[发明专利]基于高斯混合模型的分裂矢量量化编解码方法及其装置

说明书

技术领域

本发明涉及量化编码技术领域，更具体地，涉及基于高斯混合模型的分裂 矢量量化编解码方法及其装置。

背景技术

在量化编码中，矢量量化方法在相同的编码比特数下能获得比标量量化方 法更低的量化失真。但是，将高维矢量作为一个矢量进行整体量化的方法存储 量大、搜索运算复杂，难以实现。因此，出现了各种优化的矢量量化算法，如 多级矢量量化、分裂矢量量化等。但是，目前各种矢量量化算法一般基于聚类 训练算法得到矢量量化器，虽然适合对任何概率分布的信号进行高效量化，但 其需要大量的存储空间存储矢量码本(一般其存储空间随量化比特数和矢量的 维数成指数增长)，存在运算复杂度高、存储空间大的缺点。

2006年，Chatterjee率先提出一种基于GMM的分裂矢量量化算法，具体为 基于GMM模型的线谱对频率(Line Spectral Frequencies，LSF)参数分裂矢量 量化算法，这种量化算法的基本思想是利用高斯混合模型(Gaussian mixture  model，GMM)将输入的16维的LSF参数分成属于不同高斯分布的M个分量， 然后针对每个高斯分量设计分裂矢量量化器对该高斯分量进行量化。这种量化 算法选择GMM，是因为GMM是一种半参数的密度估计算法，不局限于特定的 概率密度函数的形式。并且如果GMM中高斯分量足够多，它能够以任意精度 逼近任意的连续概率分布。但在设计分裂矢量量化器时，该算法采用的是非均 匀分裂方法，16维LSF参数被分裂为5个维数不相同的子矢量，因此针对每个 维数不同的子矢量都需要有对应的一套码本，增加了存储开销。

发明内容

本发明针对现有量化方法的不足，提出一种基于高斯混合模型的分裂矢量 量化技术方案，目的是支持在低存储空间的条件下，实现对高维矢量的高效量 化。

本发明提供的分裂矢量量化编码方法技术方案包括以下步骤：

步骤1.1、对训练矢量进行高斯混合模型建模，即根据设定的高斯模型分量 个数M，用M个高斯模型分量去拟合训练矢量，每个高斯模型分量的拟合结果 构成一个高斯模型参数集，M个高斯模型分量的拟合结果构成高斯混合模型参 数集，并且为高斯混合模型参数集中的每一个高斯模型参数集分配一个高斯模 型分量序号；

步骤1.2、利用步骤1.1所得高斯混合模型参数集中的每一个高斯模型参数 集分别对待量化矢量先进行无偏估计再进行归一化，得到待量化矢量的M个归 一化无偏估计矢量；

步骤1.3、根据设定的高斯模型分量个数M，得出索引高斯模型分量序号所 需比特数；然后根据索引高斯模型分量序号所需比特数和给定的量化器总比特 数，计算得出对归一化无偏估计矢量量化的索引所需的比特数；

步骤1.4、对步骤1.2中所得M个归一化无偏估计矢量进行均匀分裂，得出 M组分裂后的子矢量；

步骤1.5、根据步骤1.3中所得对归一化无偏估计矢量量化的索引所需的比 特数和步骤1.4中得到的子矢量，得出对步骤1.4中所得各子矢量量化索引所需 的比特数；

步骤1.6、根据步骤1.5中所得各子矢量量化索引所需的比特数，对步骤1.4 中所得各子矢量采用同一矢量量化器进行量化，得出各子矢量的量化索引；

步骤1.7、根据步骤1.6中所得各子矢量的量化索引通过查找量化码本得出 量化后的子矢量；

步骤1.8、根据步骤1.7所得量化后的子矢量，分组合并得出M个量化后归 一化无偏估计矢量；

步骤1.9、根据步骤1.2所得M个归一化无偏估计矢量以及步骤1.8所得M 个量化后归一化无偏估计矢量，得出M个归一化无偏估计矢量的量化失真；

步骤1.10、对步骤1.9所得M个归一化无偏估计矢量的量化失真进行比较， 判断出归一化无偏估计矢量的量化失真的最小值，得出量化失真的最小值所对 应的高斯模型分量序号；

步骤1.11、根据步骤1.10所得量化失真的最小值所对应的高斯模型分量序 号，以及步骤1.6所得各子矢量的量化索引，得出量化失真的最小值所对应的各 子矢量的量化索引；

步骤1.12、将步骤1.10所得量化失真的最小值所对应的高斯模型分量序号 写入码流，以及将步骤1.11所得量化失真的最小值所对应的各子矢量的量化索 引写入码流。

本发明提供的相应分裂矢量量化解码方法技术方案包括以下步骤，