Документация

Разделите обзор

Квантование искажает сигнал. Можно уменьшать искажение путем выбора соответствующего раздела и параметров книги шифров. Однако тестирование и выбор параметров для больших наборов сигнала с прекрасной схемой квантования могут быть утомительными. Один способ произвести раздел и параметры книги шифров легко состоит в том, чтобы оптимизировать их согласно набору так называемых обучающих данных.

Пример: оптимизация параметров квантования

lloyds функция оптимизирует раздел и книгу шифров согласно алгоритму Ллойда. Код ниже оптимизирует раздел и книгу шифров в течение одного периода синусоидального сигнала, начинающего с грубого исходного предположения. Затем это использует эти параметры, чтобы квантовать исходный сигнал с помощью параметров исходного предположения, а также оптимизированных параметров. Выход показывает, что среднеквадратическое искажение после квантования намного меньше для оптимизированных параметров. quantiz функция автоматически вычисляет среднеквадратическое искажение и возвращает его как третий выходной параметр.

% Start with the setup from 2nd example in "Quantizing a Signal."
t = [0:.1:2*pi];
sig = sin(t);
partition = [-1:.2:1];
codebook = [-1.2:.2:1];
% Now optimize, using codebook as an initial guess.
[partition2,codebook2] = lloyds(sig,codebook);
[index,quants,distor] = quantiz(sig,partition,codebook);
[index2,quant2,distor2] = quantiz(sig,partition2,codebook2);
% Compare mean square distortions from initial and optimized
[distor, distor2] % parameters.

Выход

ans =

    0.0148    0.0024

Разделите обзор

Квантование в разделе Quantize a Signal не требует никакого априорного знания о переданном сигнале. На практике можно часто высказывать образованные предположения о существующем сигнале на основе прошлых передач сигнала. Используя такие образованные предположения, чтобы помочь квантовать сигнал известен как прогнозирующее квантование. Наиболее распространенный прогнозирующий метод квантования является дифференциальной импульсной модуляцией кода (DPCM).

Функции dpcmenco, dpcmdeco, и dpcmopt может помочь вам реализовать прогнозирующий квантизатор DPCM с линейным предиктором.

Терминология DPCM

Чтобы определить энкодер для такого квантизатора, необходимо предоставить не, только раздел и книга шифров как описано в Представляют Разделы и Представляют Книги шифров, но также и предиктор. Предиктор является функцией, что использование энкодера DPCM, чтобы произвести образованное предполагает каждый шаг. Линейный предиктор имеет форму

y(k) = p(1)x(k-1) + p(2)x(k-2) + ... + p(m-1)x(k-m+1) + p(m)x(k-m)

где x является исходным сигналом, y(k) попытки предсказать значение x(k), и p m- кортеж вещественных чисел. Вместо того, чтобы квантовать x самостоятельно, энкодер DPCM квантует прогнозирующую ошибку, x-y. Целочисленный m выше называется прогнозирующим порядком. Особый случай, когда   m = 1 называется модуляцией дельты.

Представляйте предикторы

Если предположение для kзначение th x сигнала, на основе более ранних значений x,

y(k) = p(1)x(k-1) + p(2)x(k-2) +...+ p(m-1)x(k-m+1) + p(m)x(k-m)

затем соответствующий вектор предиктора для функций тулбокса

predictor = [0, p(1), p(2), p(3),..., p(m-1), p(m)]

Пример: DPCM кодирование и декодирование

Простой особый случай DPCM квантует различие между текущим значением сигнала и его значением на предыдущем шаге. Таким образом предиктором является только      y(k) = x (k - 1). Код ниже реализует эту схему. Это кодирует пилообразное сообщение, декодирует его и строит обоих исходные и декодируемые сигналы. Сплошная линия является исходным сигналом, в то время как пунктирная линия является восстановленными сигналами. Пример также вычисляет среднеквадратичную погрешность между исходными и декодируемыми сигналами.

predictor = [0 1]; % y(k)=x(k-1)
partition = [-1:.1:.9];
codebook = [-1:.1:1];
t = [0:pi/50:2*pi];
x = sawtooth(3*t); % Original signal
% Quantize x using DPCM.
encodedx = dpcmenco(x,codebook,partition,predictor);
% Try to recover x from the modulated signal.
decodedx = dpcmdeco(encodedx,codebook,predictor);
plot(t,x,t,decodedx,'--')
legend('Original signal','Decoded signal','Location','NorthOutside');
distor = sum((x-decodedx).^2)/length(x) % Mean square error

Выход

distor =

    0.0327

Разделите обзор

Раздел Optimize Quantization Parameters описывает, как использовать обучающие данные с lloyds функционируйте, чтобы помочь найти параметры квантования, которые минимизируют искажение сигнала.

В этом разделе описываются подобные процедуры для использования dpcmopt функция в сочетании с двумя функциями dpcmenco и dpcmdeco, которые сначала появляются в предыдущем разделе.

