【图像传输】量化矩阵数字图像渐进传输【含Matlab源码 3470期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、量化矩阵数字图像渐进传输

1 量化
1.1.1 量化
量化(Quantization)是指将信号的连续取值(或大量可能的离散取值)映射为有限多个离散幅值的过程，实现信号取值多对一的映射。在

1.1.2 为什么要加入量化？
视频编码中，残差信号经过离散余弦变换(DCT)后，变换系数往往具有较大的动态范围。因此对变换系数进行量化可以有效地减小信号取值空间，进而获得更好的压缩效果。

1.1.3 量化怎么做的？
就是将落在一个区间的值 用同一个值表示
如图：x是输入的信号，落在t7-t8区间的值就用x7表示。实际在编码的时候不一定用的就是x7，有可能是x7对应的一个索引号y7.

简单的量化例子均匀量化：
给定一组信号，信号的最大值和最小值分别为a,b。设定最后输出M个量化值。那么均匀量化的量化步长为Qstep = （b-a）/M 。第一个区间[a, a+Qstep]的量化器输出为 a+Qstep/2。就是取这个区间的中点为落在整个区间的值的输出。

1.1.4 量化误差怎么衡量的？
量化误差的衡量主要有四种方式：
（1）均方误差(Mean Square Error, MSE)
（2）信噪比(Signal-to-Noise Ratio, SNR)
（3）和峰值信噪比(Peak-Signal-to-Noise Ratio，PSNR)
（4）率失真
传统的标量量化器是以失真最小为目的进行设计的。而在视频编码中，编码比特率同样是一种影响编码性能的因素，因此视频编码中的量化器设计需要权衡失真与比特率。

1.1.5 量化参数怎么编码的
为了避免直接编码QP所耗费的比特数，量化的参数QP也采用了预测编码的形式，只需要对实际QP与预测QP的差值进行编码，以避免直接编码QP所耗费的比特数。H.265/HEVC使用相邻已编码QG的信息来预测当前QG的QP。

QG
其中QG是指将一幅图像分成的固定大小(NxN)的正方形像素块。其大小N由图像参数集(PPS)指定，且必须处于最大CU与最小CU之间(包含最大与最小CU)。在一幅图像中，QG为固定大小，而CU是根据视频内容自适应划分出来的，因此可能出现-一个QG包含一个或多个CU的情形，也可能存在一个CU包含多个QG的情形。QG划分的这个块中用的是同一个QP值。

QP预测

例子： 利用空间上相邻位置的QG的QP值来预测当前位置QG的QP值。

2 相关的概念：
2.1 量化矩阵
许多以往的图像、视频编码标准都使用了量化矩阵(QuantizationMatrix，QM)技术，如JPEG、MPEG- -1、MPEG- 2、 MPEG- -4、H.264/AVC18-221等，其原理是对不同位置的系数使用不同的量化步长。例如，可以利用人眼对图像视频中的高频细节不敏感的特征，对高频系数使用较大的量化步长，而对低频系数使用较小的量化步长，这样做能够在保证一定压缩率的同时提高图像或视频的主观质量。其中，量化矩阵作用于比例缩放过程，其大小与TU相同，可为4x4、8x8、16x16 和32x32。在比例缩放过程中，变换后的DCT (或DST)系数将与量化矩阵中对应位置的系数相除，所得的结果作为量化模块的输入。

H.265/HEVC标准允许使用两种形式的量化矩阵。一种是标准推荐使用的量化矩阵(下文称之为“默认量化矩阵”)，另一种是用户自行定义的量化矩阵(下文称之为“自定义量化矩阵”)。对于默认量化矩阵，其矩阵元素值与TU大小、预测方式(帧内、帧间)都有关系。

2.2 码流中的语法元素
与量化矩阵相关的语法元素在SPS和PPS中都有可能存在，当PPS中存在时，解码器使用PPS中的信息，否则使用SPS中的信息。
scaling_ list_ enable_ flag: 该语法元素表明是否使用量化矩阵。
sps_ scaling_list_ data_ present_ flag: 该语法元素指出当前SPS中是否存在量化矩阵信息。
pps_ scaling_ list_ data_ present_ flag: 该语法元素指出当前PPS中是否存在量化矩阵信息。
scaling_ list_ pred_ mode_ flag: 该语法元素表明当前量化矩阵的获取方式。若该值为0,表明当前量化矩阵与之前存在的量化矩阵相同，可直接通过预测得到;若该值为1,表明当前量化矩阵中的每个元素都需要重新计算得出。

3 量化矩阵数字图像渐进传输
量化矩阵是一种将数字图像压缩的方法，它通过减少图像中每个像素的位数来实现。在图像传输中，量化矩阵可以用于减少图像的大小，从而减少传输时间和带宽。以下是量化矩阵图像传输的步骤：
（1）将图像转换为灰度图像，即将每个像素的RGB值转换为单个亮度值。
（2）将灰度图像分成8x8的块。
（3）对于每个块，使用离散余弦变换（DCT）将其转换为频域。
（4）对于每个块中的每个频率系数，使用量化矩阵将其量化为整数。量化矩阵中的（5）每个元素都代表了对应频率系数的量化级别，较大的元素表示较低的量化级别。
（6）将量化后的频率系数重新转换为空域。
（7）将所有块重新组合成图像。

⛄二、部分源代码

%对三维变量进行88分块的量化操作：
%其中每个88分块中第一个元素除以num1取商，再乘以num1得到量化值；
%而8*8分块中的其余元素除以num2取商，再乘以num2得到量化值。

function output=quantization(component1,num1,num2)
r=size(component1(:,:,1),1);
c=size(component1(:,:,1),2);
for t=1:3
for i=1:r
for j=1:c
x=component1(i,j,t);
t1=mod((i-1),8);
t2=mod((j-1),8);
if ((t10)&&(t20))
output(i,j,t)=(floor(x/num1)*num1);
else output(i,j,t)=(floor(x/num2)*num2);
end
end
end
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李娜, 王磊, 赵宏伟. 基于改进的DWT-SVD的图像传输算法[J]. 计算机工程与应用, 2019, 55(22): 1-7

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置