CN111049527B

CN111049527B - 一种图像编码解码方法

Info

Publication number: CN111049527B
Application number: CN201911336406.6A
Authority: CN
Inventors: 李京建; 陈建华; 张榆锋; 李海燕; 路志文; 王荣姝
Original assignee: Yunnan University YNU
Current assignee: Yunnan University YNU
Priority date: 2019-12-23
Filing date: 2019-12-23
Publication date: 2023-03-17
Anticipated expiration: 2039-12-23
Also published as: CN111049527A

Abstract

本发明公开了两种图像编码解码方法。在其中一种图像编码解码方法中，通过将图像进行二值化处理，对图像进行比特平面的分层后，采用Context模型所构建的各像素的概率分布模型来对信源进行抽样编码，以提高图像编码的压缩率。在另一种图像编码解码方法中，在基于Context模型所建立的概率分布模型中加入禁止符号区，使得在对图像进行解码的时候，部分码字会落入禁止符号区，进而在对码字进行解码的过程中，判断码字是否落入禁止符号区，若落入则当前解码路径不可用，反之则保留当前解码路径，然后通过采用最大后验概率算法获得最终的解码结果，进而提高解码成功率。因此，本发明所提供的图像编码解码方法，具有编码压缩率高和解码成功率高的特点。

Description

一种图像编码解码方法

技术领域

本发明涉及分布式信源编码领域，尤其是涉及一种用于图像比特平面的编码解码方法。

背景技术

分布式信源编码的主要理论依据是20世纪70年代提出的Slepian-Wolf定理和Wyner-Ziv定理。1973年，Slepian和Wolf提出的Slepian-Wolf定理，从理论上证明了无损压缩时相关信源的独立编码和联合编码同样有效，从而为无损分布式信源编码的实现奠定了理论基础。随后于1976年，Wyner和Ziv提出了联合高斯信源的有损编码方案，完善了分布式信源编码理论。

Slepian-Wolf定理证明了：在保证信源不失真的情况下，对两个互不通信的统计相关信源进行独立编码，可以达到传统的集中式信源编码(信源之间可以互相通信)的编码效率。假设X和Y是两个相关的离散无记忆信源，在编码端分别对X和Y进行独立编码，而在解码端利用信源之间的相关性进行联合解码，就可以无损地恢复出信源X和Y。若R_X和R_Y分别表示两个相关信源X和Y独立编码时的平均码率，H(X)和H(Y)分别表示两个信源的熵，H(X|Y)表示在已知信源Y情况下信源X的条件熵，同理H(X|Y)表示在已知信源X的条件下信源Y的条件熵。Slepian-Wolf定理指出只需满足以下条件，就可以在解码端无失真地恢复出信源X和Y：

在非对称Slepian-Wolf编码中，信源序列X和信源序列Y的作用不同，若将Y作为边信息，对X进行Slepian-Wolf编码，就要对Y进行码率为R_Y＝H(Y)的编码，对X进行码率为R_X＝H(X|Y)的编码。其中Y能直接无损恢复，而X则不能直接无损恢复。若要恢复X，在解码端需要先恢复Y，然后再根据已知的X和Y之间的相关性来恢复X。X和Y的相关性通常用一个虚拟信道来表示，而该虚拟信道的转移概率可以通过大量统计得到。

分布式信源编码最早的实现方案是利用信道编码实现的，基于信道编码实现分布式信源方案的基本思路为：将需要进行Slepian-Wolf编码的信源序列X所生成的伴随式或校验子作为码字发送到解码端(码字比X要短得多)，解码端在接收到码字后联合边信息序列Y进行解码。边信息序列Y可以看作是信源序列X通过上述虚拟信道后得到的有错误版本，解码过程可以看作是利用序列X编码得到的码字对序列Y进行“纠错”从而还原X序列的过程。1999年，Pradhan和Ramchandran首次提出了采用伴随式进行分布式信源编码(DISCUS)的方案，这是针对非对称Slepian-Wolf问题的第一个较为现实的解决方案，该算法是一种基于网格码实现的分布信源编码方案，该算法为后续的很多的分布式信源编码实现方案奠定了基础。后来，Zhao等研究者利用Turbo码实现了分布式信源编码，该方案只传输序列X经过Turbo码编码后的校验位，并且在传输校验位前，利用某种凿孔规则，对校验比特进行凿孔，以此达到额外的压缩效果。在解码端，将接收到的校验比特在边信息序列Y的辅助下利用MAP算法(Maximum A Posteriori)或SOVA算法(Soft Output Viterbi Algorithm)进行迭代译码。Xiong等人利用LDPC码对分布式信源编码进行了实现，将信源序列X与LDPC码的校验矩阵H相乘得到伴随式，将伴随式作为码字发送给解码端(伴随式长度小于信源序列X)，解码端收到码字后在边信息序列Y的辅助下使用置信传播译码算法(BeliefPropagation)进行迭代译码以还原序列X。

