一、基于小波变换和矢量量化的语音压缩编码方案（论文文献综述）
沈丹丹[1]（2012）在《基于压缩感知的语音信号编码技术研究》文中研究表明传统的奈奎斯特采样定理指出,采样频率大于或等于整个信号最高频率的2倍就可以不失真地还原出原始信息但是随着信息时代的到来,人们对信息量信号采样速率以及处理速率的要求也越来越高,也就提高了信息采样成本近年来提出的压缩感知理论对信号的采样和压缩发生在同一个步骤,利用信号的稀疏性以远低于奈奎斯特采样率的速率对信号进行压缩采样,并且可以几乎无失真的恢复原信号这样极大地降低了信号的采样速率以及数据的存储和传输的代价,因而成为信号处理领域的研究热点本文在详细研究了压缩感知理论本身的基础上,为了将压缩感知技术应用于实际的通信系统,将压缩感知理论与传统的语音编码方法相结合,首先研究了一种基于压缩感知的语音PCM编码方法,对观测序列进行PCM编码,然后从解码得到的观测序列重构出原始语音信号与传统的CS算法相比,该编码方法重构语音的性能可以达到传统CS算法的重构语音性能为了进一步减少传输的数据量,本文还研究了一种基于压缩感知的语音矢量量化编码方法,对观测序列进行整体的矢量量化,并从解码得到的观测序列中重构出原始语音通过仿真实验证明,该编码方法能够在压缩感知基础上,进一步有效的压缩数据量,同时保证重构语音的性能另外本文还对观测序列的特性进行了一些建模尝试性的分析,为将来基于压缩感知的语音参数编码进行探索最后本文提出了一种基于小波包变换和压缩感知的语音编码方案先对语音信号进行两层小波包分解,得到各个节点的系数,对满足稀疏条件的节点先进行不同压缩比的压缩感知处理,然后进行均匀PCM编码,对不满足稀疏条件的节点进行矢量量化编码解码端进行相应的解码得到小波包分解系数,最后小波合成重构语音仿真实验表明,该编码方法能够在保证重构语音的质量的前提下,有效的降低码率
叶蕾,杨震,郭海燕[2]（2010）在《基于小波变换和压缩感知的低速率语音编码方案》文中进行了进一步梳理本文提出一种新的低速率语音编码方案,基于语音信号小波变换高频系数的稀疏性,利用压缩感知原理,将小波变换高频系数进行压缩感知投影成数据量大大减少的观测序列,然后对观测序列采用码激励线性预测技术进行编解码,根据解码后的观测序列,利用线性规划技术对小波变换高频系数进行重构,小波变换低频系数采用矢量量化技术编解码,并采用后置低通滤波器改善解码后小波高低频系数合成语音的听觉效果。该编码方案在低数码率（2.64～3.5 Kb/s）时得到的重构语音平均MOS分为3.0～3.4,达到4.8 Kb/s码激励线性预测语音编码质量。
李靓[3]（2005）在《高质量的2kb/s波形内插语音编码算法研究》文中研究指明语音编码是数字语音通信系统中最重要、最基本的核心功能之一,用以压缩语音信号的数字表示而使表达这些信号所需的比特数最小。就目前的语音编码现状而言,8kb/s 以上的技术已经标准化和产品化,4kb/s 的国际标准也正在制定中。然而,随着个人计算机和国际互联网的快速发展,在移动通信、多媒体通信以及计算机网络通信等领域还将需要具有通信质量的2kb/s 语音压缩技术。因此,研究如何在2kb/s 获得具有通信质量的重建语音是语音编码中一个十分重要的课题。本论文在特征波形内插（CWI）编码算法的基础上提出了一种高质量的2kb/s 波形内插（WI）语音编码算法,主要研究成果包括: （1） 研究了两种语音线谱频率（LSF）参数的矢量量化方法。利用LSF 参数的有序性,提出了一种基于二阶时间分解（TD）模型的高效LSF 参数量化方法。实验结果表明在平均编码速率为500b/s 时,该量化方法可以获得一个相对较低的平均谱失真和相对较高的算法平均总延时。为了保证较低的算法延时,只能对LSF 参数逐帧进行矢量量化。基于此,本文利用LSF 参数的帧内和帧间相关性,提出了一种编码速率为800b/s 的LSF 参数的预测式瞬时联合多级分裂矢量量化（PSJMSVQ）方案。该量化方案不仅保持了较高的量化性能,而且降低了码字搜索复杂度和码字存储容量。（2） 研究了一种用于WI 语音编码模型的基音检测算法。利用小波变换的优良性能和时域波形类似性方法,提出了一种基于二进小波变换和归一化自相关函数的基音周期检测算法（DWTNACFPDA）,与G.729 语音编码标准中所采用的仅基于归一化自相关函数的基音检测算法相比,该算法在检测性能与计算复杂度上具有优势。接下来,以该算法为基础提出了一种基于二进小波变换和归一化互相关函数的基音检测算法（DWTNCCFPDA）,并将其用于WI 语音编码模型的基音检测。实验分析表明,DWTNCCFPDA 的性能与基于NCCF 的基音检测算法（NCCFPDA）相当,但优于DWTNACFPDA。主观听力测试结果表明DWTNCCFPDA 为确保2kb/s WI 语音编码算法产生高质量的重建语音奠定了基础。（3） 提出了特征波形（CW）及其功率的量化方案。为提高编码效率,编码时将功率归一化的CW 分解为慢渐变波形（SEW）和快渐变波形（REW）。通过利用SEW 和REW 的不同感性特点、合成分析（A-b-S）技术和感觉加权技术,提
张燕琪[4]（2019）在《基于聚类的高光谱图像压缩技术研究》文中认为高光谱图像具有超过一百个光谱的波段,其可以提供丰富的光谱和空间信息,因此高光谱图像的应用范围越来越普遍,例如,地物、目标检测和解混等领域。尽管图像分析可以从高光谱图像丰富的数据中受益,但是庞大的数据可能会给高光谱图像的存储和传输带来沉重的负担。因此,如何有效压缩成为高光谱图像应用中的一个重要问题。压缩技术大致可以分为两大类:无损和有损压缩方法,这取决于是否可以将压缩数据精确地重新生成原始图像。对于无损压缩,关键是要消除数据冗余而不丢失信息。相反,有损压缩虽然失去一些信息但获得比无损压缩更高的压缩比。有损压缩是高光谱图像压缩中的一个很有前途的研究课题,也是本文研究的重点。本文的研究内容主要有:1.神经网络大多应用在二维数据图像中,对三维高光谱图像应用不充分。通过阅读大量有关神经网络的文献提出一种基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩算法。该算法利用反向传播神经网络的输入层到隐含层对应压缩、隐含层到输出层对应解压缩的架构对高光谱图像进行压缩,该算法可有效提高图像信噪比。2.研究高光谱图像发现其谱间相关性大于空间相关性,针对此特性提出一种基于预测和矢量量化的高光谱图像压缩算法。首先利用谱间相关性,通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。最后,利用矢量量化对预测数据进行压缩。3.提出一种基于稀疏表示的高光谱图像压缩算法。该算法针对高光谱数据量大,压缩时间长的问题,只对非零系数和字典进行压缩,计算复杂度低,并且在解码端可以根据字典与非零系数快速重建图像,显着缩短重建时间。
