DPCM 压缩系统的实现和分析

实验原理

预测编码的基本原理

信源的相邻符号通常是相关的

预测编码：利用信源相邻符合之间的相关性

        根据某一模型利用以往的样本值对新样本进行预测，然后将样本的实际值与其预测值相减得到一个误差值，最后对这一误差值进行编码。

        如果模型足够好，且样本序列在时间上相关性较强，则误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩。

DPCM的基本原理

  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。

DPCM编码系统的设计

  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、上方预测均可量化器采用8比特均匀量化。本实验的目标是验证DPCM编码的编码效率。首先读取一个256级的灰度图像，采用自己设定的预测方法计算预测误差，并对预测误差进行8比特均匀量化（基本要求）。还可对预测误差进行1比特、2比特和4比特的量化设计（提高要求）。

  在 DPCM 编码器实现的过程中可同时输出预测误差图像和重建图像。将预测误差图像写入文件并将该文件输入Huffman 编码器，得到输出码流、给出概率分布图并计算压缩比。将原始图像文件输入Huffman 编码器，得到输出码流、给出概率分布图并计算压缩比。最后比较两种系统（1.DPCM+ 熵编码 和 2. 仅进行熵编码 ）之间的编码效率（压缩比和图像质量）。压缩质量以PSNR 进行计算。

PSNR

  PNSR(Peak Signal to Noise Ratio)，即峰值信噪比，是基于对应像素点间的误差，即基于误差敏感的图像质量评价，但是并没有考虑人眼的视觉特性，因而经常出现评价结果与人的主观感受不一致的情况。

        ·PSNR高于40dB说明图像质量极好，即非常接近原始图像；

        ·PSNR在30~40dB通常表示图像质量是好的，即失真可以察觉但是可以接受；

        ·PSNR在20~30dB说明图像质量差；

        ·PSNR低于20dB的图像通常不可以被接受。

PNSR计算公式：

                        

MSE是指均方误差，计算公式为：

                ​​​​​​​        ​​​​​​​

实验分析

代码分析

主要代码

#include<iostream>
#include<math.h>
using namespace std;

//量化
int Quant(int qbit, int error) 
{   
	int k = 0;
	k = ((error + 255) / pow(2, (9 - qbit)));    //+255将误差值抬为正值再做量化
	return k;
}

//反量化
int inverseQuant(int qbit, unsigned char pred) {   
	int k = 0;
	k = (pred * pow(2, (9 - qbit)) - 255);
	return k;
}

void DPCM(unsigned char* y_buffer, unsigned char* pred_buffer, unsigned char* re_buffer, int width, int height, int qbit) {
	int error;

	for (int i = 0; i < height; i++) {
		for (int j = 0; j < width; j++) {
			if (j == 0)
			{   
				error = (y_buffer[i * width + j]) - 128;     //误差值
				pred_buffer[i * width + j] = Quant(qbit, error);     //量化误差值
				re_buffer[i * width + j] = inverseQuant(qbit, pred_buffer[i * width + j]) + 128;    //重建值
			}
			else 
			{   
				error = (y_buffer[i * width + j]) - re_buffer[i * width + j - 1];    //误差值
				pred_buffer[i * width + j] = Quant(qbit, error);    //量化误差值
				re_buffer[i * width + j] = inverseQuant(qbit, pred_buffer[i * width + j]) + re_buffer[i * width + j - 1];    //重建值
			}
		}
	}

	int max = pow(2, qbit) - 1;    //当前量化的最大值

	for (int i = 0; i < width * height; i++) 
	{     
		if (pred_buffer[i] < 0) pred_buffer[i] = 0;
		if (pred_buffer[i] > max) pred_buffer[i] = max;
		if (re_buffer[i] < 0) re_buffer[i] = 0;
		if (re_buffer[i] > 255) re_buffer[i] = 255;
	}

}

//计算峰值信噪比
double PSNR(unsigned char* y_buffer, unsigned char* re_buffer, int width, int height, int qbit)
{
	double mse = 0, psnr = 0;
	for (int i = 0; i < width * height; i++)
	{
		mse += pow((y_buffer[i] - re_buffer[i]), 2);
	}
	mse = mse / (width * height);
	psnr = 10 * log10(pow(255, 2) / mse);
	return psnr;
}

