基于多级SMVQ的图象编码算法

边缘匹配矢量量化器(SMVQ)是有限状态矢量量化器(FSVQ)的一个分支.该量化器适合于对图像块间相关性高的图像进行压缩编码,其优点是在比特率相近的情况下,编码质量高于传统的穷尽搜索矢量量化编码器,但其缺点是计算量大和比特率固定.本文提出了一种改进的边缘匹配矢量量化器.测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量得到提高.     

基于改进边缘匹配矢量量化的图象编码算法

边缘匹配（Side-Match）矢量量化器（SMVQ）是有限状态矢量量化器（FSVQ）的一个分支。该量化器适合于对图象块间相关性高的图象进行压缩编码,其优点是在比特率相近 的情况下,编码质量高于传统的穷尺搜索矢量量化编码器,但其缺点是计算量大和比特率固定。本文提出了一种改进的边缘匹配矢量量化器。测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量有所提高。     

一种新的图像地址矢量量化编码算法

提出一种新的图像矢量量化编码算法。该算法结合相关矢量量化编码算法与地址矢量量化编码算法,首先根据相邻块状态进行编码地址的相关预测,对相关预测失败的图像块采用地址码匹配编码,并采用自适应算术编码进行。测试结果表明,相对于无记忆矢量量化编码算法,比特率约下降３８％－６８％,相对于安平提出的矢量量化地址编码算法以及王卫等提出的相关矢量量化编码算法,比特率约下降２５％以上。     

一种快速相关预测矢量量化的图像编码算法

矢量量化是近年来图像压缩研究中的重要技术，在该技术中，减小编码运算时间和降低平均编码比特率是当前研究的重要问题，目前，已经提出了许多快速编码算法。为了进一步减少图像矢量量化编码的时间和降低编码比特率，提出了一种超前相关预测与快速搜索相结合的快速矢量量化编码算法。该算法在对当前图像块完成编码后，再根据该图像块与相邻的未编码图像块的相关性来预测相邻块的编码值，如果预测成功，则用低比特率表示编码值；否则用绝对误差不等式删除(AEI)算法来求得高比特率编码值，以减少总编码时间和降低平均比特率。测试结果表明，该算法比传统的穷尽搜索算法的编码速度快，且比特率低，同时对编码质量的影响很小。     

基于DCT分类的边缘匹配矢量量化图像编码算法

提出一种基于DCT分类的边缘匹配矢量量化算法,充分考虑了当前处理图像块与其相邻图像块之间的相关性以及各码字与该输入矢量之间的边缘匹配失真.实验结果表明,该算法的峰值信噪比(PSNR)值高于基本边缘匹配矢量量化器且码率更低.本文对该方法进行了改进,提出一种新的基于DCT分类的边缘匹配矢量量化算法.该算法可以使运算时间缩短40%～5O%.     

基于哈夫曼编码的矢量量化图像压缩算法

现有边缘匹配矢量量化(SMVQ)算法没有考虑码字索引分布规律。针对该问题,通过理论分析得到码字索引严重非均匀分布的规律,基于该规律提出结合哈夫曼编码的SMVQ图像压缩算法。实验结果表明,与穷尽搜索算法相比,该算法在保持相同编码质量的情况下,编码码率下降50%,与SMVQ相比,其PSNR提高0.8 dB,编码码率下降30%。     

基于DSMVQ和S+P变换的图像压缩算法

提出了一种用于图像压缩的动态边匹配有限状态矢量量化(DSMVQ)算法,该算法通过S+P变换方法,对图像进行多级小波变换,利用3个方向上各自小波系数之间的相关性,构造符合图像特征的跨频带矢量,利用DSMVQ进行量化,采样了基于人眼视觉特性的加权均方误差准则,提高了图像的编码效率和重构质量。试验结果表明,该算法实现简单,在较低的编码率下,可达到较好的压缩效果。     