朱俊华[5]（2014）在《压缩采样环境下的语音数字编码技术及量化噪声对信号重构影响的研究》文中研究表明传统的基于奈奎斯特采样定理的信号处理框架，面对超宽带信号及冗余度较高的信号，处理起来不仅浪费采样资源而且效率低。近年来出现的压缩感知理论，利用了信号的稀疏特性，可以实现对信号采样的同时进行压缩，把复杂度从采样端转移到了重构端，大大降低了信号的采样成本，减少了数据量，成为信号处理领域的研究热点。然而，对于数字系统而言，采样只是信号数字化的第一步，真正数字化还有一个重要的环节——采样数据的量化编码，对于刚刚起步的压缩采样理论的研究，目前还很少涉及对压缩采样后观测序列的处理，本文正是在这样背景下，以压缩感知理论为基础，研究压缩采样环境下的语音数字编码技术。这是压缩感知理论真正走向实际应用的前提。首先，本文结合语音信号稀疏预处理技术，提出了基于稀疏预处理的语音压缩感知矢量量化编码方案。对输入的语音先做稀疏预处理工作，然后采用随机高斯观测矩阵进行投影，对压缩采样得到的观测序列进行矢量量化编码，在解码端，对接收到的信息进行矢量解码得到观测序列，再进一步利用压缩重构技术重构出原始语音信号。通过仿真实验表明：稀疏预处理有效地提高了语音信号的稀疏表示效果，与未经稀疏预处理的语音压缩感知矢量量化编码相比，在数码率相同的情况下，合成语音的质量有所提高。接着，本文提出了一种基于量化压缩感知的语音压缩编码方案，对观测序列采用Lloyd-Max量化，在接收端，不需要矢量量化解码，直接从量化后的观测序列中重构出原始语音。通过仿真实验表明：该编码方法在对观测序列不解码的情况下，能够直接重构出原始语音信号，在实现对语音信号观测序列量化编码的同时，保证了重构语音的质量。为了进一步减少传输的数据量，本文对观测序列进行建模，然后对模型参数进行压缩编码，提出了一种基于观测序列正弦字典模型的语音压缩感知编码方案。首先采用行阶梯观测矩阵对语音信号进行压缩采样投影得到每一帧语音信号的观测序列，然后对其进行匹配追踪正弦建模，分别对模型参数进行压缩编码。通过仿真实验表明：该编码方案在保证重构语音质量的前提下，能够对观测序列进行有效地建模压缩，大大地降低了传输速率。
叶蕾,杨震,孙林慧[6]（2011）在《基于压缩感知的低速率语音编码新方案》文中进行了进一步梳理利用语音小波高频系数的稀疏性和压缩感知原理,提出一种新的基于压缩感知的低速率语音编码方案,其中小波高频系数的压缩感知重构分别采用l1范数优化方案及码本预测方案进行,前者对大幅度样值重构效果较好,且不仅适用于语音,也适用于音乐信号,具有传统的线性预测编码方法无法比拟的优势,后者对稀疏系数位置的估计较好,且不需要采用压缩感知重构常用的基追踪算法或匹配追踪算法,从而减少了计算量。两种方法的联合使用能发挥各自的优势,使得重构语音的音质进一步改善。
林春雨[7]（2010）在《图像/视频的多描述编码及传输》文中研究表明当前的互联网采用的是一种基于包交换的、尽力而为的异构通信机制,这种机制无法为网络带宽、实时性及通信质量提供可靠的保证。因此对于视频会议和视频电话等实时性、交互性要求较强的应用,单纯依靠目前的网络架构显然无法达到满意的通信要求。多描述编码是一种为解决数据包丢失和误码而提出的鲁棒编码算法,该算法在无需改变现行网络架构的前提下,提供了满意的通信质量和可靠的实时性,引起了国内外学者的广泛关注。本论文以研究和设计高效的多描述图像／视频编码算法为主要目标。在图像编码方面,提出了四种可扩展的基于量化的多描述编码方案,分别为：交错量化的多描述编码方案、死区优化的粗细融合量化方案、特殊格型矢量量化的三描述编码方案和两阶段网格量化多描述编码方案；此外,提出了基于分类的多描述图像编码方案和基于多样性的两阶段多描述图像编码方案。在视频编码方面,提出了与H.264/AVC标准相兼容的宏块层冗余可调的多描述视频编码方案。所做的具体工作如下：1.提出了四种可扩展的多描述量化编码方案：1)提出了基于交错量化的多描述编码方案,该方案通过使用不同死区大小的量化器形成边路描述；当收到多路描述时,按照边路交错形成的量化器对收到的描述进行解码并重建信号；整个方案通过调节边路量化器的量化步长和死区大小调节冗余,易于扩展到多于两信道的多描述系统。2)提出了利用粗糙和细致量化器进行融合以形成更加精细的中心路量化器,从而提高中心路性能的编码方案；该方案根据信源的分布特性优化量化器死区大小,以在固定冗余的条件下最小化中心路误差；整个方案可以推广到多路多描述系统中。3)以Z3格为例提出了基于格型矢量量化的三描述编码方案,同时针对图像编码的实际应用情况,对Z3格进行了调整,提出了基于特殊格型矢量量化的图像多描述编码方案。4)提出了两阶段基于网格量化的多描述编码方案,以有效地利用网格量化器的优势；采用分类的四叉树网格量化将该方案应用到图像多描述编码系统中,取得了较好的性能；该方案也具有较好的扩展性。2.提出了基于分类的多描述图像编码方案,该方案对图像进行小波变换后的系数进行分类,使各类中的系数具有较近的分布特性,对各个类中的数据按照先后顺序划分为两个大类。其中的一个大类采用经典的多描述标量量化方案形成两个描述的第一部分,另一个大类使用四叉树抽样并量化形成两个描述的第二部分。该方案通过改变两个大类中的小类的数量进行冗余调节。