Capítulo 4.

 Cuantización Vectorial  
 

Capítulo 4

CUANTIZACION VECTORIAL

Como se mencionó en el capítulo tres, un sistema de comunicaciones está formado por un

transmisor, un canal de transmisión y un receptor. Debido a que el tema de ‘cuantización’ concierne
al transmisor, solo nos enfocaremos a estudiar dicho componente.
Una señal analógica es aquella en donde su amplitud que toma diferentes valores, es decir,
su nivel en cualquier muestra no está limitado a un conjunto finito de niveles predefinidos como es
el caso de las señales cuantificadas. La mayoría de las señales ya sean audio, voz, etc. generalmente
tienen una naturaleza analógica.
Por otro lado, las señales digitales son aquellas cuyas dimensiones tanto en tiempo como en
amplitud son discretas, lo que determina que la señal deberá tomar solo ciertos valores establecidos.
Si se desea transmitir una señal analógica por un medio digital, primero se debe convertir dicha
señal en una señal digital, es decir, llevar a cabo una transformación analógico-digital, o mejor
dicho, digitalizar la señal.
La digitalización o conversión analógica-digital consiste en realizar de forma periódica
medidas de la amplitud de una señal, redondear sus valores a un conjunto finito de niveles
preestablecidos de tensión (conocidos como niveles de cuantificación) y registrarlos como números
enteros en cualquier tipo de memoria o soporte. Para esto se realizan tres diferentes procesos:

43 
 
 Capítulo 4. Cuantización Vectorial  
 

DIGITALIZACIÓN 

X(t)                                                      X(n)                                         Xq(n)                                               0100… 
MUESTREO  CUANTIZACIÓN  CODIFICACIÓN 

Señal  Señal en  Señal  Señal 

Analógica  tiempo discreto  Cuantificada  Digital 

FIG. 4.1 PROCESO DE DIGITALIZACIÓN 
 

1. Muestreo: O en inglés ‘sampling’ consiste en tomar muestras periódicas de la amplitud de

onda. La velocidad con que se toma esta muestra se conoce como frecuencia de muestreo.
2. Cuantización: Es el proceso mediante el cual se mide el nivel de voltaje de cada una de las
muestras. Consiste en asignar un margen de valor de una señal analizada a un único nivel
de salida.
3. Codificación: Como se mencionó en el capítulo anterior, la codificación consiste en
traducir los valores obtenidos durante la cuantificación a los códigos que se vayan a utilizar.

4.1 FUNDAMENTOS

Como se mencionó anteriormente, la cuantización consiste en establecer niveles de voltaje a las

diferentes muestras que se hagan de la señal original, con la finalidad de enviar información solo en
un número finito de valores de voltaje.
Además, existen diferentes tipos de cuantizadores, cada uno de ellos con diferentes
características y propiedades. A continuación se mencionarán algunos de los tipos de cuantización
más utilizados de forma simplificada: 

Cuantización Escalar
Este tipo de cuantización es un mapeo de los números reales a un determinado conjunto
representado por C={y1,y2,…,yN}, donde y Є , y 0 < N < ∞. Asociado al conjunto C se tienen
regiones Ri tales que:
; (4.1)

44 
 
 Capítulo 4. Cuantización Vectorial  
 

Las cuales cumplen con las siguientes condiciones:

1. ,       ,      , 1, … ,
2.

En la cuatización escalar la fuente se considera muestra por muestra y por lo general se

asume que el canal es libre de ruido y otro tipo de distorsiones. En este tipo de cuantización se
calculan niveles de decisión Ui, y los niveles de salida se conocen como niveles de reconstrucción
Vi, mientras que la distancia entre Ui y Ui+1 es llamada intervalo de cuantización.