上述以信道编码算法实现的分布式信源编码方案都存在一些相同的问题，其中包括：1.基于信道码实现的Slepian-Wolf编码器难以对有记忆信源进行高效的编码，无法通过构建Context模型利用有记忆信源内部邻近符号之间的统计相关性以达到更高的编码性能(构建Context模型即是通过利用有记忆信源中已编码的符号作为已知条件，对当前待编码符号构建条件概率分布，从而实现对当前符号进行条件熵编码以获得比熵编码更短的平均码长)；2.现有的信道码一般在信源序列分组长度较长(码字也相应较长)的情况下才能达到较好的编码效率，而过长的码字会带来较严重的传输延迟；3.基于信道码的分布式信源编码方案在迭代译码过程中，如果一个符号出现了译码错误，容易造成误差传递，导致多个符号译码出错。

分布式信源编码同样可以利用信源编码算法来实现。通过信源编码算法实现的分布式信源编码可以方便的利用有记忆信源内部相邻符号之间的相关性，相比基于信道码的分布式信源编码实现方案(如LDPC码和Turbo码的分布式信源编码实现)，基于信源编码算法的分布式信源编码具有良好的码率可控性和信源的自适应性，且可以实现对较短分组长度的高效压缩。

利用算术码实现的分布式信源编码是一种极具代表性的方案，通常利用算术码实现分布式信源编码的方案有两种主流方法：

通过人工增大各编码符号的概率从而获得更短的码字(概率越大则码长越短)。强行增大符号概率会导致符号概率区间出现重叠，如果解码过程中码字落在重叠区，就无法准确的进行解码(无法直接确定应该解得哪个符号)，只能将这时每种可能出现的解码结果都作为一种解码可能性，这样就产生了新的解码分支。多次出现码字落在重叠区的情况后，就会得到一颗解码树，解码树中包含所有可能的解码路径(解码路径中必然有一条解码路径为正确的解码路径)，如果想要在这些解码路径中找到正确的解码路径，就必须要借助边信息的帮助。通常可以在边信息的辅助下计算各条解码路径的累积后验概率，采用MAP算法(Maximum A Posteriori)进行译码。Grangetto等人提出的分布式算术码和Artigas等人提出的重叠准算术码就是利用这种人工增大符号概率的方式来实现分布式信源编码的。Grangetto等人还通过在分布式算术码中加入禁止符号的方式来提高分布式算术码的解码正确率。

通过对比特流进行凿孔的方式以获得额外的压缩(通过减少传输的比特数量来获得更短的码字)。对信源正常编码后得到码流，然后对码流进行凿孔，通过删除码流中一些特定位置的比特以达到更进一步压缩的目的。在解码过程中需要先恢复这些被删除的比特，但每个比特都有0和1两种可能的状态，恢复时需要将每种比特的状态都作为一种可能的情况进行恢复，这样就产生了多个码流版本，也就意味着多种解码结果，因此解码时也需要在边信息的帮助下，采用BCJR算法等译码算法进行解码。

有研究者将分布式信源编码的算术码实现扩展至利用Context模型的情况，考虑信源为一个二进制马尔可夫信源，在解码过程中就可以通过构建Context模型来借助信源相邻符号的相关性获得更短的码字，并通过Context模型来计算后验概率以改善解码端的误码性能。

然而，基于算术码和准算术码的分布式信源编码实现同样存在一些缺陷。其中包括：1.对于基于人工增大符号概率的编码方案来说，当概率分布的非对称程度较高时(例如：二进制信源中0符号的概率很大而1符号的概率很小)，较大概率的符号就无法进一步增大其概率(因为概率总要小于1)，而较小概率的符号，虽然能够增大其概率，但是由于这些符号出现的次数很少，也很难对减少编码的码字长度起到很大的贡献。这一情况在编码过程中使用Context模型时会更加显著；2.在解码过程中，各条解码路径遇到需要对重叠区间进行解码的时机是各不相同的，也就是说，不同解码路径不会在同一时刻都产生新的解码分支，这会导致不能预测解码器什么时候会产生新的分支，以及不能预测解码器会产生多少新的分支，这对于解码进程的预测和控制是不利的；3.对基于码流凿孔的编码方案，虽然抛弃部分码流比特实现了进一步的压缩，但同时也破坏了码流。与信源序列不同，码流的相邻比特之间几乎不存在相关性，无法利用比特间的相关性来辅助恢复丢弃的比特，仅能通过联合边信息计算解码结果后验概率的方式来进行恢复；4.过去在后验概率计算方法中加入Context条件概率项时，需在每个解码时刻都加入Context条件概率项，但这会导致有连续重复解码结果的解码路径累积后验概率偏大，影响解码正确率。

发明内容

本发明的目的是提供一种图像编码解码方法，具有编码压缩率高和解码成功率高的特点。

为实现上述目的，本发明提供了如下方案：

一种图像编码方法，所述方法包括：

获取待编码图像；

对所述待编码图像进行二值化处理；

设定Context模型的条件数量；以编码信源的第一个像素为起点，对所述编码信源进行逐像素扫描；

在已扫描像素中，选取与所述条件数量相同数量的像素作为Context模型条件；

根据设定的Context模型的条件数量，获取所述编码信源中各像素的概率分布模型；

算术编码器编码区间按照所述条件概率分布进行划分，并对当前扫描的像素进行编码。

可选的，所述在已扫描像素中，选取与所述条件数量相同数量的像素作为Context模型条件之前，还包括：

若设定Context模型的条件数量小于等于2，则在已扫描像素中，选取与所述当前扫描像素相邻像素作为Context模型条件。

可选的，所述以编码信源的第一个像素为起点，对所述编码信源进行逐像素扫描，包括：

以所述编码信源的第一个像素为起点，按顺序对所述编码信源中的像素进行逐点扫描。

一种图像解码方法，对上述的图像编码方法所进行的编码进行解码；所述解码方法包括：

对解码器进行初始化处理，使所述解码器所使用的数据与上述编码器中的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量；

