基于改进小波变换图像压缩方法实现手机移动门户技术

摘要

本发明涉及移动互联网技术领域，尤其是一种基于改进小波变换图像压缩方法实现手机移动门户技术。其包括编码部分和解码部分，具体步骤如下：编码部分主要由小波变换、量化和熵编码三个基本模块组成，先把原始图像进行分块，每个图像块单独提升小波变换，再进行相关的量化和熵编码，然后按照有序的扫描顺序把所有图像块的编码流逐个写入比特流；在解码端，把比特流中的每一个图像块的数据进行熵解码后，根据图像块的小波系数与整个图像小波系数之间的位置关系，逐个写入整个图像的相应位置，然后进行逆量化和逆提升小波变换，就可以恢复图像。该系统具备软硬件易于实现的特性，还具有分辨率可伸缩性。

说明书

技术领域

本发明涉及移动互联网技术领域，尤其是一种基于改进小波变换图像压缩方法实现手机移动门户技术。

背景技术

移动互联网已经成为最新的热门技术，随着智能手机的普及和3G网络的推进，会有越来越多的应用在其上应用。但是由于手机平台的限制，其功能和处理能力会有所限制，不能象电脑一样安装如此多的软件，比如：在手机上实现pdf的阅读，需要有Adobe公司的软件支持，实现word的阅读，则需要安装微软Office的支持；即便支持windows Mobile操作系统的手机安装了Office word和IE，但其功能与电脑上相比仍不可同日而语。而且由于3G网络和手机的普及还有一段时间，目前大量的2G的网络虽然非常成熟，但是网络速度受限。目前手机门户，大多采用wap或者http协议的形式，进行浏览。针对信息门户，这种模式是值得推荐的，因为其功能主要是浏览。但对于企业门户，尤其是需要集成复杂应用系统(如某些基于C/S的复杂ERP系统)和大量附件的应用(如OA系统、PDM系统)的门户，采用wap形式和http协议的形式，就不能实现。而利用改进的小波变换图像压缩技术，实现对计算机的控制，将计算机的屏幕内容通过分屏压缩方式，显示在手机上，从而可以实现手机移动门户。

小波变换的概念是由法国从事石油信号处理的工程师J.Morlet在1974年首先提出的。它与Fourier变换、窗口Fourier变换(Gabor变换)相比，这是一个时间和频率的局域变换，因而能有效的从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析(Multiscale Analysis)，解决了Fourier变换不能解决的许多困难问题，小波变化被誉为“数学显微镜”，它是调和分析发展史上里程碑式的进展。

小波变换理论是近几年兴起的时(空)频域分析理论，通过对原始图像进行小波变换，可以将图像信号由时间域(空间域)表示变换到小波域表示。利用小波变换的正交或双正交变换特性，解除图像像素间的相关性，消除图像信号在空间的冗余，并集中图像信号的能量，为后面的系数量化、系数位建模、算术编码等提供前提，为高效的图像编码奠定基础。传统的卷积小波(第一代小波)变换，由于采用卷积运算方法，过程复杂，运算量大，实时性较差，不利于硬件的实现。1995年Sweldens提出了一种不依赖于傅立叶变换的新的小波构造方法——提升格式(Lifting scheme)，称之为第二代小波变换。这种提升格式不但保持了第一代小波的特性，同时又克服了其平移和伸缩的不变性。许多中外学者对提升格式小波变换进行了广泛研究，取得了丰硕的成果。

小波提升方案为第一代小波变换提供了一种新的更快速的实现方法。提升方法提供了一个有效的构造非线性小波的方法，构造出的非线性小波同传统小波变换相比，计算简单快速，而且适合于自适应、非线性、非奇异采样和整数到整数的变换。双正交小波变换因为具有线形性而广泛应用于图像压缩领域，目前研究证明任何具有FIR结构的双正交小波变换都可以由惰性变换经过有限步交替的提升和对偶提升过程得到。

小波提升方案的复杂度只有原来卷积方法的一半左右，而且实时性好，运算简单，因此成为计算离散小波变换的主流方法。离散小波变换提升实现的快速算法是最近研究的热点。目前比较流行的小波系数编码方法有EZW算法、SPIHT算法及被JPEG2000采用的EBCOT算法等。这些算法特别是EBCOT算法，都具有优越的性能，已经大量采用。但是它们仍然有不足之处，表现在：