图像块动态划分矢量量化

提出一种可以自动调节子图像块尺寸的矢量量化算法———图像块动态划分矢量量化 该算法在进行编码前 ,首先对待编码子图像块及其相邻块进行相关度分析 ,通过预设的阈值 (最大相关度 )进行分类编码 :如果相关度小于阈值 ,则对 8× 8图像块进行编码 ;否则 ,对 4× 4的图像块进行编码 实验结果表明 ,相对于普通矢量量化 ,文中算法不但可以提高压缩率和编码速度 ,而且不会影响重建图像的质量     

基于矢量量化的数字视频压缩技术

对基于矢量量化的数字视频压缩技术进行了论述，并根据分析结果提出了一种新的矢量量化算法——多级矢量量化联合编码算法，该算法保持了多级矢量量化算法编码速度快、图像相关性小等特点，同时提高了编码质量。实验表明，该算法与已有的算法相比具有较高的图像质量和更高的压缩率。     

基于矢量量化的高效BTC图像编码算法

块截短编码(BTC)是一种快速有效的有损图像编码技术。其优点是有较好的信道容错力，较小的计算负担，对存储器要求较少，重建图像质量较高。然而，标准BTC算法的主要缺点是比特率比其他基块图像编码的算法如变换编码和矢量量化高，通常为2．0比特每象素。为降低比特率，本文提出四种有效的BTC算法，以降低对每个图像块的两个量化电平和位平面编码所需的比特数。一方面，提出一种简单的查表算法对每块的BTC量化数据编码。另一方面，引入矢量量化技术以减少对位平面编码的比特数。为减少由改进算法引入的额外失真，在每种提出的算法中，采用最优阈值而不用平均值作为量化阈值。实验结果证实了本文算法的有效性。     

基于动态SMVQ的图像压缩算法

SMVQ利用相邻图像块之间的相关性来提高编码图像质量。然而,传统的SMVQ当图像边缘位于当前编码图像块右下角时会出现编码误差,为此,研究并提出了一种改进的SMVQ,新算法利用图像所有图像块之间的相关性对当前编码图像块进行预测。对每一个输入图像块,利用边匹配方法从已编码数据中寻找最近块,并用其对输入图像块进行预测,或产生动态码书。然后利用最近块、动态码书或总码书对输入数据进行编码,扩展了编码搜索范围,提高了图像质量。实验结果表明新算法大大降低了比特速率,而且编码图像有较好的视觉效果。     

基于快速相关矢量量化的图象编码算法

图象编码已经成为当今计算机世界的重要问题,而矢量量化（ＶＱ）又是近年来有损图象压缩的一种重要技术,它的优点是比特率低以及解码简单,但是其穷尽搜索编码计算量较大,为了降低编码时间,已经有多种快速算法出现在一些文献中,然而这些算法往往不能进一步降低比特率,为了解决这一问题,因此提出了一种新颖快速相关矢量量化（ＣＶＱ）图象编码算法,该算法对图象块的编码采用对角顺序,即在编码过程中根据当前图象块（ＣＶＱ）     

Energy-Based Split Vector Quantizer Employing Signal Representation in Multiple Transform Domains

Mikhael, W., and Krishnan, V., Energy-Based Split Vector Quantizer Employing Signal Representation in Multiple Transform Domains, Digital Signal Processing11 (2001) 359–370Vector quantization schemes are widely used for waveform coding of one- and multidimensional signals. In this contribution, a novel energy-based, split vector quantization technique is presented, which represents digital signals efficiently as measured by the number of bits per sample for a predetermined signal reconstruction quality. In this approach, each signal vector is projected into multiple transform domains. In the learning mode, for a given transform domain representation, the transformed vector is split into subvectors (subbands) of equal average energy estimated from the transformed training vector ensemble. An equal number of bits is assigned to each subvector. A codebook is then designed for each equal energy subband of each transform domain representation. In the running mode, the coder selects codes from the domain that best represents the signal vector. The proposed multiple transform, split vector quantizer is developed and its performance is evaluated for both single-stage and multistage implementations. Several single transform vector quantizers for waveform coding exist, some of which employ energy-based bit allocation. Sample results using one-dimensional speech signals confirm the superior performance of the proposed scheme over existing single transform vector quantizers for waveform coding.     

