一種新的向量量化初始碼書演算法

作者：陳冬梅

**：《矽谷》2023年第16期

摘要：向量量化的核心問題是初始碼書設計。針對已有的隨機法和**法等初始碼書演算法存在無效碼矢多、運算量大等缺點，在訓練向量集隨機抽取法的基礎上提出一種新的初始碼書演算法即方差排序法，並應用到基於自組織特徵對映（som）的向量量化（vq）中。

實驗結果表明，當碼書尺寸大於256時，均值排序法的峰值訊雜比（psnr）比訓練向量集隨機抽取法、分離平均法高，而且隨碼書尺寸的增加，峰值訊雜比的改善程度大。

關鍵詞：向量量化；自組織特徵對映；影象壓縮；初始碼書

中圖分類號：tn912 文獻標識碼：a 文章編號：1671－7597（2011）0820176－02

0 引言

文獻[1]指出影象壓縮的方法一般分為：有失真壓縮和無失真壓縮。無失真壓縮利用資料的統計特性來進行資料壓縮，典型的有霍夫曼編碼、算術編碼等。

有失真壓縮是利用人的視覺特性使解壓縮後的影象看起來與原始影象一樣，其主要方法有**編碼、向量向量化等。向量量化（vq）的壓縮編碼效能接近於夏農的率失真的理論極限，因此它在影象編碼方面了廣泛的應用和研究[2][3]。

在向量量化中，碼書設計是核心問題。linde，buzo和gray在2023年提出了一種最佳碼書設計的lbg演算法[4]。在lbg演算法中，初始碼書的選取對最佳碼書是很有影響的。

lbg演算法存在兩個缺點：一是對初始碼書很敏感，初始碼書的設計是lbg 演算法的關鍵；二是lbg演算法是一種批處理演算法，同時訓練時間場，並存在無效碼矢。對初始碼書演算法特別敏感，而且不能自適應跟蹤信源的統計特性。

2023年kohonen提出的自組織特徵對映（som）演算法是一種基於自組織特徵對映神經網路無監督學習的聚類演算法，在向量量化和模式識別中受到了廣泛的關注[5][6]。與lbg演算法相比，som向量量化碼書設計演算法所得的最終碼書效能不依賴於初始碼書的選擇。