News: |
Quantification de vecteur
Quantification de vecteur est un classique quantification technique de traitement des signaux ce qui permet modeler des fonctions de densité de probabilité par la distribution des vecteurs de prototype. Il a été à l'origine employé pour la compression de données. Cela fonctionne à côté de diviser un grand ensemble de points (vecteurs) dans des groupes ayant approximativement le même nombre de points les plus proches de eux. Chaque groupe est représenté par son centroïde point, en tant que dedans k-signifie et un autre grouper algorithmes.
La propriété assortie de densité de la quantification de vecteur est puissante, particulièrement pour identifier la densité de grandes et haut-dimensionnées données. Puisque des points de repères sont représentés par l'index de leur centroïde plus étroit, les données généralement de occurrence ont la basse erreur, et l'erreur élevée de données rares. C'est pourquoi VQ convient à la compression de données de lossy. Il peut également être employé pour la correction de données de lossy et évaluation de densité.
La quantification de vecteur est basée sur étude concurrentielle on lie étroitement le paradigme, ainsi au carte à organisation automatique modèle.
Table des matières |
Formation
Un algorithme simple de formation pour la quantification de vecteur est :
- Sélectionnez un point témoin au hasard
- Déplacez le centre de surface de vecteur de quantification le plus proche vers ce point témoin, par une petite fraction de la distance
- Répétition
Un algorithme plus sophistiqué réduit la polarisation dans l'évaluation assortie de densité, et s'assure que tous les points sont employés, en incluant un paramètre supplémentaire de sensibilité :
- Augmentez la sensibilité de chaque centre de surface par un peu
- Sélectionnez un point témoin au hasard
- Trouvez le vecteur de quantification centroïde avec la plus petite <distance-sensibilité>
- Déplacez le centre de surface choisi vers le point témoin par une petite fraction de la distance
- Placez la sensibilité du centre de surface choisi à zéro
- Répétition
Il est souhaitable d'employer un programme de refroidissement pour produire la convergence : voyez Recuit simulé.
L'algorithme peut être itérativement mis à jour avec des données « de phase », plutôt qu'en sélectionnant les points aléatoires d'un Modem, mais ceci présentera de la polarisation si les données sont temporellement corrélées au-dessus de beaucoup d'échantillons.
Applications
La quantification de vecteur est employée pour la compression de données de lossy, la correction de données de lossy et l'évaluation de densité.
La correction de données de lossy, ou la prévision, est employée pour récupérer des données manquant de quelques dimensions. Il est fait en trouvant le groupe le plus proche avec les dimensions de données disponible, alors prévoyant le résultat basé sur les valeurs pour les dimensions absentes, supposant qu'ils auront la même valeur que le centre de surface du groupe.
Pour évaluation de densité, le secteur/volume qui est plus près d'un centre de surface particulier qu'à tout autre est inversement proportionnel à la densité (due à la propriété assortie de densité de l'algorithme).
Utilisation dans la compression de données
Dirigez la quantification, également appelée la « quantification de bloc » ou « la quantification d'assortiment de modèle » est employée souvent dedans la compression de données de lossy. Cela fonctionne à côté de coder des valeurs d'un multidimensionnel l'espace de vecteur dans un ensemble fini de valeurs d'un discret sous-espace de la dimension inférieure. Un vecteur du bas-espace exige moins d'espace mémoire, ainsi les données sont comprimées. Grâce à la propriété assortie de densité de la quantification de vecteur, les données comprimées a des erreurs qui sont inversement proportionnelles à leur densité.
La transformation est habituellement faite près projection ou en employant a codebook. Dans certains cas, un codebook peut être également employé à code d'entropie la valeur discrète dans la même étape, en produisant d'a le préfixe a codé valeur codée de longueur variable en tant que son rendement.
L'ensemble de niveaux d'amplitude discrets est quantized conjointement plutôt que chaque échantillon étant quantized séparément. Considérez a K- vecteur dimensionnel [X1,X2,...,Xk] des niveaux d'amplitude. Il est comprimé en choisissant le vecteur assorti le plus proche d'un ensemble de N- vecteurs dimensionnels [y1,y2,...,yn].
Toutes les combinaisons possibles de N- vecteur dimensionnel [y1,y2,...,yn] formez le codebook.
Schéma fonctionnel : Un quantificateur simple de vecteur est montré ci-dessous
Seulement l'index du codeword dans le codebook est envoyé au lieu des valeurs quantized. Ceci conserve l'espace et réalise plus de compression.
Quantification jumelle de vecteur (VQF) fait partie de MPEG-4 traiter standard le domaine de temps a pesé la quantification intercalée de vecteur.
Codecs visuels basés sur la quantification de vecteur
et vieilles versions de ses successeurs spirituels :
- Codec de Sorenson
- Indeo
- Format du VQA de Westwood, utilisé dans beaucoup de jeux
Ce qui sont remplacés par la famille de MPEG.
Codecs audio basés sur la quantification de vecteur
Voyez également
- codage de la parole
- Ogg Vorbis
- Diagramme de Voronoi
- fonction de taux-déformation
- grouper de données
- Quantification de étude de vecteur
- Tessellation de Centroidal Voronoi
Une partie de cet article a été à l'origine basée sur le matériel du Dictionnaire en ligne libre du calcul et est employé avec permission sous le GFDL.
Références
Liens externes
- http://www.data-compression.com/vq.html
- QccPack - quantification, compression, et bibliothèque de codage (source ouverte)
- http://www.geocities.com/mohamedqasem/vectorquantization/vq.html
Creative Commons Licence
|
Custom Search
|
© Copyright 2011 WorldLingo. Tous droits réservés.