DPCM 压缩的实现与分析

6＞5

于 2022-07-15 14:24:53 发布

阅读量179

点赞数

文章标签：大数据

本文链接：https://blog.csdn.net/leooomessii/article/details/125803690

版权

本文介绍了DPCM（差分预测编码调制）的基本原理，强调了预测器和量化器在系统设计中的重要性。通过实验代码展示，探讨了DPCM如何对预测误差进行量化，并指出量化比数增加能提升图像质量。

摘要由CSDN通过智能技术生成

1.基本原理

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。

基本原理图

本实验中，DPCM对当前值和预测值的差值（预测误差）进行量化，预测误差值的范围为[-255，255]，因此用9bit表示且需要单极性化（+255）。残差值的量化映射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。

实验代码：

1.概率分布

 
#include<iostream>
#include<math.h>
using namespace std;
 
int prob(int height, int width, unsigned char* inbuf, double* outpro)
{
	double size = height * width * 1.5;	
	int num[256] = { 0 };
	double pro[256] = { 0 };
 
	for (int i =