解碼設備、逆量化方法、分布確定方法及其程序的製作方法

2023-05-07 13:25:56

專利名稱：解碼設備、逆量化方法、分布確定方法及其程序的製作方法
技術領域：
本發明涉及一種用於對由編碼處理生成的編碼數據進行解碼的解碼設備。更具體地，本發明涉及一種解碼設備，用於對由編碼處理生成的包括量化數據的編碼數據進行逆量化以對該編碼數據進行解碼。
背景技術：
因為圖像或音頻等具有大量數據，所以通常通過壓縮該數據來降低數據量，隨後存儲或發送該已壓縮數據。例如，使用諸如JPEG或JPEG200等有損耗編碼處理壓縮數據，能夠顯著地降低當通過掃描儀將彩色文件或照片變換成電子格式、或者當通過數字攝相機拍攝風景時所生成的多值圖像數據的量。
然而，有損耗編碼處理導致編碼失真，這是一個問題。具體而言，JPEG處理的問題在於在解碼圖像的DCT塊邊界處出現了塊失真(編碼失真)。
就此，將首先描述有損耗編碼處理的發生編碼失真的機制。
圖1A和圖1B是示意性地示出諸如JPEG和JPEG2000的變換編碼方法的方框圖，其中圖1A示出了編碼處理的略圖，圖1B示出了解碼處理的略圖。
圖2A至圖2C示出了變換編碼方法中的量化處理。圖1A和圖1B中所示的變換係數T(c，i，j)和量化指標Q(c，i，j)是變量c、i和j的函數。變量c是表示變換係數種類的指標。例如，在使用8×8塊的DCT變換的情況下，變量c是表示64(8×8)個變換係數之一的值(在1至64範圍內的整數)。在小波變換的情況下，變量c是表示諸如1HH、1LH、1HL、2HH、2LH、2HL、……、NLL等分量之一的值。此外，變換變量i和j是分別表示變換係數的位置的變量。例如，在DCT變換的情況下，將位於從上起第i行和從左起第j列處的塊中的第c個變換係數表示為T(c，i，j)。在小波變換的情況下，將位於從上起第i行和從左起第j列處的第c個變換係數的數據表示為T(c，i，j)。
如圖1A所示，在變換編碼方法的編碼處理中，對輸入圖像G進行諸如離散餘弦變換(DCT)或小波變換等的變換處理以生成輸入圖像G的變換係數T。隨後，將變換係數T量化成量化指標Q。對量化指標Q進行熵編碼處理(無損耗編碼處理)，以形成壓縮編碼F。
在此，量化指標是指用於區分量化值的信息。此外，量化值是指在特定範圍(量化間隔)內的一組數值簡併(degenerate)到的數值。例如，如圖2A至2C所示，量化值是分別表示量化間隔(A-2～A2)中的離散值(在本示例中為-2×D(c)至2×D(c))。
將以這種方式生成的編碼數據(壓縮編碼F)熵解碼成量化指標Q，如圖1B所示。該量化指標Q等於編碼處理中的量化指標Q。
隨後，將量化指標Q逆量化成變換係數R(即逆量化值)。此後，對該變換係數R進行逆變換以生成解碼圖像H。
在此，逆量化值是指根據量化指標或量化值生成的並用於數據解碼的值。例如，逆量化值是JPEG或JPEG2000的變換係數(變換係數與量化指標相關)。
在上述處理中，在量化過程中會出現編碼失真。通常，原始圖像的變換係數T的精確度高於量化指標Q的精確度。因此，使用量化指標Q再現的變換係數R可能不同於原始的變換係數T。這是編碼失真的原因。
接下來，將參考圖2A至圖2C詳細描述量化和逆量化。
使用對於各變換係數c準備的量化臺階寬度D(c)進行量化。量化臺階寬度D(c)是變換係數c的種類的函數。例如，在JPEG的情況下，在量化中根據下式計算量化指標Q。
Q(c，i，j)＝round(T(c，i，j)/D(c))其中「round」是輸出最接近輸入值的整數的函數。
此外，在逆量化中根據下式計算逆量化值R。
R(c，i，j)＝Q(c，i，j)×D(c)
在JPEG2000的情況下，根據下式計算量化指標Q和逆量化值R。
Q(c，i，j)＝sign(T(c，i，j))×floor(|T(c，i，j)|/D(c))R(c，i，j)＝(Q(c，i，j)+r)×D(c)，如果Q(c，i，j)＞0R(c，i，j)＝(Q(c，i，j)-r)×D(c)，如果Q(c，i，j)＜0R(c，i，j)＝0，如果Q(c，i，j)＝0其中，「sign」是輸出正符號或負符號的函數，「floor」是截去小數位的函數，「||」是表示絕對值的符號。
此外，「r」是在0至1範圍內的數值，通常r＝0.5。在JPEG2000中，可能存在低位比特未編碼的情況。在此，將通過示例描述對包括最低有效比特的所有比特進行編碼的情況。另選地，在JPEG2000中，在解碼中可以從編碼流獲得在編碼中未編碼的比特數。因此，通過將量化臺階寬度D向左偏移所述比特數，並將偏移後的量化臺階寬度設置為新的量化寬度，JPEG2000可以具有與JPEG相同的操作。
如圖2A所示，在JPEG的編碼處理中，為輸入圖像G進行變換處理而生成的變換係數T(量化之前)分布在X軸上，該軸是數值直線。
如果變換係數T存在於量化間隔A0內，則量化指標Q通過量化處理變成0。類似地，如果變換係數T存在於量化間隔Aq內，則量化指標Q變成q。
然後，當對於量化指標Q執行逆量化時，在量化指標Q是0的情況下，通過逆量化處理生成為零的逆量化值R。在量化指標Q是1的情況下，生成為D(c)的逆量化值R。
類似地，在JPEG2000中，如圖2B所示，如果變換係數T存在於量化間隔Aq內，則量化指標Q變成q。而當對量化指標Q執行逆量化時，生成以一對一方式與量化指標Q對應的逆量化值。
在此，為了簡化，將僅考慮量化指標Q變成q的量化間隔Aq。
假設變換係數T存在於量化間隔Aq內。
如圖2C所示，量化間隔Aq具有d1至d2的範圍。在這種情況下，變換係數T包含在範圍d1至d2內。此外，假設變換係數T的逆量化值是R。
在這種情況下，用於生成解碼圖像的變換係數是逆量化值R。然而，原始圖像的變換係數T具有在d1至d2範圍內的任意值，並且並不總等於逆量化值R。此時，出現原始變換係數T和逆量化值R之間的差。該差是編碼失真的原因。
如前所述，有損耗編碼處理通過將多個數據值(在每個量化間隔內存在的原始數據值)簡併為一個量化值(對應於各量化間隔的量化值)，實現了有損耗的數據壓縮，但是同時，由於量化出現編碼失真。
為了降低該編碼失真，可以選擇用於在編碼處理中降低壓縮效率的參數。
然而，這導致這樣一個問題，即編碼效率降低，數據量增加。
此外，當想要使先前編碼的數據為高質量圖像時，不可能採用這種降低了編碼效率的處理。
為此，已經提出了各種技術來克服解碼處理中的圖像失真問題。
按照廣義的分類，存在兩種方法，即濾波方法和噪聲方法。在濾波方法中，對解碼圖像進行低通濾波處理，以削弱編碼失真，效果明顯。在噪聲方法中，將噪聲添加到解碼圖像或變換係數，以削弱編碼失真，效果明顯。
首先，將描述使用低通濾波處理的方法(濾波方法)。
例如，已知提供了一種將低通濾波器僅應用於DCT塊之間的邊緣以消除塊失真的方法。
該方法使用低通濾波器削弱編碼失真以使得難於辨別出該失真。
然而，該方法的問題在於原始圖像的邊緣分量也變得衰弱。
此外，已知提供了如下一種方法準備多個低通濾波器、確定在圖像內是否存在邊緣、並根據確定結果有選擇地應用一濾波器以不使這些邊緣變得衰弱。
接下來，將描述添加噪聲的方法(噪聲方法)。
例如，已知提供了如下一種方法當確定在一個區域內存在顯著失真時，對DCT係數添加噪聲，從而削弱編碼失真。
在這種方法中，當確定該區域是低反差圖像區域時，認為編碼失真是顯著的。
當根據編碼圖像生成解碼圖像(即執行解碼處理)時，目標是使解碼圖像儘可能地接近於對原始圖像進行編碼處理之前的原始圖像。
從這個觀點來看，根據現有技術的方法並未提供一種最佳的解決方案，因為通過低通濾波器或者添加噪聲來削弱圖像並未使解碼圖像接近原始圖像。
更具體地說，這些方法可能具有以下負面效果。
(1)在濾波方法中，抑制了解碼圖像的高頻帶中的信號。因此，當在原始圖像中存在高頻分量的紋理時，不能再生這些紋理。
(2)在濾波方法中，可能存在由於可能出現不正確的邊緣判定而導致邊緣暗淡的可能性。
