实验四DPCM

DPCM压缩系统的实现和分析

实验目的

掌握DPCM编解码系统的基本原理。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。

实验要求

验证DPCM编码的编码效率。首先读取一个256级的灰度图像，采用自己设定的预测方法计算预测误差，并对预测误差进行8比特均匀量化（基本要求）。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）。

DPCM编解码原理

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。

DPCM编码系统的设计

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。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。

实验过程

1.使用图像转换器把BMP文件转换为YUV文件。
2.读取一个256级的灰度图像YUV，提取Y的数据
3.分配缓冲区，存储数据
4.对该灰度图像进行预测，计算预测误差
5.对预测误差进行8bit均匀量化
6.对量化后的预测误差进行反量化，求重建值
7.将预测误差图像写入文件并输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。
8.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。
9.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。

实验代码

（1）DPCM.h

void DPCMLeft(int Width,int Height,void *yBuff,void *recBuff,void *errBuff);
int simplest_yuv420_psnr(void *yBuff1,void *yBuff2, int w, int h, int num);
 

（2）DPCM.cpp

#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <malloc.h>
#include <string.h>
#include"DPCM.h"
 
//向左预测//
void DPCMLeft(int Width,int Height,void *yBuff,void *recBuff,void *errBuff)//DPCM向左预测
{
	unsigned char *yB=NULL;
	yB = (unsigned char *)yBuff;
	unsigned char *recB=NULL;
	recB = (unsigned char *)recBuff;
	unsigned char *errB=NULL;
	errB = (unsigned char *)errBuff;
	int P1,P2;//P1为当前值与预测值的误差，P2为量化后的误差
	unsigned char P3;//P3为反量化后的误差
 
	for(int i=0;i<Height;i++)
	{
		for(int j=0;j<Width;j++)
		{
			if(j == 0)//向左进行预测时，图像最左边一列的像素值直接输出，无需进行差分预测
			{
				*(recB+j+i*Width)=*(yB+j+i*Width);//当前值即为重建值，作为下一个像素的参考值
				*(errB+j+i*Width)=0;//误差为0
			}
			else//当不是最左边一列的像素时，进行DPCM
			{
				P1=*(yB+j+i*Width)-*(recB+(j-1)+i*Width);//求当前值与参考值的差值
				if(P1%2==0)//对差值进行8bit均匀量化，并进行+128的偏移以输出
					P2=P1/2+128;
				else
					P2=(P1-1)/2+128;
				*(errB+j+i*Width)=unsigned char(P2);//将误差写入errB缓存区域
				P3=unsigned char(P2*2);//对量化后的误差反量化
				*(recB+j+i*Width)=*(recB+(j-1)+i*Width)+P3;
				//将参考值与反量化得到的误差相加，作为当前像素的重建值，即下一个像素的参考值
			}
		}
	}
}
 
//PSNR//
int simplest_yuv420_psnr(void *yBuff1,void *yBuff2, int w, int h, int num)//计算Y分量的PSNR
{
	unsigned char *yB1=NULL;
	yB1 = (unsigned char *)yBuff1;
	unsigned char *yB2=NULL;
	yB2 = (unsigned char *)yBuff2;
 
	for (int i = 0; i < num; i++)
	{
		double mse_sum = 0, mse = 0, psnr = 0;
		for (int j = 0; j < h ; j++)
		{
			for (int k = 0; k < w; k++)
			{
				mse_sum += pow((double)(*(yB1+k+j*w) - *(yB2+k+j*w)), 2);//取每个差值的平方，并进行累加
			}
		}
		mse = mse_sum / (w * h); //根据公式计算mse
		psnr = 10 * log10(255.0 * 255.0 / mse); //根据公式计算psnr
		printf("%5.3f\n", psnr);
	}
	system("pause");
	return 0;
}
 

实验结果

原图像

预测误差图像

 

 重建图像

概率分布图

 

结果分析

 对-255~255范围的9bit预测误差做8bit量化，量化误差很小，因此中间一列的重建图像与左边一列的原始图像没有明显差别，量化误差可忽略不计。预测误差图像的概率分布更集中， 图像像素之间相关性较强，原始图像概率分布较为均匀，预测压缩比较高，预测误差编码比直接编码效果好