此外,由于采用了分类方法,避免了由于未使用带死区的量化器而造成的编码性能损失。这样,在边路性能可以取得与其对应的单描述编码相近的性能时,中心路性能仍然好于其边路描述。3.提出了基于多样性的两阶段多描述图像编码方案,该方案无需额外引入冗余,而是利用空间多样性和编码器固有的冗余形成多描述码流。因此在相同的码率下,该方案的边路描述可以取得与其对应的单描述编码器相近的性能,而中心路性能仍有提升。由于两阶段方案的应用,该算法可以简单有效地调节冗余,且易于扩展到多信道的多描述系统中。同时,证明了利用中心路与原始信号残差提高边路性能的理论依据。4.提出了宏块级冗余可调的视频多描述编码方案,该方案通过分析误差的扩散路径确定每个宏块的相对重要性,从而根据重要性的不同对其进行不同程度的保护,以达到最优利用冗余的目的。利用冗余片的概念,将该方案应用到H.264/AVC视频编码标准中,可以得到与H.264标准兼容的码流。此外,本文提出了一种引入用户指定冗余数量的编码方案,避免了尝试多次编码的复杂性。最后,本文针对丢包率已知和未知的信道传输条件,以及伯努利信道和突发信道两种模型给出了相应的实验结果。
黄博强[8]（2010）在《基于Context模型和矢量—标量量化器的ECG信号压缩》文中研究指明心电图（ECG）是单位时间内心脏电生理活动在体表的综合表示,是医生诊断心脏疾病的重要依据。由于诊断过程无损伤、廉价及实时性强,多导联ECG记录系统已经广泛应用于动态监护、临床诊断和远程医疗。其数据量的大小往往随着采样率、采样分辨率、记录时间、导联数量和病人数量的增加而增加。当存储空间或传输带宽受到严格限制时,有必要在保证信号质量的情况下进行数据压缩。目前常用的数据压缩方法包括：直接压缩法、变换压缩法以及参量压缩法。其中,基于小波变换的数据压缩方法取得了显着的结果。多导联ECG信号作为伪周期信号同时具有采样点之间、心动周期之间和导联之间的相关性。本论文从如何有效去除相关性的角度出发,研究了基于Context模型和矢量—标量量化器的压缩方案,主要包括以下几个方面内容：第一部分重点讨论三种多导联ECG信号的QRS检测方法,解决了单导联ECG信号因电极接触不良或噪声干扰所带来的低检测率问题,同时为后续的数据压缩方法提供可靠的心动周期信息。针对双导联ECG信号,提出一种基于联合小波熵的QRS检测算法。利用连续小波变换提取QRS波群频率范围内的小波系数,有效避免噪声干扰。然后采用基于小波熵的方法对单导联ECG信号进行门限判别。当检测的RR间期与平均RR间期差距明显时,采用基于联合小波熵的方法融合双导联ECG信号的QRS信息,以增强检测结果。针对12导联ECG信号,分别提出两种基于盲源分离的QRS检测算法。方法一采用主元分析（PCA）分离多导联ECG信号的心室、心房以及噪声成分,然后采用伪周期排序法将心室信号排在前列,以便计算联合小波熵检测QRS信息。方法二采用独立元分析（ICA）分离多导联ECG信号的独立成分,对各成分进行连续小波变换,重构小波系数的相空间,根据相空间的QRS信息排序独立元,最后计算联合小波熵检测QRS信息。第二部分重点讨论ECG信号的压缩算法,分别从无损压缩与有损压缩、标量量化与矢量量化、一维压缩与二维压缩,以及单导联压缩与双导联压缩的角度出发,充分研究了基于Context模型的熵编码算法。针对ECG信号的无损压缩,首先采用9/7小波对信号进行基于提升方案的整数变换,然后将小波系数分解为重要位置图、符号流、二进制最高位位置流及剩余比特流,再结合Context模型对各系数流进行熵编码。针对单导联ECG信号的有损压缩,本文分别提出了两种压缩方案。方法一为基于标量量化的二维压缩,首先利用QRS信息将一维ECG信号切割并排列成二维图像。经过周期排序与均值去除,对图像进行一维小波变换,并对小波系数进行带截止区的标量量化。最后分解小波系数,并结合Context模型对各系数流进行熵编码。该压缩算法每次编码前需要收集心动周期形成图像,存在时间延迟。方法二为基于矢量—标量量化的一维压缩,首先按照离散小波变换等级树的结构提取ECG信号的小波系数树矢量,然后利用矢量—标量量化器量化树矢量。量化器由动态学习矢量量化器与带截止区的标量量化器组成。对标量量化系数进行分解之后,结合Context模型对各系数流进行熵编码。该方案可进行在线编码。针对多导联ECG信号的有损压缩,本文以双导联ECG信号为特例,在基于矢量—标量量化器的压缩算法基础上,将各导联ECG信号小波系数树矢量的矢量量化系数组成一个新矢量,并对其进行无损矢量量化。同时,将原算法中码书的动态学习规则改进为静态学习规则。在合理利用导联之间相关性的基础上,提高算法的压缩性能。由于有效利用了采样点之间、心动周期之间和导联之间的相关性,本文提出的各种算法和基于JPEG2000或SPIHT的编码算法相比,在保证ECG信号质量的同时提高了压缩性能。
刘继新[9]（2010）在《基于矢量量化技术的音频信息隐藏算法的研究》文中研究说明信息的数字化已经给我们的社会和日常生活带来了巨大的和革命性的影响。数字多媒体技术的快速发展和国际互联网的广泛普及给我们的生活带来了方便,给我们的事业带来了机遇,但是与此同时也给我们带来了许多具有挑战性的问题。比如如何实现对数字多媒体作品的有效的版权保护以及如何实现安全的秘密通信等等。由于传统加密方法的种种缺点和应用局限,信息隐藏技术作为一种信息安全领域的新技术、新方法得到了越来越多的研究和应用群体的关注。信息隐藏技术主要有数字水印和数字密写两大分支,分别应用于数字多媒体作品的版权保护和隐蔽通信。矢量量化技术最早是作为一种更有效的数据压缩方法被提出来,随后广泛的应用于静态和动态图像编码、语音和音频编码以及语音识别等领域。而且近年来随着矢量量化研究的深入和各种研究方向的交叉,使得矢量量化的应用领域越来越广,如:信息隐藏、图像检索、数据库压缩和图像恢复等等各个领域都可以或多或少的找到矢量量化应用的例子。现有的研究多集中于以静态图像或视频为载体的基于矢量量化技术的信息隐藏,目前罕有将矢量量化技术应用到音频信息隐藏的报道。