数据压缩第六周作业——DPCM预测编码

已于 2022-07-15 22:47:10 修改
阅读量1k 收藏 7
点赞数 1
分类专栏： 数据压缩 文章标签： p2p 网络
于 2022-07-05 23:33:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Adore11/article/details/124651546
版权

目录

        实验要求

        实验原理

        实验内容

        实验步骤

        实验代码

1、将bmp文件转换为yuv文件（使用之前做的bmptoyuv代码）

2、新建项目，设置命令行参数

3、main函数

4、定义DPCM函数

5、PSNR峰值信噪比函数

总结

补充实验

Final总结

实验要求

1、掌握DPCM编解码系统的基本原理。

2、初步掌握实验用C/C++/Python等语言编程实现DPCM编码器，并分析其压缩效率。

实验原理

        DPCM（差分预测编码）：利用信源相邻符号之间的相关性。早在电视原理和通信原理课上我们便已经接触了DPCM算法。在电视原理在传输视频数据时，经常将预测编码运用到帧内预测和帧间预测，由于视频两帧之间有大量相同内容，利用预测编码，先传输第一个采样点数值，再传输相邻采样点之间的差值，每次传输直接传输差值，第二个采样点=第一个采样点+差值...以此类推。由于视频之间相同内容较多，差值较小，每次传输时可用小比特表示图像，降低了对传输带宽的要求；在通信原理中，在对模拟信号进行编码传输时，也用到了DPCM算法。

（本质：建立一个新信源，将原始信源变为预测误差的信源）

        简单总结DPCM算法思想为：根据模型利用以往的样本值对新样本进行预测，每次传输时，只需要传输预测值和实际值之间的差值。

DPCM算法逻辑图：（重点观察两个地方：上半部分量化、下半部分预测）

         DPCM算法重点在于理解负反馈过程。注意这里的意思：

实验内容

在本次实验中，我们采用固定预测器和均匀量化器。

预测器采用左侧、上方预测均可，量化器采用8比特均匀量化，还可对预测误差进行1比特、2比特和4比特的量化设计（提高要求）。

本实验的目标是验证DPCM编码的编码效率。在DPCM编码器实现的过程中可同时输出预测误差图像和重建图像。将预测误差图像写入文件并将该文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。将原始图像文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。

最后比较两种系统（1.DPCM+熵编码和2.仅进行熵编码）之间的编码效率（压缩比和图像质量）。压缩质量以PSNR进行计算。

实验步骤

1.输入图片（提前将bmp文件转换为yuv文件）

2.根据给定的量化比特数进行量化和预测

3.输出预测误差图像和重建图像

4.将预测误差图像写入文件并将该文件输入Huffman编码器

5.根据输出码流画概率分布图、计算压缩比

4.度量失真程度（计算PSNR峰值信噪比）

5.对原始图像和预测误差图像进行Huffman编码

实验代码

1、将bmp文件转换为yuv文件（使用之前做的bmptoyuv代码）

以Birds.bmp为例，arg[1]表示输入，arg[2]表示输出，1表示读写次数1次，输入rgb文件，输出yuv文件

2、新建项目，设置命令行参数

arg[1]表示输入原图，arg[2]表示预测误差，arg[3]表示重建图，arg[4]表示原图概率分布，arg[5]表示残差概率分布 

3、main函数

int main(int argc, char* argv[])
{
	//初始化
	int height = 768;
	int width = 512;
	int bit = 8;

	FILE* yuvname = NULL;
	FILE* e_name = NULL;
	FILE* rebuid_name = NULL;
	FILE* freq_yuv = NULL;
	FILE* freq_e = NULL;


