数据压缩实验四--DPCM

已于 2022-05-10 23:10:26 修改
阅读量484 收藏 2
点赞数 1
文章标签： c语言
于 2022-05-10 23:06:44 首次发布
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/m0_54222259/article/details/124638083
版权

数据压缩实验四--DPCM

实验原理

DPCM编解码原理

在这里插入图片描述
DPCM为差分预测编码。在DPCM系统中，预测器的输入是已经解码以后的样本。在解码端无法得到原始样本，只能得到存在误差的样本，因此不用原始样本来做预测。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。
在本次实验中，我们采用固定预测器和均匀量化器。预测器采用左侧预测。量化器采用8比特均匀量化，以及4比特，2比特，1比特均匀量化。对原始图像和预测误差分别进行熵编码，验证DPCM编码的编码效率。

PSNR计算压缩质量

psnr是“Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准。它是原图像与被处理图像之间的均方误差相对于(2n-1)2的对数值(信号最大值的平方，n是每个采样值的比特数)，它的单位是dB。PSNR值越大，就代表失真越少。
在这里插入图片描述
其中，MSE是原图像（语音）与处理图像（语音）之间均方误差。

实验代码

DPCM.cpp

#include<stdlib.h>
#include<stdio.h>
#include<math.h>

void DPCM(unsigned char* y_buffer, unsigned char* differ_buffer, unsigned char* rebuild_buffer,int width, int height,int bitnum)
{
	for (int i = 0; i < height; i++)
	{
		for (int j = 0; j < width; j++)
		{
			if (j == 0)
			{
				differ_buffer[i * width] = ((y_buffer[i * width] - 128)+255)/pow(2,(double)(9-bitnum));
				rebuild_buffer[i * width] = differ_buffer[i * width] * pow(2, (double)(9 - bitnum)) - 255 + 128;
			}
			else
			{
				differ_buffer[i * width+j] = ((y_buffer[i * width+j] - rebuild_buffer[i * width+j-1]) + 255) / pow(2, (double)(9 - bitnum));
				rebuild_buffer[i * width + j] = differ_buffer[i * width+j] * pow(2, (double)(9 - bitnum)) - 255 + rebuild_buffer[i * width + j-1];
			}
			if (differ_buffer[i * width + j] > 255)
				differ_buffer[i * width + j] = 255;
			if(differ_buffer[i * width + j] <0)
				differ_buffer[i * width + j] = 0;
			if (rebuild_buffer[i * width + j] > 255)
				rebuild_buffer[i * width + j] = 255;
			if (rebuild_buffer[i * width + j] < 0)
				rebuild_buffer[i * width + j] = 0;
		}
	}
}

main.cpp

#include<stdlib.h>
#include<stdio.h>
#include"math.h"
#include"DPCM.h"
void calculate_fre(unsigned char* buffer, double* frequency, int width, int height)
{
	int size = width * height;
	for (int i = 0; i < size; i++)
	{
		frequency[buffer[i]]++;
	}
	for (int k = 0; k < 256; k++)
	{
		frequency[k] /= size;
	}
}
int main(int argc, char** argv)
{
	const char* ori_name = argv[1];
	const char* differ_name = argv[2];
	const char* rebu_name = argv[3];
	int bitnum = atoi(argv[4]);
	FILE* ori_file = NULL;
	FILE* differ_file = NULL;
	FILE* rebu_file = NULL;
	if ((ori_file = fopen(ori_name, "rb")) == NULL)
		printf("Failed to open the original picture\n");
	else
		printf("succeeded to open the original picture\n");

	if ((differ_file = fopen(differ_name, "wb")) == NULL)
		printf("Failed to open the difference picture\n");
	else
		printf("succeeded to open the difference picture\n");

	if ((rebu_file = fopen(rebu_name, "wb")) == NULL)
		printf("Failed to open the rebulid picture\n");
	else
		printf("succeeded to open the rebulid picture\n");

	int width = 256;
	int height = 256;
	unsigned char* y_buffer = new unsigned char[width * height];
	unsigned char* u_buffer = new unsigned char[width * height / 4];
	unsigned char* v_buffer = new unsigned char[width * height / 4];
	unsigned char* differ_buffer = new unsigned char[width * height];
	unsigned char* rebuild_buffer = new unsigned char[width * height];
	fread(y_buffer, 1, width * height, ori_file);
	fread(u_buffer, 1, width * height / 4, ori_file);
	fread(v_buffer, 1, width * height / 4, ori_file);

