【数据压缩】预测编码的编程实现和分析

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,简称差值编码,基本原理是对信号差值进行量化。
由于图片间像素的相关性,差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。
在这里插入图片描述

(2)C++编程实现

主函数

主函数实现文件的读写,其中Y分量进入DPCM()函数来进行差值编码。

int main()
{
    //读yuv文件
    FILE* file1, * file2, * file3;
    fopen_s(&file1, "Lena256B.yuv", "rb");

    unsigned char* y_buffer = new unsigned char[height * width];
    unsigned char* u_buffer = new unsigned char[height * width * 0.25];
    unsigned char* v_buffer = new unsigned char[height * width * 0.25];
    fread(y_buffer, sizeof(unsigned char), height * width, file1);
    fread(u_buffer, sizeof(unsigned char), height * width * 0.25, file1);
    fread(v_buffer, sizeof(unsigned char), height * width * 0.25, file1);
    fclose(file1);

    unsigned char* dBuf = new unsigned char[height * width];  //残差Buffer
    unsigned char* reBuf = new unsigned char[height * width]; //重建Buffer

    DPCM(y_buffer, dBuf, reBuf,height,width,1);

    //写残差图像,用作后续熵编码
    fopen_s(&file2, "D_1bit.yuv", "wb");
    fwrite(dBuf, sizeof(unsigned char), height * width, file2);
    fwrite(u_buffer, sizeof(unsigned char), height * width * 0.25, file2);
    fwrite(v_buffer, sizeof(unsigned char), height * width * 0.25, file2);
    fclose(file2);
    
    for (int i = 0; i < width; i++) {
        cout << int(dBuf[200 * width + i]) <<" "<< int(reBuf[200 * width + i])<<endl;
    }
    //写重建图像,用于计算PSNR
    fopen_s(&file3, "Re_1bit.yuv", "wb");
    fwrite(reBuf, sizeof(unsigned char), height * width, file2);
    fwrite(u_buffer, sizeof(unsigned char), height * width * 0.25, file2);
    fwrite(v_buffer, sizeof(unsigned char), height * width * 0.25, file2);
    fclose(file2);

    return 0;
}

DPCM函数


void DPCM( unsigned char* yBuf, unsigned char* dBuf, unsigned char* reBuf, int w, int h, int bitNum)
{    
    /* yBuf: 输入Y分量
    *  dBuf: 残差Buffer
    *  reBuf: 重建Buffer
    *  w,h: 宽、高
    *  bitNum: 量化比特数 */
    int quantized_interval = 512/pow(2,bitNum);//量化间隔
    int delta; //差值
    int rebuild_value;
    int primary_value = 128; //初始
    for(int i=0;i<h;i++){
        for (int j = 0; j < w; j++)
        {    
            if (j == 0) {
                //第一列
                delta = yBuf[w * i+j] - primary_value;

             
                dBuf[w * i + j] = int((delta + 255) / quantized_interval) * quantized_interval / 2;
                rebuild_value = (dBuf[w * i+j] * 2) - 256 + primary_value;
            }
            else{
                delta = yBuf[w * i + j] - reBuf[w * i + j - 1];
                dBuf[w * i + j] = int((delta + 255) / quantized_interval) * quantized_interval / 2;
                rebuild_value = (dBuf[w * i + j] * 2) - 256 + reBuf[j - 1 + w * i];
            }
           
            rebuild_value= rebuild_value > 235 ? 235 :
                (rebuild_value < 16 ? 16 : rebuild_value);
            reBuf[w * i + j] = rebuild_value;
        }
    }
}

在这里是无论多少bit,都将残差图像范围限定为[0,255],以便图像的输出。
量化的过程在编程实现中,就是
除以量化间隔=>取整=>乘以量化间隔
由于直接用int取整,所以量化时取的是下电平而不是平均电平(这也导致1bit出大问题)

计算PSNR

double mypsnr(unsigned char* buf1, unsigned char* buf2)
{

	double mse = 0;
	double div = 0;
	double psnr = 0;

	for (int v = 0; v < height; v++)
	{
		for (int u = 0; u < width; u++)
		{
			div = buf1[v * width + u] - buf2[v * width + u];
			mse += div * div;
		}
	}
	mse = mse / (width * height);
	psnr = 10 * log10(255 * 255 / mse);
	return psnr;
}


int main()
{
    //读yuv文件
    FILE* file1, * file2;

    fopen_s(&file1, "Lena256B.yuv", "rb");
    unsigned char* y_buffer1 = new unsigned char[height * width];
    fread(y_buffer1, sizeof(unsigned char), height * width, file1);
    fclose(file1);

    fopen_s(&file2, "Re_1bit.yuv", "rb");
    unsigned char* y_buffer2 = new unsigned char[height * width];
    fread(y_buffer2, sizeof(unsigned char), height * width, file2);
    fclose(file1);

	double psnr = mypsnr(y_buffer1, y_buffer2);
	cout << psnr;

    return 0;
}

三、实验结果

(1)残差图像和重建图像

分别用8bit、4bit、2bit、1bit进行差分编码时的量化,重建图像和残差图像如下:
在这里插入图片描述
残差值量化,从8bit到1bit,重建图像质量逐渐下降。
残差量化为1bit时,几乎无法重建图像。

(2)计算PSNR

对重建图像与原图像计算psnr,结果如下:

量化比特数PSNR
8bit44.2676
4bit22.9229
2bit11.2943
1bit8.34288

从8bit到1bit PSNR逐渐降低。

(3)概率分布图:

用作业一的方法计算四种量化残差和原图像的概率分布图如下:
在这里插入图片描述

在这里插入图片描述
相比于原图的概率分布,DPCM 8 bit编码后很尖,很不均匀,可以想象他的熵很小,熵编码效果也会好
在这里插入图片描述
其它bit数的量化痕迹很明显,毕竟量化间隔太大了。

(4)压缩比

使用程序huffcode.exe处理残差图像,得到图像大小:
在这里插入图片描述

量化比特数大小(KB)压缩比(压缩后/压缩前)
仅进行熵编码6971.86%
8bit4647.92%
4bit2323.96%
2bit1818.75%
1bit1717.71%

可以看出,进行8bit量化的DPCM再进行熵编码,比仅仅进行熵编码相比,大小是原来的2/3。

总结

  1. 算法中的残差值的量化方法是除以量化间隔再取整,这种量化方法相当于每次取下电平。
  2. 1bit图像出现严重问题,也跟量化有关,按照这个算法,残差负值全部被量化为-255,正值全被量化为0。这会导致重建图像的值只减不增,最后全变成0了,所以图像是黑的。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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