Para generar de una manera precisa los niveles de decisión se toman las siguientes consideraciones:
• Sea una señal de entrada modelada por una variable aleatoria X,
• Sea Fx(x) la función de densidad de probabilidad (PDF) de X,
• Para un cuantizador de M intervalos, al que representamos como la función Q(x), por lo que
se deben conocer:
Niveles de decisión:
Son los M + 1 puntos límites de los intervalos
Se representan por
Niveles de reconstrucción:
Son los valores representativos de los intervalos (salidas)
Se representan por

Ejemplo: A continuación se presenta un ejemplo de un cuantizador de 3 bits, el cual permite

codificar en 8 niveles de voltaje:

CÓDIGOS
 
…………… 
 
000            001               010              011              100              101            110            111 
 
         ‐3                  ‐2                 ‐1                   0                  1                  2                    3          SALIDA 

FIG. 4.2 EJEMPLO DE CUANTIZADOR DE 3 BITS 

45 
 
 Capítulo 4. Cuantización Vectorial  
 

En los cuantizadores escalares existen dos diferentes regiones que son: regiones
granulares, que tienen un intervalo finito; y las regiones de sobrecarga, que tienen un intervalo
infinito.
En este tipo de cuantizadores, la distorsión depende de la partición en intervalos elegida y
los valores representativos elegidos, mientras que la longitud media depende de la partición y de la
longitud de las palabras código elegido.

Cuantización Uniforme
La cuantización uniforme es el tipo de cuantización más simple que hay, ya que todos los
intervalos tienen un mismo tamaño (tamaño de escalón) Δ, excepto quizá los intervalos extremos.
Todos los niveles de reconstrucción están uniformemente espaciados, y en los intervalos
internos son los puntos medios de los intervalos.

SALIDA
3.5 
 
2.5 
 
1.5 
 
0.5 
‐4.0         ‐3.0         ‐2.0         ‐1.0                          1.0         2.0           3.0        4.0 
 
‐0.5  ENTRADA 
 
‐1.5 
 
‐2.5 
 
‐3.5 

FIG. 4.3 CUANTIZADOR UNIFORME MIDRISE 

 
Al igual que los cuantizadores escalares, existen dos tipos de cuantizadores uniformes:
midrise, en los cuales el cero no es considerado como un nivel de reconstrucción, por lo que tiene
un número par de niveles; y los midtread, donde el cero si forma parte de los niveles de
reconstrucción.

46 
 
 Capítulo 4. Cuantización Vectorial  
 

Cuantización Adaptativa
Este tipo de cuantización se encarga de adaptar dinámicamente las características del
cuantizador a la estadística de la entrada.
Y hay dos tipos de cuantización: adaptativa hacia adelante (off-line o forward-adaptive),
donde la salida de la fuente se divide en bloques de datos, analizando posteriormente cada uno para
modificar los parámetros del cuantizador antes de cuantizar el bloque, y finalmente, los nuevos
parámetros del cuantizador se transmiten al receptor; y la cuantización adaptativa hacia atrás (on-
line o backward-adaptive), donde los parámetros del cuantizador se modifican en función de las
características de los últimos datos ya cuantizados.

Cuantización no uniforme
Este tipo de cuantizadores tienen su utilizada cuando las mayores probabilidades se den en
torno al origen, y una manera de disminuir la distorsión es aproximar mejor la entrada en las zonas
de mayor probabilidad. Esto se logra (sin aumentar el número de intervalos) utilizando intervalos
más pequeños en las zonas de alta probabilidad.

FIG. 4.4 PROBABILIDADES MAYORES CERCANAS AL ORIGEN 

Este tipo de cuantizadores están formados por:

• Compresor: El cual se encarga de amplificar el nivel de las muestras que caen en regiones
de alta probabilidad y reducir el nivel de las que caen en zonas de baja probabilidad.
• Cuantizador uniforme: Una vez que se soluciona el problema de las zonas de probabilidad,
el sistema se puede manejar con un cuantizador uniforme.
• Descompresor (expander): El cual, como su nombre lo indica, implementa la función
inversa del compresor.
 