(3)在噪聲方法中，可能存在由於添加噪聲而出現在原始圖像內不存在的紋理的可能性。

發明內容
根據本發明的一個方面，一種解碼設備包括隨機數生成部和解碼部。隨機數生成部根據與各量化指標對應的原始數據的分布生成隨機數。解碼部根據由隨機數生成部生成的隨機數生成解碼數據。
根據本發明的另一方面，一種解碼設備包括標準偏差獲取部、乘法部、上限值獲取部和隨機數生成部。標準偏差獲取部獲取與量化指標對應的變換係數的標準偏差。乘法部將由標準偏差獲取部獲得的標準偏差乘以預設值。上限值獲取部獲取所生成隨機數的上限值。隨機數生成部均勻地生成多個隨機數，其中以由乘法部乘以預設值的標準偏差和由上限值獲取部獲得的上限值兩者中較小的一個為上限。
根據本發明的另一方面，解碼設備包括頻率測量部、直方圖歸一化部、相加範圍確定部和分布確定部。頻率測量部測量量化指標的出現頻率。直方圖歸一化部根據由頻率測量部測量出的出現頻率生成歸一化直方圖。相加範圍確定部確定量化指標的頻率分布相加的相加範圍。分布確定部根據由直方圖歸一化部生成的直方圖和由相加範圍確定部確定的相加範圍確定至少一個標準偏差和方差。
根據本發明的另一方面，解碼設備包括第一計算部、第二計算部和分布估計部。第一計算部計算量化指標的標準偏差和量化指標的方差中的至少一個。第二計算部計算拉普拉斯分布的標準偏差和拉普拉斯分布的方差中的至少一個，以使得在預設範圍內的量化指標的頻率值之和等於與該預設範圍對應的拉普拉斯分布函數的積分值。分布估計部使用以下(A)和(B)中的至少一個來估計與量化指標對應的原始數據的分布，(A)為由第一計算部計算出的標準偏差和方差中的至少一個，(B)為由第二計算部計算出的標準偏差和方差中的至少一個。
根據本發明的另一方面，一種逆量化方法包括根據與各個量化指標對應的原始數據的分布生成隨機數；以及根據所生成的隨機數生成逆量化值。
根據本發明的另一方面，一種分布確定方法包括將各個量化指標的頻率值相加；以及計算拉普拉斯分布的方差和拉普拉斯分布的標準偏差中的至少一個，以使得頻率值相加的結果值等於當對拉普拉斯分布函數進行積分時的積分值，從而通過使用拉普拉斯分布的最大頻率位置作為基準，使右側的積分範圍等於左側的積分範圍。
根據本發明的另一方面，計算機可讀取的存儲介質存儲計算機可執行的以進行逆量化功能的指令程序，該指令程序包括以下步驟根據與各個量化指標對應的原始數據的分布生成隨機數；以及根據所生成的隨機數生成逆量化值。
根據本發明的另一方面，計算機可讀取的存儲介質存儲計算機可執行的以進行逆量化功能的指令程序，該指令程序包括如下步驟將各個量化指標的頻率值相加；以及計算拉普拉斯分布的方差和拉普拉斯分布的標準偏差中的至少一個，以使得頻率值相加的結果值等於當對拉普拉斯分布函數進行積分時的積分值，以使得通過使用拉普拉斯分布的最大頻率位置作為基準，使右側的積分範圍等於左側的積分範圍。


將根據以下附圖詳細描述本發明的實施例，在附圖中圖1A是示意性地示出諸如JPEG和JPEG2000的變換編碼方法的編碼處理的方框圖；圖1B是示意性地示出諸如JPEG和JPEG2000的變換編碼方法的解碼處理的方框圖；圖2A示出了變換編碼方法中的量化處理；圖2B示出了變換編碼方法中的量化處理；圖2C示出了變換編碼方法中的量化處理；圖3示出了採用根據本發明實施例的解碼方法的在其中央提供有控制器20的解碼設備2的硬體結構；圖4示出了由圖3所示的控制器20執行的用於實現根據本發明實施例的解碼方法的解碼程序5的功能結構；圖5更詳細地示出了分布估計部520(圖4)；圖6示出了示例性直方圖h和示例性分布函數L(拉普拉斯函數)；圖7A示出了由零變換係數分布估計部526執行的分布估計處理；圖7B示出了由零變換係數分布估計部526執行的分布估計處理；圖8A是示出了校正部580進行的校正的示意圖；圖8B是示出了校正部580進行的校正的示意圖；圖9是通過解碼程序5(圖4)進行的解碼處理S10的流程圖；圖10示出了由逆量化值估計部500使用的示例性濾波器；圖11A示出了折線近似；圖11B示出了折線近似；圖11C示出了折線近似；圖11D示出了折線近似；圖11E示出了折線近似；圖12示出了JPEG2000中的變換係數；圖13更詳細地示出了第二實施例中的分布估計部520；圖14的曲線圖示出了量化值的最大值與最佳N值之間的關係；圖15是N值確定處理的流程圖；
圖16示出了原始變換係數的標準偏差與所估計的標準偏差的比值；以及圖17示出了在採用第四變型例時原始變換係數的標準偏差與所估計的標準偏差的比值。
具體實施例方式
下面將描述本發明的第一實施例。
在本實施例中，將通過示例描述對按照JPEG編碼的編碼數據進行解碼的情況。本實施例中描述的解碼處理非常類似於在ITU-T建議T.81中描述的解碼處理。然而，本實施例的解碼處理在逆量化處理上與ITU-T建議T.81不同。
首先，將描述根據本實施例的解碼設備的硬體結構。
圖3示出了採用根據本發明的解碼方法的解碼設備2的硬體結構，控制器20處於中央位置。
如圖3所示，該解碼設備2包括控制器20，該控制器20包含CPU202、存儲器204等；通信單元22；諸如HDD、CD等的存儲單元24；以及用戶接口單元(UI單元)26，該用戶接口單元26包含LCD顯示設備或CRT顯示設備、鍵盤、觸摸板等。
解碼設備2是通用計算機，其中安裝有隨後將要描述的解碼程序5。解碼設備2通過通信單元22、存儲單元24等獲得編碼數據，並對所獲得的編碼數據進行解碼。
圖4示出了由圖3所示的控制器20執行的解碼程序5的功能結構，用於實現根據本發明實施例的解碼方法。
如圖4所示，解碼程序5包括熵解碼部40、逆量化部50和逆變換部60。
進一步地，逆量化部50包括逆量化值估計部500、分布估計部520、預期值估計部540、隨機數生成部560、校正部580和逆量化值輸出部590。
在解碼程序5中，熵解碼部40對所輸入的編碼數據進行熵解碼，並將解碼數據輸出到逆量化部50。
本實施例的熵解碼部40對所輸入的編碼數據進行解碼以生成量化指標Q，並將所生成的量化指標Q輸出到逆量化部50。
逆量化部50根據從熵解碼部40輸入的量化指標Q生成逆量化值R，並將所生成的逆量化值R輸出到逆變換部60。
逆變換部60根據從逆量化部50輸入的逆量化值R執行逆變換以生成解碼圖像。
在逆量化部50中，逆量化值估計部500根據從熵解碼部40輸入的量化指標Q估計逆量化值，並將所估計出的逆量化值輸出到校正部580。也就是說，逆量化值估計部500並不總是為一量化指標值生成單個逆量化值，而是可以為一量化指標值生成多個不同的逆量化值。換句話說，儘管逆量化值估計部500為各量化指標生成一個逆量化值，但是逆量化值估計部500並非必需生成該相同的逆量化值，即使當輸入的多個量化指標具有相同的值時。
本實施例的逆量化值估計部500根據給定塊的量化指標以及與該給定塊相鄰的另一塊的量化指標(限於具有與變換係數相同種類c的量化指標)，計算與給定塊的量化指標對應的逆量化值R的校正因子α，並將計算出的校正因子α輸出到校正單元580。
此外，在下面的描述中，用αycq表示與各變換係數種類c和各量化指標q對應的校正因子α。此外，假設分別具有變換係數種類c和量化指標q的信號的數量是K，並且用αycq(k)表示各校正因子(其中k＝1，2，……，K)。
分布估計部520根據由熵解碼部40輸入的多個量化指標(或與該多個量化指標對應的逆量化值)估計(原始數據的)變換係數的分布，隨後將表示所估計出的變換係數分布的分布數據輸出到預期值估計部540和隨機數生成部560。
在本示例中，分布估計部520對於各變換係數種類c計算量化指標的頻率分布，隨後，根據所計算出的頻率分布，生成各變換係數種類c的分布數據。
預期值估計部540根據從分布估計部520輸入的分布數據計算逆量化值的預期值，隨後，將所計算出的預期值和分布數據輸出到校正部580。
