查看“︁分類向量量化器”︁的源代码

{{TA
|G1=IT
|G2=Math
}}
{{cleanup-jargon}}

'''分類VQ''' (Classified vector quantization , CVQ) ，採用多個[[編碼簿]]，每一個[[編碼簿]]都是專門用來編碼具有某一類特殊性質的方塊，例如水平方向的邊，垂直方向的邊，完全一致的領域等等。我們可以利用具有區別不同特殊性質的[[分類器]]，來選定編碼某一類方塊的[[編碼簿]]。

== 概要 ==
使用CVQ的優點是使用許多小型的編碼簿，每一個專門為某一類[[向量]]而設計，可以達到和使用單一一個大型編碼簿相當的重建品質，且搜尋時間會小很多。此外，CVQ也可以用在Mean/Residual vector quantization (參見[[乘碼]]) 技術的餘值向量上。

== 演算法 ==
'''第一步'''：<br />
將原影像切割成大小為n (通常n = 4 x 4 = 16) 且不相重疊的方塊，每一個方塊都經過一個以邊的方向來做分類的分類器，將其歸類為M類當中的一類；這些類別可能包括暗影像方塊 (Shade block，沒什麼明顯梯度的方塊) ，中度範圍方塊 (Midrange block，具有中等梯度但無明顯邊的方塊) ，垂直邊方塊，水平邊方塊，<math>45^\circ</math>或<math>135^\circ</math>邊方塊，以及混合型方塊 (有邊但方向不清楚)。

'''第二步'''：<br />
每一個分類後的方塊向量各以其所屬之編碼簿做編碼。編碼簿的大小可以各有不同，分別為<math>N_i</math>，<math>i = 1,2,3\ldots,{M}</math>，而且每一個方塊在選擇最接近的向量時，也可以採用不同的失真估算函數。整個碼向量數目為 : <math>N_c = \sum_{i=1}^{M} N_i \ </math>。

'''第三步'''：<br />
將所選出的碼向量指標送給接收端，接收端則用這些指標[[解碼]]。

== 參考資料 ==
* 戴顯權, ''"資料壓縮"'' 
* Bhaskar Ramamurthi and Allen::Gersho, Fellow, IEEE ,''"Classified Vector Quantization of Images "'', IEEE Transactions On Communications, VOL. Com-34, NO. 11, November 1986
* Allen Gersho and Robert M. Gray, ''"Vector Quantization And Signal Compression"''

[[Category:数据压缩]]