基于Context建模的熵编码及其应用研究

基于Context建模的熵编码已经广泛地应用于图像、视频数据压缩国际标准和应用开发研究。实际应用中面临的主要问题是如何建立有效的Context模型，既提高熵编码效率又降低模型代价。Context量化与加权是解决这个问题的有效手段。但目前实际应用的方法都是人工基于经验来进行量化器设计和加权，不能实现与信源数据的最优配合。本项目基于最优Context量化理论和进化聚类思想，研究量化器设计算法，提高精度并实现Context量化器输出类数和量化分区的联合优化；基于贝叶斯理论，研究Context模型加权方法，融合各模型的特点以降低模型代价。本研究预期为实际应用基于Context建模的熵编码，构建最少人工干预的Context模型设计方法。同时，对特定生物医学信源进行压缩并实现Context量化器自适应更新。研究成果将以论文形式在国内外重要期刊上发表论文10篇以上（SCI、EI收录6～8篇）。

利用Context模型实现高阶条件熵编码时会面临严重的模型稀释问题。Context量化是抵御模型稀释的有效方法，但现有图像、视频压缩标准中的Context模型均为人工根据经验量化而得。目前基于自适应码长最短的Context量化算法尚不支持非二进制信源，而基于条件熵最小的Context量化算法对模型代价描述不理想，需指定量化器输出状态数。为此，我们探索了利用遗传聚类算法将基于自适应码长最短的Context量化拓展到多进制信源的方法。我们还发现采用自适应码长增量作为评价样本相似度的局部度量时，可用近邻传播等不同聚类思路的算法来实现Context量化。故我们用最小描述长度理论对基于自适应码长的Context量化重新进行了解释，并将自适应码长增量按描述长度增量的观点对其性质进行了理论分析，阐明了其作为局部相似性度量的优势。据此，我们提出了一个基于混合聚类思想的Context量化算法，在令训练序列描述长度最短的目标下，同时实现了聚类类数和聚类分区的优化。研究成果成功应用于一种图像压缩算法中的一些二进制和多进制序列的Context量化，其编码效果超过了人工反复实验调整的Context量化器。.另一方面，我们在基于蚁群聚类的Context量化研究中证实，聚类精度提高对Context量化器性能改善有直接影响。而聚类是计算复杂问题，难有全局最优解。因此我们也对基于群体智能的优化算法展开研究，以期用较少的计算资源搜索到更好的解。包括聚类在内的许多优化问题有多个全局最优解，我们针对这类问题设计了一种基于多子群优化思想的多模优化算法（MOA），对该算法的收敛性进行了详细理论分析。MOA算法以较低的计算复杂度获得了很好的多模问题求解质量。.在基于Context建模的熵编码应用方面，我们开展了ECG信号的压缩研究。在利用ECG信号类周期特性以提高压缩率方面采取了两种不同的策略，一为采用Context建模方式在熵编码环节直接利用心搏间统计相关，另一种采用码书自适应矢量量化方式在量化环节对心搏间相关进行间接利用，它们分别在低压缩率和高压缩率时有很好的误差性能。但共同特点是都具有较小的编码时延，从而可以应用在实时临床监控中。.综上所述，本项目研究已完成预定研究任务，顺利实现了为多进制信源设计最少人工干预的Context量化算法这一主要目标。