学业相关02.电子科技大学-图像与视频处理作业

最新推荐文章于 2022-05-15 13:53:46 发布
最新推荐文章于 2022-05-15 13:53:46 发布
阅读量747 收藏 1
点赞数
分类专栏： 学业相关 文章标签： python
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/a2274001782/article/details/117148343
版权
该博客介绍了使用C语言处理图像与视频序列的作业，涉及读取视频帧、计算帧差、8x8块DCT变换、量化、反量化和反DCT变换。代码实现了从原始‘foreman.qcif’视频中提取帧，进行DCT、量化、反量化和IDCT，并将结果写入‘re_foreman.qcif’文件。同时，计算了输入与输出帧的PSNR值，展示了处理前后帧的视觉效果。
摘要由CSDN通过智能技术生成

图像与视频处理作业

题目给定图像“foreman.qcif”，利用C语言进行以下编程操作

1.读取原始视频序列(2帧），其中第1帧为I帧，第2帧为P帧（本次作业第2帧可简单做与第1帧的整体图像帧差值);(20分)

2.进行8x8分块的DCT变换;（15分)

3.设定量化步长Qstep=22进行量化;(10分)

4.完成相应的反量化和反DCT变换;（25分)

5.将重组数据写入文件“re_foreman.qcif”(2帧);(20分)6.计算“foreman.qcif”和“re_foreman.qcif”的PSNR。(10分)

代码：

#图像与视频处理作业
# 给定图像“foreman.qcif”，利用C语言进行以下编程操作
# 1.读取原始视频序列(2帧），其中第1帧为I帧，第2帧为P帧（本次作业第2帧可简单做与第1帧的整体图像帧差值);(20分)
# 2.进行8x8分块的DCT变换;（15分)
# 3.设定量化步长Qstep=22进行量化;(10分)
# 4.完成相应的反量化和反DCT变换;（25分)
# 5.将重组数据写入文件“re_foreman.qcif”(2帧);(20分)6.计算“foreman.qcif”和“re_foreman.qcif”的PSNR。(10分)
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import math
PI = 33.14159265358979323
def getFrameInformation(filename,frameNum):
    """
    :param frameNum: 读取哪一帧
    :return: Yt,Ut,Vt: yuv视频三个数据段的数据
    """

    # juv文件路径
    filename = "foreman_qcif.yuv"
    # 视频的尺寸
    height = 144
    width = 176
    # 读取视频数据
    fp = open(filename, 'rb')

    # 获取U，V的高度和宽度
    h_h = height // 2
    h_w = width // 2
    # 定义存储Y,U,V 的矩阵
    Yt = np.zeros(shape=(height, width), dtype='double', order='C')
    Ut = np.zeros(shape=(h_h, h_w), dtype='double', order='C')
    Vt = np.zeros(shape=(h_h, h_w), dtype='double', order='C')
    # for循环获取指定帧的数据
    for i in range(frameNum):
        Yt = np.zeros(shape=(height, width), dtype='double', order='C')
        Ut = np.zeros(shape=(h_h, h_w), dtype='double', order='C')
        Vt = np.zeros(shape=(h_h, h_w), dtype='double', order='C')
        # 获取Y字段的数据
        for m in range(height):
            for n in range(width):
                Yt[m, n] = ord(fp.read(1))
        # 获取U字段的数据
        for m in range(h_h):
            for n in range(h_w):
                Ut[m, n] = ord(fp.read(1))
        # 获取V字段的数据
        for m in range(h_h):
            for n in range(h_w):
                Vt[m, n] = ord(fp.read(1))
    return Yt, Ut, Vt


def compare_predition(frameNum1, frameNum2):
    """
    :param frameNum1: 选择帧数1
    :param frameNum2: 选择帧数2
    :return: Yt2-Yt1,Ut2-Ut1,Vt2-Vt1：两帧三个字段的差值
    """