	//定义缓冲区
	unsigned char* predict_buffer;
	unsigned char* y_buffer;
	unsigned char* u_buffer;
	unsigned char* v_buffer;
	unsigned char* rebuid_buffer;

	y_buffer = (unsigned char*)malloc(width * height);
	u_buffer = (unsigned char*)malloc(width * height / 4);
	v_buffer = (unsigned char*)malloc(width * height / 4);
	rebuid_buffer = (unsigned char*)malloc(width * height);
	predict_buffer = (unsigned char*)malloc(width * height);

	//打开文件
	fopen_s(&yuvname, argv[1], "rb");
	fopen_s(&e_name, argv[2], "wb");
	fopen_s(&rebuid_name, argv[3], "wb");
	fopen_s(&freq_yuv, argv[4], "wb");
	fopen_s(&freq_e, argv[5], "wb");

	if (yuvname == NULL || e_name == NULL || rebuid_name == NULL)
	{
		cout << "Open Error！" << endl;
		return 0;
	}

	//读取文件
	fread(y_buffer, 1, width * height, yuvname);
	fread(u_buffer, 1, (width * height) / 4, yuvname);
	fread(v_buffer, 1, (width * height) / 4, yuvname);

	//预测差分编码
	DPCM(y_buffer, predict_buffer, rebuid_buffer, width, height, bit);

	//计算PSNR
	PSNR(y_buffer, rebuid_buffer, height, width, bit);

	//计算概率分布
	int size = height * width;
	int count[256] = { 0 };
	int pro_y[256] = { 0 };
	int pro_e[256] = { 0 };

		for (int i = 0; i < size; i++) {
		int color = *(y_buffer + i);// (int_buf + i)点的灰度值
		count[color]++;
	}
	for (int j = 0; j < 256; j++)//灰度概率
	{
		pro_y[j] = (double(count[j]) / size);//原图的概率分布
	}
	for (int i = 0; i < size; i++) {
		int color = *(predict_buffer + i);// (int_buf + i)点的灰度值
		count[color]++;
	}
	for (int j = 0; j < 256; j++)//灰度概率
	{
		pro_e[j] = (double(count[j]) / size);//预测误差的概率分布
	}
	//写预测误差文件
	fwrite(predict_buffer, 1, width * height, e_name);
	fwrite(u_buffer, 1, (width * height) / 4, e_name);
	fwrite(v_buffer, 1, (width * height) / 4, e_name);

	//写预重建图像文件
	fwrite(rebuid_buffer, 1, width * height, rebuid_name);
	fwrite(u_buffer, 1, (width * height) / 4, rebuid_name);
	fwrite(v_buffer, 1, (width * height) / 4, rebuid_name);

	//写概率分布
	for (int i = 0; i < 256; i++) {
		fprintf(freq_yuv, "%f\n", pro_y[i]);
		fprintf(freq_e, "%f\n", pro_e[i]);
	}
	free(y_buffer);
	free(u_buffer);
	free(v_buffer);
	free(predict_buffer);
	free(rebuid_buffer);

	fclose(yuvname);
	fclose(e_name);
	fclose(rebuid_name);

	return 0;
}

4、定义DPCM函数：

采用左向预测

原始值取值范围（0，255），减去预测值（0，255），预测误差的范围为（-255，255），为保证传入的误差值为正，（预测误差+255），范围为（0，510）-->所需要的bit数为9bit。如果之后想要用4bit、16bit量化可以按照

int Quality(int error, int bit) {///量化
	return (error + 255) / pow(2, (9 - bit));//这里pow就是2的(9-bit)次方
}
int FanQuality(int bit, unsigned char rebuid_buffer) {反量化
	return rebuid_buffer *pow(2,(9-bit))-255;
}
void DPCM(unsigned char* y_buffer, unsigned char* predict_buffer, unsigned char* rebuid_buffer, int width, int height, int bit)
{
	int error;

	for (int i = 0; i < height; i++) {///行
		for (int j = 0; j < width; j++) {列
			if (j == 0) {    //第一列以128进行预测
				error = (y_buffer[i * width + j]) - 128;     //误差值
				predict_buffer[i * width + j] = Quality(bit, error);     //量化误差值