将对编码进行解码的解码路径存储在解码缓存器中，并对信源编码后获得的码字进行解码；

判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束，采用所述最大后验概率算法，确定得到累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到则解码没有结束，返回“对所述解码路径进行解码”的步骤。

一种图像编码方法，所述编码方法包括：

获取待编码图像；

对所述待编码图像进行二值化处理；

根据设定的Context模型的条件数量，获取所述编码信源中各像素的条件概率分布模型；

采用所述条件概率分布模型分别获取已扫描编码信源中像素为0的条件概率P₀和像素为1的条件概率P₁；

判断所述像素为0的条件概率P₀和像素为1的条件概率P₁的大小，若所述条件概率P₀小于所述条件概率P₁，则在条件概率P₁区间的边界处，设置禁止符号区，反之，则在条件概率P₀区间的边界处，设置禁止符号区；

设定禁止符号区的参数为μ；

获取当前扫描像素的值，并判断当前扫描像素的值为0还是为1；

若所述当前扫描像素的值为1，则判断所述条件概率P₁是否大于所述条件概率P₀，若大于，则在编码器中采用P₁(1-μ)对所述当前扫描像素进行编码，反之，则在编码器中采用P₁对所述当前扫描像素进行编码，得到当前扫描像素的码字；

若所述当前扫描像素的值为0，则判断所述条件概率P₀是否大于所述条件概率P₁，若大于，则在编码器中采用P₀(1-μ)对所述当前扫描像素进行编码，反之，则在编码器中采用P₀对所述当前扫描像素进行编码，得到当前扫描像素的码字。

若设定Context模型的条件数量小于等于2，则在已扫描像素中，选取与所述当前扫描像素相邻像素的值作为Context模型条件。

一种图像解码方法，对上述第二种图像编码方法所得到的码字进行解码；所述解码方法包括：

对解码器进行初始化处理，使所述解码器所使用的数据上述第二种编码方法中编码器的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量和禁止符号区的参数；

将对编码进行解码的解码路径存储在解码缓存器中；

判断所述解码路径中所解码得到的码字是否落入禁止符号区，若落入，则删除解码路径，反之，则保留解码路径；

判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束位置，采用所述最大后验概率算法，确定得到所保留的解码路径中累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到，则解码没有结束，继续对所述解码路径进行解码。

可选的，所述方法还包括：

采用所述最大后验概率算法确定所述解码缓存器中的解码路径的后验概率值；

根据所确定的后验概率值，降序排列所述解码缓存器中的解码路径；

将排序在后的且占总排序的解码路径的50％的解码路径删除，完成对所述解码缓存器中解码路径的修剪。

可选的，所述最大后验概率算法，包括：

确定码字在i时刻未出现在禁止符号区的条件分布概率和码字在i时刻出现在禁止符号区的条件分布概率，表示为：

确定待解码码字中，出现编码像素的条件概率，表示为：

根据所述码字在i时刻未出现在禁止符号区的条件分布概率和码字在i时刻出现在禁止符号区的条件分布概率以及出现编码像素的条件概率，确定初始最大后验概率算法为：

对所述初始最大后验概率算法取对数，确定得到所述最大后验概率算法；所述最大后验概率算法为：

其中，Y_i为对应边信息，X_i为任意一条解码路径在i时刻的解码结果，y_i和x_i均为0或1，

是X_i-1，X_i-2，…，X_i-k＝x_i-1，x_i-2，…，x_i-k的简写，CXⁱ为当前解码使用的码字，CX为码字序列，P(Y)为边信息序列的先验概率，X^N为X的完整序列，x^N为表示X^N的具体值，Y^N为Y的完整序列，y^N为Y^N的具体值，N为序列长度，k为Context模型的条件数量。

一种解码路径的存储***，包括：

一维缓存器，用于存储上述编码方法中所产生的解码路径的特定参数。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明的第一种编码方法，是在基于Slepian-Wolf定理的基础上，使用传统的基于Context模型算术编码算法，来对信源进行抽样编码，有效地防止了Context模型的概率分布非对称性而导致的压缩增益不高的情况。相应的，本发明还提供了对应第一种编码方法的解码方案，本发明提供的解码方案消耗内存较少。并且，本发明还在另一种编码过程中使用了禁止符号，禁止符号的选取和使用与Context模型相关，在解码过程中通过对禁止符号的检测从而进一步的降低解码误码率。进一步，在两种解码方法中，本发明提供的后验概率计算方法利用对图像比特平面统计获得的Context模型，在不同解码情况下的具体的计算方式不同，也能有效地降低解码的误码率，提高解码成功率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的第一种图像编码方法的流程图；

