乘码
 |
乘码（Product code），是借由许多小型编码簿相乘而形成。如果一个向量可以用某个独立的特性来描述的话，例如长度或方向，那么就可以针对每一个特性分别为此设计一个编码簿，最后所要的乘码向量便是将各个小型编码簿的向量相乘而得到。
概要
在相同数目的码向量下，乘码编码簿的效率比完全搜寻的编码簿差。但是在相同的复杂度与位元率下，它的效果比完全搜寻的编码簿好。这是因为在相同的复杂度下，乘码编码簿的有效码向量会远比完全搜寻的编码簿之码向量多许多，而且乘码编码簿可以在同样位元率下编码更大维度的向量。
以下介绍三种乘码，分别为增益/形状VQ（Gain/Shape vector quantization, G/S VQ）、平均值/馀值VQ（Mean/Residual vector quantization, M/R VQ）及内插法/馀值VQ（Interpolating/Residual vector quantization, I/R VQ）。
增益/形状VQ
增益/形状VQ（Gain/Shape vector quantization, G/S VQ）使用两个编码簿，分别用以编码向量的增益（Gain）和形状（Shape）。向量的增益指的是这个向量的能量或方差，而向量的形状则是原影像向量去掉增益后之正常化向量（Normalized vector）。
演算法
- 第一步：
将原影像切割成不重叠的方块形成影像向量，令其大小为n（一般取n = 4 x 4 = 16）。
- 第二步：
从形状编码簿中，找出和影像向量内积（Inner product）所得值最大的单位能量形状码向量，。
- 第三步：
给定所选择的形状码向量后，找出纯量的增益值，其中纯量使得重建向量，与原向量X之间的失真最小。
- 第四步：
送出形状码向量的指标及增益的码给接收端。
- 第五步：
将解码所得知形状码向量与增益值相乘，即得到重建向量。
平均值/馀值VQ
平均值/馀值VQ（Mean/Residual vector quantization, M/R VQ），是将影像方块的平均值重复拷贝做为该方块内所有像素的预测值，最后产生整个预测影像。再将原影像减去预测影像，便形成我们的馀值影像。
使用M/R VQ的优点是许多的影像向量（由影像方块所组成）都在不同的平均值附近展现类似的方差，只要将每一个向量的平均值（方块平均值）在做量化之前予以去除，那么我们所需要用以表示馀值向量的码向量就会比较少。
演算法
- 第一步：
将原影像切割成不重叠的方块，其大小为n（一般n = 4 x 4 = 16），以形成影像向量，并计算每一个方块的平均值。
- 第二步：
以纯量量化器编码平均值（一般使用8个位元）并送出给接收端，也可以用传统的压缩法，如DPCM，做平均值的编码以更进一步降低位元率。
- 第三步：
将该方块之原影像向量减去量化后之平均值得到平均约等于0的馀值。
- 第四步：
以VQ做馀值向量之量化，然后将最接近之馀值码向量的指标送给接收端。
- 第五步：
将平均值加回解码所得之馀值向量得到重建方块。
内插法/馀值VQ
内插法/馀值VQ（Interpolating/Residual vector quantization, I/R VQ），是借由原影像之次取样（Subsampling）与内插（Interpolating）得到预测影像，然后再将原影像减去预测影像得到的馀值影像。这个方法基本上和Mean/Residual vector quantization（M/R VQ）很像，只不过在此用的是次取样值而非平均值，以及内插法而不是简单的重复拷贝。
使用I/R VQ的优点是，其预测影像会比M/R VQ的重复拷贝平均值所得的预测影像还平滑，因此方块假象（Blocking artifacts）会减少。实验结果也显示，在相同的位元率下，I/R VQ的重建影像品质会比M/R VQ的好。
演算法
- 第一步：
以L：1的比例（一般L = 8）为原影像做次取样得到的次取样影像（原影像为解析度为NxN），每一个次取样值以纯量量化器予以量化，并送出给接收端。
- 第二步：
传送端与接收端都利用将量化后之次取样影像以内插法扩张成NxN的预测影像，将原影像减去预设影像得到传送端的预测影像。
- 第三步：
将馀值影像切割成不重叠的方块以形成向量（一般大小为n = 4 x 4 = 16）。
- 第四步：
使用VQ为馀值向量做量化，并送出最接近的馀值码向量之指标给接收端。
- 第五步：
将解码所得之馀值码向量加回次取样/内插后之预测影像得到重建影像。