【数字图像处理课件】有损压缩.pptVIP

第三节 有损压缩 4.3.1 有损压缩引言 4.3.2 有损预测编码 4.3.2.1 最优预测器 4.3.2.2 最优量化器 4.3.3 变换编码 4.3.1 有损压缩：引言 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 有损压缩方法的压缩比： 在图像压缩比大于30:1时，仍然能够重构图像 在图像压缩比为10:1到20:1时，重构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 4.3.1 有损压缩：引言 源数据编码与解码的模型（复习） 源数据编码的模型 源数据解码的模型 4.3.1 有损压缩：引言 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图像的压缩 这种量化是不可逆的，因而解码时图像有损失 4.3.1 有损压缩：引言 量化器的定义 阶梯形量化函数t = q(s)，是一个s的奇函数（即q(-s) = -q(s)），它可以通过L/2、si和ti来完全描述，从而定义了一个量化器。 si 被称为量化器的决策级（阈值）； ti 被称为量化器的重构级（代表级）。 L是量化器的级数。 由于习惯的原因，si被认为是映射到ti，如果它在半开区间(si,si+1]。 4.3.1 有损压缩：引言 量化器的定义 4.3.2 有损压缩:有损预测编码 有损预测编码的基本思想 DM有损预测编码 最优预测器与最优量化器的选择 最优预测器 马尔可夫Markov预测器 最优量化器 Lloyd-Max量化器 4.3.2 有损压缩:有损预测编码 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 4.3.2 有损压缩:有损预测编码 ^ 编码 en = fn – fn 4.3.2 有损压缩:有损预测编码 ^ 编码 fn = en + fn 4.3.2 有损压缩:有损预测编码 算法的演变 b) 有损预测编码的演变——引入量化： 将en量化： ên = Q(en); 用 ^ ?fn = ên + fn 近似fn fn ? ?fn ^ 编码： ên = Q( fn - fn) ^ 解码： ?fn = ên + fn 4.3.2 有损压缩:有损预测编码 ^ 有损预测编码 ên = Q( fn - fn) 4.3.2 有损压缩:有损预测编码 ^ 有损预测解码 ?fn = ên + fn 4.3.2 有损压缩:有损预测编码 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。 4.3.2 有损压缩:有损预测编码 修改后的有损预测编码 ^ ên = Q( fn - fn) 4.3.2 有损压缩:有损预测编码 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 4.3.2 有损压缩:有损预测编码 DM(Delta modulation)有损预测编码 量化器 设： ? = 6.5 4.3.2 有损压缩:有损预测编码 DM(Delta modulation)有损预测编码 举例：? = 1，? = 6.5 计算：两个像素 f0 =14、f1 =15 n= 0 ^f0 = f0 = 14， n=1，^f1 = ? f0 =(1)(14) = 14 （预测结果） 编码 e1 = 15 – 14 = 1 （预测误差） ‘e1 = +6.5 (因为e1 0 ) （量化误差） 解码 ‘f1 = ‘e1+^f1 = 6.5+14 = 20.5 （重构结果） f1- ‘f1 = (15 – 2