图2为本发明实施例所提供的一个灰度图像的8个比特平面的分解示例图；

图3为本发明实施例所提供的第一种图像编码方法中部分编码信源的排列方式；

图4为本发明实施例所提供的第一种图像编码方法中编码信源的抽样示意图；

图5为本发明实施例中长度为3的像素进行抽样编码的示意图；

图6为本发明实施例所提供对应于第一种图像编码方法的解码方法的流程图；

图7为本发明实施例所提供的第二种图像编码方法的流程图；

图8为本发明实施例所提供的设置禁止符号区的示意图；

图9为本发明实施例所提供对应于第二种图像编码方法的解码方法的流程图；

图10为本发明实施例所提供的n＝3的局部解码过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明仅适用于二进制符号的分布式信源编码，如需对非二进制图像(例如：灰度图像)进行编码，需要将非二进制图像进行比特平面分层转化为二进制图像后再进行编码。

一种图像编码方法，包括：

S100、获取待编码图像；

S101、对所述待编码图像进行二值化处理；

S102、设定Context模型的条件数量；以编码信源的第一个像素为起点，对所述编码信源进行逐像素扫描；

S103、在已扫描像素中，选取与所述条件数量相同数量的像素作为Context模型条件；

S104、根据设定的Context模型的条件数量，获取所述编码信源中各像素的概率分布模型；

S105、算术编码器编码区间按照所述条件概率分布进行划分，并对当前扫描的像素进行编码。

在S101中，对所述待编码图像进行二值化处理，包括：

对目标灰度图像进行比特平面分层，具体方法为：

由于灰度图像的灰度值范围为0～255，此范围的数值可由8位二进制值表示(00000000～11111111)，二进制值最左侧的比特为最高位比特，最右侧的比特为最低位比特。任意一个8位二进制值v可表示为：

m为比特的位数，a^m为第m位的符号(只有0和1两种情况)。任意一个灰度图像可以分为8个比特平面，即每个比特平面的各个像素只是原始灰度图像中对应像素灰度值二进制值的一位，将所有像素的相同比特拿出来单独组成一个矩阵，这样就会有八个矩阵，每个比特平面都是一个二值图像(每个像素点只有0和1两种值)，一个灰度图像的8个比特平面的分解示例如图2所示。将分层后的比特平面作为编码信源，越高的比特平面保存原始灰度图像的结构信息越多，越低的比特平面保存原始图像的细节信息越多

在本发明所提供的图像编码方法中，将待编码信源进行统计建立Context模型的具体方法为：

对信源逐像素进行扫描，统计信源中各个符号(0和1)出现的次数并计算条件概率分布P(X_i|X_i-1,X_i-2,...,X_i-k)，这些条件概率分布表示X_i-1,X_i-2,...,X_i-k之后出现X_i的概率分布，即以X_i-1,X_i-2,...,X_i-k的各种组合为条件时X_i所有取值的概率，X_i-1,X_i-2,...,X_i-k表示当前待扫描像素X_i之前的第1第k个像素。其中k为该Context模型设定的作为Context条件的像素的数量。扫描方式为：从第一行开始，对每行按列扫描完成后再移到下一行进行扫描。对于二维的图像信源来说，其中任意位置像素的Context条件应为它之前已被扫描的像素。越是低阶的Context模型(k越小)，就越是要选取与X_i相邻的像素作为Context条件，优先选择被扫描像素左侧和上方的像素作为Context条件。

在实际信源中，具体的Context条件选取方式如图3所示，对于任意像素X_i,j来说，可以作为它的Context条件的像素为：X_i-1,j-1、X_i-1,j、X_i-1,j+1和X_i,j-1。在k＝1时，X_i,j的Context条件为X_i,j-1，Context条件概率分布为P(X_i,j|X_i,j-1)；若k＝2，则X_i,jContext条件为X_i,j-1和X_i-1,j，条件概率分布为；当k＝3时，则X_i,j的Context条件为X_i,j-1、X_i-1,j和X_i-1,j-1，条件概率分布为；如果k＝4，则把X_i-1,j-1、X_i-1,j、X_i-1,j+1和X_i,j-1都作为X_i,j的Context条件，条件概率分布为P(X_i,j|X_i,j-1,X_i-1,j,X_i-1,j-1,X_i-1,j+1)。

Context模型的条件概率分布的数量与Context条件数量k有关，条件概率分布数量为2^k个，每个条件概率分布中有两个条件概率，分别为P(0|X_i-1,X_i-2,...,X_i-k)和P(1|X_i-1,X_i-2,...,X_i-k)，这两个条件概率的和为1。

Context模型是会随着的扫描的进行而不断更新的，也就是说，每扫描一个像素，信源符号的累积计数就会改变，相应的Context条件概率分布就需要重新计算，Context模型就会更新一次。