1、这些算法，尤其是EBCOT能实现对图像的有效压缩，同时产生的码流具有分辨率可伸缩性(resolution scalability)、信噪比可伸缩性(SNRscalability)及随机存取(random access)等出色的特性。但在该算法中，码块的选择都是在小波域内同一级频带中相同的子带内进行的。这样的选取方式虽然能够实现分辨率可伸缩的特性，但是未能充分利用同一分辨率下各个方向子带的系数之间以及同一方向不同分辨率的系数之间的相关性。

2、现有算法都是静态压缩技术，手机上显示的图像是整个屏幕的一部分，并且用户的操作也是屏幕的一部分，目前的算法无法单独压缩动态区域。

发明内容

为了克服现有的小波变换图像压缩方法无法单独压缩动态区域的不足，本发明提供了一种基于改进小波变换图像压缩方法实现手机移动门户技术。

本发明解决其技术问题所采用的技术方案是：一种基于改进小波变换图像压缩方法实现手机移动门户技术，包括编码部分和解码部分，具体步骤如下：

编码部分主要由小波变换、量化和熵编码三个基本模块组成，先把原始图像进行分块，每个图像块单独提升小波变换，再进行相关的量化和熵编码，然后按照有序的扫描顺序把所有图像块的编码流逐个写入比特流；

在解码端，把比特流中的每一个图像块的数据进行熵解码后，根据图像块的小波系数与整个图像小波系数之间的位置关系，逐个写入整个图像的相应位置，然后进行逆量化和逆提升小波变换，就可以恢复图像。

根据本发明的另一个实施例，进一步包括所述的原始图像中的每一个索引块经过小波变换后，其各个子带索引块分别位于整个原始图像小波变换后相应子带的相同的索引位置上。

根据本发明的另一个实施例，进一步包括所述的提升小波变换的变换次数n≥3。

根据本发明的另一个实施例，进一步包括所述的量化是对提升小波变换后的浮点数据进行量化处理，以便把小波系数从浮点域映射到整数域；

设O(r)表示视觉方向量化因子，表达式为

$O\left(r\right)=2^{R_r},r=\mathrm{0,1,2,3}$

其中R_r表示同一分辨率等级上不同方向的视觉方向量化因子的指数，且

R₀+R₁+R₂+R₃＝32

它们共占用4个字节的空间，在存储和传输时，先于码流输送给解码器。

S(k)表示视觉频带量化因子，表达式为

S(k)＝2^k-1，k＝0，1，2，3

其中r表示同一分辨率等级上不同方向的频带，k表示分辨率等级；由此我们可以设定第k级分辨率等级上的第r方向上的子带的量化步长Δ_k，r为

${\Delta }_{k,r}=\alpha \times O\left(r\right)\times S\left(k\right)=\alpha \times 2^{R_r+k-1}$

其中α表示量化调整因子；量化调整因子可以根据当前系数块b的特性，进行自适应的调整，例如可以根据当前块b的视觉重要性来设定如下：

$\alpha =1+\underset{k=0}{\overset{4^{N-M}-1}{\Sigma }}{\mathrm{TB}}_k/(4^{N-M}\times {\mathrm{TB}}_b)$

