DCT与近似DCT变换原理
DCT的目的在于将高频、低频图片信息分离,这样就能舍弃高频分量,达到压缩的目的。
DCT的重点在于矩阵的运算,运算的过程如下
但是这种方式涉及三角函数计算,因此为了计算方便,通过近似DCT变化来简化运算。
Python实现
#
import numpy as np
###待压缩图像块
X=np.array(([5,11,8,10],
[9,8,4,12],
[1,10,11,4],
[19,6,15,7]))
X=np.mat(X)*1.0
###首先是DCT变化
a=0.5
b=np.sqrt( a )*np.cos(np.pi/8)
c=np.sqrt( a )*np.cos(3*np.pi/8)
A=np.array(([a,a,a,a],
[b,c,-c,-b],
[a,-a,-a,a],
[c,-b,b,-c]))
A=np.mat(A)
Y0=A*X*A.T
###DCT反变换
Y1=A.T*Y0*A
运行结果为
B=np.array(([1,1,1,1],
[2,1,-1,-2],
[1,-1,-1,1],
[1,-2,2,-1]))
a=1.0/2
b=np.sqrt(2.0/5)
D=np.array(([a*a, a*b/2, a*a, a*b/2],
[a*b/2, b*b/4, a*b/2, b*b/4],
[a*a, a*b/2, a*a, a*b/2],
[a*b/2, b*b/4, a*b/2, b*b/4]))
B=np.mat(B)
###近似DCT变换
Y1=B*X*B.T
Y1=np.multiply(Y1,D)
print Y1
###近似DCT反变换
Q= B.T*np.multiply(Y1,D)*B