本文在这一方面做了有益的尝试,围绕着将矢量量化技术和信息隐藏技术相结合这一主题进行研究,做了如下四个方面的工作:（1）提出了一种基于矢量量化技术和修改的离散余弦变换的鲁棒音频数字水印算法,并采用小波变换来对音质进行改进,另外采用嵌入自同步码的方式实现了嵌入水印的同步。（2）提出了一种采用离散余弦变换的可以同时进行数字版权保护和防篡改认证的基于矢量量化技术的多功能音频数字水印算法,并通过实验验证了其有效性。（3）提出了一种基于矢量量化技术与低比特率语音编码器相结合的语音信息隐藏算法,并通过实际开发一个经由公共电话网络的隐蔽通信系统验证了其可行性。（4）提出了一种基于小波变换的音频指纹算法,根据每个小波分量系数的方差之间的关系设计了音频指纹算法,该算法在保持较高的最佳识别率的同时对常见的保留信号内容的攻击操作和加性高斯白噪声,尤其对线性速度变化攻击具有很好的鲁棒性。论文最后在总结本文研究成果的基础上,对基于矢量量化的音频和语音信息隐藏技术的研究前景做了展望。
唐琳琳[10]（2010）在《基于小波变换的多描述图像编码研究》文中提出随着无线网络技术的高速发展,丢包成为威胁网络传播安全性、实时性和有效性的重大问题,如何更好的保证传输质量越来越受到人们的关注。多描述编码作为解决这一问题的有效方法,近年来得到了迅速的发展。本文着重讨论了小波变换及相关思想在多描述图像编码中的应用。被称为数学显微镜的小波分析已经被广泛的应用于各种图像视频编解码的标准中,并且在信息处理的各个领域中发挥着越来越重要的作用。本文以小波编码思想为指导主要研究了嵌入式小波编码算法,非嵌入式小波编码算法和小波与矢量量化编码方法相结合的算法在图像多描述编码中的应用。首先,在基于嵌入式小波编码的多描述技术研究中,文中充分挖掘了小波分解图像的多分辨分析特点,给出了一种基于奇偶分裂和残差信息重组的新型多描述组成框架,结合集分割分级树的嵌入式小波编码算法,形成了新型的小波嵌入式多描述编码方案。此外,基于对小波分解图像能量分布特征的研究,给出了两种基于离散余弦变换图像系数重组的嵌入式多描述编码方法。其一是基于离散余弦变换系数重组后结构上近似于小波三层分解的图像,利用现有的嵌入式小波编码算法形成码流;其二是对能量分布接近小波图像但结构上有一定差异的重建图像,针对性的提出一种新的嵌入式编码方法,对重建图像作用形成码流。随后仿真实验中的优良表现充分显示出这两种方法的有效性。由于出发思想和编码原理都源于小波,可以将这两种方法统称为嵌入式“伪小波”编码算法,对应形成的多描述框架归入基于嵌入式小波编码方案。其次,构造了基于非嵌入式小波压缩编码算法的多描述方案,提出了基于时频量化编码算法的多描述编码算法。针对时频量化算法中零树量化和标量量化的联合优化模型以及小波分解图像的特征,本文提出了两种多描述新算法:一是基于奇偶子优化两描述算法;另一个是基于方向信息粗细量化的三描述算法,实验结果同样充分肯定了它们的优越性。最后,本文区别于以往基于矢量量化的多描述编码方案多采用网格矢量量化的做法,将小波图像和适量量化压缩编码方法相结合提出了两种多描述框架。一是基于方向性小波矢量的奇偶两描述算法;另一个是基于小波树型矢量和矢量量化“粗细码本”控制冗余的多描述编码算法。仿真实验体现出了这些算法的有效性。这两个算法的成功应用从一个侧面解决了矢量量化应用于多描述编码中的索引分配难题,也为这个方向的研究引入了一些新思路。
二、基于小波变换和矢量量化的语音压缩编码方案（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波变换和矢量量化的语音压缩编码方案（论文提纲范文）
（1）基于压缩感知的语音信号编码技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 缩略语 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 语音编码发展概况 |
| 1.3 研究内容和课题来源 |
| 1.4 本文的研究工作以及章节安排 |
| 第二章 压缩感知 |
| 2.1 基本概念 |
| 2.2 压缩感知基本理论 |
| 2.2.1 稀疏表示 |
| 2.2.2 观测矩阵的设计 |
| 2.2.3 信号的重构 |
| 2.3 压缩感知的应用 |
| 2.4 本章小结 |
| 第三章 基于压缩感知的语音PCM 编码 |
| 3.1 语音信号压缩感知 |
| 3.2 观测序列的线性预测分析 |
| 3.3 观测序列数值拟合分析 |
| 3.4 基于压缩感知的语音PCM 编码方案 |
| 3.4.1 PCM 编码简介 |
| 3.4.2 基于压缩感知的语音PCM 编码框架 |
| 3.5 仿真与结果分析 |
| 3.6 本章小结 |
| 第四章 基于压缩感知的语音矢量量化编码 |
| 4.1 矢量量化简介 |
| 4.2 基于矢量量化的语音压缩感知编码方法 |
| 4.2.1 观测序列矢量量化模型 |
| 4.2.2 矢量量化码本的构造 |
| 4.3 仿真结果与分析 |
| 4.4 本章小结 |
| 第五章 基于小波变换和压缩感知的语音编码方法 |
| 5.1 小波变换简介 |
| 5.1.1 小波变换的定义 |
| 5.1.2 小波包的定义 |
| 5.2 基于小波和压缩感知的语音编码方案 |
| 5.2.1 语音信号小波包分解系数特性分析 |
| 5.2.2 基于小波和压缩感知的语音编码方案 |
| 5.3 仿真与分析 |
| 5.3.1 男声信号编码仿真 |
| 5.3.2 女声信号编码仿真 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 攻读硕士学位期间参与的科研项目 |
| 致谢 |
（3）高质量的2kb/s波形内插语音编码算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 图例 |
| 表例 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 语音编码器的属性 |