    # 获取第frameNum1帧的图片的数据
    (Yt1, Ut1, Vt1) = getFrameInformation("foreman_qcif.yuv",1)
    # 获取第frameNum2帧的图片的数据
    (Yt2, Ut2, Vt2) = getFrameInformation("foreman_qcif.yuv",2)
    # 返回三个字段的差值
    return (Yt2 - Yt1, Ut2 - Ut1, Vt2 - Vt1)


def dct(Yt, Ut, Vt):
    """
    :param Yt: 做DCT变换的Y字段
    :param Ut: 做DCT变换的U字段
    :param Vt: 做DCT变换的V字段
    :return:
    """
    # 定义
    Yt_dct = np.zeros(shape=(144, 176), dtype='double', order='C')
    Ut_dct = np.zeros(shape=(72, 88), dtype='double', order='C')
    Vt_dct = np.zeros(shape=(72, 88), dtype='double', order='C')

    # 计算变换矩阵A
    a_array = np.zeros(shape=(8, 8), dtype='double', order='C')
    for i in range(8):
        for j in range(8):
            if i == 0:
                a_array[i][j] = 1 / 8 ** 2
            else:
                a_array[i][j] = 0.5 * math.cos(i * (j + 0.5) * PI / 8)
    # 通过变换矩阵A 得到 其转置矩阵
    at_array = np.zeros(shape=(8, 8), dtype='double', order='C')
    for i in range(8):
        for j in range(8):
            at_array[i][j] = a_array[j][i]
    # 计算Y的DCT变换
    for i in range(18 * 22):
        dct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 22) * 8, (i // 22) * 8 + 8):
            for m in range((i % 22) * 8, (i % 22) * 8 + 8):
                dct_8_8[n % 8][m % 8] = Yt[n][m]
        dct_8_8 = cv2.dct(dct_8_8)
        for n in range((i // 22) * 8, (i // 22) * 8 + 8):
            for m in range((i % 22) * 8, (i % 22) * 8 + 8):
                Yt_dct[n][m] = dct_8_8[n % 8][m % 8]
    # 计算U的DCT变换
    for i in range(9 * 11):
        dct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                dct_8_8[n % 8][m % 8] = Ut[n][m]
        dct_8_8 = cv2.dct(dct_8_8)
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                Ut_dct[n][m] = dct_8_8[n % 8][m % 8]
    # 计算V的DCT变换
    for i in range(9 * 11):
        dct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                dct_8_8[n % 8][m % 8] = Vt[n][m]
        dct_8_8 = cv2.dct(dct_8_8)
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                Vt_dct[n][m] = dct_8_8[n % 8][m % 8]
    # 返回DCT变换的结果
    return Yt_dct, Ut_dct, Vt_dct


def idct(Yt_dct, Ut_dct, Vt_dct):
    Yt_dct = np.float32(Yt_dct)  # 将数值精度调整为32位浮点型
    Ut_dct = np.float32(Ut_dct)  # 将数值精度调整为32位浮点型
    Vt_dct = np.float32(Vt_dct)  # 将数值精度调整为32位浮点型

    Yt_idct = np.zeros(shape=(144, 176), dtype='double', order='C')
    Ut_idct = np.zeros(shape=(72, 88), dtype='double', order='C')
    Vt_idct = np.zeros(shape=(72, 88), dtype='double', order='C')