更具體地，預期值估計部540根據對於各變換係數種類c生成的分布數據為各量化間隔計算預期值(即，各量化指標值的預期值)。
當變換係數種類是c並且量化指標Q(c，i，j)等於q時，用E(αTcq)表示預期值。也就是說，預期值E(αTcq)表示以一對一方式對應於這些量化指標的逆量化值R與對應於這些量化指標的原始變換係數T之差的估計預期值。
隨機數生成部560根據從分布估計部520輸入的分布數據生成隨機數，並將所生成的隨機數輸出到逆量化值輸出部590。
校正部580根據從預期值估計部540輸入的分布數據或預期值對從逆量化值估計部500輸入的逆量化值(在本示例中為逆量化值的校正因子α)進行校正。
此外，校正部580將從逆量化值估計部500輸入的逆量化值(在本示例中為逆量化值的校正因子α)校正到預設範圍內(例如，在逆量化值的情況下，為對應於量化指標的量化間隔)，隨後，將經校正的逆量化值(校正因子α)輸出到逆量化值輸出部590。
本示例中的校正部580根據從預期值估計部540輸入的預期值對從逆量化值估計部500輸入的校正因子α進行校正，以使得由分布估計部520計算出的量化指標的頻率分布變得約等於由逆量化值估計部500對於各變換係數種類c和各量化間隔計算出的逆量化值的頻率分布，隨後，再次對經過校正的校正因子α進行線性校正以落入JPEG中的-0.5至0.5的範圍內。
通過以下步驟來實現由校正部580執行的線性校正從與該量化指標對應的多個校正因子α中選出最大值αmax和最小值αmin，隨後對所有校正因子α進行線性變換，以使得所選最大值αmax和最小值αmin落入預設範圍內(JPEG中的範圍-0.5至0.5)。
此外，如果校正因子α在範圍-0.5至0.5之外，則校正部580可以採用該範圍的邊界值(即-0.5和0.5中更靠近α的一個)作為校正因子α。而且，如果校正因子α在範圍-0.5至0.5之外，則校正部580可以採用0作為校正因子α。
此外，JPEG2000與JPEG的不同僅在於校正因子α的範圍。也就是說，在JPEG2000中，校正部580分別根據Q(c，i，j)＞0時的範圍0≤r+α≤1，Q(c，i，j)＜0時的範圍-1≤-r+α≤0以及Q(c，i，j)＝0時的範圍-1≤α≤1對校正因子α進行校正。
逆量化值輸出部590使用從校正部580輸入的逆量化值(在本示例中為逆量化值的校正因子α)或從隨機數生成部560輸入的隨機數確定將要採用的逆量化值，隨後，將所確定的逆量化值輸出到逆變換部60。
本示例中的逆量化值輸出部590根據從校正部580或隨機數生成部560輸入的校正因子α和量化指標(或與該量化指標相關的逆量化值)計算逆量化值。更具體地，逆量化值輸出部590使用以下等式計算將要採用的逆量化值Ry(c，i，j)。
Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)也就是說，本實施例的解碼程序5並不將由隨機數生成部560生成的隨機數用作逆量化值本身，而是將由隨機數生成部560生成的隨機數用作逆量化值的校正因子α。
圖5更詳細地示出了圖4的分布估計部520。
如圖5所示，分布估計部520包括零確定部522、非零變換係數分布估計部524和零變換係數分布估計部526。
在分布估計部520中，零確定部522根據與量化指標對應的原始數據的性質(例如變換係數的種類)對從熵解碼部40輸入的量化指標進行分類，並確定僅通過根據原始數據的性質分類的多組量化指標是否能夠估計出原始數據的頻率分布(換句話說，使用根據原始數據的性質分類的一組量化指標以及根據該原始數據的不同性質分類的另一組量化指標之間的相關性是否能夠估計出頻率分布)。
本示例中的零確定部522確定由熵解碼部40輸入的量化指標對應於零變換係數還是非零變換係數，將被確定為對應於非零變換係數的量化指標輸出到非零變換係數分布估計部524，並指示零變換係數分布估計部526使用非零變換係數的分布，將分布估計處理應用於被確定為對應於零變換係數的量化指標。
在此，非零變換係數是指一個變換係數種類c的任一量化指標都不為零的變換係數。此外，零變換係數是指一個變換係數種類c的所有量化指標都為零的變換係數。換句話說，除了零變換係數之外的所有變換係數都是非零變換係數。
非零變換係數分布估計部524根據從零確定部522輸入的量化指標估計原始數據的頻率分布(本示例中的變換係數)。
更具體地，非零變換係數分布估計部524生成具有相同性質的多個量化指標組的頻率分布(在本示例中，多個量化指標對應於同一變換係數種類c)，並根據所生成的量化指標的頻率分布準備量化指標的概率密度函數。將該概率密度函數用作變換係數的概率密度函數的近似函數。
本示例中的非零變換係數分布估計部524對於各變換係數種類c準備從零確定部522輸入的量化指標Q(c，i，j)(與非零變換係數對應的量化指標)的直方圖hc(q)。
例如，非零變換係數分布估計部524定義函數ht(c，q，i，j)，以使得如果量化指標Q(c，i，j)的值是q，則ht(c，q，i，j)＝1，反之，ht(c，q，i，j)＝0，並根據該定義準備直方圖hc(q)。
hc(q)=ijht(c,q,i,j)---(1)]]>接下來，本示例中的非零變換係數分布估計部524利用拉普拉斯分布，對所準備的直方圖hc(q)進行近似，採用該拉普拉斯函數作為變換係數T的分布函數。
可以將拉普拉斯分布的等式表示如下L(x)=12exp(-2|x|)---(2)]]>非零變換係數分布估計部524可以通過計算等式(2)中的σ獲得變換係數T的分布函數。
首先，非零變換係數分布估計部524對所準備的量化間隔寬度為D(c)的直方圖hc(q)和量化指標的總和進行歸一化，並將歸一化的直方圖hc(q)變換成概率密度函數fhc(x)。具體而言，非零變換係數分布估計部524根據以下等式將直方圖hc(q)變換成概率密度函數fhc(x)。
fhc(x)=hc(q)D(c)qhc(q)---(3)]]>其中，(q-0.5)×D(c)＜x≤(q+0.5)×D(c)。
接下來，非零變換係數分布估計部524計算對直方圖hc(q)進行近似的拉普拉斯函數。
圖6示出了直方圖h和分布函數L(拉普拉斯函數)。
如圖6所示，非零變換係數分布估計部524可以找出使拉普拉斯函數L(x)與直方圖fhc(x)之間的差值(本示例中的面積差)儘可能小的σ。
將以下誤差函數Err(σ)定義為對『使差值儘可能小』進行估計的函數。
Err=q|(q-0.5)D(c)(q+0.5)D(c){L(x)-fhc(x)}dx|---(4)]]>該誤差函數Err(σ)是對於針對量化指標值q獲得的概率密度函數的面積差值的絕對值進行求和的函數。隨著誤差函數Err(σ)的值變小，可以說直方圖fhc(x)接近拉普拉斯函數L(x)。非零變換係數分布估計部524獲得σ以通過數值計算使誤差函數Err(σ)最小。
零變換係數分布估計部526根據由非零變換係數分布估計部524根據來自零確定部522的指令估計出的其它變換係數的頻率分布，對零變換係數的頻率分布進行估計。
也就是說，僅當直方圖具有有意義的形狀時，零變換係數分布估計部526才可以估計頻率分布，但是當準備了所有頻率值為零的直方圖時，則不能估計頻率分布的形狀。
因此，零變換係數分布估計部526根據將在下文中描述的方法，使用另一個獲得的分布數據(在本示例中為σ)，對變換係數種類c的所有量化指標為零的拉普拉斯分布的形狀進行估計。
在本示例中，因為通過示例描述了JPEG中的解碼處理，所以將變換係數種類設置為二維8×8矩陣。
在此，將σ的值設置為二維的、與DCT係數的(1，1)至(8，8)分量相對應，如圖7A所示。也就是說，用σ(x，y)表示與具有(x，y)分量的變換係數對應的σ的值。
例如，σ(1，1)是具有DC分量的σ的值，σ(8，8)是表示最高AC分量的變換係數的σ值。然而，在本示例中，由於非零變換係數分布估計部524和零變換係數分布估計部526不能通過拉普拉斯分布對與DC分量對應的σ值進行近似，所以這個σ的值不用於σ值的估計。