| 1.2.1 编码速率 |
| 1.2.2 编码质量 |
| 1.2.3 延时 |
| 1.2.4 复杂度 |
| 1.2.5 带宽 |
| 1.2.6 已经标准化的语音编码 |
| 1.3 低速率语音编码 |
| 1.3.1 语音信号产生的源-系统模型 |
| 1.3.2 码激励线性预测(CELP)模型 |
| 1.3.3 参数编码模型 |
| 1.4 论文的研究意义和主要研究内容 |
| 1.5 本文安排 |
| 第2章 波形内插语音编码 |
| 2.1 PWI原理 |
| 2.2 PWI主要代表算法 |
| 2.3 CWI原理 |
| 2.3.1 特征波形的定义 |
| 2.3.2 特征波形的提取 |
| 2.3.3 特征波形的对齐 |
| 2.3.4 特征波形的分解 |
| 2.3.5 特征波形的内插 |
| 2.4 CWI主要代表算法 |
| 2.4.1 第一类代表算法 |
| 2.4.2 第二类代表算法 |
| 2.4.3 其他代表算法 |
| 2.5 本文建议的WI语音编码算法 |
| 2.5.1 本文建议的WI编码器 |
| 2.5.2 本文建议的WI解码器 |
| 2.6 本章小结 |
| 第3章 语音线谱频率参数的矢量量化 |
| 3.1 基于时间分解模型的LSF参数量化 |
| 3.1.1 语音的时间分解(TD)模型 |
| 3.1.2 LSF参数的时间分解(LSF_TD)方法 |
| 3.1.3 基于LSF_TD的LSF矢量量化方法 |
| 3.2 LSF参数的预测式瞬时联合多级分裂矢量量化(PSJ_MSVQ) |
| 3.2.1 LSF参数的帧内和帧间预测 |
| 3.2.2 多级矢量量化 |
| 3.2.3 实验 |
| 3.3 本章小结 |
| 第4章 语音信号的基音检测 |
| 4.1 引言 |
| 4.2 基于二进小波变换和归一化自相关函数的基音检测算法(DWT_NACF_PDA) |
| 4.2.1 二进小波变换 |
| 4.2.2 小波变换用于基音周期检测的原理 |
| 4.2.3 小波函数的构造 |
| 4.2.4 利用二进小波变换和归一化自相关函数检测基音周期 |
| 4.3 用于WI语音编码的基音检测算法 |
| 4.3.1 算法描述 |
| 4.3.2 实验 |
| 4.4 本章小结 |
| 第5章 特征波形及其功率的量化 |
| 5.1 引言 |
| 5.2 多码本方法 |
| 5.3 变维方法 |
| 5.3.1 截取和补零 |
| 5.3.2 矢量变维 |
| 5.3.3 带限内插 |
| 5.3.4 多项式拟合 |
| 5.3.5 离散余弦变换 |
| 5.3.6 讨论 |
| 5.4 REW量化 |
| 5.4.1 REW幅度谱的变维处理 |
| 5.4.2 REW幅度谱量化 |
| 5.4.3 REW相位谱模型 |
| 5.4.4 实验 |
| 5.5 SEW量化 |
| 5.5.1 SEW的减样 |
| 5.5.2 SEW幅度谱的变维处理 |
| 5.5.3 SEW幅度谱量化 |
| 5.5.4 SEW相位谱量化 |
| 5.6 CW功率量化 |
| 5.7 本章小结 |
| 第6章 2kb/s WI语音编码算法及其性能评价 |
| 6.1 比特分配 |
| 6.2 主观质量评价 |
| 6.2.1 DRT测试 |
| 6.2.2 主观A/B测试 |
| 6.2.3 非正式MOS分测试 |
| 6.3 复杂度 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文工作总结 |
| 7.2 论文的创新点 |
| 7.3 下一步工作考虑 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目和获奖情况 |
| 致谢 |
（4）基于聚类的高光谱图像压缩技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 高光谱图像压缩算法研究现状 |
| 1.2.1 基于预测的高光谱图像压缩算法 |
| 1.2.2 基于变换的高光谱图像压缩算法 |
| 1.2.3 基于矢量量化的高光谱图像压缩算法 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的主要结构 |
| 第2章 高光谱图像压缩算法 |
| 2.1 自适应差分脉冲调制 |
| 2.2 变换 |
| 2.3 矢量量化 |
| 2.4 神经网络 |
| 2.4.1 神经网络基本介绍 |
| 2.4.2 Back Propagation神经网络 |
| 2.4.3 广义回归神经网络 |
| 2.5 稀疏表示 |
| 2.6 本文压缩性能评价指标 |
| 2.6.1 光谱角 |
| 2.6.2 信噪比 |
| 2.6.3 峰值信噪比 |
| 2.6.4 压缩比 |
| 2.6.5 计算复杂度 |
| 2.7 本文实验数据介绍 |
| 2.8 本章小结 |
| 第3章 基于神经网络的高光谱图像压缩算法 |
| 3.1 基于自适应波段聚类主成分分析和反向传播神经网络的压缩算法 |
| 3.1.1 算法描述 |
| 3.1.2 仿真实验 |
| 3.2 基于预测和矢量量化的压缩算法 |
| 3.2.1 算法描述 |
| 3.2.2 仿真实验 |
| 3.3 本章小结 |
| 第4章 基于稀疏表示的高光谱图像压缩算法 |
| 4.1 基于稀疏表示的高光谱图像压缩算法 |
| 4.1.1 算法描述 |
| 4.1.2 仿真实验 |
| 4.2 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 发展总望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（5）压缩采样环境下的语音数字编码技术及量化噪声对信号重构影响的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 缩略语表 |
| 第一章 绪论 |