	//计算原图像的概率分布
	double frequency[256] = { 0 };
	calculate_fre(y_buffer, frequency, width, height);
	FILE* orin_fre;
	orin_fre = fopen("ori_frequency.txt", "wb");
	fprintf(orin_fre, "%s\t%s\t", "symbol", "freq");
	for (int i = 0; i < 256; i++)
	{
		fprintf(orin_fre, "%d\t%f\t", i, frequency[i]);
	}

	DPCM(y_buffer, differ_buffer, rebuild_buffer,width,height,bitnum);

	//计算预测误差的概率分布
	double frequency2[256] = { 0 };
	calculate_fre(differ_buffer, frequency2, width, height);
	FILE* differ_fre;
	differ_fre = fopen("differ_frequency.txt", "wb");
	fprintf(differ_fre, "%s\t%s\t", "symbol", "freq");
	for (int i = 0; i < 256; i++)
	{
		fprintf(differ_fre, "%d\t%f\t", i, frequency2[i]);
	}
	//写入预测误差图像
	fwrite(differ_buffer,1,width*height,differ_file);
	fwrite(u_buffer, 1, width * height/4, differ_file);
	fwrite(v_buffer, 1, width * height / 4, differ_file);

	//写入重建图像
	fwrite(rebuild_buffer, 1, width * height, rebu_file);
	fwrite(u_buffer, 1, width * height / 4, rebu_file);
	fwrite(v_buffer, 1, width * height / 4, rebu_file);


	// 计算PSNR 
	double mse = 0;
	double psnr = 0;
	for (int i = 0; i < width*height; i++) {

		
			mse += pow((y_buffer[i]-rebuild_buffer[i]),2);
		
	}
	 mse = mse / (width * height);
	 psnr = 10 * log10(pow(255,2) / mse);
	printf("PSNR=%f", psnr);

	fclose(ori_file);
	fclose(differ_file);
	fclose(rebu_file);

	delete[] y_buffer;
	delete[] u_buffer;
	delete[] v_buffer;
	delete[] differ_buffer;
	delete[] rebuild_buffer;

	return 0;
}

DPCM.h

#pragma once
#ifndef DPCM_H_
#define DPCM_H_

void DPCM(unsigned char* y_buffer, unsigned char* differ_buffer, unsigned char* rebuild_buffer, int width, int height, int bitnum);
#endif

实验步骤

实验图片的准备

首先准备实验所需yuv文件，调用给定bmp2yuv.exe将bmp文件转换为yuv文件
在这里插入图片描述
但是发现得到的yuv文件都是0kb，写入失败，因此调用之前的BMP2YUV程序得到相应的yuv文件。

命令参数

在项目属性页更改命令参数，运行程序，得到8bit量化后的预测图像和重建图像。
在这里插入图片描述

图像质量比较

8比特量化

8bit量化时图像质量比较（以PSNR进行计算）

原图预测误差重建图像PSNR
在这里插入图片描述第二列文本居右第三列文本居左51.133820
第一列文本居中第二列文本居右51.14256251.142562
第一列文本居中第二列文本居右第三列文本居左44.182261
第一列文本居中第二列文本居右第三列文本居左14.886160
:-----------:------------18.24152318.241523
第一列文本居中第二列文本居右第三列文本居左17.084274

我们可以看到，当用8bit量化时，前三张重建图像的PSNR均大于40dB,说明图像质量很好，人眼很难看出差异，而后三张图片的PSNR均小于20dB,说明图像质量很差，人眼可以很明显的看出差异。由此反映了DPCM对不同图像所起的效果是不同的。由于此次实验采用左侧预测，因此对于水平方向有较强相关性的图像，重建图像的效果会更好。

4比特，2比特，1比特量化

下面我们来比较对于一张相同的图片，分别用8bit,4bit,2bit,1bit量化时，所得重建图像的差别。

8bit4bit2bit1bit
第一列文本居中第二列文本居右第三列文本居左第三列文本居左
在这里插入图片描述第二列文本居右第三列文本居左第三列文本居左
第一列文本居中第二列文本居右第三列文本居左第三列文本居左

随着量化比特数的减小，重建图像的质量大大降低，图像失真明显。当只用1bit量化时，重建图像已完全分辨不出其原图像。

Huffman熵编码

用给定的huff_run程序进行huffman编码，在命令行窗口输入：

huff_run.exe -i Lena256B_error.yuv -o Lena_error.huff -c -t Lena_error.txt

在这里插入图片描述
运行程序，得到编码后的huff文件和概率统计文本文件。
在这里插入图片描述
在这里插入图片描述
分别对原始yuv文件和预测误差文件进行哈夫曼编码