在本示例中，假設σ(x，y)是x-y平面上的函數。零變換係數分布估計部526使用已獲得的σ值(即，由非零變換係數分布估計部524計算出的σ值)確定該函數σ(x，y)，並估計與零變換係數對應的σ值。
具體地，零變換係數分布估計部526通過二維指數函數對函數σ(x，y)進行近似。即，σ(x，y)＝Cexp(-ax-by)。
這對應於零變換係數分布估計部526通過指數函數對σ值進行近似，如圖7(B)所示。
零變換係數分布估計部526計算等式σ(x，y)＝Cexp(-ax-by)中的參數C、a和b以確定近似函數σ(x，y)，並且使用所確定的近似函數σ(x，y)計算與零變換係數對應的σ值。
在此，將已經獲得的σ(x，y)設置為σ(x(u)，y(u))。其中，(x(u)，y(u))(u＝1，2，……，U)是已經獲得的σ的坐標。
此外，因為所有量化指標為零，所以將無法獲得的σ值設置為σ(x(v)，y(v))。其中，v＝1，2，……，V，並且U+V＝63。
首先，零變換係數分布估計部526使用σ(x(u)，y(u))(u＝1，2，……U)確定C、a和b。
作為為此的準備，將等式σ(x，y)＝Cexp(-ax-by)兩側變成對數形式，如下logσ(x，y)＝logC-ax-by接下來，將σ(x(u)，y(u))代入該對數等式。即，logσ(x(u)，y(u))＝logC-ax(u)-by(u)
其中，由於u＝1，2，……，U，所以以上等式是如下的矩陣計算-x(1)-y(1)1-x(2)-y(2)1-x(U)-y(U)1ablogClog(x(1),y(1))log(x(2),y(2))log(x(U),y(U))---(5)]]>此外，如果U＝3，則可以按照典型的聯立等式求解以上矩陣。而且，如果U＞3，則可以使用最小均方法求解上述矩陣。
通過這種方式，零變換係數分布估計部526可以通過求解該矩陣獲得參數a、b和c。
接下來，零變換係數分布估計部526通過將與零變換係數對應的x(v)和y(v)代入等式σ(x(v)，y(v))＝Cexp(-ax(v)-by(v))中，計算與零變換係數對應的σ值。
此外，零變換係數分布估計部526可以校正σ(x，y)以隨著x和y單調減少，從而獲得更相關的σ的估計值。也就是說，當在假設等式σ(x(v)，y(v))＝Cexp(-ax(v)-by(v))的情況下獲得σ(x(v)，y(v))時，σ(x(v)，y(v))小於或等於σ(x，y)，σ(x，y)的坐標(x，y)小於σ(x(v)，y(v))的坐標。具體而言，零變換係數分布估計部526使用以下等式進行校正。
σ(x(v)，y(v))＝min{σ(x(v)-1，y(v))，σ(x(v)，y(v)-1)，σ(x(v)-1，y(v)-1)}[隨機數生成部的細節]接下來將更詳細地描述隨機數生成部560(圖4)。
隨機數生成部560根據將要處理的量化指標Q(c，i，j)對從分布估計部520輸入的分布函數fc(x)(即，與由非零變換係數分布估計部524或零變換係數分布估計部526計算出的σ值(分布數據)對應的函數)進行變量變換。
具體而言，假設量化指標Q(c，i，j)＝q並且量化指標Q(c，i，j)＝q的變換係數T(c，i，j)的範圍是d1至d2，隨機數生成部560生成以下函數fcq(x)。
該函數fcq(x)是與變換係數種類c和量化指標q的變換係數對應的概率密度函數。此外，通過將d1至d2的範圍變換到αmin至αmax的範圍，獲得該概率密度函數。可以以如下各種方式考慮確定αmin和αmax的方法；例如，(1)當αmin＝-αmax時，將αmin和αmax設置為預設常數值的方法，(2)當αmin＝-αmax時，使用預設常數值β和將(αmax-αmin)的值設置為量化步長×β＝αmax-αmin的方法，(3)設置上限值Dmax，以使量化步長×β的值不大於預設常數值，並通過αmax-αmin＝min{量化步長×β，Dmax}確定αmin和αmax的方法，除了以上方法(2)之外，還存在(4)將(αmin+αmax)/2的值設置為α的預期值(在變型例中將要描述的E(αTcq))的方法。
隨機數生成部560生成與概率密度函數fcq(x)匹配的隨機數α。
將該隨機數α用作校正因子α，以用於由逆量化值輸出部590計算逆量化值(圖4)。
此外，儘管在本示例中，首先生成隨機數α，隨後獲得逆量化值R，也可以直接生成R作為隨機數。也就是說，隨機數生成部560可以生成與以下概率密度函數fcq(x)匹配的隨機數，並且逆量化值輸出部590可以將該隨機數作為逆量化值輸出到逆變換部60。
接下來，將描述生成與概率密度函數fcq(x)匹配的隨機數的方法。作為這樣一種隨機數生成方法，例如，可以使用反函數方法，在『Knowledgeof random number』(Wakimoto Kazumasa，Morikita Shuppan Co.，Ltd.，61到64頁)中公開了該方法。
現在，將描述該方法的示例。
首先，獲得以下函數Fcq(x)。
Fcq(x)=minxfcq(t)dt---(8)]]>接下來，獲得Fcq(x)的反函數F-1cq(x)。
隨後，均勻隨機數生成器生成在間隔
範圍內的隨機數x。
最後，當α＝F-1cq(x)時，可以生成與fcq(x)匹配的隨機數α。其中，F-1cq(x)是Fcq(x)的反函數。
此外，如果fc(x)具有拉普拉斯分布，則可以預先以簡單的形式固定函數F-1cq(x)。在此，為了簡化，預先對fcq(x)進行歸一化。此外，αmin＝-αmax。即，fcq(x)＝Cexp(-s|x|)(其中αmin≤x≤αmax)。
當q＞0時，因為x≥0，所以fcq(x)＝Cexp(-sx)。
因此，Fcq(x)＝-(C/s){exp(-sx)-exp(-sαmin)}F-1cq(x)＝-(1/s)log{exp(-sαmin)-sx/C}當q＜0時，因為x＜0，類似地，F-1cq(x)＝(1/s)log{exp(sαmin)+sx/C}此外，當q＝0且x＜0時，F-1cq(x)＝(1/s)log{exp(sαmin)+sx/C}當q＝0且x≥0時，Fcq(x)=min0Cexp(sx)da+0xCexp(-st)dt=0.5-Csexp(-sx)+Cs---(9)]]>因此，F-1cq(x)＝-(1/s)log{1-s(x-0.5)/C}。
通過這種方式，隨機數生成部560可以根據從分布估計部520輸入的分布數據，生成隨機數作為適合於變換係數分布的校正因子α。
圖8A和圖8B是示出了校正部580進行的校正的示意圖。
如圖8A所示，校正部580對逆量化值的分布進行偏移(a3)以使所估計的變換係數T的預期值(a1)與逆量化值的預期值(a2)匹配。
此外，如圖8B所示，當逆量化值(本示例中的校正因子α)的分布偏離量化間隔d1到d2時(在本示例中，為逆量化值的分布偏離α的範圍(αmin至αmax)的情況(b1))，校正部580使該分布向著逆量化值(校正因子α)的預期值變小，而不移動預期值(b2)。
此外，在本示例中，校正部580對於從逆量化值估計部500輸入的校正因子α進行上述校正。
接下來，將描述解碼設備2(解碼程序5)的整個操作。
圖9是由解碼程序5(圖4)執行的解碼處理S10的流程圖。在該示例中，將通過示例描述輸入圖像數據的(JPEG的)編碼數據的情況。
如圖9所示，在步驟S100中，熵解碼部40(圖4)通過對所輸入的編碼數據進行解碼，對於各塊(8×8塊)生成量化指標，並將所生成的各塊的量化指標輸出到逆量化部50。
在步驟S105中，分布估計部520根據從熵解碼部40輸入的多個量化指標，對各變換係數種類的變換係數T的分布進行估計。
具體而言，當將與單頁圖像對應的量化指標從熵解碼部40輸入到置於分布估計部520中的零確定部522(圖5)時，零確定部522將所輸入的量化指標分類到變換係數種類，並確定所分類的量化指標對應於零變換係數還是非零變換係數。