				rebuid_buffer[i * width + j] = FanQuality(bit, predict_buffer[i * width + j]) + 128;    //重建值（反量化之后）
			}
			else {   //其他列都以前一列进行预测
				error = (y_buffer[i * width + j]) - rebuid_buffer[i * width + j - 1];    //误差值，左侧-右侧
				predict_buffer[i * width + j] = Quality(bit, error);    //量化误差值
				rebuid_buffer[i * width + j] = FanQuality(bit, predict_buffer[i * width + j]) + rebuid_buffer[i * width + j - 1];    //重建值
			}
		}
	}
}

5、PSNR峰值信噪比函数

在客观评价图像质量时，我们经常会遇到峰值信噪比PSNR，计算PSNR需要提前计算MSE，这里给出下面两个的公式：

PS:这里的MAX为图像的灰度级，一般等于255。

double PSNR(unsigned char* y_buffer, unsigned char* rebuid_buffer, int height, int width, int dep) {
	double max = 255;
	double mse = 0;
	double psnr=0;

	for (int i = 0; i < height; i++)
		for (int j = 0; j < width; j++) {
			mse += (y_buffer[i * width + j] - rebuid_buffer[i * width + j]) * (y_buffer[i * width + j] - rebuid_buffer[i * width + j]);
		}
	mse = mse / (double)(width * height);
	psnr = 10 * log10((double)(max * max) / mse);
	return psnr;
}

得到PSNR结果：

量化比特数PSNR(客观评价）预测误差图像重建图像（主观评价）概率分布
8bit51.1408
4bit23.0487
2bit9.91007
1bit9.73155

 原图的概率分布计算：

#include<iostream>
#include<math.h>

using namespace std;

int main(int argc, char* argv[])
{
	//初始化
	int height = 768;
	int width = 512;
	int bit = 1;

	FILE* yuvname = NULL;
	FILE* out = NULL;


	//定义缓冲区
	unsigned char* y_buffer;
	unsigned char* u_buffer;
	unsigned char* v_buffer;

	y_buffer = (unsigned char*)malloc(width * height);
	u_buffer = (unsigned char*)malloc(width * height / 4);
	v_buffer = (unsigned char*)malloc(width * height / 4);

	//打开文件
	fopen_s(&yuvname, argv[1], "rb");
	fopen_s(&out, argv[4], "rb");

	if (yuvname == NULL )
	{
		cout << "Open Error！" << endl;
		return 0;
	}

	//读取文件
	fread(y_buffer, 1, width * height, yuvname);
	fread(u_buffer, 1, (width * height) / 4, yuvname);
	fread(v_buffer, 1, (width * height) / 4, yuvname);


	//计算概率分布
	int size = height * width;
	double count[256] = { 0 };
	double pro_y[256] = { 0 };
	double pro_e[256] = { 0 };

	for (int i = 0; i < size; i++) {
		int color = *(y_buffer + i);// (int_buf + i)点的灰度值
		count[color]++;
	}
	for (int j = 0; j < 256; j++)//灰度概率
	{
		pro_y[j] = (double(count[j]) / size);//原图的概率分布
	}


	//写概率分布
	for (int i = 0; i < 256; i++) {
		fprintf(out, "%f\n", pro_y[i]);
	}

	free(y_buffer);
	free(u_buffer);
	free(v_buffer);


	fclose(yuvname);

	return 0;
}

 

 总结：

        观察原图概率分布和预测误差图像概率分布，我们可以看出，原图的概率分布“范围”更广，取值相比于预测误差图像而言，分布更均匀，因此其熵也更大。

        对于无失真编码而言，由于香农第一定理，信源符号平均码长的下界为信源熵，如果想达到最好的压缩效果，就希望平均码长最小；利用信源符号间的相关性，减小编码的信息冗余，将均匀分布的信源符号转换为非均匀分布，减少信源熵，提高压缩效率。

