|
本文針對VQ技術的主要問題：⑴高計算成本(high computational complexity) ，⑵
邊緣衰退(edge degradation)，提出將訓練向量依照特徵先予以分類(classified)再
訓練的新分類方法。此分類方法快速，有效而又簡單，只需作簡單的整數運算和XOR
邏輯運算，比傳統的分類方法(CVQ[25], CNNC[14]) 節省許多計算成本，且容易以硬
體來製作。分類後的向量我們用下面兩種"on-line" 的演算法來訓練編碼本
(codebook)：⑴Yair, Zeger 和Gersho於1992年提出的軟性競法學習法(Soft
Competition Scheme;SCS)[30]⑵Ahlt, Krishnamurthy和Chen於1990提出的一種類神
經網路學習法則，稱為次數感知的競爭學習法則(Frequency-Sensitive Competitive
Learning;FSCL)[1] 。
實驗結果發現以分類的FSCL方法(CFSCL) 訓練出來的碼本作影像壓縮物碼時，重建影
像的PSNR值平均比FSCL法高0.03dB，比LBG 法高0.48dB，邊緣衰退現象大幅改善。而
且CFSCL 法的碼本訓練時間平均為FSCL法19% ，為LBG 法的11% 。若僅要求與LBG 法
相同的重建影像品質，則CFSCL 法的訓練碼本時間可只為LBG 法的1%！故可作為很好
的快速VQ編碼技術。分類SCS 法(CSCS)訓練出來的碼本作影像壓縮編碼時，重建影像
的PSNR值平均比SCS 法低0.5dB ，比LBG 法且高0.91dB，但CSCS法重建影像的視覺品
質不比SCS 法差。而且CSCS法的碼本訓練時間平均為SCS 法的18% 。
本文於9.3 節另外提出一個新的快速編碼方法，此法利用影像鄰近區塊的關聯性及排
序的編碼字，使部份距離搜尋法(Partial Distance Search algorithm) 發揮更大的
功效，約比全部距離搜尋法節省90% 的時間。
|