在S105中，还包括利用Context模型对编码信源进行抽样编码。对编码信源进行抽样编码的方式，具体为：

使用条件算术码作为本发明的编码算法，即使用Context模型中的条件概率分布作为算术编码算法的编码概率分布。

举例来说：若对X_i进行编码，那么使用其Context条件X_i-1,X_i-2,...,X_i-k组合对应的条件概率分布P(X_i|X_i-1,X_i-2,...,X_i-k)作为当前算术编码器的编码概率分布，这意味着算术编码器的总编码概率区间被划分为两个占比分别为P(0|X_i-1,X_i-2,...,X_i-k)和P(1|X_i-1,X_i-2,...,X_i-k)的子区间，如图4所示：对信源序列中各个像素的编码顺序与对像素进行扫描的顺序一致，同样是从上到下、从左到右逐像素进行编码。编码与Context模型更新是同时进行的，也就是说，每扫描一个像素，就对该像素进行编码，Context模型中对应的概率分布也随之更新一次。

对信源进行抽样编码的过程为：从信源的第一个像素开始，对信源中每段长度为n的像素中的n-1个像素进行正常的条件算术编码，剩下的一个像素不进行编码，但仍然要作为后续像素编码的Context条件。

图5展示了在实际图像编码信源中进行一个n＝3抽样编码的示例，这里假设每行中只有三个像素，共有三行，每行中有两个像素进行正常的条件算术编码，而剩下的一个像素不进行编码，仅作为后续待编码像素的Context条件。相邻两行的同一列不能都是不编码的像素。

进而本发明通过上述抽样编码的方式可以获得更大的压缩效果。

对于上述编码方法，本发明对应提供了一种图像解码方法，如图6所示，所述图像解码方法包括：

S200、对解码器进行初始化处理，使所述解码器所使用的数据与上述编码器中的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量；

S201、将对编码进行解码的解码路径存储在解码缓存器中，并对信源编码后获得的码字进行解码；

S202、判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束，采用所述最大后验概率算法，确定得到累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到则解码没有结束，返回“对所述解码路径进行解码”的步骤。

本发明提供的第一种图像编码解码方法，具有以下技术效果：

本发明的第一种编码方法，是在基于Slepian-Wolf定理的基础上，使用传统的基于Context模型算术编码算法，来对信源进行抽样编码，有效地防止了Context模型的概率分布非对称性而导致的压缩增益不高的情况。相应的，本发明还提供了对应第一种编码方法的解码方案，本发明提供的解码方案消耗内存较少。

但上述编码方法中，编码信源序列中不被编码的像素无法在解码过程中被直接恢复，这种情况称作解码歧义，那么，为了解决解码歧义问题，本发明提供了以下技术方案：

一种图像编码方法，如图7所示，所述编码方法包括：

S300、获取待编码图像；

S301、对所述待编码图像进行二值化处理；

S302、设定Context模型的条件数量；以编码信源的第一个像素为起点，对所述编码信源进行逐像素扫描；

S303、在已扫描像素中，选取与所述条件数量相同数量的像素作为Context模型条件；

S304、根据设定的Context模型的条件数量，获取所述编码信源中各像素的概率分布模型；

S305、采用所述条件概率分布模型分别获取已扫描编码信源中像素为0的条件概率P₀和像素为1的条件概率P₁；

S306、判断所述像素为0的条件概率P₀和像素为1的条件概率P₁的大小，若所述条件概率P₀小于所述条件概率P₁，则在条件概率P₁区间的边界处，设置禁止符号区，反之，则在条件概率P₀区间的边界处，设置禁止符号区；

S307、设定禁止符号区的参数为μ；

S308、获取当前扫描像素的值，并判断当前扫描像素的值为0还是为1；

S309、若所述当前扫描像素的值为1，则判断所述条件概率P₁是否大于所述条件概率P₀，若大于，则在编码器中采用P₁(1-μ)对所述当前扫描像素进行编码，反之，则在编码器中采用P₁对所述当前扫描像素进行编码，得到当前扫描像素的码字；

S310、若所述当前扫描像素的值为0，则判断所述条件概率P₀是否大于所述条件概率P₁，若大于，则在编码器中采用P₀(1-μ)对所述当前扫描像素进行编码，反之，则在编码器中采用P₀对所述当前扫描像素进行编码，得到当前扫描像素的码字。

为了提高解码成功率，在编码过程中设置禁止符号区的具体方式为：

每个待编码符号在不同Context条件下的禁止符号区是不同的，禁止符号区在Context条件概率分布中的位置设定在原始最大概率符号所对应概率区间的边界处，在编码过程中不对禁止符号进行编码。禁止符号区大小的参数为μ，设置禁止符号区方式如图8所示，为一个待编码的二元符号序列X＝{X_i＝0,X_i+1＝1,X_i+2＝1}进行Context条件数量k＝1的条件算术编码，假定X_i的前一个符号为0，编码示例中P₀＝P(0|0)，P₁＝P(1|0)，由于概率分布中P(0|0)＞P(1|0)，所以在对X_i＝0编码时禁止符号区位置在概率分布的最左侧，禁止符号区概率大小为P₀*μ，实际编码符号的概率大小为P₀*(1-μ)。在对X_i+1编码时，X_i+1的Context条件为X_i＝0，同样有P₀＝P(0|0)，P₁＝P(1|0)，且P(0|0)＞P(1|0)，此时实际编码符号的概率为P₁。对X_i+2编码时，X_i+2的Context条件为X_i+1＝1，P₀＝P(0|1)，P₁＝P(1|1)存在P(1|1)＞P(0|1)，禁止符号区位置在概率分布的最右侧，禁止符号区概率大小为P₁*μ，实际编码符号的概率大小为P₁*(1-μ)。