    # 计算变换矩阵A
    a_array = np.zeros(shape=(8, 8), dtype='double', order='C')
    for i in range(8):
        for j in range(8):
            if i == 0:
                a_array[i][j] = 1 / 8 ** 2
            else:
                a_array[i][j] = 0.5 * math.cos(i * (j + 0.5) * PI / 8)
    # 通过变换矩阵A 得到 其转置矩阵
    at_array = np.zeros(shape=(8, 8), dtype='double', order='C')
    for i in range(8):
        for j in range(8):
            at_array[i][j] = a_array[j][i]
    # 计算Y的DCT变换
    for i in range(18 * 22):
        idct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 22) * 8, (i // 22) * 8 + 8):
            for m in range((i % 22) * 8, (i % 22) * 8 + 8):
                idct_8_8[n % 8][m % 8] = Yt_dct[n][m]
        idct_8_8 = cv2.idct(idct_8_8)
        for n in range((i // 22) * 8, (i // 22) * 8 + 8):
            for m in range((i % 22) * 8, (i % 22) * 8 + 8):
                Yt_idct[n][m] = idct_8_8[n % 8][m % 8]
    # 计算U的DCT变换
    for i in range(9 * 11):
        idct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                idct_8_8[n % 8][m % 8] = Ut_dct[n][m]
        idct_8_8 = cv2.idct(idct_8_8)
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                Ut_idct[n][m] = idct_8_8[n % 8][m % 8]
    # 计算V的DCT变换
    for i in range(9 * 11):
        idct_8_8 = np.zeros(shape=(8, 8), dtype='double', order='C')
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                idct_8_8[n % 8][m % 8] = Vt_dct[n][m]
        idct_8_8 = cv2.idct(idct_8_8)
        for n in range((i // 11) * 8, (i // 11) * 8 + 8):
            for m in range((i % 11) * 8, (i % 11) * 8 + 8):
                Vt_idct[n][m] = idct_8_8[n % 8][m % 8]
    # 返回DCT变换的结果
    return Yt_idct, Ut_idct, Vt_idct


def qstep(Yt, Ut, Vt):
    Yt = np.uint8(Yt)
    Ut = np.uint8(Ut)
    Vt = np.uint8(Vt)
    Yt_q = np.zeros(shape=(144, 176), dtype='uint8', order='C')
    Ut_q = np.zeros(shape=(72, 88), dtype='uint8', order='C')
    Vt_q = np.zeros(shape=(72, 88), dtype='uint8', order='C')

    for i in range(144):
        for j in range(176):
            Yt_q[i][j] = Yt[i][j] // 22
    for i in range(72):
        for j in range(88):
            Ut_q[i][j] = Ut[i][j] // 22
    for i in range(72):
        for j in range(88):
            Vt_q[i][j] = Vt[i][j] // 22

    return Yt_q, Ut_q, Vt_q


def iqstep(Yt_q, Ut_q, Vt_q):
    Yt_q = np.uint8(Yt_q)
    Ut_q = np.uint8(Ut_q)
    Vt_q = np.uint8(Vt_q)

    Yt_iq = np.zeros(shape=(144, 176), dtype='uint8', order='C')
    Ut_iq = np.zeros(shape=(72, 88), dtype='uint8', order='C')
    Vt_iq = np.zeros(shape=(72, 88), dtype='uint8', order='C')

    for i in range(144):
        for j in range(176):
            Yt_iq[i][j] = Yt_q[i][j] * 22
    for i in range(72):
        for j in range(88):
            Ut_iq[i][j] = Ut_q[i][j] * 22
    for i in range(72):
        for j in range(88):
            Vt_iq[i][j] = Vt_q[i][j] * 22

    return Yt_iq, Ut_iq, Vt_iq


def writeqcif(filename, Yt, Ut, Vt):
    Yt = np.uint8(Yt)
    Ut = np.uint8(Ut)
    Vt = np.uint8(Vt)
    ff = open(filename, "wb+")
    for i in range(144):
        for j in range(176):
            ff.write(Yt[i][j])
    for i in range(72):
        for j in range(88):
            ff.write(Ut[i][j])
    for i in range(72):
        for j in range(88):
            ff.write(Vt[i][j])
    return None

# 图像信噪比是用于评估图像超分结果的指标
def psnr(Yt1, Ut1, Vt1, Yt2, Ut2, Vt2):
    ch_num = 0
    #遍历图像
    for i in range(144):
        for j in range(176):
            ch_num = ch_num + (math.fabs(Yt1[i][j]/255. - Yt2[i][j]/255.))**2
    for i in range(72):
        for j in range(88):
            ch_num = ch_num + (math.fabs(Ut1[i][j]/255. - Ut2[i][j]/255.))**2
    for i in range(72):
        for j in range(88):
            ch_num = ch_num + (math.fabs(Vt1[i][j]/255. - Vt2[i][j]/255.))**2
    ch_num = ch_num/(144*3/2*176)
    if ch_num < 1.0e-10:
        return 100
    PIXEL_MAX = 1
    return 20 * math.log10(PIXEL_MAX / math.sqrt(ch_num))