| 1.1 压缩感知技术的发展概况 |
| 1.2 语音编码技术的发展概况 |
| 1.3 本文研究内容及课题来源 |
| 1.4 本文结构安排 |
| 第二章 压缩感知理论 |
| 2.1 引言 |
| 2.2 压缩感知基本原理 |
| 2.2.1 问题描述 |
| 2.2.2 信号的稀疏表示 |
| 2.2.3 观测矩阵的设计 |
| 2.2.4 重构算法 |
| 2.3 语音信号的压缩感知系统框架 |
| 2.3.1 观测矩阵的选取及仿真分析 |
| 2.3.2 重构算法仿真分析 |
| 2.4 本章小结 |
| 第三章 基于稀疏预处理和压缩感知的语音矢量量化编码 |
| 3.1 引言 |
| 3.2 语音信号的稀疏预处理 |
| 3.2.1 语音信号在 DCT 基下的稀疏性 |
| 3.2.2 语音信号稀疏预处理 |
| 3.3 基于稀疏预处理和压缩感知的语音矢量量化编码 |
| 3.3.1 矢量量化简介 |
| 3.3.2 基于稀疏预处理和压缩感知的语音矢量量化编码方案 |
| 3.3.3 码本的构造 |
| 3.4 实验仿真和结果分析 |
| 3.5 本章小结 |
| 第四章 基于量化压缩感知的语音压缩编码 |
| 4.1 引言 |
| 4.2 量化压缩感知的基本原理 |
| 4.2.1 压缩感知框架 |
| 4.2.2 量化模型 |
| 4.2.3 CS 系统中的量化噪声及其对信号重构的影响 |
| 4.3 量化压缩感知在语音压缩编码中的应用 |
| 4.4 仿真实验及结果分析 |
| 4.5 本章小结 |
| 第五章 基于正弦字典模型的语音压缩感知编码 |
| 5.1 引言 |
| 5.2 匹配追踪与正弦模型 |
| 5.2.1 匹配追踪基本理论 |
| 5.2.2 正弦模型 |
| 5.3 基于匹配追踪的观测序列正弦字典建模 |
| 5.3.1 观测矩阵 |
| 5.3.2 基于匹配追踪和正弦字典建模的语音压缩感知编码方案 |
| 5.3.3 参数编码 |
| 5.4 实验与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 进一步的研究方向 |
| 参考文献 |
| 附录 1 攻读硕士学位期间撰写的论文 |
| 附录 2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（6）基于压缩感知的低速率语音编码新方案（论文提纲范文）
| 1 引 言 |
| 2 语音信号的小波分解 |
| 3 小波高频系数的压缩感知及重构 |
| 3.1 小波高频系数的压缩感知及l1重构 |
| 3.2 小波高频系数的压缩感知及码本预测重构 |
| 3.3 小波高频系数的压缩感知及l1联合码本重构 |
| 4 基于小波变换和压缩感知的语音编码方案 |
| 5 仿真实验 |
| 6 结 论 |
（7）图像/视频的多描述编码及传输（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 多描述编码的研究问题及其发展现状 |
| 1.3 本论文的主要工作和组织结构 |
| 第二章 多描述编码的基本理论和经典算法 |
| 2.1 引言 |
| 2.2 单描述编码的率失真理论 |
| 2.2.1 单描述编码的率失真区域 |
| 2.2.2 无记忆高斯信源的单描述率失真区域 |
| 2.3 多描述编码的率失真理论及关键问题 |
| 2.3.1 两信道多描述编码的率失真区域 |
| 2.3.2 N信道多描述编码率失真区域的相关结论 |
| 2.3.3 多描述编码的关键问题 |
| 2.4 多描述编码的实现方法 |
| 2.4.1 基于量化的多描述编码 |
| 2.4.2 基于抽样的多描述编码 |
| 2.4.3 基于变换的多描述编码 |
| 2.4.4 基于非平等保护的多描述编码 |
| 2.5 本章小结 |
| 第三章 四种可扩展的多描述量化编码方案 |
| 3.1 引言 |
| 3.2 基于交错量化的多描述编码方案 |
| 3.2.1 交错量化方案的实现 |
| 3.2.2 交错量化方案的渐近分析 |
| 3.2.3 基于交错量化的图像多描述编码 |
| 3.2.4 基于交错量化的多路多描述系统 |
| 3.2.5 基于交错量化的多描述方案的实验结果 |
| 3.3 优化量化器死区大小及融合不同尺度量化步长的多描述编码方案 |
| 3.3.1 融合不同量化步长的多描述编码方案的分析 |
| 3.3.2 四描述编码方案分析 |
| 3.3.3 所提方案在图像多描述编码中的应用 |
| 3.3.4 实验结果 |
| 3.4 基于特殊格型矢量量化的三信道多描述编码方案 |
| 3.4.1 经典的MDLVQ方案 |
| 3.4.2 基于特殊格型矢量量化的三路多描述图像编码框架 |
| 3.4.3 索引分配原则 |
| 3.4.4 调整后的索引分配原则 |
| 3.4.5 实验结果及分析 |
| 3.5 基于网格量化(TCQ)的两阶段多描述编码 |
| 3.5.1 基于TCQ的两阶段多描述编码方案 |
| 3.5.2 高斯信源的实验结果及分析 |
| 3.5.3 基于QTCQ的两阶段图像编码算法及实验结果 |
| 3.6 本章小结 |
| 第四章 基于分类的多描述图像编码方案 |
| 4.1 引言 |
| 4.2 小波系数的分布特性及MDSQ方案的缺陷 |
| 4.3 基于分类的多描述图像编码方案 |
| 4.4 与两阶段多描述算法的比较 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第五章 基于多样性的两阶段多描述图像编码方案 |
| 5.1 引言 |
| 5.2 基于多样性的多描述编码方案 |
| 5.2.1 多样性图像编码方案 |
| 5.2.2 多样性误差分析过程 |
| 5.3 基于多样性的两阶段多描述图像编码方案 |
| 5.3.1 两描述编码方案 |
| 5.3.2 两描述编码方案的误差分析 |
| 5.3.3 灵活的冗余调节方式 |