 //计算概率
void Frequency(unsigned char* buffer, double* frequency, int height, int width)   
{
	int size = height * width;
	for (int i = 0; i < size; i++) frequency[buffer[i]] += 1;
	for (int i = 0; i < 256; i++) frequency[i] /= size;
}

main函数

int main(int argc, char** argv) 
{

	char* o_name = argv[1];     //原始图像
	char* p_name = argv[2];    //预测误差图像
	char* r_name = argv[3];    //重建图像
	int qbit = atoi(argv[4]);   //量化bit数

	FILE* o_file = NULL;     //原始yuv
	FILE* p_file = NULL;     //预测误差yuv
	FILE* r_file = NULL;     //重建yuv

	int width = 256, 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];     //原始图像的yuv
	unsigned char* p_buffer = new unsigned char[width * height];  //预测误差图像buffer
	unsigned char* r_buffer = new unsigned char[width * height];    //重建图像buffer

	o_file = fopen(o_name, "rb");
	if (o_file == NULL) {
		cout << "Can't open the origin image!" << endl;
	}
	else {
		cout << "The origin image has been opened!" << endl;
	}

	p_file = fopen(p_name, "wb");
	if (p_file == NULL) {
		cout << "Can't open the predict image!" << endl;
	}
	else {
		cout << "The predict image has been opened!" << endl;
	}

	r_file = fopen(r_name, "wb");
	if (r_file == NULL) {
		cout << "Can't open the rebuild image!" << endl;
	}
	else {
		cout << "The rebild image has been opened!" << endl;
	}


	//读原文件
	fread(y_buffer, 1, width * height, o_file);
	fread(u_buffer, 1, (width * height) / 4, o_file);
	fread(v_buffer, 1, (width * height) / 4, o_file);

    //计算原文件的概率分布
	FILE* orig;    
	orig = fopen("D:/xlsx/Lena256B_2.txt", "wb");
	double frequency[256] = { 0 };
	Frequency(y_buffer, frequency, height, width);
	fprintf(orig, "%s\t%s\n", "symbol", "freq");
	for (int i = 0; i < 256; i++)
	{
		fprintf(orig, "%d\t%f\n", i, frequency[i]);
	}

	//DPCM
	DPCM(y_buffer, p_buffer, r_buffer, width, height, qbit);

	//计算PSNR
	double psnr;
	psnr = PSNR(y_buffer, r_buffer, width, height, qbit);
	cout << "The PSNR of " << o_name << " is " << psnr << endl;

	//写预测误差文件
	fwrite(p_buffer, 1, width * height, p_file);
	fwrite(u_buffer, 1, (width * height) / 4, p_file);
	fwrite(v_buffer, 1, (width * height) / 4, p_file);


     //计算预测误差文件的概率分布
	FILE* pred;   
	pred = fopen("D:/xlsx/Lena256B_p_2.txt", "wb");
	double frequency_[256] = { 0 };
	Frequency(p_buffer, frequency_, height, width);
	fprintf(pred, "%s\t%s\n", "symbol", "freq");
	for (int i = 0; i < 256; i++)
	{
		fprintf(pred, "%d\t%f\n", i, frequency_[i]);
	}


	//写重建图像文件
	fwrite(r_buffer, 1, width * height, r_file);
	fwrite(u_buffer, 1, (width * height) / 4, r_file);
	fwrite(v_buffer, 1, (width * height) / 4, r_file);


	fclose(o_file);
	fclose(p_file);
	fclose(r_file);

	delete[] y_buffer;
	delete[] u_buffer;
	delete[] v_buffer;
	delete[] p_buffer;
	delete[] r_buffer;

	return 0;

}

使用matlab将输出的概率分布文件画出

clc;%清理命令行窗口
clear all;%清理工作区
%读取excel数据，同目录下
tx=xlsread('Lena256B.xlsx');

symbol=tx(:,1);%第1列数据
freq=tx(:,2);%第2列数据

subplot(1,1,1)
plot(symbol,freq)
title('原始图像概率分布');
xlabel('symbol');
legend('fred');

实验结果

原始图像

  

原始图像概率分布

量化比特数	预测图	恢复图	预测图概率分布	峰值信噪比
8bit				51.1338
4bit				14.8189
2bit				7.64999

  量化电平越低，峰值信噪比越低，重建图像的质量越差，在2bit时已经达到了肉眼不能忍受的失真。