非零變換係數分布估計部524(圖5)對於與非零變換係數對應的各組量化指標準備這些量化指標的直方圖hc(q)(即，各變換係數種類c的直方圖)，並計算對直方圖hc(q)進行近似的拉普拉斯函數L(即，σ值)。
此外，零變換係數分布估計部526(圖5)通過指數函數對由非零變換係數分布估計部524計算出的頻率分布進行近似，並使用這個指數函數對零變換係數(即，σ值)的頻率分布進行估計。
在步驟S110中，逆量化部50(圖4)將所輸入的量化指標按順序設置到給定的量化指標。
逆量化值估計部500(圖4)提取在給定量化指標Q(c，i，j)周圍的多個相鄰量化指標Q(c，i+m，j+n)(在本示例中，-1≤m≤1和-1≤n≤1)。所提取的相鄰量化指標是在給定塊周圍的3×3塊內的同一變換係數種類c的量化指標，並具有3×3矩陣。
在步驟S115中，逆量化值估計部500使用所提取的相鄰量化指標和給定的量化指標進行下述計算，來準備差分矩陣P。
P(m，n)＝Q(c，i+m，j+n)-Q(c，i，j)也就是說，逆量化值估計部500計算給定量化指標的值與相鄰量化指標的值之間的差值。
接下來，逆量化值估計部500對包括在差分矩陣P中的各差值的絕對值|P(m，n)|與閾值TH(例如1)進行比較，並將大於閾值TH的差值P(m，n)設為0(閾值處理)。也就是說，如果相鄰量化指標值和給定量化指標值之間的差值大於閾值，則逆量化值估計部500將該相鄰量化指標值作為非相關信號去除。
在步驟S120中，逆量化部50(圖4)確定是否可以對於給定量化指標估計逆量化值。
具體而言，如果給定量化指標和已經進行了閾值處理的差分矩陣P的所有分量都是零(例如，如果在所有相鄰量化指標中的值(相鄰塊的量化指標)相等，或者如果所有相鄰量化指標被作為非相關信號去除)，則逆量化部50確定無法進行逆量化值的估計。反之，逆量化部50確定可以進行逆量化值的估計。
如果逆量化部50確定可以進行逆量化值的估計(在本示實施例中，對校正因子α的估計)，則該處理進行到步驟S115。如果逆量化部50確定無法進行逆量化值的估計，則該處理進行到步驟S120。
在步驟S125中，逆量化值估計部500使用圖10所示的3×3濾波器核(kernel)K(m，n)，通過為已經進行了閾值處理的差分矩陣P進行卷積操作，來計算校正因子αycq。因此，即使當給定量化指標的值相等時，如果給定量化指標周圍的相鄰量化指標不同，則所計算出的校正因子αycq具有不同值。
此外，圖10所示的濾波器具有低通特性。
在步驟S130中，隨機數生成部560根據從分布估計部520輸入的分布數據對於給定的量化指標生成隨機數，並將所生成的隨機數作為校正因子α輸出到逆量化值輸出部590。
具體地，隨機數生成部560從由非零變換係數分布估計部524和零變換係數分布估計部526估計出的分布中選擇與給定量化指標對應的分布，生成隨機數以與選定分布匹配，並將所生成的隨機數作為校正因子α輸出到逆量化值輸出部590。
在步驟S135中，逆量化部50確定是否對於所有量化指標生成了校正因子α。如果確定對於所有量化指標生成了校正因子α，則該處理進行到步驟S140。反之，該處理返回到步驟S110，在此，將下一個量化指標作為將要處理的給定量化指標。
在步驟S 140中，預期值估計部540根據從分布估計部520輸入的分布數據，對於變換係數種類和量化指標的各組合計算概率密度函數的預期值E(αTcq)，並將所計算出的預期值E(αTcq)輸出到校正部580。
在步驟S 145，校正部580對於各變換係數種類和各量化指標，對由逆量化值估計部500計算出的校正因子α進行分類，並計算所分類的校正因子α的最小值、最大值和平均值。
接下來，校正部580對從預期值估計部540輸入的預期值E(αTcq)與對於變換係數種類和量化指標的各組合而計算出的平均值進行比較，並對分類到變換係數種類和量化指標的組合的一組校正因子αTcq進行偏移，以使預期值E(αTcq)變成等於平均值(偏移校正)。
此外，校正部580確定已經進行了偏移校正的該組校正因子α是否落入-0.5至0.5的範圍內。如果確定該組校正因子α並未落入該範圍內，則在不改變該組校正因子αycq的平均值的情況下，執行範圍校正以使該組校正因子αycq的範圍落入-0.5至0.5的範圍內。
在步驟S150中，逆量化值輸出部590(圖4)根據從校正部580輸入的給定量化指標Q和校正因子α或者從隨機數生成部560輸入的校正因子α，計算將要採用的逆量化值Ry，並將所計算出的逆量化值Ry輸出到逆變換部60。
具體而言，本示例中的逆量化值輸出部590通過執行以下計算來計算逆量化值Ry。
Ry(c，i，j)＝{Q(c，i，j)+α(c，i，j)}×D(c)在步驟S155中，逆變換部60(圖4)使用從逆量化部50輸入的逆量化值(近似變換係數)執行逆變換(在本示例中為逆DCT)以生成解碼圖像H。
如上所述，本實施例中的解碼設備2根據量化指標估計變換係數的分布，生成隨機數以與所估計的分布匹配，並根據所生成的隨機數生成逆量化值。
因此，因為逆量化值的頻率分布接近於變換係數的頻率分布，所以可以預期具有更高可再現性的解碼圖像。
在以上實施例中已經描述了這樣的結構，該結構包括用於使用相鄰量化指標值計算校正因子α的逆量化值估計部500和用於生成隨機數的隨機數生成部560，所述隨機數作為校正因子α與量化指標的分布匹配。然而，逆量化值估計部500並非必需的。也就是說，隨機數生成部560可以對於所有量化指標生成校正因子α。
接下來將描述第一變型例。
儘管在以上實施例中通過拉普拉斯分布估計變換係數的分布，但是在第一變型例中可以對於變換係數的分布進行折線近似，如圖11所示。
例如，假設將αmid定義為αmin+αmax，則非零變換係數分布估計部524(圖5)通過連接αmin、αmid和αmax的直線(折線)對概率密度函數進行近似，從而進行估計。
然而，當量化指標值q具有AC分量並接近0時，難以實現線性近似。因此，非零變換係數分布估計部524採用另一種近似方法。更具體地說，非零變換係數分布估計部524根據作為正整數的閾值TH1在多種近似方法之間交替。也就是說，假設q是量化指標值，當|q|＞TH1，執行第一線性近似，當|q|＝TH1，執行第二線性近似，當|q|＜TH1，執行拉普拉斯分布近似(在以上實施例中進行了描述)。
儘管本變型例根據量化指標值q在線性近似和拉普拉斯分布近似之間變化，但是也可以對於所有q值都採用第一線性近似。
第一和第二線性近似是如圖11A所示的折線近似。
首先，將描述第一線性近似。
如圖11B所示，非零變換係數分布估計部524考慮單值函數fk(α)，它滿足fk(α)＝hc(q)(其中αmin≤α≤αmax)。隨後，通過折線對該單值函數進行近似。
非零變換係數分布估計部524使用圖11A所示的相鄰直方圖hc(q-1)和hc(q+1)估計fk(αmin)和fk(αmax)的值。
例如，如下來估計fk(αmax)的值。
首先，非零變換係數分布估計部524確定A點的位置，如圖11C所示。設定hc(q)與hc(q+1)之間的fk(αmax)的值是合理的。例如，優選地是fk(αmax)＝(hc(q)+hc(q+1))/2。
在本示例中，採用將hc(q)和hc(q+1)之間的間隔以比率hc(q)∶hc(q+1)進行分割的點作為A點的位置。
這是優選的，因為當給定量化指標的頻率值hc(q)小於相鄰量化指標的頻率值hc(q+1)或者給定量化指標的頻率值hc(q)接近零時，A點的值可以變得足夠小。
此時，非零變換係數分布估計部524可以根據以下公式計算fk(αmax)。
fk(αmax)＝2×hc(q)×hc(q+1)/(hc(q)+hc(q+1))類似地，非零變換係數分布估計部524可以根據下述公式計算fk(αmin).