基于稳健统计的矢量量化器设计算法

L BG算法作为矢量量化的基本算法具有经典意义 ,但由于在训练图象中 ,总存在少量的离群矢量 ,使得在训练码书时 ,码字的分布受到影响 ,进而使得压缩性能下降 ,因而不能充分体现出矢量量化的优越性能 .而运用基于稳健统计的方法来设计矢量量化器 ,由于减少了码书中的离群矢量 ,同时加强了中心矢量在码书中的权重 ,因而不仅能够尽量减少码书的冗余 ,而且能大幅度提高压缩性能 .实验结果显示 ,用基于稳健统计的设计方法设计的码书 ,其压缩性能比传统的 L BG算法有了较大的改善 ,且恢复图象的主观、客观效果都是令人满意的 .     

An embedding technique based upon block prediction

This paper presents a novel data hiding scheme for VQ compression images. This scheme first uses SMVQ prediction to classify encoding blocks into different types, then uses different codebooks and encoding strategies to perform encoding and data hiding simultaneously. In using SMVQ prediction, no extra data is required to identify the combination of encoding strategies and codebook, which helps improve compression performance. Furthermore, the proposed scheme adaptively combines VQ and SMVQ encoding characteristics to provide higher image quality of stego-images while size of the hidden payload remains the same. Experimental results show that the proposed scheme indeed outperforms other previously proposed schemes in image quality of the stego-images and compression performance.     

一种新的矢量量化编码算法

矢量量化是低位率图像压缩非常有效的一种方法 ,矢量量化基本方法的一个关键问题是需要较长的编码时间 ,尤其对于高维矢量或大的码书 .提出了一种基于 1/ 2 L2 -范数金字塔数据结构的快速编码算法 ,明显加快了编码过程 ,减少了实际对存储器的需求 ,特别对高维矢量和大的码书效果更显著 ,同时保持与全搜索方法相同的编码质量     

Low bit-rate information hiding method based on search-order-coding technique

Information hiding method with low bit rate is important in secure communications. To reduce bit rate we propose a new embedding method in this paper based on SOC (search-order coding) compression technique. Compared to Chang et al.’s scheme in 2004, our scheme completely avoids the transform from SOC coding to OIV (original index values) coding to significantly reduce bit rate. In order to further reduce bit rate, Chang et al. proposed a reversible data hiding scheme using hybrid encoding strategies by introducing the side-match vector quantization (SMVQ) in 2013. But it needed additional 1 bit indicator to distinguish the two statuses to determine OIV is belonged to G1 or G2. This overhead gave a large burden to compression rate and could not reduce the bit rate significantly. In contrast, our scheme completely avoids this indicator. The experimental results show that the proposed method can efficiently reduce the bit rate and have the same embedding capacity compared with Chang et al.’s scheme in 2004 and Chang et al.’s scheme in 2013. Moreover, our proposed scheme can also achieve a better performance in both the embedding capacity and bit rate than other related VQ-based information hiding schemes.     

Parallel 1D and 2D vector quantizers using a Kohonen neural network

The process of reconstructing an original image from a compressed one is a difficult problem, since a large number of original images lead to the same compressed image and solutions to the inverse problem cannot be uniquely determined. Vector quantization is a compression technique that maps an input set of k-dimensional vectors into an output set of k-dimensional vectors, such that the selected output vector is closest to the input vector according to a selected distortion measure. In this paper, we show that adaptive 2D vector quantization of a fast discrete cosine transform of images using Kohonen neural networks outperforms other Kohonen vector quantizers in terms of quality (i.e. less distortion). A parallel implementation of the quantizer on a network of SUN Sparcstations is also presented.