Пример: сравнение оптимизированные и неоптимизированные параметры DPCM

Этот пример похож на тот в последнем разделе. Однако, где последний пример создал predictorраздел, и codebook прямым, но случайным способом этот пример использует ту же книгу шифров (теперь названный initcodebook) как исходное предположение для нового оптимизированного параметра книги шифров. Этот пример также использует прогнозирующий порядок, 1, как желаемый порядок нового оптимизированного предиктора. dpcmopt функция создает эти оптимизированные параметры, с помощью пилообразного x сигнала как обучающие данные. Пример продолжает квантовать обучающие данные сам; в теории оптимизированные параметры подходят для квантования других данных, которые похожи на x. Заметьте, что среднеквадратическое искажение здесь очень меньше искажения в предыдущем примере.

t = [0:pi/50:2*pi];
x = sawtooth(3*t); % Original signal
initcodebook = [-1:.1:1]; % Initial guess at codebook
% Optimize parameters, using initial codebook and order 1.
[predictor,codebook,partition] = dpcmopt(x,1,initcodebook);
% Quantize x using DPCM.
encodedx = dpcmenco(x,codebook,partition,predictor);
% Try to recover x from the modulated signal.
decodedx = dpcmdeco(encodedx,codebook,predictor);
distor = sum((x-decodedx).^2)/length(x) % Mean square error

Выход

distor =

    0.0063

Разделите обзор

В определенных приложениях, таких как речевая обработка, распространено использовать расчет логарифма, названный компрессором, перед квантованием. Обратная работа компрессора называется расширителем. Комбинация компрессора и расширителя называется компандером.

Для получения дополнительной информации смотрите quantiz и compand.

Сожмите и расширьте последовательность данных Используя Mu-закон

Сгенерируйте последовательность данных.

data = 2:2:12

data = 1×6

     2     4     6     8    10    12

Сожмите последовательность данных при помощи компрессора mu-закона. Установите значение для mu к 255. Сжатая последовательность данных теперь располагается между 8,1 и 12.

compressed = compand(data,255,max(data),'mu/compressor')

compressed = 1×6

    8.1644    9.6394   10.5084   11.1268   11.6071   12.0000

Расширьте сжатую последовательность данных при помощи расширителя mu-закона. Расширенная последовательность данных почти идентична исходной последовательности данных.

expanded = compand(compressed,255,max(data),'mu/expander')

expanded = 1×6

    2.0000    4.0000    6.0000    8.0000   10.0000   12.0000

Вычислите разность между исходной последовательностью данных и расширенной последовательностью.

diffvalue = expanded - data

diffvalue = 1×6
10-14 ×

   -0.0444    0.1776    0.0888    0.1776    0.1776   -0.3553

Сожмите и расширьте последовательность данных Используя A-закон

Сгенерируйте последовательность данных.

data = 1:5;

Сожмите последовательность данных при помощи компрессора A-закона. Установите значение для к 87,6. Сжатая последовательность данных теперь располагается между 3,5 и 5.

compressed = compand(data,87.6,max(data),'A/compressor')

compressed = 1×5

    3.5296    4.1629    4.5333    4.7961    5.0000

Расширьте сжатую последовательность данных при помощи расширителя A-закона. Расширенная последовательность данных почти идентична исходной последовательности данных.

expanded = compand(compressed,87.6,max(data),'A/expander')

expanded = 1×5

    1.0000    2.0000    3.0000    4.0000    5.0000

Вычислите разность между исходной последовательностью данных и расширенной последовательностью.

diffvalue = expanded - data

diffvalue = 1×5
10-14 ×

         0         0    0.1332    0.0888    0.0888

Разделите обзор

Кодирование методом Хаффмана предлагает способ сжать данные. Средняя длина Кода Хаффмана зависит от статистической частоты, с которой источник производит каждый символ из своего алфавита. Словарь Кода Хаффмана, который сопоставляет каждый символ данных с кодовой комбинацией, имеет свойство, что никакая кодовая комбинация в словаре не является префиксом никакой другой кодовой комбинации в словаре.

huffmandict, huffmanenco, и huffmandeco функции поддерживают Кодирование методом Хаффмана и декодирование.

Кодирование методом Хаффмана запрашивает статистическую информацию об источнике закодированных данных. В частности, p входной параметр в huffmandict функционируйте перечисляет вероятность, с которой источник производит каждый символ в своем алфавите.

Например, рассмотрите источник данных, который производит 1 с с вероятностью 0.1, 2 с с вероятностью 0.1 и 3 с с вероятностью 0.8. Основной вычислительный шаг в кодировании данных из этого источника с помощью Кода Хаффмана должен создать словарь, который сопоставляет каждый символ данных с кодовой комбинацией. Пример здесь создает такой словарь и затем показывает вектор кодовой комбинации, сопоставленный с особым значением от источника данных.

Создайте словарь кода Хаффмана Используя MATLAB

В этом примере показано, как создать словарь Кода Хаффмана с помощью huffmandict функция.

