1 基本概念
1.1 定义
标量量化是指将输入信号中的单个数值或单个样本，按照预先设定的规则映射到有限个离散值之一的过程。由于输出集合是有限的，原始连续值或高精度数值在量化后会失去一部分精度，从而换取更低的存储、传输或计算成本。
1.2 发展背景
标量量化源于模拟信号数字化和数值编码的需求。随着数字通信、计算机存储以及多媒体处理的发展，它逐渐成为数字信号处理中的基础环节。早期的应用主要集中在语音与通信系统，后来扩展到图像、视频、传感器采集和通用数据压缩等领域。
1.3 与矢量量化的区别
标量量化通常对每个样本独立处理，关注的是单个数值到单个重构值的映射；矢量量化则把多个样本组成向量后整体编码，利用样本之间的相关性提高压缩效率。相较之下，标量量化结构更简单、实现成本更低，适合实时性较强或硬件资源有限的场景，而矢量量化在某些条件下可获得更高压缩率，但设计和计算更复杂。
2 数学原理
2.1 量化映射
标量量化可视为一个映射函数，将输入值 \(x\) 映射为量化输出 \(Q(x)\)。这一映射通常包含两个步骤：先判断输入落入哪个区间，再将其替换为该区间对应的重构值。该过程可以看作对连续数轴进行分段近似。
2.2 量化区间与量化级
量化区间是输入范围被划分后的若干子区间，每个区间对应一个量化级。量化级的数量决定了可表示的离散状态数，通常用比特数表示时，若使用 \(b\) 位，则最多可提供 \(2^b\) 个不同量化级。区间划分越细，量化结果越接近原始数值，但所需编码位数也通常越多。
2.3 量化误差
2.3.1 误差来源
量化误差来自有限离散表示对原始值的近似。输入值在被映射到某一重构值时，两者之间的差即为误差。若输入分布与量化器设计不匹配，误差还可能因截断、饱和或区间设置不合理而增大。
2.3.2 误差度量
量化误差常用绝对误差、均方误差、最大误差等方式衡量。在工程分析中，均方误差尤为常见，因为它便于与信噪比、率失真性能等指标关联。对不同分布的信号，也可结合概率统计特征评估误差的平均表现。
3 量化器类型
3.1 均匀量化
3.1.1 定义与特点
均匀量化是指相邻量化级之间的间隔恒定。其结构简单、运算方便，容易通过固定步长实现。对于分布较为平坦或动态范围不太大的信号，均匀量化通常具有较好的实用性。
3.1.2 适用场景
均匀量化常用于数值范围已知、统计特性稳定的场景，例如某些图像像素处理、一般数字音频中间环节，以及硬件实现要求较低延迟的系统。它在实现复杂度和性能之间提供了较直接的折中。
3.2 非均匀量化
3.2.1 对数量化
对数量化通过非线性方式压缩数值范围，使小幅度信号获得更细的分辨率，而大幅度信号则采用较粗的分辨率。这种设计适合幅度分布集中在低值区域、但仍需兼顾较大动态范围的信号。
3.2.2 μ律与A律量化
μ律与A律是两类典型的非均匀量化方法，常用于语音通信。它们通过压扩处理改善低幅度信号的表示精度，使人耳更敏感的部分获得更少失真。这类方法在传统电话和语音编码中具有代表性。
3.3 自适应量化
自适应量化会根据输入信号的统计特性、局部幅度变化或噪声水平动态调整量化步长和区间设置。相比固定量化器，它更能适应非平稳信号，提高局部效率，但也会引入额外的控制与同步开销。
4 性能指标
4.1 失真
失真反映量化后信号与原始信号之间的偏离程度。对于音频和图像应用，失真不仅取决于数值误差大小，也与人耳、人眼的感知特性有关。因此，数值误差很小并不一定意味着主观质量完全一致。
4.2 信噪比
信噪比常用于衡量量化后有用信号与量化噪声之间的相对强弱。通常情况下，量化级数越多，量化步长越小，信噪比越高。不过，当输入信号具有较强峰值或分布不均时，实际表现会受量化器类型影响。
4.3 码率与压缩效率
标量量化通过减少每个样本所需的比特数来降低码率。若与熵编码等技术结合，还可以进一步提升压缩效率。评价时通常需要同时考虑压缩率、重构质量以及编码复杂度，不能只看比特数的下降幅度。
4.4 动态范围
动态范围指系统能够有效表示的最小与最大信号幅度之间的范围。量化器设计若过于偏向某一幅度区间，容易导致小信号被淹没或大信号发生饱和。因此，动态范围的匹配是量化系统设计的重要目标之一。