补充实验：

        比较DPCM+熵编码和仅进行熵编码之间的编码效率（压缩比和图像质量）

---> 打开Huffmancode.bat，写入输入、输出，利用Huffman编码器进行熵编码，将熵编码后的结果保存在birds.txt和birds_DPCM.txt中（保存后点击.bat文件）

 保存、运行Huffmancode.bat，得到结果

 Birds_out.huff为仅进行熵编码的文件、birds_DPCM为进行DPCM+熵编码的文件，对这两个文件比较压缩比：

DPCM+8bit量化+熵编码-----压缩比： 576/340=2.1

仅进行熵编码---------压缩比：576/488=1.6

由此可见，经过熵编码后图像的压缩比更大，即系统的压缩效果更好。

Final总结：

        通过本次实验我深刻理解了预测-熵编码的过程。预测尽可能利用信源符号的相关性，减小信息冗余，最大程度的减小信源符号熵。聪明的DPCM系统，通过只传误差，对误差进行编码等，提高了压缩效率。同时在编码器里引入解码器，保证编解码端同步，减少产生误差漂移。

Adore11
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
DPCM的基本原理,DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的
04-15
DPCM的基本原理 任何信号,不论语音或图像,采用直接采样-量化-编码的方式进行编码,都会发现码组之间具有很强的相关性。由于相关性的存在,传输数据中存在大量不需要传输的信息,称为冗余。 DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的。
DPCM差分预测编码实验报告
weixin_46338184的博客
05-09 875
一：实验原理 DPCM是差分预测编码调制的缩写，是比较典型的预测编码系统。在DPCM系统中，需要注意的是预测器的输入是已经解码以后的样本。之所以不用原始样本来做预测，是因为在解码端无法得到原始样本，只能得到存在误差的样本。因此，在DPCM编码器中实际内嵌了一个解码器，如编码器中虚线框中所示。 在一个DPCM系统中，有两个因素需要设计：预测器和量化器。理想情况下，预测器和量化器应进行联合优化。实际中，采用一种次优的设计方法：分别进行线性预测器和量化器的优化设计。 二：预测结果 原始图像： 概率分布： 8
数字视频编码—预测编码
最新发布
qq_33483839的博客
04-11 1028
数字视频编码—预测编码，帧内预测和帧间预测
DPCM预测编码
BeatriceDluberry的博客
07-16 2384
数据压缩实验DPCM
【数据压缩】预测编码的编程实现和分析
hdkks的博客
04-29 452
一、实验要求 掌握DPCM编解码系统的基本原理 用C/C++/Python等语言编程实现DPCM编码器，并分析其压缩效率。 二、实验内容 （1）DPCM编解码原理 DPCM，即差分的PCM，简称插值编码，基本原理是对信号插值进行量化。 由于图片间像素的相关性，插值后的重复值会比较多，因此信源的熵就会减小。因此经过DPCM系统后再进行熵编码有利于提高压缩效率。 在DPCM系统中，需要对前一个值进行解码，以作为当前的预测值。编解码框图如图所示。 （2）C++编程实现 主函数 主函数实现文件的读写，其中Y分
数据压缩课件 第二版
06-25
2. **信息熵与编码理论**：阐述信息熵的概念，它是衡量信息不确定性的重要指标，与数据压缩的理论基础——香农熵密切相关。 3. **哈夫曼编码**：详述一种基于频率的无损数据压缩方法，通过构建最优的前缀树实现高效...
现代通信系统（MATLAB版)（第二版） 第十章程序matlab
03-13
6. **信源编码与压缩**：介绍熵编码（如哈夫曼编码、算术编码）和预测编码（如DPCM、ADPCM）的基本原理，通过MATLAB实现压缩与解压缩过程。 7. **误码率（BER）分析**：MATLAB可以进行错误性能分析，计算并绘制误码...
MATLAB通信仿真及应用实例详解pdf-MATLAB通信仿真及应用实例详解.part6.rar
08-12