对编码信源序列完成编码后得到的码字作为编码结果发送到解码端，解码端应该也收到了边信息序列经过传统算术编码后得到的码字。因为边信息序列是一个与编码信源序列具有一定相关性的另一个信源序列，通常可以用一个虚拟二元对称信道(BSC)来表示编码信源序列与边信息序列之间的相关性。

在边信息序列的帮助下对收到的码字进行解码(边信息序列需要提前被解码)，完整的解码方法如图9所示，包括：

S400、对解码器进行初始化处理，使所述解码器所使用的数据上述第二种编码方法中编码器的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量和禁止符号区的参数；

S401、将对编码进行解码的解码路径存储在解码缓存器中；

S402、判断所述解码路径中所解码得到的码字是否落入禁止符号区，若落入，则删除解码路径，反之，则保留解码路径；

S403、判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束位置，采用所述最大后验概率算法，确定得到所保留的解码路径中累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到，则解码没有结束，继续对所述解码路径进行解码。

解码过程中会遇到两种解码情况，第一种情况是：如果待解码像素在编码器中是进行了正常条件算术编码的，则直接进行正常的条件算术码解码就能获得准确的解码结果；第二种情况是：待解码像素在编码器中没有进行过编码，我们需要认为当前位置像素有两种可能的解码结果(分别为0和1)，这两种解码结果都需要被作为独立的解码结果进行保存，两种解码结果意味着两条解码路径(在原有解码路径的基础上产生新的解码路径，新的解码路径也包含原有解码路径过去的解码结果)。解码器由于产生了新的解码路径，存放解码路径的缓存器同样也需要进行扩展。由于现存所有解码路径中产生新解码路径的时机是相同的，所以每解n个符号时解码路径数量就要翻一倍，缓存器容量同样也要翻一倍。

在图10中我们假设了一个n＝3的局部解码过程，用于表示解码器的存储和扩展方式。Buffer为存放所有解码路径的缓存器，在i＝0时为解码的第一个解码结果，这个位置的像素在编码端进行过正常编码，可以直接被解码，解码路径存放在Buffer[0]中；i＝1时的像素同样在编码端进行过正常编码，可以直接被解码，解码路径存放在Buffer[0]中；在i＝2时的像素在编码端没有进行过编码，所以不能被直接解码，需要假设两个不同解码结果，则生成一条新的解码路径存放在Buffer[1]中；i＝3和i＝4的像素都在编码端进行过正常的编码，可以直接解码，但由于同时存在两条解码路径，需要对两条解码路径都分别进行正常解码；在i＝5时的像素在编码端没有经过编码，要对Buffer[0]和Buffer[1]中的解码结果都进行假设，于是解码路径的总数量相比之前翻一倍，分别存放在在Buffer[0]，Buffer[1]、Buffer[2]和Buffer[3]中。

由于本发明在编码过程中加入了禁止符号区，在解码过程中，如果解码正确，那么解码结果不会出现禁止符号，而如果某条解码路径解码结果为禁止符号，那么意味着这条解码路径解码出错，可直接将这条解码路径删除。

解码过程中会产生多条解码路径，要在多条解码路径中找到正确的解码路径，就需要借助与原始信源序列相似的边信息序列辅助解码，通过计算后验概率来衡量解码结果X_i＝x_i在对应边信息Y_i＝y_i情况下出现的概率，其中，X_i表示任意一条解码路径在i时刻的解码结果，对应边信息为Y_i，x_i和y_i表示i时刻X_i和Y_i所取的值。一条解码路径的累积后验概率越大则说明在已知边信息的情况下，对应的解码序列越有可能是正确的序列。

本发明的后验概率算法是基于传统最大后验概率算法改进而来，下面说明本发明的后验概率计算方式的思路：

过去分布式算术编码等编码方案的最大后验概率算法通常使用公式

(其中，CXⁱ表示当前解码使用的码字，CX表示码字序列，)来计算各条分支从1到N时刻的累积后验概率，用于判断在有已知边信息序列Y情况下出现解码序列X可能性的大小。任意i时刻的X_i和Y_i之间的关系可以用一个虚拟的二元对称信道(Binary Symmetric Channel,BSC)来表示，其参数为交叉概率P(X≠Y)＝ε,0＜ε＜1(也称为信道转移概率)。一般认为边信息Y_i仅与对应的原始信源符号X_i相关，Y_i与X_i-1、X_i+1以及Y_i-1和Y_i+1均无关。任意一条解码分支序列所有解码符号的后验概率之积就可以作为这条解码分支序列的后验概率累积值。

其中：

其中，

P(X|Y,CX)表示某条解码序列所有解码符号计算所得的后验概率累积值。P(X_i＝x_i|Y_i＝y_i)表示在Y_i＝y_i情况下出现X_i＝x_i的条件概率，y_i和x_i均表示明确的某个符号(例如：0或1)。