另外，为简单起见，还可以直接令α为一常数或直接取α＝1。

则量化操作将子带b的小波系数y_b(u，v)量化为量化系数q_b(u，v)：

逆量化过程为，

y_b(u，v)＝q_b(u，v)×Δ_k，r。

根据本发明的另一个实施例，进一步包括所述的熵编码是通过改进的SPIHT算法和算术编码来把量化的变换系数转变为一个用来传输或是存储的压缩码流。

本发明的有益效果是，

1、各个图像块单独进行变换编码，因而可以实现图像块间的并行处理及编码。

2、采用图像分割变换的算法，运算时对内存的需求较少。一块小的内存连续复用就可以完成整个图像的提升小波变换。

3、图像块经过小波变换后，然后按照系数对应关系重新组合得到整个图像的小波系数。这样做可以减少变换过程中频繁使用较大的内存。提高内存利用效率。

4、由于改进SPIHT算法也可以形成嵌入位流，位流在任意点中断时，都可以重构图像。因此可以很容易的控制位速率和压缩比。

5、由于改进SPIHT算法是进行子带分块编码的，可以实现ROI区域特殊编码。

6、改进SPIHT算法和提升小波变换算法都很容易用软件和硬件实现。因此该系统还具备软硬件易于实现的特性。

7、由于编码算法是按照分辨率等级进行编码，码流按照分辨率递增的方式进行组织，因此该系统具有分辨率可伸缩性。

8、改进的SPIHT算法生成的依然是嵌入式码流，因而可以实现渐进解码和渐进显示。

9、改进SPIHT算法与传统的SPIHT算法相比，相同的PSNR下具有更高的压缩比，经过试验证明可以提高10％-20％

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是小波图像编解码的一般流程图；

图2是小波编解系统框图；

图3是大小为2×2小波树块结构；

图4中，(a)为SPIHT算法及改进的SPIHT算法子带及小波系数扫描顺序；(b)为同一频带内SPIHT算法的扫描顺序；(c)为同一频带内改进的SPIHT算法的扫描顺序。

具体实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1是本发明的结构示意图，一种基于改进小波变换图像压缩方法实现手机移动门户技术，包括编码部分和解码部分，具体步骤如下：

编码部分主要由小波变换、量化和熵编码三个基本模块组成，先把原始图像进行分块，每个图像块单独提升小波变换，再进行相关的量化和熵编码，然后按照有序的扫描顺序把所有图像块的编码流逐个写入比特流；

在解码端，把比特流中的每一个图像块的数据进行熵解码后，根据图像块的小波系数与整个图像小波系数之间的位置关系，逐个写入整个图像的相应位置，然后进行逆量化和逆提升小波变换，就可以恢复图像。

所述的原始图像中的每一个索引块经过小波变换后，其各个子带索引块分别位于整个原始图像小波变换后相应子带的相同的索引位置上。

所述的提升小波变换的变换次数n≥3。

所述的量化是对提升小波变换后的浮点数据进行量化处理，以便把小波系数从浮点域映射到整数域；

设O(r)表示视觉方向量化因子，表达式为

$O\left(r\right)=2^{R_r},r=\mathrm{0,1,2,3}$

其中R_r表示同一分辨率等级上不同方向的视觉方向量化因子的指数，且

R₀+R₁+R₂+R₃＝32

它们共占用4个字节的空间，在存储和传输时，先于码流输送给解码器。

S(k)表示视觉频带量化因子，表达式为

S(k)＝2^k-1，k＝0，1，2，3

其中r表示同一分辨率等级上不同方向的频带，k表示分辨率等级；由此我们可以设定第k级分辨率等级上的第r方向上的子带的量化步长Δ_k，r为

${\Delta }_{k,r}=\alpha \times O\left(r\right)\times S\left(k\right)=\alpha \times 2^{R_r+k-1}$

其中α表示量化调整因子；量化调整因子可以根据当前系数块b的特性，进行自适应的调整，例如可以根据当前块b的视觉重要性来设定如下：

$\alpha =1+\underset{k=0}{\overset{4^{N-M}-1}{\Sigma }}{\mathrm{TB}}_k/(4^{N-M}\times {\mathrm{TB}}_b)$

另外，为简单起见，还可以直接令α为一常数或直接取α＝1。

则量化操作将子带b的小波系数y_b(u，v)量化为量化系数q_b(u，v)：

逆量化过程为，

y_b(u，v)＝q_b(u，v)×Δ_k，r。

所述的熵编码是通过改进的SPIHT算法和算术编码来把量化的变换系数转变为一个用来传输或是存储的压缩码流。

小波图像编解码的一般流程如图1所示。编码部分主要由小波变换(wavelet transform)、量化(quantization)和熵编码(entroy encoding)等三个基本模块组成。解码部分则沿着相反的过程进行。

原始图像中的每一个索引块经过小波变换后，其各个子带索引块分别位于整个原始图像小波变换后相应子带的相同的索引位置上。利用此结论，我们可以先把图像进行分块，每个图像块单独进行提升小波变换及相关的量化编码操作。然后按照一定的扫描顺序把所有图像块的编码流逐个写入比特流。在解码端，把码流中的每一个图像块的数据解码后，根据图像块的小波系数与整个图像小波系数之间的位置关系，逐个写入整个图像的相应位置，然后进行逆量化和逆提升小波变换，就可以恢复原图像。整个系统框图如图2所示。