比较编码效率

原始图像原始图像大小直接熵编码压缩效率DPCM+熵编码压缩效率
Lena.yuv96.0 KB68.2 KB140%45.0 KB213%
Clown.yuv96.0 KB73.4 KB130%47.4 KB202%
Fruit.yuv96.0 KB73.9 KB130%41.8 KB229%
Noise.yuv96.0 KB70.3 KB136%74.1 KB129%
Odie.yuv96.0 KB20.3 KB473%17.7 KB542%
Zone.yuv96.0 KB73.7 KB130%43.5 KB220%

可以看出，经过DPCM后再进行熵编码，一般来说，压缩效率比直接熵编码大大提高。对于个别图像，经过DPCM后再进行熵编码，压缩效率反而下降。可能是由于图像水平方向的相关性太低，不适合做预测。

原始图像与预测误差概率分布

图像原始图像概率分布预测误差概率分布
Lena.yuv第一列文本居中第三列文本居左
Clown.yuv第三列文本居左第三列文本居左
Fruit.yuv第一列文本居中第三列文本居左
Noise.yuv第一列文本居中第三列文本居左
Odie.yuv第一列文本居中第三列文本居左
Zone.yuv第一列文本居中第三列文本居左

可以很明显的看出，经过DPCM后，预测误差的概率分布趋向于拉普阿斯分布，概率分布很不均匀，适合用哈夫曼熵编码，因此可以提高压缩效率。

m0_54222259
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
DPCM压缩实现
g_m_n的博客
05-07 1567
DPCM：差分脉冲编码，其关键是预测。 预测的基本原理：利用信源符号之间的相关性，用当前样值以前的若干个样值线性组合作为当前样值的预测值。若样本序列在时间上有较强的相关性，并且预测阶数和量化比特数选择的足够好，则误差信号的幅度将远远小于原始信号，从而得到较好的压缩。 原理框图： m(k)—输入抽样信号  m’ (k)—预测抽样信号 e(k) —输入信号与预测信号的差值，e(k)=
DPCM 压缩系统的实现和分析
amy2020的博客
05-20 1299
一、实验原理       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。在一个DPCM系统中需要设计两个部分：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
使用DPCM进行图像压缩的C++实现方法
nikoniko_chik的博客
06-17 530
一、实验课程名称：数据压缩原理与应用 A 二、实验项目名称：DPCM 压缩系统的实现和分析 三、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。 四、主要设备 安装 Windows 和 Visual Studio 软件的个人计算机 五、实验内容 1．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
数据压缩（8）：DPCM 压缩系统的实现和分析
weixin_46338503的博客
05-10 788
1、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。 2、代码实现 main.cpp #
DPCM 压缩系统的实现和分析 数据压缩实验4
05-14
在本实验中，我们将深入探讨数字预测差分脉冲编码调制（DPCM）这一数据压缩技术，并通过C语言实现DPCM编码器来理解和分析其压缩效率。DPCM是一种常用的预测编码方法，常用于音频和图像数据的压缩，它利用了信号的...
实验项目07-图像压缩编码.rar
11-18
在本实验项目“07-图像压缩编码”中，我们将深入探讨数字图像处理领域中的一个重要概念——图像压缩编码。...这有助于提升对图像处理和数据压缩的理解，为后续的数字信号处理、多媒体通信等领域学习打下坚实基础。
dpcm算法研究 语音压缩编码算法：差分脉冲编码调制算法的实现
06-30
它基于预测编码原理，通过预测当前采样值并仅编码预测误差来实现数据压缩。DPCM的核心思想是减少需要传输或存储的信息量，同时尽可能保持信号的质量。 在本项目中，DPCM算法被实现并用Matlab编程语言进行演示。...
基于matlab的无损压缩算法实验
11-01
DPCM是一种预测编码方法，通过预测当前样本值并编码预测误差来实现数据压缩。其基本思想是利用相邻样本之间的相关性，预测下一刻的信号值，然后只存储实际值和预测值之间的差异。在MATLAB中，我们可以编写一个简单的...
DPCM.rar_DPCM_show
09-23
**DPCM（差分脉冲编码调制）**是一种数据压缩技术，主要用于音频信号编码，但也可应用于其他类型的信号。DPCM的基本原理是利用输入信号的连续性，预测当前采样值，并编码实际值与预测值之间的差异，即差分。这种技术...
DPCM的基本原理,DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的
04-15
DPCM的基本原理 任何信号,不论语音或图像,采用直接采样-量化-编码的方式进行编码,都会发现码组之间具有很强的相关性。由于相关性的存在,传输数据中存在大量不需要传输的信息,称为冗余。 DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的。
DPCM 图像压缩 1-3阶
05-23
数字媒体作业，希望有所帮助， 写满20个字了。。。。。。
数据压缩实验四——DPCM压缩系统的实现和分析
willshant的博客
05-07 733
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。
