腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

机器学习从入门到成神

专栏作者

126

文章

176584

阅读量

33

订阅数

哥伦布编码

go 编程算法存储

哥伦布编码解码 UINT GetUeValue(BYTE *pBuff, UINT nLen, UINT &nStartBit) { //计算0bit的个数 UINT nZeroNum = 0; while (nStartBit < nLen * 8) { if (pBuff[nStartBit / 8] & (0x80 >> (nStartBit % 8))) { break; } nZeroNum++; nStartBit++; } nStartBit ++; //计算结果 DWORD dwRet = 0; for (UINT i=0; i<nZeroNum; i++) { dwRet <<= 1; if (pBuff[nStartBit / 8] & (0x80 >> (nStartBit % 8))) { dwRet += 1; } nStartBit++; } return (1 << nZeroNum) - 1 + dwRet; } 1. H.264/AVC标准规定了一系列编码方法，用于把符号编码成二进制比特流。这些方法包括： FLC (定长码) ExpG (指数哥伦布码) CAVLC CABAC 位于Slice data级别之上的符号，使用FLC或ExpG编码。 2. ExpG依据变字长编码理论。在变字长编码中，编码器的编码输出码字是长度不等的码字。大概率出现的信息符号，赋以短字长的码字；小概率出现的信息符号，赋以长字长的码字。 ExpG码字的二进制结构如下： [前导零][1][INFO] 码字包含M个前导零(M>=0)， bit 1， M-bit信息域INFO。根据输入的参数code_num，ExpG码的编码过程是： M = floor(log2(code_num + 1)) INFO = code_num + 1 - 2^M 相应的，解码过程是： (1) 读取一系列连续的bit 0直到bit 1，记录bit 0的个数(M)， (2) 读取bit 1 (3) 读取M-bit = INFO (4) code_num = 2^M + INFO - 1 由此，ExpG的码字长度是2M+1比特。 3. 映射 H.264的语法参数k通过4种方式映射为code_num，然后对code_num使用ExpG编码，生成二进制码字。 4种映射方式： ue 无符号直接映射，code_num = k te 截断映射 se 有符号映射，code_num = 2|k| (k<=0) code_num = 2|k| - 1 (k>0) me 根据标准中指定的表 4. ExpG解码的实现与优化以FFMpeg中的get_ue_golomb()函数为例，ExpG的解码算法的优化既考虑运算量又考虑存储空间。 (1) 根据当前二进制ExpG码的比特地址index，读取n-bit的二进制数据到32-bit buf。 buf = swap32(*(uint32_t *)((uint8_t *)bit_stream + (index>>3))) << (index&0x07) swap32()的作用是在按32位读取bit stream时，处理大尾数、小尾数的转换。 -------------------------- | index%8 | buf的有效位n | -------------------------- | 0 | 32-bit | -------------------------- | 1 | 31-bit | -------------------------- | 2 | 30-bit | -------------------------- | 3 | 29-bit | -------------------------- | 4 | 28-bit | -------------------------- | 5 | 27-bit | --------------------------

大黄大黄大黄

2018-09-14

9990

机器学习之深入理解神经网络理论基础、BP算法及其Python实现

机器学习神经网络编程算法 python http

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/sinat_35512245/article/details/55224524

大黄大黄大黄

2018-09-14

1.4K0

机器学习之从极大似然估计到最大熵原理以及EM算法详解

机器学习编程算法 scikit-learn

极大似然估计是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是，一个随机试验如有若干个可能的结果A，B，C，... ，若在一次试验中，结果A出现了，那么可以认为实验条件对A的出现有利，也即出现的概率P(A)较大。极大似然原理的直观想法我们用下面例子说明。设甲箱中有99个白球，1个黑球；乙箱中有1个白球．99个黑球。现随机取出一箱，再从抽取的一箱中随机取出一球，结果是黑球，这一黑球从乙箱抽取的概率比从甲箱抽取的概率大得多，这时我们自然更多地相信这个黑球是取自乙箱的。一般说来，事件A发生的概率与某一未知参数 \theta 有关， \theta 取值不同，则事件A发生的概率P(A|\theta )也不同，当我们在一次试验中事件A发生了，则认为此时的\theta 值应是t的一切可能取值中使P(A|\theta )达到最大的那一个，极大似然估计法就是要选取这样的t值作为参数t的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

大黄大黄大黄

2018-04-01

2.9K17

没有更多了

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态