| 5.3.4 四描述编码方案 |
| 5.4 实验结果 |
| 5.5 本章小结 |
| 第六章 宏块层冗余可调的多描述视频编码方案 |
| 6.1 引言 |
| 6.2 误匹配误差的扩散路径分析 |
| 6.3 宏块层可控冗余的多描述视频编码框架 |
| 6.3.1 扩散误差的理论分析模型 |
| 6.3.2 宏块权重的计算 |
| 6.3.3 冗余分配方案 |
| 6.3.4 结合丢包率的冗余调节方案 |
| 6.4 引入用户指定数量的冗余调节方案 |
| 6.5 实验结果及分析 |
| 6.6 本章小结 |
| 第七章 总结 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间取得的研究成果 |
| 参与的科研项目 |
| 学位论文数据集 |
（8）基于Context模型和矢量—标量量化器的ECG信号压缩（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1. 研究背景 |
| 1.1.1. 心电图的导联及特征 |
| 1.1.2. 心电图的应用 |
| 1.2. 研究的目的和意义 |
| 1.3. 研究现状 |
| 1.3.1. QRS检测技术 |
| 1.3.2. ECG信号压缩技术 |
| 1.4. 论文创新点 |
| 1.5. 论文结构 |
| 第2章 多导联ECG信号的QRS检测 |
| 2.1. 数据库及评价指标 |
| 2.2. 基于联合小波熵的双导联ECG信号QRS检测 |
| 2.2.1. 连续小波变换 |
| 2.2.2. 联合小波熵分析 |
| 2.2.3. 检测算法 |
| 2.2.4. 实验结果及讨论 |
| 2.3. 基于主元分析和联合小波熵检测多导联ECG信号的QRS |
| 2.3.1. 主元分析 |
| 2.3.2. 伪周期排序 |
| 2.3.3. 检测算法 |
| 2.3.4. 实验结果及讨论 |
| 2.4. 基于独立元分析和联合小波熵检测多导联ECG信号的QRS |
| 2.4.1. 独立元分析 |
| 2.4.2. 相空间排序 |
| 2.4.3. 检测算法 |
| 2.4.4. 实验结果及讨论 |
| 2.5. 讨论及小结 |
| 第3章 数据压缩算法结构 |
| 3.1. 离散小波变换 |
| 3.1.1. 双正交小波变换 |
| 3.1.2. 双正交提升小波变换 |
| 3.2. 量化器 |
| 3.2.1. 标量量化器 |
| 3.2.2. 矢量量化器 |
| 3.2.3. 矢量—标量量化器 |
| 3.3. 小波系数分解 |
| 3.4. Context模型 |
| 3.5. 算术码编码 |
| 3.6. 评价指标 |
| 第4章 ECG信号的无损压缩 |
| 4.1. ECG信号无损压缩算法概述 |
| 4.2. ECG信号的一维压缩算法 |
| 4.2.1. 算法结构 |
| 4.2.2. Context模型及Context量化 |
| 4.2.3. 实验结果 |
| 4.3. 讨论及小结 |
| 第5章 ECG信号的有损压缩 |
| 5.1. ECG信号有损压缩算法概述 |
| 5.2. 基于标量量化器的ECG信号二维压缩 |
| 5.2.1. 算法结构 |
| 5.2.2. ECG二维图像的形成 |
| 5.2.3. ROI掩膜的制作 |
| 5.2.4. Context模型及量化 |
| 5.2.5. 实验结果及讨论 |
| 5.3. 基于矢量—标量量化器的ECG信号一维压缩 |
| 5.3.1. 算法结构 |
| 5.3.2. 动态学习矢量—标量量化器 |
| 5.3.3. Context模型及量化 |
| 5.3.4. 仿真实验 |
| 5.3.5. 实验结果及讨论 |
| 5.4. 双导联ECG信号压缩算法 |
| 5.4.1. 算法结构 |
| 5.4.2. 静态学习矢量—标量量化器 |
| 5.4.3. 实验结果及讨论 |
| 5.5. 讨论及小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 致谢 |
（9）基于矢量量化技术的音频信息隐藏算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.1.1 音频信息隐藏技术的应用 |
| 1.1.2 理论意义 |
| 1.2 矢量量化技术及其应用 |
| 1.2.1 矢量量化技术的概念 |
| 1.2.2 几种常用的矢量量化器 |
| 1.2.3 矢量量化技术的应用 |
| 1.3 音频与语音信息隐藏技术综述 |
| 1.3.1 时间域音频信息隐藏算法研究现状 |
| 1.3.2 变换域音频水印算法研究现状 |
| 1.3.3 扩频技术在音频水印算法中的应用研究现状 |
| 1.3.4 压缩域音频水印算法研究现状 |
| 1.4 基于矢量量化技术的信息隐藏技术综述 |
| 1.4.1 基于码书划分方法的信息隐藏算法 |
| 1.4.2 基于矢量量化索引特点的信息隐藏算法 |
| 1.4.3 基于约束矢量量化的信息隐藏算法 |
| 1.4.4 基于矢量量化的多水印算法 |
| 1.5 基于矢量量化技术的音频与语音信息隐藏算法综述 |
| 1.6 论文的组织结构与主要研究内容 |
| 第2章 基于矢量量化技术的鲁棒音频数字水印算法 |
| 2.1 引言 |
| 2.2 离散余弦变换与小波变换 |
| 2.2.1 离散余弦变换与修改的离散余弦变换 |
| 2.2.2 小波变换 |
| 2.3 基于矢量量化的鲁棒音频数字水印的嵌入与提取 |
| 2.3.1 码字标记的矢量量化 |
| 2.3.2 嵌入算法 |
| 2.3.3 提取算法 |
| 2.4 仿真实验结果 |
| 2.4.1 主客观听觉测试 |
| 2.4.2 鲁棒性测试与分析 |
| 2.5 本章小结 |
| 第3章 基于矢量量化技术的多功能音频数字水印算法 |
| 3.1 引言 |
| 3.2 基于多级矢量量化技术的多功能语音数字水印算法 |
