn> </mrow></msup><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>;</mo> </mrow>]]></math></maths>(2)使用均匀量化的方法，移位统一变为K，对于原来移位为Ki块现在使用移位为K进行量化，产生的平均量化误差为MQE＝2K/4，使用均匀量化参数的MQEuq为<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msub> <mi>MQE</mi> <mi>uq</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mn>2</mn> <mi>K</mi></msup><mo>/</mo><mn>4</mn><mo>*</mo><msub> <mi>P</mi> <mi>i</mi></msub><mo>=</mo><msup> <mn>2</mn> <mrow><mi>K</mi><mo>-</mo><mn>2</mn> </mrow></msup><mo>;</mo> </mrow>]]></math></maths>(3)区间[-umax，umax]上的数据经过BAQ量化成n比特的数据，即映射到[-2n-1+1，2n-1]区间上的2n个整数。量化以后的数值为i，通过下面的公式将数据转换到
区间上<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>=</mo><mo>{</mo><mfrac> <mrow><mn>2</mn><mo>*</mo><mi>i</mi><mo>-</mo><mn>1</mn><mrow> <mo>(</mo> <mi>i</mi> <mo>></mo> <mn>0</mn> <mo>)</mo></mrow> </mrow> <mrow><mo>-</mo><mn>2</mn><mo>*</mo><mi>i</mi><mrow> <mo>(</mo> <mi>i</mi> <mo><</mo> <mo>=</mo> <mn>0</mn> <mo>)</mo></mrow> </mrow></mfrac><mo>}</mo><mo>.</mo> </mrow>]]></math></maths>
全文摘要
本发明涉及一种指数分布数据的量化方法，具体地说是一种数据压缩过程中，指数分布数据的量化方法。基于块自适应的量化方法能够有效地压缩图像，并且易于实时实现。该方法可以很好的应用压缩过程中，特别对于在时域或者空域成指数分布的数据，实现了对数据实现接近无损压缩的量化。本发明对实数图像进行DCT或者FFT变换以后的数据进行量化；对复数图像进行DCT或者FFT变换以后的数据进行量化。本发明的优点是可以有效的解决不同图像数据块之间数据动态范围大的特点，结合各数据块的特性采用不同的量化步长，从而有效地降低了量化误差；方法的复杂度不高，易于实时实现。
文档编号H04N7/26GK101527845SQ200810244059
公开日2009年9月9日 申请日期2008年12月19日 优先权日2008年12月19日
发明者夏卫平, 李恒中 申请人:无锡亿普得科技有限公司