5 设计方法
5.1 量化级数选择
量化级数的选择通常由目标精度、允许码率和实现成本共同决定。级数越高，失真越小，但所需存储和传输资源越多；级数较少则更节省资源，但会牺牲重构质量。实际设计中往往根据应用需求确定一个折中点。
5.2 阈值与重构值设计
阈值用于划分输入区间，重构值用于代表各区间的输出结果。合理的阈值设置可以使误差分布更均衡，而重构值的选择则会影响平均失真。对于非均匀量化器，这两者通常需要结合输入分布进行专门设计。
5.3 最优化设计准则
5.3.1 最小均方误差准则
最小均方误差准则以降低输入与重构值之间的平均平方误差为目标，是量化器优化中最常见的原则之一。该准则便于数学分析，也适合与统计模型结合，用于推导近似最优的区间和重构值配置。
5.3.2 最大似然与率失真分析
在某些设计中，会依据输入样本的统计模型，通过最大似然思想估计更合适的量化参数；也可借助率失真分析，在给定码率约束下寻找失真最小的方案。后者强调压缩效率与重构质量之间的系统性平衡。
6 应用领域
6.1 音频编码
在音频编码中，标量量化常用于对谱系数、时域样本或残差信号进行离散化处理。它与感知模型、变换编码和熵编码配合使用，可以在维持可接受听感的前提下显著降低数据量。
6.2 图像与视频压缩
图像和视频压缩中，量化是核心环节之一。变换后的系数经量化后会产生大量零值或小值，便于后续熵编码。量化参数的调整通常直接影响清晰度、块效应和细节保留程度。
6.3 通信系统
通信系统中，标量量化常用于模数转换后的信号表示、语音编解码以及某些信道处理模块。其目标是在有限带宽或有限比特预算下尽量保持信号可恢复性，并减小传输误差对系统性能的影响。
6.4 传感器数据处理
在传感器数据处理场景中，量化可帮助降低采集、存储和无线发送的开销。例如环境监测、工业测量和嵌入式设备常通过适当降低数据精度，换取更长续航或更高采样覆盖率。
7 实现与工程实践
7.1 量化与反量化流程
工程实现中，量化通常先对输入进行范围检查，再根据阈值确定区间并输出对应码字或索引；反量化则根据索引恢复为近似值。若前端采用压扩或归一化处理，反量化阶段还需执行逆过程以重建原始尺度。
7.2 查找表与硬件实现
为了提高运行效率，量化过程常借助查找表、固定点运算或专用硬件电路完成。查找表适合区间边界和重构值固定的系统，而硬件实现则更适合高吞吐、低延迟应用。设计时需兼顾速度、功耗和资源占用。
7.3 误差控制与舍入策略
舍入方式会影响量化误差的统计特征。常见策略包括四舍五入、向零截断、向上或向下取整等。不同舍入规则会导致偏差特性不同，因此在精密计算或多级处理链中，常需要统一误差控制策略，以减少累积偏差。
8 优缺点
8.1 优势
标量量化的优势在于结构简单、实现容易、适用范围广，并且便于与现有编码框架集成。它不需要复杂的向量搜索或大规模码本，因而在实时系统和资源受限设备中尤其常见。
8.2 局限性
其局限性主要体现在难以充分利用样本间相关性，压缩效率往往不及更复杂的方法。此外，当信号分布变化较大时，固定量化器可能出现局部精度不足或资源分配不均的问题，需要额外的自适应机制加以补偿。
8.3 与其他压缩方法的比较
与无损压缩相比，标量量化属于有损方法，能够以一定精度损失换取更高压缩率。与矢量量化相比，它实现更简洁，但理论上可达到的压缩性能通常较低。与预测编码、变换编码结合时，标量量化往往作为其中一个关键步骤，而不是独立完成全部压缩任务。
9 相关概念
9.1 采样
采样是将连续时间信号转换为离散时间序列的过程，是量化之前的重要步骤。采样决定时间维度上的离散化，而量化决定幅度维度上的离散化。
9.2 编码
编码是将量化后的离散值转换为二进制表示或其他传输格式的过程。量化结果只有经过编码，才能被有效存储、传输和进一步处理。
9.3 率失真理论
率失真理论研究在给定信息率约束下，信号重构失真能达到的最优边界。它为量化器设计提供了理论参考，帮助分析压缩效率与质量之间的极限关系。
9.4 数据压缩
数据压缩旨在减少表示信息所需的资源。标量量化是有损压缩中的重要工具，常与熵编码、变换编码和预测编码共同构成完整的压缩流程。