47 
 
 Capítulo 4. Cuantización Vectorial  
 

Cuantización Vectorial
El último tipo de cuantización es la cuantización vectorial. A partir de este momento, el
presente trabajo estará enfocado únicamente a describir los fundamentos y características de este
tipo de cuantización, así como los métodos que existen para su implementación, y las posibles
optimizaciones que se le puedan agregar.
La cuantización vectorial es un tipo de cuantización que trabaja en bloques de datos, en
lugar de datos aislados, y dichos bloques pueden ser representados por vectores, de ahí el nombre.
La ventaja de trabajar sobre bloques de datos radica en que es más fácil lograr una buena
compresión sin tener tantas pérdidas, y por lo tanto, se puede lograr que la longitud de palabra sea
menor para una distorsión dada, o una menor distorsión para una longitud de palabra dada.
A continuación se presenta la definición matemática de la cuantización vectorial:

K
Un cuantizador vectorial de dimensión K y tamaño N es un mapeo del espacio ,
… a un conjunto con N elementos ,…, donde yi pertenece al conjunto de
los números reales. Asociado a cada se tienen regiones Ri tales que:
; (4.2)

Las cuales cumplen con las siguientes condiciones:

1. ,       ,      , 1, … ,
2.

Construcción de un cuantizador vectorial:

La creación de un cuantizador vectorial cuenta de tres pasos específicos, los cuales son:
crear un codebook (o libro de palabras o diccionario), un codificador y finalmente el decodificador.

1. Codebook: Se genera con la finalidad de poseer todos los vectores que van a representar la
información transmitida y este se genera únicamente al inicio del diseño, por lo que en general,
no se modifica su contenido, pero eso depende de la aplicación. Para su construcción existen
diversos algoritmos, siendo el algoritmo LGB de los más usados, el cual se basa en división
binaria de códigos (más adelante se explicarán las características y funcionamiento de este
procedimiento).
Algunos otros métodos para crear el codebook inicial son los siguientes:

48 
 
 Capítulo 4. Cuantización Vectorial  
 

Random Coding: Proceso mediante el cual se elige aleatoriamente N vectores de la secuencia

de entrenamiento.

Algoritmo de Pruning: Es un algoritmo poco costoso que se adecua a la estadística de la

secuencia de entrenamiento en donde los vectores del codebook hallado pertenecen a la
secuencia de entrenamiento y todos los vectores de la secuencia de entrenamiento distan menos
de un cierto umbral al codebook hallado.

Clustering: Este proceso se inicia con todos los vectores de la secuencia de entrenamiento
como codevectors, se agrupan de a dos y son sustituidos por su centroide. Aquí, los vectores
del codebook no son generalmente elementos de la secuencia de entrenamiento, pero son muy
pesados computacionalmente.

Splitting: Aquí se comienza con el centroide de la secuencia de entrenamiento como único

integrante del codebook. Luego se divide en dos codevectors perturbándolo; y se aplica la
iteración de Lloyd. Se repite este procedimiento hasta llegar al tamaño de codebook buscado.
Este procedimiento es muy utilizado en el algoritmo LGB.

2. Codificación: Este es el proceso que carga con la mayor dificultad, ya que se encarga de
realizar una búsqueda para poder asociar un vector del diccionario creado con anterioridad, el
cual debe ser lo más cercano posible y que sea capaz de representar al vector de entrada.
Es decir, el proceso consiste en tomar un vector X que corresponda a la entrada y
compararlo con el contenido del diccionario, y de esta forma saber con cual de ellos se tiene la
menor distorsión posible (es decir, la menor distancia). Una vez localizado se marca su
posición mediante los índices i y manda esta información al decodificador.
A continuación se presenta el funcionamiento general de la cuantización vectorial:

El primer paso consiste en agrupar los datos que provienen de la fuente en bloques, o
vectores. El codificador y el decodificador contienen un conjunto de vectores L-dimensionales
llamado codebook (libro de códigos, o simplemente, diccionario). Los vectores de este
‘diccionario’ se llaman ‘vectores de código’ y se seleccionan de tal manera que sean una
representación de las muestras emitidas.

