编辑“︁Lossless JPEG”︁（章节）

====前文建模（Context modeling）====

JEPG-LS的演算法估計了預測誤差（prediction errors）的條件期望值<math>E\left\{\ e|Ctx \right\}</math>，前文建模（Context modeling）的目的是要利用圖片中結構相似的部分來對預測誤差做編碼，前文（Context）是由已知的鄰近樣本的差異決定，可以用坡度（gradient）來表示：

<math>
\begin{array}{lcl}
g_1        & = & D-B \\
g_2        & = & B-C \\
g_3        & = & C-A 
\end{array}
</math>

坡度反映了周圍樣本的平滑度（smoothness）及銳利度（edginess）等資訊，這些差異對預測誤差以及統計特性有相當大的影響，從上面的式子中找出的差值都會量化，以JPEG-LS來說，差值會量化成9個不同區域，分別以-4~4代表，量化的目的是要使目前樣本的值與前文（Context）的互信息（Mutual Information）最大化，我們可以從以下的假設獲得前文：

<math>P(e|Ctx=[q_1,q_2,q_3])=P(-e|Ctx=[-q_1,-q_2,-q_3])</math>

在合併了正號與負號之後，可以得到前文有365個，在LOCO-I演算法是一個改進後的演算法，加法和減法的次數已經減少很多，division-free bias的計算過程可以從[]得到論證，可以透過這些反饋機制減少預測的偏差，進而得到較為精確的預測