CABAC 学习（4）概率更新模型分析

不知道很多人是不是和我一样有疑惑，那个probability estimation 是干什么用的？

就是在CABAC 的第三步， 算术编码完一个bin， 都要update context model. 

在TEncBinCoderCABAC.cpp中的 encodeBin（）函数中调用：

    rcCtxModel.updateLPS();

<pre name="code" class="cpp">    rcCtxModel.updateMPS();

这个函数来update context ,其实就是更新概率模型。

算术编码克服了哈夫曼只能为整数的缺点，根据概率更新来更准确估计信源信号出现概率，概率估计越精确，编码效果越好。

这里的概率更新模型是单参数指数平滑法模型， 并以CABAC 定义的64个转换状态为index。这只是概率与index的函数的趋势关系， 参考H.264/AVC中那个经典的概率模型图。

但是在CABAC中， 概率更新FSM却是根据当前状态的概率来计算出新的概率。

每个概率在CABAC中其实是隐含着对应的状态的，比如如果得出概率0.04， 那么对应该的pStateIdx 就是48. 这与当前是LPS 还是MPS无关，就是一个概率对应一个确定的pstaeIdx. 

只不过，标准中简化了对概率这种FP类型的数据的应用，直接实施为状态转移FSM，如果编码完一个bin之后， 当前的state是知道的，根据当前的stateIdx, 以及现在编码的binValue 是否等于对应context中的valMPS 的值（这个是会一直保持不变，除非stateIdx = 0, 只是后要变换为反码，0变1 ， 1变0.）， 即确定是LPS还是MPS的过程，确定了这个，在知道了现在的state,然后参考状态转移FSM表，就可以确定新的state，也就是新的概率模型，也就是新的context 模型，存储到context中的，下次再调用这个context 模型的时候，就会引用的是新的概率模型，也就是stateIdx 已经变成了新的。

这个过程的实现思想，就是信息论里的数据压缩的一个重要思想，体现adaptive的一个地方，使得编码更准确

然后应用到概率的range division， 也是用了一个4×64的array Table 9-40（最终标准书里）来实现， 避免了理论上的乘法，也就是有人说的免乘法原则。简化复杂度，表格中的数值也都是训练得到的结果。