49 
 
 Capítulo 4. Cuantización Vectorial  
 

   FUENTE     CODIFICADOR                                         DECODIFICADOR 
            DESTINO 
 
 
   BLOQUE                   BÚSQUEDA             TABLA       BLOQUE 
       DE                         DEL VECTOR                               DE                             DE 
VECTORES                MÁS CERCANO          BÚSQUEDA                    VECTORES 

DICCIONARIO                         DICCIONARIO 
                   
                   
                   
                   
                   
                   
 
FIG. 4.5 CUANTIZACIÓN VECTORIAL 

El diccionario asigna índices a cada vector código, y el codificador busca el vector código
más cercano al vector de entrada. Después se transmite el índice de este vector código y el
decodificador genera el mismo vector código, produciendo como salida la secuencia de
componentes del vector código.
Por ejemplo, si el tamaño del diccionario es K y los vectores poseen una dimensión L, el
índice requiere log2 (K) bits y cada vector contiene valores para reconstruir L muestras
consecutivas de señal. Por tanto, la longitud media esta dada por:

(4.3)

3. Decodificación: Este proceso se encarga de identificar la posición del vector en el diccionario,

entregando los datos que posee dicho vector, con lo que finalmente se recupera la información.

4.2 EL ALGORITMO LLOYD MAX GENERALIZADO

El algoritmo de Lloyd está basado en iteraciones optimizadas en el codificador y decodificador. El

algoritmo de Lloyd es un proceso que se encarga de discretizar o crear particiones de un cierto
espacio. Esto se realiza mediante la generación de zonas de ‘Voronoi’ definidas mediante una
medida de distancia y un conjunto de ejemplos representativos o prototipos.

50 
 
 Capítulo 4. Cuantización Vectorial  
 

El objetivo de este algoritmo es generar el conjunto de prototipos que minimice una

determinada medida de distorsión o error.
Después de terminar con cada una de las iteraciones se calcula el valor de la distorsión entre
el codificador y el canal de transmisión. Esta distorsión está dada por:
1
(4.4)

donde DX(U) representa la distorsión cuando se transmite un vector de entrada U sobre el canal.

4.2.1 CONCEPTOS

El algoritmo de Lloyd generalizado, o también conocido como algoritmo de k-medias, consiste en el

siguiente proceso:
• Se tiene un alfabeto inicial C1. Se tiene que m=1.
• Dado el alfabeto Cm, se realiza la iteración de Lloyd para obtener un nuevo alfabeto Cm+1.
• Después es necesario calcular la distorsión de este nuevo alfabeto mediante la siguiente
expresión:

1 (4.5)
, ,                      

• Finalmente, si se nota que la variación del valor de la nueva distorsión disminuyó en un

valor muy pequeño, se dejan de realizar las iteraciones, pero si el cambio es mayor, se debe
de modificar el valor de m por m+1 y se debe repetir nuevamente todo el proceso.

Iteración de Lloyd
Pero, ¿qué es una iteración de Lloyd? Para poder llevar a cabo el logaritmo de Lloyd, y así
poder encontrar los valores de cuantización que general la menor distorsión posible, se deben
realizar mediciones cíclicas que son conocidas como Iteración de Lloyd. Estas siguen el siguiente
método.

• Dado un alfabeto ; 1, … , , dividir el conjunto de entrada T en regiones Ri

mediante la siguiente condición:

51 
 
 Capítulo 4. Cuantización Vectorial  
 

: , ,    
(4.6)

• Después de que se tengan las regiones necesarias, se calculan los centroides de dichas
regiones para recalcular el alfabeto. Y finalmente hacer Cm+1={cent(Ri)}.

NOTA: Sin embargo, si al realizar este proceso se genera una celda vacía, se debe asignar un
vector alternativo para dicha celda:
1
(4.7)
   

Regiones de Voronoi
Las regiones de Voronoi son un método de interpolación, basado en la distancia
euclidiana. Se crean al unir los puntos entre sí, trazando las mediatrices de los segmento de unión.
Las intersecciones de estas mediatrices determinan una serie de regiones en un espacio
bidimensional alrededor de un conjunto de puntos de control1.
Un diagrama de Voronoi es una estructura geométrica que representa información de
proximidad acerca de un conjunto de puntos u objetos es decir, el diagrama de Voronoi de un
conjunto de objetos geométricos es una partición del espacio en celdas cada una de la cuales
contiene una colindancia con sus puntos más cercanos.