fk(αmin)＝2×hc(q)×hc(q-1)/(hc(q)+hc(q-1))接下來，非零變換係數分布估計部524估計fk(αmid)的值。在此，將相鄰直方圖的形狀分類成兩種，分別在圖11D和圖11E中示出。
如圖11D所示，當直方圖(頻率值)隨著量化指標值q單調增加或減少時，非零變換係數分布估計部524設置fk(αmid)＝hc(q)。
此外，如圖11E所示，當直方圖(頻率值)並不隨著量化指標值q單調地增加或減少時，非零變換係數分布估計部524當hc(q)具有最大值(峰值)時計算滿足條件fk(αmid)＞hc(q)的fk(αmid)，並且當hc(q)具有最小值(谷值)時計算滿足條件fk(αmid)＜hc(q)的fk(αmid)。
更具體地，非零變換係數分布估計部524加入fk(αmax)與fk(αmin)之差的平均值。即，根據下述等式計算fk(αmid)。
fk(αmid)＝hc(q)+(hc(q)-fk(αmin)+hc(q)-fk(αmax))/2非零變換係數分布估計部524可以將上面獲得的函數fk(x)變換成概率密度函數。即，概率密度函數fcq(x)如下 接下來，將描述第二線性近似。第二線性近似是當|q|＝TH1時採用的線性近似。
當q＝TH1時，左側(q＝TH1-1的情況)通過拉普拉斯分布而不是第一線性近似來近似。因此，希望考慮fk(αmin)的值以滿足分布的連續性。因此，非零變換係數分布估計部524根據下式計算fk(αmin)。
fk(min)=L((min+q)D(c))=12exp(-2|(min+q)D(c))---(11)]]>此外，以與第一線性近似相同的方式計算第二線性近似的fk(αmax)和fk(αmid)。此外，非零變換係數分布估計部524以與第一線性近似相同的方式使用三個數值，即fk(αmin)、fk(αmax)和fk(α mid)計算fcq(x)。
在以上實施例中對於所有量化指標值q生成了隨機數。
第二變型例示出了對於部分量化指標值q生成隨機數的示例。
例如，逆量化值估計部500僅當給定量化指標值和相鄰量化指標值之間的所有差值都是零時才無法估計逆量化值。因為大量量化指標值分布在0內，如圖6的直方圖所示，所以當給定量化指標值是0時，如上所述的給定量化指標值和相鄰量化指標值之間的所有差值為零的概率變高。
反之，當給定量化指標值不是0時，因為相鄰量化指標值非常可能是0，給定量化指標值和相鄰量化指標值之間的所有差值為零的概率變得低。
如上所述，在本變型例中，解碼程序5當給定量化指標值q是0時採用由隨機數生成部560生成的隨機數作為校正因子α(或逆量化值)，並且當給定量化指標值q不是0時採用由逆量化值估計部500生成的校正因子α(或逆量化值)。
在以上實施例中，隨機數生成部560生成與函數fcq(x)匹配的隨機數。在第三變型例中，生成不同於函數fcq(x)的隨機數。
函數fcq(x)是分布在αmin到αmax的範圍之間的函數。因此，如果量化步長D(c)較大，則當生成偏離α的預期值的隨機數時所引起的失真可能變大。
因此，下面描述限制隨機數範圍的第三變型例。
也就是說，隨機數生成部560生成與以下概率密度函數fcq1(x)匹配的隨機數。
fcq1(x)=fcq(x)E(Tcq)-dE(Tcq)+dfcq(t)dtE(Tcq)-dxE(Tcq)+d0xE(Tcq)-d,x>E(Tcq)+d---(12)]]>其中，E(αTcq)是fcq(x)的預期值。通過這種方式，可以計算出預期值。另選地，為了簡化計算，優選地可以使E(αTcq)＝0。此外，對d的範圍進行限制以使得αmin ≤ E(αTcq)-d並且E(αTcq)+d ≤αmax。
以上公式是僅使用fcq(x)的中央形狀(-d至d)，周圍的生成概率為0的示例。這樣，因為沒有輸出偏離預期值的數值，所以可以限制平方誤差。
在第四變型例中，生成不同於fcq(x)的隨機數。
可能存在在以上實施例所示的反函數方法中隨機數生成處理的負荷很大的情況。
因此，在第四變型例中的隨機數生成部560生成均勻隨機數。此外，在該變型例中，為了描述方便，將通過拉普拉斯分布估計變換係數的分布以及通過拉普拉斯分布估計變換係數種類c時的拉普拉斯分布的方差假設為σ(c)。
也就是說，該變型例中的隨機數生成部560根據以下概率密度函數fcq2(x)生成隨機數。
如果E(αTcq)-βσ≤x≤ E(αTcq)+βσ，則fcq2(x)＝1/(2βσ)；反之，fcq2(x)＝0。
其中E(αTcq)是fcq(x)的預期值。可以計算該預期值。另選地，為了簡化計算，優選地使E(αTcq)＝0。
考慮E(αTcq)＝0，概率密度函數fcq2(x)是在[-βσ，βσ]範圍內的均勻分布函數。將值β設為使得[E(αTcq)-βσ，E(αTcq)+βσ]的範圍不超過[αmin，αmax]。
值β是控制解碼圖像的混亂的參數。β的增加導致圖像混亂的增加。β的減少導致圖像混亂的減少，然而，導致圖像具有可見的塊失真。
雖然已經在以上實施例和以上變型例中描述了將本發明應用於JPEG的情況，但是本發明並不限於此。在第五變型例中，將描述將本發明應用於JPEG2000的例子。在下文中，將描述將本發明應用於JPEG2000和將本發明應用於JPEG之間的差別。
在將本發明應用於JPEG2000時，α的範圍如下-1≤α≤1，當Q(c，i，j)＝0時0≤r+α≤1，當Q(c，i，j)＞0時-1≤-r+α≤0，當Q(c，i，j)＜0時此外，在JPEG2000中，各變換係數存在於如圖12所示的經分解的頻域內。在此，將σ(x，y)定義如下。其中，NL是小波變換的分解層數(thenumber of decomposition level)。
σ(1，3)＝NHL的係數的σσ(3，1)＝NLH的係數的σσ(3，3)＝NHH的係數的σ……σ(2，6)＝(N-1)HL的係數的σ
σ(6，2)＝(N-1)LH的係數的σσ(6，6)＝(N-1)HH的係數的σ……即，可以歸納如下。
以上σ值可以是簡單信號的標準偏差，或者可以是如在上述實施例中描述的拉普拉斯分布的估計結果。如圖12所示，將σ值相對地布置在各變換係數的二維頻域上的範圍周圍的x-y平面上。
零變換係數分布估計部526通過使用指數函數對σ值進行近似來計算與零變換係數對應的σ值。
接下來，將描述第二實施例。
在第二實施例中，將描述與第一實施例不同的分布確定方法。更具體地，在第二實施例中，通過對於各量化係數種類c計算量化指標Q(c，i，j)的標準偏差，獲得數值σ。同時，第二實施例中的解碼程序5具有圖4所示的結構。
第二實施例中的分布估計部520使用所建立的函數F+(x，σ)或F-(x，σ)估計σ。作為拉普拉斯分布的積分函數的F+(x，σ)和F-(x，σ)由下式表示。
F+(x,)=12[1-exp(-2x)]]]>F-(x,)=12[1-exp(2x)]---(14)]]>該函數可以將J表示為對於形式為y＝F+(x，σ)或F-(x，σ)的公式的x和y的正函數。也就是說，可以在不進行數值計算(重複計算)的情況下獲得標準偏差σ。這是本實施例相對於第一實施例的優點。
在此，將量化指標q的歸一化直方圖設置為H(q)。
在本實施例中，給定任一整數N，獲得標準偏差σ，該σ使具有從-N至N的量化指標q的範圍的歸一化直方圖之和等於拉普拉斯分布的相應積分值。
當量化步長是D時，在JPEG中，q落入在-N到N的範圍內的係數範圍是-(2N+1)D/2到(2N+1)D/2。
根據下式，可以實現使具有從-N至N的量化指標q的範圍的歸一化直方圖之和與拉普拉斯分布的相應積分值相等。
F+((2N+1)D2)+F-(-(2N+1)D2)=q=-NNH(q)---(15)]]>根據拉普拉斯分布的對稱性質，可以將以上等式變換成下式。