Создайте вектор из символов данных и определите вероятность каждому.

symbols = [1 2 3];
prob = [0.1 0.1 0.8];

Создайте словарь Кода Хаффмана. Самый вероятный символ данных, 3, сопоставлен с одноразрядной кодовой комбинацией, в то время как менее вероятные символы данных сопоставлены с кодовыми комбинациями 2D цифры.

dict = huffmandict(symbols,prob)

dict=3×2 cell array
    {[1]}    {[1 1]}
    {[2]}    {[1 0]}
    {[3]}    {[  0]}

Отобразите вторую строку словаря. Выход также показывает что энкодер Хафмана, получающий символ данных 2 заменяет последовательностью 1 0.

dict{2,:}

ans = 2

ans = 1×2

     1     0

Создайте и декодируйте код Хаффмана Используя MATLAB

Пример выполняет Кодирование методом Хаффмана и декодирующий использование источника, алфавит которого имеет три символа. Заметьте, что huffmanenco и huffmandeco функции используют словарь, созданный huffmandict.

Сгенерируйте последовательность данных, чтобы закодировать.

sig = repmat([3 3 1 3 3 3 3 3 2 3],1,50);

Задайте набор символов данных и вероятности, сопоставленной с каждым элементом.

symbols = [1 2 3];
p = [0.1 0.1 0.8];

Создайте словарь Кода Хаффмана.

dict = huffmandict(symbols,p);

Закодируйте и декодируйте данные. Проверьте что исходные данные, sig, и декодируемые данные, dhsig, идентичны.

hcode = huffmanenco(sig,dict);
dhsig = huffmandeco(hcode,dict);
isequal(sig,dhsig)

ans = logical
   1

Разделите обзор

Кодирование арифметики предлагает способ сжать данные и может быть полезно для источников данных, имеющих маленький алфавит. Длина арифметического кода, вместо того, чтобы быть зафиксированной относительно количества закодированных символов, зависит от статистической частоты, с которой источник производит каждый символ из своего алфавита. Для длинных последовательностей из источников, скашивавших распределения и маленькие алфавиты, кодирование арифметики сжимается лучше, чем Кодирование методом Хаффмана.

arithenco и arithdeco функции поддерживают арифметическое кодирование и декодирование.

Представляйте параметры кодирования арифметики

Арифметическое кодирование запрашивает статистическую информацию об источнике закодированных данных. В частности, counts входной параметр в arithenco и arithdeco функции перечисляют частоту, с которой источник производит каждый символ в своем алфавите. Можно определить частоты путем изучения набора тестовых данных из источника. Набор тестовых данных может иметь любой размер, который вы выбираете, пока каждый символ в алфавите имеет ненулевую частоту.

Например, прежде, чем закодировать данные из источника, который производит 10 x's, 10 лет и 80 z's в типичном 100 наборах символов тестовых данных, задают

counts = [10 10 80];

В качестве альтернативы, если больший набор тестовых данных из источника содержит 22 x's, 23 года и 185 z's, то задают

counts = [22 23 185];

Создайте и декодируйте арифметический код Используя MATLAB

Закодируйте и декодируйте последовательность из источника, имеющего три символа.

Создайте вектор последовательности, содержащий символы от набора {1,2,3}.

seq = [3 3 1 3 3 3 3 3 2 3];

Установите counts вектор, чтобы задать энкодер, который производит 10 единиц, 20 пар и 70 троек от типичного 100 наборов символов тестовых данных.

counts = [10 20 70];

Примените арифметические функции энкодера и декодера.

code = arithenco(seq,counts);
dseq = arithdeco(code,counts,length(seq));

Проверьте, что декодер выводил соответствия исходная входная последовательность.

isequal(seq,dseq)

ans = logical
   1

Скалярный пример квантования 1

Код ниже показов, как quantiz функционируйте использует partition и codebook сопоставлять вектор действительных чисел, samp, к новому вектору, quantized, чьи записи или-1, 0.5, 2, или 3.

partition = [0,1,3];
codebook = [-1, 0.5, 2, 3];
samp = [-2.4, -1, -.2, 0, .2, 1, 1.2, 1.9, 2, 2.9, 3, 3.5, 5];
[index,quantized] = quantiz(samp,partition,codebook);
quantized

Выход ниже.

quantized =

  Columns 1 through 6

   -1.0000   -1.0000   -1.0000   -1.0000    0.5000    0.5000

  Columns 7 through 12

    2.0000    2.0000    2.0000    2.0000    2.0000    3.0000

  Column 13

    3.0000

Скалярный пример квантования 2

Этот пример иллюстрирует природу скалярного квантования более ясно. После квантования произведенной синусоиды это строит исходные и квантованные сигналы. График контрастирует xэто составляет синусоиду с точками, которые составляют квантованный сигнал. Вертикальная координата каждой точки является значением в векторном codebook.

t = [0:.1:2*pi]; % Times at which to sample the sine function
sig = sin(t); % Original signal, a sine wave
partition = [-1:.2:1]; % Length 11, to represent 12 intervals
codebook = [-1.2:.2:1]; % Length 12, one entry for each interval
[index,quants] = quantiz(sig,partition,codebook); % Quantize.
plot(t,sig,'x',t,quants,'.')
legend('Original signal','Quantized signal');
axis([-.2 7 -1.2 1.2])