在现有的后验概率计算方法中加入Context条件概率的后验概率计算方法如公式(2)所示：

其中P(X_i＝x_i|X_i-1＝x_i-1)为i-1时刻到i时刻的信源符号条件概率，即当i-1时刻符号为X_i-1＝x_i-1时，i时刻出现X_i＝x_i的概率，P(X_i＝x_i|X_i-1＝x_i-1)可由统计得到。

利用公式(2)计算后验概率会在特定情况下出现前文所述的问题，因此在本发明中，后验概率的计算进行了如下考虑：编码过程中，码字CXⁱ包含了经过编码符号的信息，在本发明解码过程中，码字CXⁱ应与X_i-1＝x_i-1共同作为确定X_i＝x_i的条件。也即对P(X_i＝x_i|Y_i＝y_i,CXⁱ)来说，有确定的X_i-1＝x_i-1和CXⁱ，那么解码结果X_i＝x_i就是确定的，这种情况下P(X_i＝x_i|Y_i＝y_i,CXⁱ)＝1。但本发明的编码过程中不被编码像素的信息是不包含在码字CXⁱ中的，因此解码时需要对未编码的像素进行假设，这个假设的像素是没***字CXⁱ可用的，此时也就不存在P(X_i＝x_i|Y_i＝y_i,CXⁱ)＝1，应有P(X_i＝x_i|Y_i＝y_i,CXⁱ)＝P(X_i＝x_i|X_i-1＝x_i-1)。对于其它正常编码的像素，不论之前的解码结果如何，解码过程中我们都应认为有确定的X_i-1＝x_i-1和CXⁱ，此时应有P(X_i＝x_i|Y_i＝y_i,CXⁱ)＝1。

于是本发明的后验概率计算方法如(3)式所示：

取对数后变为：

其中：

其中

是X_i-1,X_i-2,...,X_i-k＝x_i-1,x_i-2,...,x_i-k的简写。

为了让解码路径的累积后验概率随着解码的进行不断增大，同时也为了让正确解码路径的累积后验概率在解码结束时最大，我们可以在公式(3)中后验概率的计算方式中乘以一个正向偏置，这个正向偏置为：1/P(Y)，由于P(Y)为边信息序列的先验概率，所以加入这个偏置后不会影响各条解码路径累积后验概率的相对大小。

本发明最后的后验概率计算方法如(5)式所示：

取对数后变为：

是X_i-1，X_i-2，…，X_i-k＝x_i-1，x_i-2，…，x_i-k的简写，CXⁱ为当前解码使用的码字，CX为码字序列，P(Y)为，X^N为X的完整序列，x^N为表示X^N的具体值，Y^N为Y的完整序列，y^N为的Y^N具体值，N为序列长度，k为Context模型的条件数量。

解码路径的数量会随着解码的进程快速增长(每解n个符号解码路径数量就翻一倍)，但是受到计算机硬件性能的限制，缓存器的大小也是有限制的，无法将所有的解码路径都保存下来，因此在解码路径数量达到一定程度时，需要删除一部分解码路径以确保缓存器规模不会无限增长。在缓存器存满解码路径时，对其中所有解码路径依据累积后验概率进行降序排序，删除其中累积后验概率排在最后50％的路径。

如果解码器所有现存的解码路径都到达了预定的解码结束位置，对所有解码路径依据累积后验概率进行降序排序，将累积后验概率最大的一条解码路径的解码结果作为最终的解码结果输出。

根据本发明提供的第二种图像编码解码的方法，本发明公开了以下技术效果：

本发明在编码过程中使用了禁止符号，禁止符号的选取和使用与Context模型相关，在解码过程中通过对禁止符号的检测从而进一步的降低解码误码率。进一步，在两种解码方法中，本发明提供的后验概率计算方法利用对图像比特平面统计获得的Context模型，在不同解码情况下的具体的计算方式不同，也能有效地降低解码的误码率，提高解码成功率。

而对于上述各种编解码方法中所涉及到的相同技术内容的处理方法之间相互参见即可，此处不再进行详细区分和论述。

此外，本发明还提供了一种解码路径的存储***，包括：用于存储如权利要求4或权利要求7-9中任意一项所述编码方法中所产生的解码路径的特定参数的一维缓存器。

其中特定参数可以根据解码过程的实际需要进行选取，其一般包括解码路径的所有解码结果、累积后验概率、码字和其他参数(解码器的相关参数)。

综上所述，本发明所提供的技术方案具有以下特点：

1、本发明是通过对信源序列中像素抽样编码的方式来获得更大的压缩率(实质上是仅对信源的一部分像素进行编码)，由于信源序列相邻像素之间是存在较强的相关性，本算法能够利用信源序列中相邻像素之间的相关性提高压缩率，同时又能在在解码时改进后验概率的计算，从而进一步提高解码成功率。