if __name__ == '__main__':
    # 从视频中获取第一帧和第二帧数据
    (Yt1, Ut1, Vt1) = getFrameInformation("foreman_qcif.yuv",1)
    (Yt2, Ut2, Vt2) = getFrameInformation("foreman_qcif.yuv",2)
    # 图像化第一帧
    writeqcif("foreman1.qcif", Yt1, Ut1, Vt1)
    # 图像化第二帧
    writeqcif("foreman2.qcif", Yt2, Ut2, Vt2)
    #1.predition
    (Yt_predition, Ut_predition, Vt_prediton) = compare_predition(1, 2)
    print(Yt_predition,Ut_predition,Vt_prediton)
    #2.进行DCT变换
    (Yt_dct, Ut_dct, Vt_dct) = dct(Yt1, Ut1, Vt1)
    #3.进行量化处理
    (Yt_q, Ut_q, Vt_q) = qstep(Yt_dct, Ut_dct, Vt_dct)
    #4.进行反量化
    (Yt_iq, Ut_iq, Vt_iq) = iqstep(Yt_q, Ut_q, Vt_q)
    Yt_iq = np.float32(Yt_iq)  # 将数值精度调整为32位浮点型
    Ut_iq = np.float32(Ut_iq)  # 将数值精度调整为32位浮点型
    Vt_iq = np.float32(Vt_iq)  # 将数值精度调整为32位浮点型
    #5.进行IDCT变换
    Yt_idct, Ut_idct, Vt_idct = idct(Yt_iq, Ut_iq, Vt_iq)
    # 将变换后的数据写入新的文件中
    writeqcif("re_foreman1.qcif", Yt_idct, Ut_idct, Vt_idct)


    # 对第二帧数据进行相同处理
    # 进行DCT变换
    (Yt_dct2, Ut_dct2, Vt_dct2) = dct(Yt2, Ut2, Vt2)
    # 进行量化处理
    (Yt_q2, Ut_q2, Vt_q2) = qstep(Yt_dct2, Ut_dct2, Vt_dct2)
    # 进行反量化
    (Yt_iq2, Ut_iq2, Vt_iq2) = iqstep(Yt_q2, Ut_q2, Vt_q2)
    # 进行IDCT变换
    Yt_idct2, Ut_idct2, Vt_idct2 = idct(Yt_iq2, Ut_iq2, Vt_iq2)
    # 将变换后的数据写入新的文件中
    writeqcif("re_foreman2.qcif", Yt_idct2, Ut_idct2, Vt_idct2)

    #输出
    print("第一帧原始图像与进行变换后图像的qsnr值为：")
    print(psnr(Yt1, Ut1, Vt1,Yt_idct, Ut_idct, Vt_idct))

    print("第二帧原始图像与进行变换后图像的qsnr值为：")
    print(psnr(Yt2, Ut2, Vt2, Yt_idct2, Ut_idct2, Vt_idct2))

结果展示：

1.读取原始视频序列(2帧），其中第1帧为I帧，第2帧为P帧（本次作业第2帧可简单做与第1帧的整体图像帧差值);(20分)

第一帧图像及3通道信息：
图像：

image-20210520091843543

y通道：image-20210520091706749
u通道

image-20210520092158331

v通道

image-20210520092111721

第一帧与第二帧的差值

Y_predition

image-20210520092458834

U_predition

image-20210520092600611

V_predition

image-20210520092645000

2.进行8x8分块的DCT变换;（15分)

Y_DCT

image-20210520092913615

U_DCT

image-20210520093011870

V_DCT

image-20210520093048192

3.设定量化步长Qstep=22进行量化;(10分) ------合并写

4.完成相应的反量化和反DCT变换;（25分) -------合并写

Y_IDCT

image-20210520093255694

U_IDCT

image-20210520093356403

V_IDCT

image-20210520093442635

5.将重组数据写入文件“re_foreman.qcif”(2帧);(20分)6.计算“foreman.qcif”和“re_foreman.qcif”的PSNR。(10分)

