1 / 29

取 樣 與 量 化

取 樣 與 量 化. 中原大學 電子工程學系暨研究所 通訊科技研究實驗室 繆紹綱 博士. 取樣與量化. 數位影像 ： 影像在空間座標和亮度都離散化的影像 取樣：在不同空間位置取出函數 ( 灰階 ) 值做為樣本 量化：用一組整數值來表示這些樣本的過程. f s. 輸入影像. 取樣器. 量化器. 數位計算機. 影像數位化的兩大過程. ，. ，. 取樣. 均勻矩形取樣 1. ： 限頻寬 (bandlimited) 的二維連續函數 傅立葉轉換 2. 另一個二維取樣函數 :

alcina
Download Presentation

取 樣 與 量 化

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 取 樣 與 量 化 中原大學 電子工程學系暨研究所 通訊科技研究實驗室 繆紹綱 博士

  2. 取樣與量化 • 數位影像：影像在空間座標和亮度都離散化的影像 • 取樣：在不同空間位置取出函數(灰階)值做為樣本 • 量化：用一組整數值來表示這些樣本的過程 fs 輸入影像 取樣器 量化器 數位計算機 影像數位化的兩大過程

  3. ， ， 取樣 • 均勻矩形取樣 1. ：限頻寬(bandlimited)的二維連續函數 傅立葉轉換 2. 另一個二維取樣函數 : 傅立葉轉換 : R y x

  4. 取樣(Cont.) 3. :為影像取樣點灰度值的二維脈衝函數陣列 傅立葉轉換 : 4. 二維取樣定理： 為有限頻寬，且滿足 使得各個相鄰區域R不彼此混疊

  5. v0 y y 2 1 x 1 2 x 其他取樣型態(1) • 取樣矩陣 取樣點位置 : 矩陣 稱為取樣矩陣 取樣矩陣 V 所產生的取樣點陣

  6. 其他取樣型態(2) 取樣矩陣 取樣點陣圖      y          1 1          x                         

  7. ,k為整數 ,k為整數向量 其他取樣型態(3) • 週期性矩陣 一維週期性函數： N維週期性函數： < Ex > N = 2 取樣矩陣： 週期矩陣： 單位矩陣：

  8. 代表四邊形面積 其他取樣型態(4) • 取樣密度 取樣點數與四邊形的個數一樣； 1. 矩形取樣 取樣密度 對一有限頻寬函數，設 則其取樣不產生混疊的最小取樣密度 2.六角形取樣 週期矩陣 取樣矩陣 u 2r v 0

  9. 其他取樣型態(5) （六角形） 最小取樣密度 3.比較 ……效率比1.15倍 ……減少13.4%取樣點數

  10. 反轉換 ； 重建 1.運用空間濾波器 (理想二維低通濾波器) 頻率響應： < 重建影像 是許多二維sinc函數的加權和 >

  11. 方形函數 方形內插（零階內插） 三角形函數 三角形內插（一階內插） 重建(Cont.) 2.空間內插函數

  12. 量化器 量化器的輸入及輸出 多對一對映函數 量化 • 純量量化(scalar quantization, SQ)： 對於無記憶性 ( memoryless )的資料源，將各個取 樣值視為互不相關彼此獨立， 針對個別取樣點作逐點量化 • 多對一函數的映射(mapping)關係： 把樣本值的取值範圍分成若干個區間，用某個代表值代表這一區間內所 有可能的值

  13. 均勻量化(1) • 條件 • 機率密度函數 常數P • 取樣結果： ， • 取值範圍 均勻地分成L個子區間 ， • 每個子區間 對應到一個定值 • 其中的L個 ， ，稱為重建(reconstruction)位準 • 另外(L+1)個 ， ，稱為決策(decision)邊界或位準

  14. ， 均勻量化(2) • 量化過程 量化值： 量化誤差： 常用的失真測度： 量化器最佳化：要使平均失真D 最小 L個子區間誤差平方總和：

  15. 均勻量化(3) 最佳量化值： ，即每個子區間 的中間值 可得最小的量化誤差 Example 設子區間 的長度為 誤差平方總和： 加大量化區間的數目L對原影像的保真度有很大的幫助 ；

  16. 非均勻量化(1) • 條件 機率密度 不是常數 在 較小處，可取較大的量化區間長度；反之，則取較小 的量化區間 採用 失真測度之非均勻量化器 • 量化過程 誤差平方總和

  17. ， ， 各子區間決策邊界是量化重建位準值間 的中間值 非均勻量化(2) 令D值最小化： 得到 與 的兩個關係式： (A) (B) 每一個 是 落在子區間 下的條件期望值