第6章 信源编码 153 6.1 压缩和扩展 153 6.1.1 A律压缩模块 153 6.1.2 A律扩展模块 154 6.1.3 μ律压缩模块 155 6.1.4 μ律扩展模块 156 6.2 量化和编码 157 6.2.1 抽样量化编码器 157 6.2.2 触发...
MATLAB通信仿真及应用实例详解pdf-MATLAB通信仿真及应用实例详解.part5.rar
08-12
第6章 信源编码 153 6.1 压缩和扩展 153 6.1.1 A律压缩模块 153 6.1.2 A律扩展模块 154 6.1.3 μ律压缩模块 155 6.1.4 μ律扩展模块 156 6.2 量化和编码 157 6.2.1 抽样量化编码器 157 6.2.2 触发...
MATLAB通信仿真及应用实例详解pdf-MATLAB通信仿真及应用实例详解.part1.rar
08-12
第6章 信源编码 153 6.1 压缩和扩展 153 6.1.1 A律压缩模块 153 6.1.2 A律扩展模块 154 6.1.3 μ律压缩模块 155 6.1.4 μ律扩展模块 156 6.2 量化和编码 157 6.2.1 抽样量化编码器 157 6.2.2 触发...
数据压缩7 | 实验4 | DPCM 压缩系统的实现和分析
月婵婵的程序媛生涯
05-05 621
目录一、 一、
【数据压缩】实验：DPCM压缩系统的实现与分析
weixin_48946798的博客
06-11 431
预测编码指根据某一模型利用旧的样本值对新样本值进行预测，然后将样本的实际值与其预测值相减得到误差值，对于这一误差值进行编码。如果模型足够好且样本序列在时间上相关性较强，那么误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩结果。预测编码方法分线性预测和非线性预测编码方法。线性预测编码方法也称差值脉冲编码调制法，简称DPCM。DPCM编解码过程如下图：编码器(Encoder)中Q是量化器，P是预测器。输入信号Xn是某一像素点的实际灰度值，Pn是对该像素点的预测值，dn 是预测误差，^(dn)是量化预测误
视频压缩原理之 预测编码
热门推荐
NewThinker_wei 的专栏
03-25 1万+
预测法是最简单和实用的视频压缩方法，压缩编码后传输的并不是像素本身的取样幅 值，而是该取样的预测值和实际值之差（就是传输差分值）。   预测法的流程图如下： （在量化过程中，会产生量化误差）     预测法大致可分为帧内预测和帧间预测。下面将依次介绍两种预测法，还会提到重叠块运动补偿，最后再细说一下运动估计。     帧内预测：        帧内预测的具体方法是
图像压缩编码基础——笔记整理
yh13572438258的博客
02-21 9466
图像压缩基础 1)压缩的原因:数字视频码率高达216Mb/s。数据量之大，无论是网络传输，还是存储都构成巨大压力。在保持信号质量的前提，要降低码率及数据量。 2)压缩的原理: 图像信息存在着大量的规律性或相关性，在传输的前一个样值中包含了后一个样值或后一帧中相关位置的样值内容。 3)压缩的目标:①去除信息中的相关性，去除冗余码，使样值独立，降低信息码流。②可以采用一些特殊的编码方式，使平均比特数降低，从而可进一步降低信息流码流。信源编码: 降低码率的过程，称为压缩编码，也叫信源编码。 4)压缩方法：.
用训练数据优化DPCM方法，对锯齿波信号数据进行预测量化MATLAB
m0_75065949的博客
12-25 444
用训练数据优化DPCM方法，对锯齿波信号数据进行预测量化 MATLAB
预测&编码
beryl2017的博客
08-16 5673
预测编码，顾名思义预测就是利用前面的一个或者多个信号对下一个信号进行预测。预测编码就是根据离散信号之间存在的一定相关性特点进行预测，不同的是预测编码是对实际值与预测值的差值进行编码。 如果预测的足够准确，那么误差信号就会很小，这样需要的码位也会大大减少，达到数据压缩的目的。举个例子： 收端解码时预测过程与发端相同，预测器也相同，收端输出的信号是发端的近似值，两者误差是： Ps：每行最开始的几个像素无法预测，需要其他的编码方式编码 有损的预测编码—DPCM编码 预测编码是一种有损编码。所谓的
6.1 Python图像处理之图像编码技术和标准-DPCM编码
集电极
08-07 2591