只进行dct和idct重组出的两幅qcif图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FCXhtHPw-1621643312433)(…/AppData/Roaming/Typora/typora-user-images/image-20210520091843543.png)]

image-20210520094223312

进行进行8x8分块的DCT变换，设定量化步长Qstep=22进行量化;完成相应的反量化和反DCT变换重组出的两幅qcif图

image-20210520093940195

image-20210520094037285

计算出的PSNR

第一帧原始图像与进行变换后图像的qsnr值为：

2.541566509325704

第二帧原始图像与进行变换后图像的qsnr值为：

2.545820360785359

NR。(10分)

只进行dct和idct重组出的两幅qcif图

[外链图片转存中…(img-FCXhtHPw-1621643312433)]

[外链图片转存中…(img-ORdVM5zL-1621643312435)]

进行进行8x8分块的DCT变换，设定量化步长Qstep=22进行量化;完成相应的反量化和反DCT变换重组出的两幅qcif图

[外链图片转存中…(img-X4PBYYkv-1621643312443)]

[外链图片转存中…(img-htygHpsA-1621643312446)]

计算出的PSNR

第一帧原始图像与进行变换后图像的qsnr值为：

2.541566509325704

第二帧原始图像与进行变换后图像的qsnr值为：

2.545820360785359

xjt_0901
关注
专栏目录
电子科技大学数字图像处理课后作业
12-14
含作业第三至第十章，上课PPT，刚萨雷斯第三版数字图像处理。作业仅提供一种思路，答案并非唯一，仅提参考。
数字图像处理 DCT变换
weixin_52779958的博客
04-25 1万+
一、实验目的 1、掌握使用MATLAB进行DCT变换的方法。 二、实验内容 使用 MATLAB 实现图像的DCT变换与逆变换，使用8*8的子图像进行变换编码。 三、实验步骤 1、对图像进行DCT变换并观察频谱，对DCT变换系数进行截断并使用截断后的系数进行逆变换，比较原图像与恢复后的图像。 Matlab： clear all; close all; I = imread('lena.jpg'); img_gray = im2double(rgb2gray(I)); img_dct2 = dct2(img_g
电子科技大学图像与视频处理（图像部分）课后作业
新时代农民工---码农
12-14 3804
电子科技大学图像与视频处理（图像部分）课后作业 作业2-1 1.已知一幅图像有8个灰度级，各个灰度级出现的概率如下表所示，画出该图像直方图，然后对该图像的直方图进行均衡化处理，并画出均衡化后的灰度直方图。 2. 编程练习：用Matlab绘制出一幅M×N 的灰度图像的灰度直方图；对该图像进行均衡化处理，绘制出均衡后图像的直方图。 提示： (1) 读图； (2) 调用灰度直方图显示函数； (3) 调用灰度直方图均衡化函数。 有兴趣的同学...
java 快排非递归_java非递归方式实现快速排序
weixin_36176546的博客
02-13 237
Java非递归方式实现快速排序package sort.algorithm;import java.util.Stack;//快速排序的非递归实现，利用系统的栈stackpublic class QuickSortNonRecursion {public static void main(String[] args) {QuickSortNonRecursion qsnr = new QuickS...
DCT变换
04-09 1392
DCT变换的基本思路是将图像分解为8×8的子块或16×16的子块，并对每一个子块进行单独的DCT变换，然后对变换结果进行量化、编码。随着子块尺寸的增加，算法的复杂度急剧上升，因此，实用中通常采用8×8的子块进行变换，但采用较大的子块可以明显减少图像分块效应。 在图像压缩中，一般把图像分解为8×8的子块，然后对每一个子块进行DCT变换、量化，并对量化后的数据进行Huffman编码。DCT...
2014-2021年西安电子科技大学833计算机学业基础综合考研真题
07-20