X2 

X1 

FIG. 4.6 REGIONES DE VORONOI 

                                                            
1
Las regiones de Voronoi permiten conocer de forma gráfica las zonas que comprenden a cada uno de los
centroides generados.

52 
 
 Capítulo 4. Cuantización Vectorial  
 

Si se tiene un codificador cualquiera, es posible disminuir el valor de la distorsión si a cada

uno de los vectores que se desean representar se les asigna un centroide. Es decir, el centroide es un
punto promedio que se localiza en las regiones de Voronoi, por lo tanto, la existencia de estas
regiones permite una compresión más efectiva ya que el diccionario se localiza tanto en el
codificador como en el decodificador, permitiendo de esta forma enviar una cantidad menos de
vectores que estén asociados a las palabras código de cada codebook.

Construcción del diagrama de Voronoi

Para construir óptimamente el diagrama de Voronoi de un conjunto de puntos S, se aplica
el algoritmo conocido como divide y vencerás. Las regiones se denotan por Vor(S) y el
procedimiento es el siguiente:
1. Particionar el conjunto S en dos subconjuntos S1 y S2, de igual tamaño aproximadamente,
usando la media de la coordenada x,
2. Construir Vor(S1) y Vor(S2) recursivamente,
3. Finalmente, se repiten estos pasos hasta que se tengan las regiones que se desean o de
acuerdo a la utilidad que se les desee dar, en el caso de la cuantización vectorial, el número
de regiones depende del valor de la distorsión generada.

4.2.2 EL PRINCIPIO DEL VECINO MÁS CERCANO

Este principio se utiliza en el caso de querer codificar una serie de datos mediante palabras códigos
que resulten en la menor distorsión posible.
Si se tienen varios vectores que se deseen codificar dentro de una región Ri específica, el
principio del vecino más cercano se encargará de determinar en cuál de esas regiones debe
colocarse el vector en cuestión basándose principalmente en la distorsión producida, es decir, en la
distancia a dicha región, ya que a mayor distancia entre el vector y la región, la distorsión
aumentará, y de igual forma, disminuirá si la distancia se reduce.

53 
 
 Capítulo 4. Cuantización Vectorial  
 

P1                                                           P2
 
 
 
P3                                                           P4 

FIG. 4.7 PRINCIPIO DEL VECINO MÁS CERCANO 
 

Para reducir la distancia es necesario minimizar el valor de DX(u) para todas las u dadas.
Este principio ayuda a encontrar las regiones de codificación denotadas por ΘX:

               (4.8)

es decir:
(4.9)
| ℓ ;  ℓ

donde U representa los vectores de entrada en el canal, y Dx(U) denota la distorsión cuando las
entradas U pasan a través del canal.

Generalización:
Debido a que en muchos casos es posible considerar a la distorsión incluyendo el concepto
del error medio cuadrático como:
1
(4.10)

Con la medida del error medio cuadrático, la formulación del vecino más cercano se da de
la siguiente manera:
               (4.11)

Por lo que reformulando esta ecuación:

ℓ ℓ ;  ℓ (4.12)

54 
 
 Capítulo 4. Cuantización Vectorial  
 

4.2.3 EL PRINCIPIO DEL CENTROIDE

Estado en donde las representaciones de las salidas para las regiones dadas tienen la característica
de minimizar la distorsión total.
Si se desea codificar una cierta cantidad de vectores en las regiones Ri dadas, el principio
del centroide se encarga de calcular el promedio de los vectores contenidos dentro de una sola
región, con la finalidad de encontrar un punto (o vector) con el cual se pueda disminuir la distorsión
de toda la región con respecto al vector de entrada

A 

C 
B
FIG. 4.8 PRINCIPIO DEL CENTROIDE 

Para una salida y, el decodificador de la salida V*y que optimice la distorsión es:
(4.13)

Generalización:
Conociendo la derivada de D con respecto a Vy, el valor de decodificación para cada una de
las salidas se encuentra para ser la expresión matemática de la entrada sabiendo que la salida ha
sido observada. La función de decodificación es la siguiente:

1
|

1
|
0

2 (4.14)
| 0

55 
 
 Capítulo 4. Cuantización Vectorial  
 

|
(4.15)

Esta ecuación explica que el valor óptimo para cada uno de los centroides y es el promedio
de todas las entradas sabiendo que el código recibido es y.