图2给出的是对单个图像分量的处理，而对于多个分量的图像，各个分量的编码处理是相互独立的，因此该图同样适用于多分量的情况。本系统中采用3级提升小波变换。

1.图像分割和系数重组

由于在经过n(一般取n≥3)级提升小波变换之后，最低频子带中的每一个1×1系数块都对应着原始图像中相同空间位置上的大小为2ⁿ×2ⁿ的图像块。因此，若图像分割后，每一图像块的大小2^M×2^M，则2^M最小应该取8，最大取整个图像的高度或宽度2^N。

当实际进行提升小波变换时，要考虑边界拓展的情况。这时所选择的图像块的数据就要向上下和左右各拓展两个数据。分割后图像块的编码顺序为从左到右，从上到下。

所谓系数重组，就是把各个图像块的子带系数，按照位置索引相同的原则，逐个添加到整个图像的相应子带中。以便于进行提升小波的逆变换。

2.提升小波变换

本系统采用JPEG2000推荐使用的小波滤波器，即在有损压缩时采用Daubechies(9-7)滤波器，而对于无损压缩时采用Le Gall(5-3)小波滤波器。并采用本文提出的提升小波变换的简化实现算法。提升小波变换的变换次数n一般取为3，即n＝3。

3.量化处理

本算法采用有损压缩模式，对提升小波变换后的浮点数据进行量化处理。以便把小波系数从浮点域映射到整数域，同时尽可能多的消除人类的心理视觉冗余，取得最大可能的压缩比。

人类视觉系统(HVS)对不同频带的变化表现出不同的视觉敏感性。即HVS对低频信号的变化特别敏感，而对于高频信号的变化不敏感；并且HVS对于水平方向和垂直方向的边缘和细节的变化比较敏感，而对于对角方向的细节的变化不敏感。

因此，我们可以根据人类视觉系统的这些特性设计出对于不同频带，不同量化步长的矢量量化器。

设O(r)表示视觉方向量化因子，表达式为

$O\left(r\right)=2^{R_r},r=\mathrm{0,1,2,3}$

其中R_r表示同一分辨率等级上不同方向的视觉方向量化因子的指数，且

R₀+R₁+R₂+R₃＝32

它们共占用4个字节的空间，在存储和传输时，先于码流输送给解码器。

S(k)表示视觉频带量化因子，表达式为

S(k)＝2^k-1，k＝0，1，2，3

其中r表示同一分辨率等级上不同方向的频带，k表示分辨率等级；由此我们可以设定第k级分辨率等级上的第r方向上的子带的量化步长Δ_k，r为

${\Delta }_{k,r}=\alpha \times O\left(r\right)\times S\left(k\right)=\alpha \times 2^{R_r+k-1}$

其中α表示量化调整因子；量化调整因子可以根据当前系数块b的特性，进行自适应的调整，例如可以根据当前块b的视觉重要性来设定如下：

$\alpha =1+\underset{k=0}{\overset{4^{N-M}-1}{\Sigma }}{\mathrm{TB}}_k/(4^{N-M}\times {\mathrm{TB}}_b)$

另外，为简单起见，还可以直接令α为一常数或直接取α＝1。

则量化操作将子带b的小波系数y_b(u，v)量化为量化系数q_b(u，v)：

逆量化过程为，

y_b(u，v)＝q_b(u，v)×Δ_k，r。

4.采用改进的SPIHT算法：

整个图像小波变换后的系数集合就等于最低频子带加上所有的细节树组块。如果把最低频子带也按照细节树组块的大小进行分块，并把最低频子带看作是最高层小波系数，则经过3级小波变换后，整个小波系数就可以分成4个层次或4个分辨率等级。

(1)小波树结构

如果我们改变传统SPIHT算法的树形结构而改用EZW算法中给出的树形结构。这样我们前面定义的细节树组就多了一个父亲节点。如果还是按照前面细节树组块的定义的方式，定义树组块，则整个图像小波变换后的系数集合就等于所有树组块的小波系数集合。

