矢量量化算法的VLSI实现结构

本文通过将全搜索矢量量化算法（Full Search Vector Quantization）的计算转换成内积（inner product）运算，并利用Baugh-Wooley算法，阐述了FSVQ算法的一种新的有效的基于二进制补码的VLSI实现结构。由于该结构的规则性（regularity）和模块性（modularity），它可以被高效地应用在语音、图像、和视频编码的VLSI实现中。     

一种极低码率视频压缩编码算法的VLSI结构

本文提出了一种基于分类矢量量化的极低码率视频编码算法及其ＶＬＳＩ结构,它结合了四叉树分割,分类矢量量化算法,变块大小运动估计等多种算法,在获得较高压缩率同时,又克服了低码率图像编码算法中常见的边缘细节模糊的缺陷,同时,本算法在保留了矢量量化解码顺简单的优点的同时,并给出了一种易于ＶＬＳＩ实现的编码器结构,其中运动估计电路可和矢量量化器共用处理器阵列,从而减少了编码器的电路规模。’     

一种改进的相关图像矢量量化编码算法

本文提出了一种改进的图像矢量量化编码算法。该算法通过采用增加预测块，以及根据相邻块状态进行控制信息的条件熵编码等改进方法，进一步提高了算法的编码效率，为了便于算法实现，本文对图像的边缘引进的一致的处理方法。测试结果表明，相对于无记忆适量量化编码算法，比特率约下降４０％，相对于文献［５］算法，比特率约下降１５％。     

基于DCT子空间失真测度的矢量量化VLSI结构设计

本文提出了一种实现离散余弦变换子空间失真测度矢量编码算法的ＶＬＳＩ结构。     

基于树结构矢量分类的小波图像图编码矢量量化

本文基于零树编码,矢量分类和网络编码量化的思想,提出了对小波图象采用树结构矢量组合和分类后进行网络编码矢量量化的新方法,该方法充分利用了带系统的带间和带内的相关性,分类信息上中用比特数少,对重要类矢量实行加权网络编码矢量量化,利用卷积编码扩展信号空间以增大量化信号间的欧氏距离,用维特比算法搜索最优量化序列,并采用基于人眼视觉性特性的加权均方误差准则作为失真度量和码字匹配,提高了量化增益,仿真结果表明,该方法编码计算复杂度适中,解码简单,可达到很好的压缩效果。     

一种基于双正交小流变换和格型矢量量化的视频编码算法

本文提出了基于双正交小流变换和格型矢量量化的视频编码算法，在该方案中，小波变换将图像分解成多分辩率的子带图像，多分辩率运动估值技术实现子带图像的帧间预测，格型徉量量化对预测差值子带图像进行编码，从而获得了性能较好的活动图像编码新算法。     

应用神经网络的图像分类矢量量化编码

矢量量化作为一种有效的图像数据压缩技术，越来越受到人们的重视。设计矢量量化器的经典算法ＬＢＧ算法，由于运算复杂，从而限制了矢量量化的实用性。本文讨论了应用神经网络实现的基于边缘特征分类的矢量量化技术。它是根据人的视觉系统对图象的边缘的敏感性，应用模式识别技术，在对图像编码前，以边缘为特征对图像内容分类，然后再对每类进行矢量量化。除特征提取是采用离散余弦变换外，图像的分类和矢量量化都是由神经网络完成     

低通图象的自适应混合矢量量化编码

本文提出了一种基于图象分解与自适应混合矢量量化的静态图象高效编码方案,详细介绍了低通图象的混合矢量量化编码方法。就低频分量而言,在80∶1的压缩比时可以获得较好的译码图象质量。     

用于图像编码的相关矢量量化研究

当相邻的图像块用矢量量化（ＶＱ）编码时可能出现编码地址相同的情况,尤其是在图像的平滑区。为了减少相邻块间编码地址的相关性,本文提出了一种相关矢量量化方案,采用相关码书与改进的自组织特征映射（ＩＳＯＦＭ）码书同时编码一个窗口内的四个邻域块,与无记忆类ＶＱ相比,对一幅典型的“Ｌｅｎｎａ”图象,编码过程中所需计算量减少一半,比特率减少４０％,由于在Ｋｏｈｏｎｅｎ自组织神经网络的训练过程中,对边缘类矢量采     

