基于描述长度的Context量化算法在小波图像压缩中的应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 概述 | 第8-13页 |
| 1.1 研究背景及选题意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 论文的主要工作 | 第11页 |
| 1.4 论文的主要结构及创新点 | 第11-13页 |
| 第二章 基于CONTEXT模型的压缩编码理论 | 第13-20页 |
| 2.1 信息熵 | 第13-14页 |
| 2.1.1 自信息与熵 | 第13页 |
| 2.1.2 条件熵 | 第13-14页 |
| 2.2 算术编码 | 第14-17页 |
| 2.2.1 码长最短理论 | 第14-15页 |
| 2.2.2 算术编码 | 第15-17页 |
| 2.2.3 自适应算术编码器 | 第17页 |
| 2.3 描述长度 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 CONTEXT模型量化 | 第20-28页 |
| 3.1 CONTEXT模型 | 第20-22页 |
| 3.1.1 图像信号的相关性 | 第20页 |
| 3.1.2 Context模型建立 | 第20-21页 |
| 3.1.3 高阶Context模型建立 | 第21-22页 |
| 3.2 CONTEXT量化理论 | 第22-24页 |
| 3.3 CONTEXT量化算法 | 第24-27页 |
| 3.3.1 MCECQ算法 | 第24-25页 |
| 3.3.2 MMICQ算法 | 第25-26页 |
| 3.3.3 最小描述长度量化算法 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 实验设计 | 第28-37页 |
| 4.1 信源预处理 | 第28-32页 |
| 4.1.1 二维离散小波变换原理 | 第29-31页 |
| 4.1.2 小波系数量化分解 | 第31-32页 |
| 4.2 CONTEXT建模训练器 | 第32-34页 |
| 4.2.1 上下文的选取 | 第32-33页 |
| 4.2.2 条件概率训练统计 | 第33-34页 |
| 4.3 CONTEXT量化器 | 第34-35页 |
| 4.4 编码器的设计 | 第35-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 实验结果对比分析 | 第37-44页 |
| 5.1 CONTEXT稀释现实性 | 第38-39页 |
| 5.2 训练数据的量化 | 第39-40页 |
| 5.3 量化器去噪 | 第40-41页 |
| 5.4 多模型混合编码 | 第41-42页 |
| 5.5 多值符号的应用 | 第42-43页 |
| 5.6 本章小结 | 第43-44页 |
| 第六章 总结 | 第44-46页 |
| 6.1 全文总结 | 第44-45页 |
| 6.2 下一步工作展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间完成的科研成果 | 第49-50页 |
| 致谢 | 第50页 |