虽然，在我们的算法中依然使用EZW算法的树形结构，但是在扫描方式上稍有差别。不再用EZW算法及SPIHT算法中树形扫描方式，而是对所有的小波树组块进行层次扫描。前者就象是二叉树结构中的前序遍历样式的扫描，而后者就像是二叉树中的层次遍历式的扫描。不过，这里有许多小波树组块，因此，要先扫描完所有的树根块，然后再扫描所有树的下一个层次，即先扫描最低频子带(或最高层)中的系数块。而在同一层同一个子带中则采用光栅扫描的顺序进行扫描。扫描顺序如图3所示。

(2)分块说明

由于每一低频带中系数都有4个相邻高频带中的儿子系数，因此，当各低频子带中，按照M×M分块，则相邻高频子带内就是按照2M×2M分块的，而树根所在的最低频子带除外。因为最低频子带中的系数与下一相邻频带中的系数是一一对应的，两者的分块大小是完全一样的。如果进行3级小波变换，最低频子带(按照下面的定义即是第0级分辨率层)按照2×2进行分块的话，则第1级分辨率层也就按照2×2进行分块。而以后的各层就按照2^kM×2^kM进行分块。

(3)符号说明

设X(i，j)是一个小波系数块集合，(i，j)为该小波系数块在其所在的子带内的块索引。对于正整数n，记

$S_n\left(X(i,j)\right)=\left(\begin{array}{cc}1,& \underset{c(u,v)\in X(i,j)}{\max }\left\{\right|c(u,v)\left|\right\}\ge 2^n\\ 0,& \mathrm{others}\end{array}\right)$

若S_n(X(i，j))＝1，则称X(i，j)关于阈值2ⁿ是重要的；否则称X(i，j)是不重要的。

用符号B_k^r，r＝0，1，2，3；k＝0，1，2，…，m来表示分辨率等级为k，第r方向子带中的所有系数块左上顶点的坐标集合，H_r^k表示整个子带上的系数坐标集合。其中m表示小波分解的次数；k＝0表示最低频带，其他依次类推；r＝0表示LL子带，r＝1表示HL子带，r＝2表示LH子带，r＝3表示HH子带。当k＝0时，r只能等于0，因为最低频带上只有一个LL子带。当k≠0时，r≠0，因为除了最低频带外，其他频带都有3个方向的子带。

(4)有序表

由于本算法中，采用的是层次扫描方式，而层次内对各个子带采用是的分块扫描方式。因而设置的有序表中，传统SPIHT算法中的LIS不重要子集表就改为LIB不重要系数块表，而LIP不重要系数表和LSP重要系数表则仍然采用。三个有序表中的每一个表项都使用坐标(u，v)来标识。坐标(u，v)在LIP和LSP中表示系数坐标，在LIB中表示以(u，v)系数为左上顶点的系数块(该坐标可以与该系数块的块坐标相互转化)。系数块的大小由该系数块所在的分辨率级数决定，而由系数坐标(u，v)可以确定该系数所在的分辨率等级和子带方向。

(5)算法说明

改进后的SPIHT算法主要步骤如下：

1)阈值和有序表初始化：

设阈值T＝2ⁿ，其中初始化k＝0。初始化LSP＝{ }为空集，LIP＝{ }，

2)显著性扫描由以下两个大的步骤组成：

(1)依次检查LIP中所有小波系数(u，v)，确定其是否重要系数；

若重要，则输出1及其符号位，其中正负号的编码分别为1和0，然后将(i，j)从LIP中删除，并添加到LSP的尾部。

若不重要，则输出0。

(2)对LIB中的每个表项依次处理，确定其是否重要：

若重要，则输出1，然后进入块索引为(u，v)的系数块内，按照从上到下，从左到右的顺序依次处理块内每一个节点(k，l)。每个节点的处理方法如下：若(k，l)是重要系数，则输出1及其符号位，并将其添加到LSP的尾部；若不重要，则输出0，并将其添加到LIP的尾部。

若不重要，则输出0。

对排序扫描开始前LIB中的表项全部处理完后，这次排序扫描过程结束。

3)精细扫描：对LSP中的每个表项(u，v)，若(u，v)不是在刚刚进行过的扫描过程中新添加的，则输出|c_i，j|的二进表示中的第n个重要的位，其中T＝2ⁿ是扫描过程中设定的阈值。