基于矢量量化的层次分形编码方法

文中提出了一种新的分形图像压缩方法,该方法将矢量量化的概念应用于分形块编码中,对图像的平缓区进行矢量量化的线性组合编码,对图像的丰富细节区用分形编码,并且在分形编码时,采取了层次处理。实验表明,与基本的分形块编码方法相比,本文提出的矢量量化层次分形编码方法在保证一定的重建图像质量下,使图像的压缩比有了明显的提高,并且大大提高了编码和解码速度。     

基于仿射变换的改进型矢量量化编码

本文提出了基于仿射变换的改进型矢量量化编码算法，并给出了两种不同的实用结构，与传统矢量量化算法相比，该方法在不需要重新训练新码本及不增加码本存储空间的情况下，降低了编码误差，使得重建图像的ＰＳＮＲ显著增加，图像的主观质量也得到很大的改善。     

序号预测矢量量化器及其在图象编码中应用

本文提出一种序号预测矢量量化器的结构，与一般矢量量化器相比，它充分利用了图象极强的二维相关特性，并采用预测的方法去除冗余码字，从而在保证译码图象质量与一般矢量量化器的译码图象质量相同的前提下，压缩比可提高一倍以上。     

基于特征值苑配的变比特率相关矢量量化图像编码算法

该文提出了一种用于图像编码的新颖的变比特率相关矢量量化器。在编码之前,首先计算各码字的四个特征值,然后根据各特征值的升序排列得到相应的四个排序码书。在对当前输入矢量(当前处理图像块)进行编码的过程中,充分考虑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特征值与该输入矢量特征值之间的匹配性。测试结果表明,该算法与传统矢量量化(VQ)器相比,虽然在编码质量上有少许下降,但降低了比特率并加快了编码速度。     

一种矢量编码器的VLSI结构

我们提出了一种基于最小绝对值误差测试（ＭＭＡＥ）矢量编码器的ＶＬＳＩ结构，这一结构采用了误差测度的值不等式判据、预排序的码书和最近邻搜索算法，并采用二分搜索方法和特殊的误差测度计算及比较结构，大大降低了系统的实现规模，同时采用并行流水线等设计技术，可以获得每８个时钟周期编码一个矢量的处理速度。整个系统采用硬件描述语言ＶＨＤＬ和Ｓｙｎｏｐｓｙｓ系统中进行了设计验证和综合。     

一种矢量量化编码的加速算法

本文提出了一种基于最小均方误差测度的快速矢量量化编码算法。在进行均方测度计算之前，通过一组距离测度的不等式判据和预排序的码书，排了作大部分候选码字。     

一种分组并行的范式霍夫曼编码VLSI结构

设计了一种基于状态机的分组并行加速排序的范式霍夫曼编码VLSI结构。取代了传统的串行排序方法,以分组并行排序的方式来加速频数和码长的计算过程,最终通过减少计算的时钟周期数来达到加速编码的目的。基于SMIC 0.18μm标准工艺,使用Synopsys Design Compiler对该结构进行逻辑综合。实验结果表明,相比于文献[1]的排序结构,编码256个字符时,该结构的编码速度提升约165%;压缩不同质量的100张图片时,最坏情况下平均压缩率提升了2.78%,最好情况下平均压缩率提升了12.24%。     

基于记忆和预测机制的自适应矢量量化及其在图像压缩编码中的应用

本文提出了一种用于图像压缩的低比特率自适应矢量量化技术，该方法有以下三个特色：１）引入了有效的记忆预测机制，使量化器和编码器有很好的自适应性。２）采用二次寻址方法对矢量的地址进行编码，大大提高了编码效率；３）算法运算复杂度低，便于ＶＬＳＩ实现。     

基于小波变换的多级矢量量化图像编码算法

结合小波变换中多分辨率分析特性以及多级矢量量化复杂度低、量化效果较好的特点提出了一种基于小波变换的多级矢量量化图像编码方法。在使用多级量化的基础上采用联合优化多级矢量量化的码本设计方法,进一步提升量化效果。试验数据表明,该方法相对于传统的矢量量化算法,量化效果进一步提高,复杂度也在可接受范围之内,达到了很好的压缩编码效果。