第10章_图像编码_有损编码.ppt

源数据编码与解码的模型 源数据编码的模型 源数据解码的模型 量化器基本思想： 减少数据量的最简单的办法是将图像量化成较少的灰度级，通过减少图像的灰度级来实现 这种量化是不可逆的，因而解码时图像有损失 有损预测的基本思想 对无损预测压缩的误差进行量化，通过消除视觉心理冗余，达到对图像进一步压缩的目的。 算法的演变 a) 无损预测压缩的基础是： 原图像值fn与预测值^fn之间的误差en。有公式： en = fn – ^fn 解码与编码使用相同的预测器。 编码 en = fn – ^fn 解码 fn = en + ^fn b) 有损预测的演变： 将en量化： ên = Q(en); 用?fn = ên + ^fn近似fn ； 编码： ên = Q( fn - ^fn)； 解码： ?fn = ên + ^fn； 有损预测编码 ên = Q( fn - ^fn) 有损预测解码 ?fn = ên + ^fn 有损预测编码 上述方案的压缩编码中，预测器的输入是fn，而解压缩中的预测器的输入是?fn ，要使用相同的预测器，编码方案要进行修改。 修改后的有损预测编码 ên = Q( fn - ^fn) DM(Delta modulation)有损预测编码 量化器和预测器的定义： 量化器 +? en 0 ?是一个正常数 -? 其它 ?en用1位编码 预测器 ^fn = ? ?fn-1 ?一般是一个小于1的预测系数 举例：? = 1，? = 6.5 计算： n= 0，f0 = f0 = 14， n=1，^f1 = (1)(14) = 14, e1 = 15 – 14 = 1, ‘e1 = +6.5 (因为e1 0)， ‘f1 = 6.5 + 14 = 20.5， （重构结果） f1- ‘f1 = (15 – 20.5) = –5.5（重构误差） 算法分析 在n=14到19变化快的区域，?太小以至不能表示输入的最大的变化，发生一个被称为溢出过载的失真。 在n= 0到7相对平滑的区域，?太大以至不能表示输入的最小变化，出现了粒状噪声。 在大多数图像中，这两种现象导致对象边缘的钝化和平滑区域表面粒状的失真。 最优预测器与最优量化器的选择 使均方预测误差： 最小的预测器和量化器，被称为最优预测器和最优量化器。 变换编码的基本思想 （1）用一个可逆的、线性的变换（如傅立叶变换），把图像映射到变换系数集合; （2）然后对该系数集合进行量化和编码; （3）对于大多数自然图像，重要系数的数量是比较少的。 变换编码的基本思想——举例 原始图像 相应的DCT系数 实现变换压缩算法的主要问题 变换的选择 子图尺寸的选择 变换的选择 1）Karhunen-Loeve变换(KLT) 2）离散傅立叶变换（DFT） 3）离散余弦变换（DCT） 4）Walsh-Hadamard变换（WHT） 5）小波变换 子图尺寸的选择 子图尺寸的选择有三个原则： 1) 如果n是子图的维数，n应该是2的整数次方。 2) n一般选为8x8或16x16。 3) 随着n的增加，块效应相应减少。 * 第十章 图像编码 10.3 有损压缩编码 有损压缩引言 有损压缩是通过牺牲图像的准确率来达到加大压缩率的目的，如果我们容忍解压缩后的结果中有一定的误差，那么压缩率可以显著提高。 有损压缩方法在图像压缩比大于30：1时仍然能够重构图像，而如果压缩比为10:1到20:1，则重构的图像与原图几乎没有差别。 无损压缩的压缩比很少有能超过3：1的。这两种压缩方法的根本差别在于有没有量化模块。 符号 解码器 反向 映射器 映射器 量化器 符号 编码器 如果输入是265 个灰度级，对灰 度级量化后输出，只剩下4个层次， 数据量被大大减少。 s t s1 s2 s3 t1 t2 t3 10.3.1 有损预测编码 +? - 符号 编码 预测器 最接近 的整数 压缩图像 输入图像 en fn ?fn m ?fn(x,y) = round[??if(x, y-i)] ?i=1/m i=1 +? + 符号 解码 预测器 解压缩图像 压缩图像 en fn ? fn +? - 符号 编码 预测器 压缩图像 输入图像 en fn ? fn 量化器 ên +? + 符号 解