4)令n＝n-1，当n＝0跳转到5)，否则跳转到步骤2)。

5)对本次显著性扫描结果中输出的符号进行算术编码(若不进行算术编码可跳过本步)。

6)把算术编码的结果和精细扫描的结果写入码流，并判断k是否等于3，若是，则结束全部编码过程；若不是，则令k＝k+1，并跳转到7)。

7)令LSP＝{ }为空集，LIP＝{ }，其中LIP和LIB中(u，v)和r的排列顺序仍按照图4(a)和(c)进行。并令T＝2^m，n＝m。然后跳转到2)。

5.算术编码

算术编码的基本规则为：首先初始化编码区间A＝[0，1]，编码点C＝0；然后依据下列公式进行迭代运算：

$C=C+A\times P_{c_j};$A＝A×p_j

其中p_j和分别为当前符号对应的概率和累计概率。

算术编码模式有基于概率统计的固定模式和自适应模式两种。前者需要事先对码书中的码字进行预扫描，以统计各码字出现的概率，此过程计算量比较大，计算效率不高；若出现新的不在码书中的码字，则图像还原效果就会不理想。而采用后者初始时各个符号的概率设为相同值，然后依据出现的码字而相应的改变其概率值，若出现新的码字只需要在码书中添加上即可。只要编码器和解码器使用相同的初始值和相同的改变值的方法，那么它们的概率模型将保持一致。编码器接收到下一个码字对其编码，然后改变概率模型，解码器根据当前的模式解码，然后再改变自己的概率模型。

二进制算术编码是实际中最为常用的一种算术编码方法，之所以说是二进制，是因为其输入的字符只有两种。如果信源字符集内包含有多个字符，则先将这些字符经过一系列的二进制判决，变成二进制字符串，再进行算术编码。

在二进制算术编码器的2个输入字符中，出现概率大的一个称为MPS(More Probable Symbol)，另一个称为LPS(Less Probable Symbol)。设LPS出现的概率为Q_e则MPS出现的概率为1-Q_e。当符号流中符号“0”和“1”分别对应着LPS或者MPS。随着被编码符号流中符号出现的概率的变化，这种对应关系也将发生自适应的改变。其编码规则如下：

1)对于MPS，编码点：C＝C；编码区间：A＝A(1-Q_e)＝A-AQ_e。

2)对于LPS，编码点：C＝C+A(1-Q_e)＝C+A-AQ_e；编码区间：A＝AQ_e。

在Huffman编码中，最短的码字为1bit，所以即使在对出现概率最大的符号编码时，也需要在前面已经编好的码流上再增加1bit。而在算术编码中，对MPS编码不增加已经编好的码流长度，这是算术编码比Huffman编码优越的地方。

在具体实现二进制算术编码时，要解决好以下几个问题：

1)在编码区间不断划分的过程中，区间宽度A越来越小，则用来表示A的数字位数越来越多；

2)完成编码点计算和区间分割时需要用到成本较高的乘法运算；

3)当已编好的码流中连续出现多个1时，若后续编码过程中在最后一位上加1，将连续改变前面已经编好的码字，产生连续多个0，直到1出现为止。

为了有效的实现算术编码算法，人们提出了许多解决办法，构造出不同类型的算术编码器。本发明将采用JPEG2000标准中给出的解决方案。

用有限精度的算术运算来计算编码区间A，以保证A的有效数字的位数不至于随码字串的增加而增加。例如，A＝0.001可以用1.0×2^-3来表示，当A被分割为更小值时，则增加指数值，而有效数字的位数保持在规定的范围内。JPEG2000中这个范围选择在0.75～1.5之间，当A＜0.75时，将A乘以2，使有效数字保持在0.75～1.5之间，这样仍然可以用原来的位数表示，这些都有利于软硬件的编码实现。该过程被称为重新归一化。乘2运算可以用对寄存器的左移操作来实现。当区间A重新归一化后，码字串C也应当随之归一化。当0.75≤A≤1.5时，AQ_e≈Q_e。利用该近似式，可将编码点计算和区间分割简化，而无需做乘法，关于进位的问题，可以采用“比特填充(Bit Stuffing)”技术来避免。该技术和JPEG中采用的比特填充技术类似。

如果将上述的自适应模式用在二进制算术编码中，就构成了自适应的二进制算术编码。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。