| 3.2.1 LPC 系数的多级矢量量化模型 |
| 3.2.2 多功能数字水印的嵌入和提取 |
| 3.2.3 算法的性能分析 |
| 3.3 基于矢量量化技术的多功能音频数字水印的嵌入与提取 |
| 3.3.1 多功能音频数字水印的嵌入 |
| 3.3.2 多功能音频数字水印的提取 |
| 3.4 仿真实验结果 |
| 3.4.1 主客观听觉测试 |
| 3.4.2 多功能数字水印测试 |
| 3.5 本章小结 |
| 第4章 基于矢量量化技术的语音码流隐写算法 |
| 4.1 引言 |
| 4.2 G.729a 编解码器 |
| 4.3 G.729 码流的感知透明的信息隐藏算法 |
| 4.4 基于矢量量化技术的G.729a 语音码流隐写算法 |
| 4.5 仿真实验结果 |
| 4.5.1 载荷评估 |
| 4.5.2 语音质量评估 |
| 4.6 一个基于语音码流的隐密信息传输系统的实现 |
| 4.6.1 系统的硬件构成 |
| 4.6.2 系统的总体实现框架与工作流程 |
| 4.6.3 宿主语音信号的透明度效果与载荷 |
| 4.7 本章小结 |
| 第5章 基于小波变换的音频数字指纹算法 |
| 5.1 引言 |
| 5.2 音频数字指纹技术概述 |
| 5.2.1 音频数字指纹技术的应用领域 |
| 5.2.2 音频数字指纹技术的要求和难点 |
| 5.2.3 音频数字指纹技术的研究现状 |
| 5.3 基于小波变换的音频数字指纹算法 |
| 5.4 实验结果及分析 |
| 5.4.1 攻击处理 |
| 5.4.2 误码率分析与阈值的确定 |
| 5.4.3 鲁棒性测试 |
| 5.4.4 算法比较 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 基于矢量量化的音频数字水印软件界面 |
| 附录B 基于语音码流的隐密信息传输系统界面 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）基于小波变换的多描述图像编码研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 多描述编码研究现状 |
| 1.2.1 基于量化的多描述编码方法 |
| 1.2.2 基于变换的多描述编码方法 |
| 1.2.3 基于框架扩展的多描述编码方法 |
| 1.2.4 基于FEC 的多描述编码方法 |
| 1.3 小波在多描述编码中的研究现状 |
| 第2章 小波分析基本理论 |
| 2.1 引言 |
| 2.2 小波变换基本理论 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.3 小波与多分辨分析 |
| 2.4 小波及其分解图像主要特征 |
| 2.4.1 小波基本特性 |
| 2.4.2 小波图像特性 |
| 2.5 本章小结 |
| 第3章 嵌入式小波多描述编码 |
| 3.1 引言 |
| 3.2 嵌入式小波编码算法 |
| 3.2.1 EZW 编码算法 |
| 3.2.2 SPIHT 编码算法 |
| 3.3 基于奇偶预测与残差信息重组的SPIHT 多描述编码框架 |
| 3.3.1 算法描述 |
| 3.3.2 仿真实验 |
| 3.4 基于DCT 系数能量重分配的SPIHT 多描述编码框架 |
| 3.4.1 基于三层小波分解结构DCT 图像的三描述算法 |
| 3.4.2 仿真实验 |
| 3.4.3 基于DCT-SPIHT 新型嵌入式编码算法的三描述算法 |
| 3.4.4 仿真实验 |
| 3.5 本章小结 |
| 第4章 非嵌入式小波多描述编码 |
| 4.1 引言 |
| 4.2 非嵌入式小波编码算法 |
| 4.2.1 SFQ 空频量化编码算法 |
| 4.2.2 FSSQ 空频量化编码算法 |
| 4.3 基于SFQ 的多描述编码框架 |
| 4.3.1 奇偶预测两描述SFQ 算法 |
| 4.3.2 方向信息块SFQ 三描述算法 |
| 4.4 本章小结 |
| 第5章 小波矢量量化多描述编码 |
| 5.1 引言 |
| 5.2 小波矢量量化编码算法 |
| 5.2.1 矢量量化基本原理 |
| 5.2.2 基于小波的矢量量化编码算法 |
| 5.3 小波块型矢量量化多描述编码框架 |
| 5.3.1 算法描述 |
| 5.3.2 仿真实验 |
| 5.4 小波树型矢量量化多描述编码框架 |
| 5.4.1 算法描述 |
| 5.4.2 仿真实验 |
| 5.5 本章小结 |
| 结论 |
| 附录 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 个人简历 |
四、基于小波变换和矢量量化的语音压缩编码方案（论文参考文献）
- [1]基于压缩感知的语音信号编码技术研究[D]. 沈丹丹. 南京邮电大学, 2012(07)
- [2]基于小波变换和压缩感知的低速率语音编码方案[J]. 叶蕾,杨震,郭海燕. 仪器仪表学报, 2010(07)
- [3]高质量的2kb/s波形内插语音编码算法研究[D]. 李靓. 北京工业大学, 2005(07)
- [4]基于聚类的高光谱图像压缩技术研究[D]. 张燕琪. 重庆邮电大学, 2019(01)
- [5]压缩采样环境下的语音数字编码技术及量化噪声对信号重构影响的研究[D]. 朱俊华. 南京邮电大学, 2014(05)
- [6]基于压缩感知的低速率语音编码新方案[J]. 叶蕾,杨震,孙林慧. 仪器仪表学报, 2011(12)
- [7]图像/视频的多描述编码及传输[D]. 林春雨. 北京交通大学, 2010(07)
- [8]基于Context模型和矢量—标量量化器的ECG信号压缩[D]. 黄博强. 复旦大学, 2010(11)
- [9]基于矢量量化技术的音频信息隐藏算法的研究[D]. 刘继新. 哈尔滨工业大学, 2010(04)
- [10]基于小波变换的多描述图像编码研究[D]. 唐琳琳. 哈尔滨工业大学, 2010(04)