西安电子科技大学作为国内知名的高等学府，其计算机科学与技术专业在国内外享有盛誉。833计算机学业基础综合是该校计算机科学硕士研究生入学考试的重要科目之一，旨在考察考生对计算机基础知识的掌握程度和理解能力...
02.2017.07.25-发-报告生成需要的图表类型（精简版）-王华樑.docx
最新发布
09-01
根据得分，可以得知学生与教师的关系可能对学业成绩产生消极影响，表现为矛盾冲突型，即存在冲突和回避行为，且学生对教师缺乏信任和依赖。这样的师生关系可能会阻碍学生的学习进步。 表格2介绍了班级环境量表，...
java-ssm大学生学业互助与交流平台毕业设计.zip
08-17
采用java技术构建的一个管理系统。整个开发过程首先对系统进行需求分析，得出系统的主要功能。接着对系统进行总体设计和详细设计。总体设计主要包括系统功能设计、系统总体结构设计、系统数据结构设计和系统安全设计...
2019级学生手册-南方科技大学-研究生.pdf
07-17
南方科技大学研究生院的管理与服务涵盖了多个方面，从新生入学到毕业离校，提供了详细的操作流程和规定，确保学生能够顺利地完成学业。以下是根据提供的文件内容总结的知识点： 1. 新生学籍信息系统填写：新生需要...
山东科技大学-计算机学院硕士研究生学业奖学金评选细则
07-26
### 山东科技大学计算机学院硕士研究生学业奖学金评选细则解析 #### 一、评选原则与方法 山东科技大学计算机学院为了公平、公正地评选出优秀的硕士研究生，制定了详细的学业奖学金评选细则。该细则旨在通过一系列...
电子科技大学 图像处理及应用 2017年期末试卷回忆版
11-27
题目都已经给出来了，只要复习到了得分还是很简单的。
电子科技大学冈萨雷斯图像处理70讲
02-23
自己从淘宝买的，特别清晰，老师讲的很细致，适合基础入门，或者对图像处理感兴趣的，值得一看。有70讲，有Demo，值得拥有！
电子科技大学-830数字图像处理-多年真题和答案
03-13
电子科技大学830 数字图像处理01--16真题和答案 14，15，16没有答案，其余都是完整真题 史上最全考研真题全部下载
电子科技大学数字图像处理基础7
09-16
电子科技大学数字图像处理基础（冈萨雷斯 阮秋琦翻译）
foreman_qcif.yuv
11-28
在学习H.264的过程中，有个环节自然是对YUV文件进行编码，这里给大家提供了标准的YUV测试序列，qcif格式，省去大家查找的麻烦，直接下载即可使用
电子科技大学图像与视频处理（视频部分）课程测试
新时代农民工---码农
12-14 2712
电子科技大学图像与视频处理（视频部分）课程测试
质量评估指标：PSNR（Peak signal-to-noise ratio 峰值信噪比）
热门推荐
Doctor__Chen的博客
05-15 2万+
文章目录一、峰值信噪比二、定义三、质量评估和性能比较1、质量评估2、性能比较四、PNSR 代码 一、峰值信噪比 峰值信噪比( PSNR ) 用于表示信号的最大可能功率与影响其表示的保真度的破坏噪声的功率之间的比率。由于许多信号具有非常宽的动态范围，因此 PSNR 通常使用分贝标度表示为对数量。 PSNR 在图像处理上主要用于量化受有损压缩影响的图像和视频的重建质量。 二、定义 PSNR 通过均方误差( MSE ) 定义。 给定一个无噪声的m×n单色图像I及其噪声近似值K，MSE定义为 PSNR定义为
《电子科技大学——数字图像处理》
weixin_34025051的博客
01-02 2028
《电子科技大学——数字图像处理》
深入剖析H.264帧内预测(I宏块)
认知 行动 坚持
10-26 1万+
工具: foreman_qcif.yuv, JM8.6, H.264visa. 下面仅讨论第一帧第一个宏块MB（16 * 16）的亮度Y分量. 步骤1：用JM8.6编码foreman_qcif.yuv的第一帧, 得到test.264,用H.264visa打开test.264, 然后用H.264visa打开foreman_qcif.yuv. 从H.264visa中的结果可以看出，第
西安电子科技大学833考研真题集(2014-2021年)
资源摘要信息:"西安电子科技大学833计算机学业基础综合考研真题" 知识点: 1. 西安电子科技大学：位于陕西省西安市，是一所具有电子信息特色的研究型大学，也是国家“双一流”建设高校之一。在信息与通信工程、电子...
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