基于描述长度的 Context 建模算法

ByElmer1

摘 要：在基于 Context 建模的熵编码系统中，为了达到预期的压缩性能，需要通过 Context 量化来缓解由高阶
Context 模型所引入的“Context 稀释”问题。为此，该文提出一种通过最小化描述长度来实现 Context 量化
(Minimum Description Length Context Quantization, MDLCQ)的算法。该算法使用描述长度作为评价准则，通过
动态规划算法来实现单条件的最优 Context 量化，然后通过循环迭代来实现多条件的 Context 量化。该算法不仅可
以得到多值信源的优化 Context 量化器，而且可以自适应地确定各个条件的重要性从而确定模型的最佳阶数。实验
结果表明：由 MDLCQ 算法所得到的 Context 量化器，可以明显改善熵编码系统的压缩性能。
关键词：条件熵编码；Context 量化；描述长度；算术编码
1 引言
近些年来，Context 建模被广泛地用来改善编
码系统的压缩性能。2006 年，文献[1]优化了 Context
: a: n3 B9 F0 G$ C, ~  t量化算法以改善 JPEG2000 中图像小波变换系数的
比特平面编码。2012 年，文献[2]利用改进的游程编
4 Z3 k, {1 n4 R) ~码和基于 Context 建模的自适应算术码对嵌入式代
数矢量量化器的二进制索引值进行压缩，以提高音
频类信源的编码效率。2013 年，文献[3]在近无损
8 B$ M) `  e2 ]3 k$ rCALIC 系统中通过 Context 建模的思想来优化预测
8 i+ `, i$ \. W误差的标量量化器的性能。2014 年，文献[4]利用预
测误差建立 Context 模型，通过将矢量量化映射为
非均匀的标量量化来自适应地实现 Context 量化，
* W! L8 T& S3 l0 g) R( e+ x; L$ w

3 Y9 i3 o8 p1 Y! N( y8 c& C
附件下载：

游客，如果您要查看本帖隐藏内容请回复

ounce

描述长度的 Context 建模算法 ，收藏了。