实验（四）DPCM编码的实现和分析
weixin_43175007的博客
05-05 1965
DPCM编码原理简介 DPCM全称差分脉冲编码调制（Differential Pulse Code Modulation），是一种利用相邻像素的相关性去除空间冗余信息达到压缩目的的算法。 其中xn为输入信号，Q为量化器，dn=pn+xn为预测误差，P为延时器。 本实验采用前向预测，即每个像素左边的像素，大致算法如下： 以8bit图像为例，收到的灰度取值为[0，255]，与前一个像素作差和得到误差...
使用C++实现DPCM编码（左向预测8bit、4bit、2bit、1bit和上向预测8bit）（更新过）
weixin_45847421的博客
05-15 574
使用C++实现DPCM编码（左向预测8bit、4bit、2bit、1bit和上向预测8bit）一、DPCM是什么？二、使用C++实现DPCM编码（左向预测8bit、4bit、2bit、1bit和上向预测8bit）1、实验数据描述2、左向预测8bit、4bit、2bit、1bit1）左向预测8bit2）左向预测4bit3）左向预测2bit4）左向预测1bit5）左向预测8bit、4bit、2bit、1bit整体代码3、上向预测8bit 一、DPCM是什么？ DPCM–差分脉冲编码调制(Differential
【数据压缩】DPCM编码实验
ismismist的博客
05-03 366
一.DPCM编码原理 在一个DPCM系统中，需要设计预测器和量化器两部分。 在本次实验中，我们采取左向预测和8bit均匀量化。 二.实验过程内容分析 1.本次实验需要三个文件 一个输入文件，一个预测误差图像文件，一个重建图像文件 char* orifilename = NULL; char* prefilename = NULL; char* recfilename = NULL; orifilename = argv[1]; prefilename = argv[2];
实验四：DPCM 压缩系统的实现和分析
CUC_ENGINEER的博客
05-11 351
实验原理   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编解码原理图 实验内
数据压缩实验一实验报告
yingqi_lok的博客
03-08 2787
数据压缩实验一实验报告
dpcm压缩图像matlab
最新发布
03-29
DPCM（Differential Pulse Code Modulation）是一种用于压缩图像的技术，它可以利用图像中的冗余信息来减少数据量，从而实现图像的压缩。下面是使用MATLAB实现DPCM压缩图像的示例代码： ```matlab % 读取原始图像 img = imread('lena.bmp'); % 转换为灰度图像 img_gray = rgb2gray(img); % DPCM 压缩图像 % 设置预测误差的阈值 threshold = 10; % 初始化预测误差数组 err = zeros(size(img_gray)); % 对第一行和第一列直接进行编码 err(1,:) = double(img_gray(1,:)); err(:,1) = double(img_gray(:,1)); for i = 2:size(img_gray, 1) for j = 2:size(img_gray, 2) % 计算预测值 predict = (double(img_gray(i-1,j)) + double(img_gray(i,j-1))) / 2; % 计算预测误差 err(i,j) = double(img_gray(i,j)) - predict; % 如果预测误差小于阈值，直接编码为0 if abs(err(i,j)) < threshold err(i,j) = 0; end end end % 解码压缩后的图像 % 初始化解码后的图像 img_decompress = zeros(size(img_gray)); % 对第一行和第一列直接进行解码 img_decompress(1,:) = err(1,:); img_decompress(:,1) = err(:,1); for i = 2:size(img_gray, 1) for j = 2:size(img_gray, 2) % 计算预测值 predict = (double(img_decompress(i-1,j)) + double(img_decompress(i,j-1))) / 2; % 解码预测误差 if err(i,j) == 0 img_decompress(i,j) = predict; else img_decompress(i,j) = predict + err(i,j); end end end % 显示原始图像和压缩后的图像 subplot(1,2,1); imshow(img_gray); title('Original Image'); subplot(1,2,2); imshow(uint8(img_decompress)); title('DPCM Compressed Image'); ``` 在上述代码中，我们首先读取原始图像，并将其转换为灰度图像。然后，我们使用DPCM算法对图像进行压缩，其中我们设置了一个预测误差的阈值，如果预测误差小于该阈值，则直接编码为0。最后，我们使用解码算法对压缩后的图像进行解码，并将解码后的图像与原始图像一起显示，以便比较它们的差异。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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