2F+((2N+1)D2)=q=-NNH(q)---(16)]]>為等式16求解σ，獲得下式。
=-(2N+1)D2log[1-q=-NNH(q)]---(17)]]>分布估計部520使用等式(17)獲得標準偏差σ。
在下文中，將描述第二實施例的變型例。
作為第一變型例，將描述第二實施例在JPEG2000上的應用。在JPEG2000中，q的範圍為-N至N的係數範圍是-(N+1)D至(N+1)D。根據以下等式可以實現使具有從-N到N的q的範圍的歸一化直方圖之和等於拉普拉斯分布的相應積分值。
F+((N+1)D)+F-(-(N+1)D)=2F+((N+1)D)=q=-NNH(q)---(18)]]>[第二變型例]雖然整數N在第二實施例中是預設值(即，所採用的值)，但是在第二變型例中，解碼程序5設置適當的整數N。
在此，將通過示例描述作為量化指標q的最大值的線性函數確定整數N的方法。
首先，預先準備整數a和b。
(1)假設量化指標q的絕對值的最大值為qM。即，假設qM＝max{|q max|，|q min|}。
(2)當qM是0時，不進行處理。
(3)通過N＝min{qM-1，round(a×qM+b)}獲得N。
在這些公式中，max{A，B}表示輸出A和B中較大一個的函數，min{A，B}表示輸出A和B中較小一個的函數。此外，假設q的最小值和最大值分別為qmin和qmax。round表示諸如四捨五入或五舍六入的取整處理。
在第(3)項中，採用qM-1和round(a×qM+b)中的最小值作為線性函數的輸出值的原因在於，因為當N＝qM時，計算σ的公式(17)分母變成零，不能獲得σ。即，將N的最大值處理為qM-1。
圖13更詳細地示出了第二實施例中的分布估計部520的結構。
如圖13所示，該分布估計部520包括頻率分布測量部532、直方圖歸一化部534、N值獲取部536和標準偏差估計部538。
在該分布估計部520中，頻率分布測量部532根據所輸入的量化指標Q(i)(其中i＝1，2，……)測量頻率分布h(q)。頻率分布h(q)表示量化指標Q(i)的值的數量，即q。
此外，頻率分布測量部532獲得量化指標值q的絕對值的最大值qM。
直方圖歸一化部534對由頻率分布測量部532測量出的頻率分布h(q)進行歸一化，並生成歸一化直方圖H(q)。
N值獲取部536根據由頻率分布測量部532獲得的qM確定N的值。具體而言，N值獲取部536執行上述處理(1)至(3)。
標準偏差估計部538根據由N值獲取部536獲得的N值、由直方圖歸一化部534生成的歸一化直方圖H(q)和從外部輸入的量化步長D計算標準偏差σ。
在圖14中示出了當如上所述設置N值時的實驗結果。
通過DCT對各種圖像進行變換，並獲得量化後的量化指標的最大值。而且，獲得原始圖像的變換係數的標準偏差，使用N的各種值計算σ，隨後，獲得最適合於對變換係數的標準偏差進行估計的N值。圖14示出了量化值的最大值與N的最佳值之間的關係。如圖14所示，在qM與N的最佳值之間存在線性關係。
因此，能夠實現如在該方法中的使用qM的線性函數獲得N的顯著效果。
此外，假設b＝0且N＝min{qM-1，round(a×qM)}，可以獲得N的值。
也就是說，如圖14所示，因為qM與N的最佳值之間的關係近似線性地通過原點，所以可以將b限制為零。
在以上描述中，使量化指標q的絕對值的最大值為qM，使用qM的線性函數獲得N。然而，將qM設置為量化指標的絕對值的最大值並非絕對必要的。也可以將qmax或qmin用作qM。
這是因為量化指標的分布是接近對稱的，幾乎建立了qmax＝-qmin的關係。也就是說，無需使用絕對值的最大值。
此外，在以上描述中，通過使用round函數對線性函數的輸出進行捨入處理，獲得N的值。可以採用捨去處理或捨入處理以獲得整數值N。
此外，儘管在上述描述中，頻率分布的相加範圍是-N至N，但是也可以不採用該對稱範圍。例如，該範圍可以是Nmin到Nmax，其中Nmin≤0且Nmax≤0。例如，可以獲得Nmin作為qmin的函數，獲得Nmax作為qmax的函數。
在第三變型例中，使用N的值進行估計，這使得H(q)的累加值成為特定值P(0＜P＜1)。即，在第三變型例中，如下式所表示的，N值獲取部536通過給定預設值P，獲得N。
N=argminN|{q=-NNH(q)}-P|---(19)]]>更具體地，使用圖13所示的結構來進行以下操作。
輸入分布估計部520的數據是量化指標Q(i)(其中i＝1，2，……)且量化步長為D。
頻率分布測量部532根據所輸入的量化指標Q(i)測量頻率分布h(q)。h(q)表示量化指標Q(i)的值的數量，即q。
同時，頻率分布測量部532獲得量化指標值q的絕對值的最大值qM。
接下來，直方圖歸一化部534根據由頻率分布測量部532測量的頻率分布h(q)生成歸一化直方圖H(q)。
N值獲取部536根據由直方圖歸一化部534生成的歸一化直方圖H(q)和由頻率分布測量部532獲得的qM確定N的值。此外，數值P是預設值。
更具體地，N值獲取部536根據圖15所示的流程圖確定N的值。此外，圖15流程圖中的qm表示q的絕對值的最大值(qM)。此外，SUM表示頻率值H(q)的累加值(累加頻率)。
首先，N值獲取部536設置SUM＝H(0)及i＝0(S200)。
接下來，N值獲取部536設置N＝1，如果SUM≥P或qm＝1(S205是)，則結束該處理(S210)，反之(S205否)，將i的值加一併設置NewSUM＝SUM+H(i)+H(-i)(S215)。也就是說，N值獲取部536分別在左側和右側將頻率值累加的範圍擴展一。
如果NewSUM≥P(S220是)且|NewSUM-P|≤|SUM-P|(S225是)，則N值獲取部536設置N＝i，並結束該處理(S230)。而且，如果NewSUM≥P(S220是)且|NewSUM-P|＞|SUM-P|(S225否)，則N值獲取部536設置N＝i-1，並結束該處理(S235)。
另一方面，如果NewSUM＜P(S220否)且i＝qm-1(S240是)，則N值獲取部536設置N＝qm-1，並結束該處理(S245)。而且，如果NewSUM＜P(S220否)且除非i＝qm-1(S240否)，否則N值獲取部536將NewSUM的值代入SUM(S250)，並返回S215。
N值獲取部536根據以上處理確定N值。
此外，如在上述流程圖中所示的，因為完成了對∑H(q)值的計算，所以N值獲取部536將作為歸一化直方圖相加結果的以下等式輸出到標準偏差估計部538。
q=-NNH(q)---(20)]]>使用第二實施例中所述的等式，標準偏差估計部538根據從N值獲取部536輸入的N值、歸一化直方圖H(q)的相加結果以及從外部輸入的量化步長D，計算標準偏差σ。
如上所述，下面示出了當對標準偏差進行估計時的結果示例。
計算為各種圖像測量的原始變換係數、彩色分量和量化步長的標準偏差與所估計的標準偏差之間的均方根誤差(RMSE)。
當根據在第二變型例中說明的方法確定N值時，RMSE是4.176。
此外，當根據第三變型例中說明的方法確定N值時，RMSE是4.033。
通過這種方式，在上述變型例中說明的方法能夠準確地估計標準偏差。
此外，本實施例中的方法並不如常規技術中一樣要求數值計算，因此，可以穩定地進行高速計算，而不會落入局部解中。
圖16示出了對於各個圖像而測量出的原始變換係數、彩色分量和量化步長的標準偏差與所估計的標準偏差的比值。因為縱軸表示所估計出的標準偏差/實際標準偏差的比值，接近1的比值表示良好性能。
當X的值較大時，從圖16可以看出第二變型例提供了表現出良好性能的極佳方法，而常規示例表現出具有顯著惡化值的較差性能。