2、与现有的方法不同，本发明在编码过程中，那些不进行编码的像素仍然要作为后续待编码像素的Context条件而使用。

3、本发明设置禁止符号的方式不是设立一个固定的禁止符号区间(禁止符号在编码概率分布中所占大小或位置固定)，而是根据当前被编码像素对应符号的Context条件概率而自适应的设定禁止符号区的大小和位置，由于Context条件概率是随着编码的进行而不断改变的，禁止符号区的大小和位置也是随着编码的进行而不断改变的。

4、本发明设计了一个新的解码路径储存方法。与过去建立完整树形结构，在解码树的每个结点都是一个解码结果(每个结点除了储存解码结果外，还储存后验概率、码字和其他参数)的方法不同。本发明仅建立一个一维缓存器来储存每条解码路径的所有参数。显然，仅保存解码结果所需的内存比保存其他解码参数所需内存要小得多，缓存器中每条路径只需要保存一组解码参数，这样一来就可以很大程度的减小解码过程中内存的消耗。

5、现有的方法无法保证在固定时刻所有的解码路径都会产生新的解码分支，无法保证所有解码路径在同一时刻都会进行相同的解码操作。而在本发明的解码过程中，产生新解码路径的时机是固定的，所有路径在同一时刻都会进行相同的解码操作，所有路径在同一时刻都会产生新的分支，可以方便内存的管理。同样，由于本发明的所有路径在同一时刻都会进行相同的解码操作，所以本发明所改进的后验概率算法可以根据当前解码是否出现分支而选择不同的计算方式，从而显著降低译码错误率。而过去的方案如果每条解码路径的后验概率算法也同样根据公式(6)进行计算，则会出现各条路径在计算后验概率时加入Context条件概率项的时机和次数不同的情况，从而导致各条解码路径的累积后验概率没有直接可比性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种图像编码方法，其特征在于，所述方法包括：

获取待编码图像；

对所述待编码图像进行二值化处理；

算术编码器编码区间按照所述条件概率分布进行划分，并对当前扫描的像素进行编码；算术编码器编码区间按照所述条件概率分布进行划分，并对当前扫描的像素进行编码的过程中，还包括：利用Context模型对编码信源进行抽样编码，对信源进行抽样编码的过程为：从信源的第一个像素开始，对信源中每段长度为n的像素中的n-1个像素进行正常的条件算术编码，剩下的一个像素不进行编码，但仍然要作为后续像素编码的Context条件；

所述在已扫描像素中，选取与所述条件数量相同数量的像素作为Context模型条件之前，还包括：

2.根据权利要求1所述的一种图像编码方法，其特征在于，所述以编码信源的第一个像素为起点，对所述编码信源进行逐像素扫描，包括：

3.一种图像解码方法，其特征在于，对权利要求1-2任意一项所述的图像编码方法所进行的编码进行解码；所述解码方法包括：

对解码器进行初始化处理，使所述解码器所使用的数据与权利要求1-2中任意一项所述的编码器中的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量；

判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束，采用最大后验概率算法，确定得到累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到则解码没有结束，返回“对所述解码路径进行解码”的步骤。

4.一种图像编码方法，其特征在于，所述编码方法包括：

获取待编码图像；

对所述待编码图像进行二值化处理；

设定禁止符号区的参数为μ；

若所述当前扫描像素的值为0，则判断所述条件概率P₀是否大于所述条件概率P₁，若大于，则在编码器中采用P₀(1-μ)对所述当前扫描像素进行编码，反之，则在编码器中采用P₀对所述当前扫描像素进行编码，得到当前扫描像素的码字；

5.一种图像解码方法，其特征在于，对权利要求4所述的图像编码方法所得到的码字进行解码；所述解码方法包括：

对解码器进行初始化处理，使所述解码器所使用的数据与权利要求4中所述的编码器中的数据相同；所述解码器所使用的数据和所述编码器中的数据均包括Context模型、Context模型选取的条件以及条件的数量和禁止符号区的参数；

将对编码进行解码的解码路径存储在解码缓存器中；

判断所述解码器进程是否达到预定的解码结束位置，若达到则解码结束位置，采用最大后验概率算法，确定得到所保留的解码路径中累计后验概率最大的解码路径；所述累计后验概率最大的解码路径的解码结果即为所求解码结果；若未达到，则解码没有结束，继续对所述解码路径进行解码。

6.根据权利要求5所述的图像解码方法，其特征在于，所述方法还包括：

7.根据权利要求5所述的图像解码方法，其特征在于，所述最大后验概率算法，包括：

确定待解码码字中，出现编码像素的条件概率，表示为：

其中，X_i为任意一条解码路径在i时刻的解码结果，Y_i为对应边信息，y_i和x_i均为0或1，

是X_i-1,X_i-2,…,X_i-k＝x_i-1,x_i-2,…,x_i-k的简写，CXⁱ为当前解码使用的码字，CX为码字序列，P(Y)为边信息序列的先验概率，X^N为X的完整序列，x^N为表示X^N的具体值，Y^N为Y的完整序列，y^N为的Y^N具体值，N为序列长度，k为Context模型的条件数量，ε为信道转移概率。

8.一种解码路径的存储***，其特征在于，包括：

一维缓存器，用于存储如权利要求3或权利要求5-7中任意一项所述解码方法中所产生的解码路径的特定参数。