4.3 ESQUEMA DE DISEÑO LGB

La cuantización de vector fuente en un canal sin ruido fue propuesta en enero de 1980, y es
conocida como LGB por las iniciales de las tres personas que la inventaron: Linde Yoseph, Buzo
Andrés y Gray Robert.
Este algoritmo tiene como finalidad de este algoritmo es generar un buen codebook, o
diccionario disminuyendo el valor de la distorsión, y es similar al algoritmo de k-medias. Este
principio de cuantización es una variable del algoritmo de Lloyd y está basado en los principios
mencionados anteriormente, el principio del vecino más cercano y el principio del centroide.
Además puede inicializarse tanto en el codificador como en el decodificador. Las
iteraciones que se van realizando se detienen cuando el proceso empieza a converger a estos
principios. Y el sub-espacio que es codificado con y es llamado, regiones de Voronoi o células
|        
(4.16)

y la reconstrucción para las salidas de las regiones de Voronoi son llamadas centroides, vy.

En forma muy general, en cada una de las iteraciones realizadas, cada uno de los vectores es
dividido en otros dos nuevos mediante el siguiente proceso:
• Primero se tiene un estado inicial x(0), es decir, un centroide de la secuencia de
entrenamiento;
• Después de la primera estimación se genera un diccionario de dimensión dos y una
estimación final después de aplicar el algoritmo de Lloyd, es decir, se genera un diccionario
óptimo de dos vectores. Este proceso se lleva a cabo mediante splitting;
• Finalmente, se vuelve a repetir el proceso para ir generando cada un diccionario óptimo que
contenga una mayor cantidad de vectores.

56 
 
 Capítulo 4. Cuantización Vectorial  
 

Usando este algortimos mediante una secuencia de entrenamiento, se inicia con un solo
nivel de cuantización que consiste en el centroide de la secuencia de entrenamiento, a partir de
donde estos vectores son divididos en otros dos nuevos vectores generando de esta manera un
cuantizador de dos niveles de cuantización. Finalmente se realiza el mismo procedimiento para cada
uno de estos vectores generando un cuantizador de cuatro niveles, y así sucesivamente, por lo que
los niveles se dan en el siguiente orden: 1, 2, 4, 8, … , N niveles. A continuación se presenta un
diagrama que representa la metodología de este algoritmo:

0                                                              1 

00     01                                                  10     11 

00                            01                            10                              11 

FIG. 4.9 DESCRIPCIÓN DEL ALGORITMO LGB 

Como se mencionó con anterioridad, el algoritmo LGB está basado en los principios del
vecino más cercano y del centroide, por lo que para este algoritmo se definen las siguientes
ecuaciones:
Para el vecino más cercano se tiene:
| ℓ ;  ℓ (4.17)

Y para el centroide:
(4.18)

Como se puede observar, las expresiones obtenidas para el vecino más cercano y para los
centroides son muy similares a las obtenidas en LGB que en algoritmo de Lloyd-Max, pero con
notación de vector.

57 
 
 Capítulo 4. Cuantización Vectorial  
 

4.4 ESQUEMAS COSQ Y COVQ

Esquema COSQ
El esquema de canal optimizado por cuantización escalar o COSQ por sus siglas en inglés
(channel optimized scalar quantization) fue propuesto ya que se tenía la necesidad de disminuir el
valor de la distorsión debida al canal y considerando que se usa una fuente escalar.
Este esquema fue propuesto por Farvardin y Vaishampayan, quienes lograron las
condiciones necesarias para una cuantización óptima escalar.
Las expresiones para el vecino más cercano y centroide son similares a las utilizadas en el
algoritmo de Lloyd-Max, pero reaparecen los términos de expectativas en notación escalar como se
muestra a continuación:

ℓ ;  ℓ (4.19)
(4.20)
|

Esquema COVQ
El esquema de canal optimizado por cuantización vectorial o COVQ por sus siglas en inglés
(channel optimized vector quantization) es considerada como una generalización de trabajos en k-
dimensiones, o también como una versión del algoritmo LGB descrito anteriormente, pero en un
ambiente con ruido. Este esquema es capaz de minimizar la distorsión tomando en cuenta los
errores de cuantización y los errores debidos a las perturbaciones del canal.
En COVQ, la fuente es cualquier vector con muestras de amplitud continua con o sin
memoria. Y sus expresiones generales para el vecino más cercano y el centroide son las siguientes,
las cuales manejan notación de vector, e incluyen los efectos del ruido:

ℓ ;  ℓ (4.21)
(4.22)
|

La metodología que utiliza este tipo de cuantización es muy similar a la menciona en el

algoritmo LGB, y esto se debe a como se mencionó, es una versión en un ambiente con ruido. Este
algoritmo también se basa en el splitting, pero de una forma algo diferente, ya que ahora el proceso
se realiza en dos dimensiones. En el siguiente diagrama se muestra el proceso que se realiza en este
tipo de cuantización:

58 
 
 Capítulo 4. Cuantización Vectorial  
 

FIG. 4.10 DESCRIPCIÓN DEL ALGORITMO COVQ 

Como se observa en la figura 4.10, el proceso de cuantización vectorial tiene como

finalidad establecer ‘regiones de voronoi’ a lo largo de todo el plano. Cada una de estas regiones
está representada por un punto central llamado centroide el cual es el promedio de todos los puntos
que abarca dicha zona. Con este procedimiento, todos los puntos muestrales que caigan dentro de
esa región serán representados por ese valor de centroide y así se estará disminuyendo de forma
drástica el número de elementos que se envían en la transmisión.
Por tal motivo, este algoritmo de cuantización también está basado en los principios del
centroide y del vecino más cercano.

4.5 ESQUEMA COMPARATIVO

Como se observó en las ecuaciones para el vecino más cercano y el centroide de los anteriores tres
esquemas de diseño, LGB, COSQ y COVQ, es posible darse cuenta de que estas son muy similares,
sin embargo la diferencia entre COSQ y COVQ radica en que el primer método es una
representación escalar de una fuente, mientras que en el caso de COVQ, se tienen las mismas
ecuaciones pero para el caso de una fuente de tipo vectorial.
Por otro lado, cabe mencionar que tanto los esquemas LGB como COVQ hacen referencia a
una fuente vectorial, así que, ¿cuál es la diferencia entre estos esquemas?
La respuesta es la siguiente y basándonos en las siguientes ecuaciones correspondientes a
los dos principios que hemos estado tratando, pero en su forma general (omitiendo por el momento
el concepto de error medio cuadrático) tenemos que para el vecino más cercano,

59 
 
 Capítulo 4. Cuantización Vectorial  
 

| ℓ ;  ℓ ,                    1, … , (4.23)

y para el centroide,

∑ |  
,             1, … , (4.24)
∑ |

Y a partir de este par de ecuaciones correspondientes al esquema COVQ es posible generar

las ecuaciones formuladas para LGB, asumiendo que el canal por el que se transmite es libre de
ruido, es decir, haciendo p=0. Por lo tanto se puede decir que LGB únicamente es un caso especial
del esquema COVQ.
Por el momento solo es posible conocer las diferencias entre estos tres esquemas
basándonos únicamente en sus expresiones matemáticas y mediante sus características principales,
por lo que no es fácil decidir cual de ellos resultan ser más adecuados.
Sin embargo, en el siguiente capítulo se abordarán más a fondo las diferencias entre los
diferentes esquemas de diseño del codebook basándose en los esquemas vistos y mediante la
realización de simulaciones que permitirán observar detalladamente como se realizan dichos
procesos y con esto, llegar a una conclusión que defina que método es el más conveniente
basándonos en el valor dela distorsión generada y la longitud de palabra.

60 
 
 Capítulo 4. Cuantización Vectorial  
 

61