6.1 Python图像处理之图像编码技术和标准-DPCM编码 文章目录6.1 Python图像处理之图像编码技术和标准-DPCM编码1 算法原理2 代码3 效果 1 算法原理 预测编码利用的是信源相邻符号间的相关性。根据某一模型利用以往的样本值对新的样本值进行预测。然后将样本的实际值与预测值相减得到一个误差值，最后对这一误值进行编码。如果模型足够好且样本序列在时间上相关性比较强，则误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩。 对于模拟信号，DPCM 编码采用预测编码的方式传输信号， 所谓预测
DPCM 压缩系统的实现和分析
m0_50794483的博客
04-29 260
一、实验简介 1.预测编码： 预测编码主要是利用信源相邻符合之间的相关性。根据某一模型利用以往的样本值对新样本进行预测，然后将样本的实际值与其预测值相减得到一个误差值，最后对这一误差值进行编码。 如果模型足够好，且样本序列在时间上相关性较强，则误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩 2.DPCM： DPCM是差分预测编码调制的缩写，是比较典型的预测编码系统。在DPCM系统中，需要注意的是预测器的输入是已经解码以后的样本。之所以不用原始样本来做预测，是因为在解码端无法得到原始样本，只能得到存
编写用 C语言输入一组一维数据，并对该数据用 DPCM 数据压缩算法压缩，得到压缩的数据。包含（一阶线性预测模块，差值量化模块，编码模块等）
05-14
以下是使用 C 语言实现 DPCM 数据压缩算法的示例代码： ```c #include <stdio.h> #include <stdlib.h> // 定义一阶线性预测函数 int linear_predict(int x, int w, int b) { return w * x + b; } // 定义差值量化函数 int quantize(int error) { if (error >= 0) { return 1; } else { return -1; } } // 定义编码函数 int encode(int q, int prev_q) { if (q == prev_q) { return 0; } else { return 1; } } int main() { int data[10] = {1, 3, 5, 4, 2, 7, 6, 8, 9, 10}; // 输入一组一维数据 int N = 10; // 数据长度 int w = 1; // 线性预测模块的参数 w int b = 0; // 线性预测模块的参数 b int prev_x = data[0]; // 上一个样本值 int prev_q = 1; // 上一个量化值 int compressed_data[N]; // 存储压缩后的数据 int i; // 处理第一个样本 compressed_data[0] = prev_x; // 从第二个样本开始处理 for (i = 1; i < N; i++) { // 进行一阶线性预测 int x_hat = linear_predict(prev_x, w, b); // 计算预测误差 int error = data[i] - x_hat; // 进行差值量化 int q = quantize(error); // 进行编码 int code = encode(q, prev_q); // 存储压缩后的数据 compressed_data[i] = code; // 更新上一个样本值和量化值 prev_x = data[i]; prev_q = q; } // 输出压缩后的数据 printf("Compressed data: "); for (i = 0; i < N; i++) { printf("%d ", compressed_data[i]); } printf("\n"); return 0; } ``` 这个示例代码中，我们使用了一阶线性预测模块、差值量化模块和编码模块来实现 DPCM 数据压缩算法。这个算法可以将一组一维数据压缩成一个序列，可以减少数据存储空间的占用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值