基於Context建模的熵編碼及其套用研究

《基於Context建模的熵編碼及其套用研究》是依託雲南大學，由陳建華擔任負責人的國家自然科學基金專項基金項目。

基本介紹

• 中文名：基於Context建模的熵編碼及其套用研究
• 負責人：陳建華
• 依託單位：雲南大學
• 項目類型：專項基金項目

項目摘要

基於Context建模的熵編碼已經廣泛地套用於圖像、視頻數據壓縮國際標準和套用開發研究。實際套用中面臨的主要問題是如何建立有效的Context模型，既提高熵編碼效率又降低模型代價。Context量化與加權是解決這個問題的有效手段。但目前實際套用的方法都是人工基於經驗來進行量化器設計和加權，不能實現與信源數據的最優配合。本項目基於最優Context量化理論和進化聚類思想，研究量化器設計算法，提高精度並實現Context量化器輸出類數和量化分區的聯合最佳化；基於貝葉斯理論，研究Context模型加權方法，融合各模型的特點以降低模型代價。本研究預期為實際套用基於Context建模的熵編碼，構建最少人工干預的Context模型設計方法。同時，對特定生物醫學信源進行壓縮並實現Context量化器自適應更新。研究成果將以論文形式在國內外重要期刊上發表論文10篇以上（SCI、EI收錄6～8篇）。

結題摘要

利用Context模型實現高階條件熵編碼時會面臨嚴重的模型稀釋問題。Context量化是抵禦模型稀釋的有效方法，但現有圖像、視頻壓縮標準中的Context模型均為人工根據經驗量化而得。目前基於自適應碼長最短的Context量化算法尚不支持非二進制信源，而基於條件熵最小的Context量化算法對模型代價描述不理想，需指定量化器輸出狀態數。為此，我們探索了利用遺傳聚類算法將基於自適應碼長最短的Context量化拓展到多進制信源的方法。我們還發現採用自適應碼長增量作為評價樣本相似度的局部度量時，可用近鄰傳播等不同聚類思路的算法來實現Context量化。故我們用最小描述長度理論對基於自適應碼長的Context量化重新進行了解釋，並將自適應碼長增量按描述長度增量的觀點對其性質進行了理論分析，闡明了其作為局部相似性度量的優勢。據此，我們提出了一個基於混合聚類思想的Context量化算法，在令訓練序列描述長度最短的目標下，同時實現了聚類類數和聚類分區的最佳化。研究成果成功套用於一種圖像壓縮算法中的一些二進制和多進制序列的Context量化，其編碼效果超過了人工反覆實驗調整的Context量化器。 另一方面，我們在基於蟻群聚類的Context量化研究中證實，聚類精度提高對Context量化器性能改善有直接影響。而聚類是計算複雜問題，難有全局最優解。因此我們也對基於群體智慧型的最佳化算法展開研究，以期用較少的計算資源搜尋到更好的解。包括聚類在內的許多最佳化問題有多個全局最優解，我們針對這類問題設計了一種基於多子群最佳化思想的多模最佳化算法（MOA），對該算法的收斂性進行了詳細理論分析。MOA算法以較低的計算複雜度獲得了很好的多模問題求解質量。 在基於Context建模的熵編碼套用方面，我們開展了ECG信號的壓縮研究。在利用ECG信號類周期特性以提高壓縮率方面採取了兩種不同的策略，一為採用Context建模方式在熵編碼環節直接利用心搏間統計相關，另一種採用碼書自適應矢量量化方式在量化環節對心搏間相關進行間接利用，它們分別在低壓縮率和高壓縮率時有很好的誤差性能。但共同特點是都具有較小的編碼時延，從而可以套用在實時臨床監控中。 綜上所述，本項目研究已完成預定研究任務，順利實現了為多進制信源設計最少人工干預的Context量化算法這一主要目標。