  18. (高斯) (拉普拉斯) 或 非均勻量化(3) • 實現：最佳最小均方或Lloyd-Max量化器 給定 、 、L及 (1) 假定一個 的值，由 (B)式取 ，求出 (2) 已知 和 ，在 (A)式中取 ，求出 (3) 由 和在 (B)式中，取 ，用數值近似計算逐步逼近 的解 (4) 由 和 ，在 (A)式中，取 ，求出 (5) 依此類推，最終求出 ，代入(B)式，看其是否等於 如果不相等，則重新假定值 ，再回到第(1)步，繼續計算求出 ，直到 符合要求為止

  19. ， 推導出： (常數) (常數) 非均勻量化(4) • 最佳均方誤差量化器之性質 a. 量化器的輸出是輸入的不偏(unbiased)估測，即 b. 量化誤差對量化器的輸出為正交，即 c. 若 與 分別為零平均且變異量為1之隨機變數 ， 則 • 非均勻量化與均勻量化之關係 機率密度 為均勻分佈： 得到決策與重建準位： 為與 有相同分佈但平均為 且便異數為　之隨機變數

  20. 均方誤差： 訊雜比(SNR) = (dB) 非均勻量化(5) • 均方誤差 • 均勻量化器的誤差 ， 均勻分佈在 之間 • 均方誤差量化器之訊雜比(SNR) • 一個均勻分佈的隨機變數，範圍為A 時其變異數 若有 個位元的均勻量化器，我們有 均勻分佈之最佳均方誤差量化器：每個位元約有6分貝的訊雜比增益

  21. 壓縮擴展型量化器 • 壓縮擴展器(compander) ：具有非均勻量化的功能 g g f g 非線性轉換 非線性轉換 均勻量化

  22. 壓縮擴展型量化器(Cont.) • 壓縮擴展器之非線性轉移函數 若 ，且若 為一零平均的隨機變數，則 非線性轉換函數 對雷利(Rayleigh)機率密度函數 正轉換函數 逆轉換函數 , 可得

  23. 向量量化(1) • 向量量化(vector quantization,VQ)： 由於實際信號各取樣值之間存在有相關性，故把若干取樣值集合成一個 向量，以此向量為量化的單位 • 過程： a. 由 N 個實數連續純量值 fi 組成的 被映射到 另一個 N 維向量 b. f 的VQ是將一個 N 維向量空間分割成L個決策區域Ci， ：碼向量(codevector) 碼向量的集合：碼簿(codebook)

  24. 向量量化(2) c. VQ 的量化誤差 ；失真測度 決定重建向量 ri 以及決策區域 Ci 的邊界 失真量最小化 平均失真D=E[ ] 令 最佳的重建向量

  25. 向量量化(3) • K-平均(K-mean)演算法 (1) 最近距離條件： < 使平均失真度測度 D 為最小的最近距離條件 > (2) 中心條件： 將對 最小化 < 每個重建向量 必須使 Ci 中的平均失真最小 > Step 1 ：由初估值 ，將所有可能的 f 代入 (1) 式中找到Ci 的估測 Step 2 ：給了Ci 的估測後，計算 (2) 式之條件中的重心以得 Step 3 ：以此 做為一新估測值重複上述動作

  26. 向量量化(4) • LBG演算法 1. 初始化:定出碼簿大小L、失真臨界值ε、初始碼簿R0={ri,0；1≦i≦L}及 訓練序列T={fn；n = 1,2,…..,N}，N>>L 2. 對碼簿 Rm={ri,m；1≦i≦L}，找出訓練序列T 的最小誤差分割 若d ( fn,ri,m ) ≦ d ( fn,rj,m ) , 3. 計算平均失真： 若(Dm-1-Dm)/Dm≦ε，則輸出碼簿 Rm 4. 求得 使 最小 若 d(f, ) = (f – )T(f– )，即平方誤差，則 正是 個向量的算術平均值

  27. 向量量化 (VQ) 的設計與運用 • 訓練序列與長度的選擇 • 失真測度的選擇 • 改進最佳分割疊代法的收斂速度 • 縮短最佳向量的比對時間 • 減少碼簿大小 • 發展自適性碼簿以擴大適用性 • 發展多級殘餘向量量化 • VQ與小波轉換結合

  28. 量化造成的假輪廓的結果展示 (a)原影像，位元數 B= 8 (b)B = 6 (c)B = 4 (d) B = 3

  29. 向量量化的編解碼結果展示 (b)碼簿=cb_64x4，PSNR=32.8，CR=5.33 (a)原始Lena影像 (c)碼簿=cb_64x16，PSNR=28.9，CR=21.33 (d)碼簿=cb_128x4，PSNR=34.5，CR=4.57

More Related