此外，當X的值較小時，常規示例的方法較好。而且，當X的值較大時，第二或第三變型例較好。
因此，在第四變型例中，當X＝D/σ的值較小時，採用在JP2004-80741A中公開的方法(即常規示例)，當X的值較大時，採用第二或第三變型例。
在這種情況下，因為σ的實際值是未知的，所以分布估計部520首先使用與第二或第三變型例相同的方法對σ進行估計，使用所估計出的σ評估X的值，當X的值小於預設閾值時，使用根據常規示例的方法估計出的σ，當X大於預設值時，使用根據第二或第三變型例估計出的σ。
此外，當量化指標的最大值(或絕對值的最大值)小於預設閾值時，分布估計部520使用第二或第三變型例估計σ，當量化指標的最大值(或絕對值的最大值)大於預設閾值時，使用常規示例的方法估計σ。
此外，分布估計部520可以計算和採用通過常規示例的方法計算出的σ值和通過第二或第三變型例計算出的σ值之間的σ的中間值。
也就是說，如圖16所示，因為在常規示例的方法中通常計算小於實際標準偏差的值，而在第二或第三變型例中通常計算大於實際標準偏差的值，所以分布估計部520可以對這些計算結果進行積分以採用σ的中間值，由此獲得更接近實際標準偏差的σ值。
更具體地，假設通過常規示例的方法計算出的標準偏差是A並且通過第二或第三變型例計算出的標準偏差是B，則分布估計部520根據以下等式計算最終的標準偏差σ。在該等式中，常數c是預設值。
=(ABc)11+c---(21)]]>例如，當c＝1時，最終的標準偏差σ變成標準偏差A和標準偏差B的幾何平均值。在圖17中示出了當c＝1時的結果。縱軸上的所估計出的標準偏差相對值表示所估計出的標準偏差值/實際標準偏差值的值。
如圖17所示，在第四變型例中，進一步改進了估計的精確度。
對於第四變型例，計算RMSE＝SQRT(實際標準偏差與所估計出的標準偏差之間差的平方的平均值)。其中，SQRT是計算平方根的函數。
常規示例中的RMSE2.26第四變型例中的RMSE1.22從以上結果可以看出，第四變型例的效率(精確度)是優異的。
權利要求
1.一種解碼設備，包括隨機數生成部，根據與各個量化指標對應的原始數據的分布生成隨機數；以及解碼部，根據由隨機數生成部生成的隨機數生成解碼數據。
2.根據權利要求1所述的解碼設備，還包括分布生成部，生成對在編碼數據中包含的量化指標的頻率分布進行表示的分布信息，其中隨機數生成部使用由分布生成部生成的分布信息作為原始數據的分布信息。
3.根據權利要求1所述的解碼設備，其中解碼部根據由隨機數生成部生成的隨機數生成逆量化值，以使用所生成的逆量化值生成解碼數據。
4.根據權利要求1所述的解碼設備，其中隨機數生成部生成在預設範圍內的隨機數。
5.根據權利要求1所述的解碼設備，還包括逆量化值生成部，在不使用隨機數的情況下生成與各個量化指標對應的逆量化值，其中解碼部使用由逆量化值生成部生成的逆量化值和由隨機數生成部生成的隨機數中的至少一個，來生成解碼數據。
6.根據權利要求5所述的解碼設備，其中僅當將要處理的給定量化指標的值是0時，解碼部才使用由隨機數生成部生成的隨機數。
7.根據權利要求5到6中的任一權利要求所述的解碼設備，其中逆量化值生成部使用要處理的給定量化指標的值以及與該給定量化指標具有預定關係的另一量化指標的值，生成與該給定量化指標對應的逆量化值。
8.根據權利要求7所述的解碼設備，其中當給定量化指標的值與另一量化指標的值之間的所有差值是0時，解碼部使用由隨機數生成部生成的隨機數；以及當至少一個差值不等於0時，解碼部使用由逆量化值生成部生成的逆量化值。
9.根據權利要求2所述的解碼設備，其中分布生成部生成量化指標的方差和量化指標的標準偏差中的至少一個，作為分布信息；並且隨機數生成部根據與由分布生成部生成的方差和標準偏差中的至少一個對應的拉普拉斯分布生成隨機數。
10.根據權利要求9所述的解碼設備，其中分布生成部計算拉普拉斯分布的方差和拉普拉斯分布的標準偏差中的至少一個，以使量化指標值的直方圖與拉普拉斯分布之間的面積差之和相對於與各個量化指標值對應的各個量化間隔最小化。
11.根據權利要求4所述的解碼設備，其中隨機數生成部根據與各個量化指標對應的量化間隔的寬度，在一範圍內生成隨機數。
12.根據權利要求1所述的解碼設備，進一步包括標準偏差獲取部，獲取與量化指標對應的變換係數的標準偏差；乘法部，將由標準偏差獲取部獲得的標準偏差乘以預設值；以及上限值獲取部，獲取所生成隨機數的上限值，其中該隨機數生成部均勻地生成隨機數，其中以由乘法部乘以預設值的標準偏差和由上限值獲取部獲得的上限值兩者中較小的一個為上限。
13.根據權利要求1所述的解碼設備，進一步包括頻率測量部，測量量化指標的出現頻率；直方圖歸一化部，根據由頻率測量部測量出的出現頻率生成歸一化直方圖；相加範圍確定部，確定對量化指標的頻率分布進行相加的相加範圍；以及分布確定部，根據由直方圖歸一化部生成的直方圖和由相加範圍確定部確定的相加範圍確定標準偏差和方差中的至少一個。
14.一種解碼設備，包括第一計算部，計算量化指標的標準偏差和量化指標的方差中的至少一個；第二計算部，計算拉普拉斯分布的標準偏差和拉普拉斯分布的方差中的至少一個，以使得在預設範圍內的量化指標的頻率值之和等於與該預設範圍對應的拉普拉斯分布函數的積分值；以及分布估計部，使用(A)由第一計算部計算出的標準偏差和方差中的至少一個和(B)由第二計算部計算出的標準偏差和方差中的至少一個中的至少一個，估計與量化指標對應的原始數據的分布。
15.根據權利要求14所述的解碼設備，其中分布估計部計算(A)由第一計算部計算出的標準偏差和方差中的至少一個與(B)由第二計算部計算的標準偏差和方差中的至少一個之間的幾何平均值，並使用所計算出的幾何平均值估計原始數據的分布。
16.根據權利要求14所述的解碼設備，其中分布估計部根據量化指標的最大值，選擇並使用(A)由第一計算部計算出的標準偏差和方差中的至少一個和(B)由第二計算部計算出的標準偏差和方差中的至少一個中的一個。
17.根據權利要求14所述的解碼設備，其中分布估計部根據由第二計算部計算出的標準偏差與量化間隔寬度的比值，選擇並使用(A)由第一計算部計算出的標準偏差和方差中的至少一個以及(B)由第二計算部計算出的標準偏差和方差中的至少一個中的一個。
18.一種逆量化方法，包括根據與各個量化指標對應的原始數據的分布生成隨機數；以及根據所生成的隨機數生成逆量化值。
19.一種分布確定方法，包括對各個量化指標的頻率值進行相加；以及計算拉普拉斯分布的方差和拉普拉斯分布的標準偏差中的至少一個，以使頻率值相加的結果值等於當對拉普拉斯分布函數進行積分時的積分值，從而通過使用拉普拉斯分布的最大頻率位置作為基準，使右側的積分範圍等於左側的積分範圍。
20.根據權利要求19所述的分布確定方法，其中對各個量化指標的頻率值進行相加，以通過使用在量化指標的頻率分布中的頻率的最大值作為基準，使右側的相加範圍等於左側的相加範圍。
21.根據權利要求19所述的分布確定方法，還包括根據量化指標的絕對值的最大值，確定頻率值相加的範圍。
22.根據權利要求21所述的分布確定方法，還包括將量化指標的絕對值的最大值代入預設線性函數；對從線性函數獲得的值進行取整以獲得整數；以及將所獲得的整數設置為頻率值相加的範圍。
全文摘要
一種解碼設備包括隨機數生成部和解碼部。隨機數生成部根據與各個量化指標對應的原始數據的分布生成隨機數。解碼部根據由隨機數生成部生成的隨機數生成解碼數據。
文檔編號H04N1/41GK1838724SQ200510087508
公開日2006年9月27日 申請日期2005年7月20日 優先權日2005年3月23日
發明者木村俊一 申請人:富士施樂株式會社