声明
1.本系列的主要内容主要是罗列《数字图像处理》和《计算机图形学》这两门课程中涉及到的一些名词解释和简答题。
2.其中名词解释不仅仅是解释这个名词，还包括其结果、原理、类型或优缺点等方面的解释，以保证答题时字数足够。可以根据自身情况进行增添。
3.适合即将期末考试或准备相关领域考研的同学们。
名词解释
数字图像处理
数字图像处理是利用计算机对图像进行降噪、增强、复原、分割、特征提取等的理论、方法和技术。
图像增强
图像增强就是有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，以满足某些特殊分析的需要。
直方图均衡化
直方图均衡化是利用一幅图像的直方图特性来自动改善图像质量的一种方式，它通过变换函数，将一些像素出现频率较低的灰度级进行归并，使得处理后的各灰度级出现的频率差减小，从而得到一个比较均匀的直方图，以实现更加均匀的亮度分布，从而增强视觉效果。经过均衡化处理后的图像灰度出现的概率相同，此时图像的熵最大，图像所包含的信息量最大。
直方图规定化
直方图规定化又称为直方图匹配，与直方图均衡化想要得到具有一个平坦的直方图的图像不同，直方图匹配是为了得到一个具有特定的直方图的图像。
霍夫曼编码
huffman编码根据字符出现的频率来构建变长编码，将出现频率高的字符用短编码表示，出现频率低的字符用长编码表示，从而实现对数据的有效压缩。
优：
1.无损压缩，可以完全还原数据；
2.处理长文本或数据流时有较好的效果；
3.适用于文本、图像、音频等各类型的数据；
缺：
1.需要记录编码表，可能会导致一些额外开销；
2.对于频率分布不均匀的数据压缩效率可能比较低；
3.在字符出现频率相同时，可能会出现编码不唯一的情况；
图像几何变换
图像几何变换将图像中任一像素映射到一个新位置，是一种空间变换，关键在于确定图像中点与点之间的映射关系，通过这种映射关系能够知道原图像任意像素点变换后的坐标，或者变换后的图像像素在原图像中的坐标位置。
图像变换
图像变换是对图像进行某种正交变换，将空域的图像信息转换到频率域、时域等变换域中，并进行相应的处理分析。经过变换后，图像信息的表现形式发生变化，某些特征会凸显出来，方便后续处理，如低通滤波，高通滤波等等。图像变换中常用的正交变换有离散傅里叶变换、离散小波变换等。
膨胀
用于增大图像中前景对象的边界，将原始图像与结构元素进行卷积，结构元素有一个像素与前景重叠，则输出像素为前景，否则为背景。会增加前景对象的大小，填充空洞，有利于连接相互靠近的物体。
腐蚀
用于减小图像中前景对象的边界，将原始图像与结构元素进行卷积，结构元素完全覆盖前景图像时，则输出像素为前景，否则为背景。前景对象减小或消失，有利于分割相互靠近的物体，可以去除图像中的细小连接部分和孤立噪声点。
开运算
先用结构元素对图像进行腐蚀后膨胀。能去除孤立的小点、毛刺、小桥等，能消除小物体和细小噪声，并保留大物体的形状。
闭运算
先用结构元素对图像进行膨胀后腐蚀。能填平小孔，连接相近物体，保持物体整体性。
图形锐化
图像锐化是补偿图像轮廓，增强图像边缘及灰度跳变部分，使图像变得清晰的技术，图像锐化能突出图像上物体的边缘、轮廓或某些线性目标要素的特征。
颜色模型
颜色模型是在某种特定环境中对颜色的特性和行为的解释方法。它是在三维空间中的一个可见光子集，包含某个颜色域的所有颜色，任何一个颜色模型均无法包含所有可见光。常见的颜色模型有RGB模型、HSI模型、HSV模型、CMYK模型等。
图像平滑
图像在获取、传输、处理、存储的过程中会受到噪声的干扰或影响，使图像质量下降。图像平滑就是抑制或消除图像中的噪声，改善图像质量的一种图像处理技术。常用的方法有空域法和频域法，其中，空域法中用中值滤波、高斯滤波、均值滤波、双边滤波等对图像进行滤波，而频域法则是利用了噪声对应高频信息的特点进行低通滤波，如：理想低通滤波、巴特沃斯低通滤波等。
简答题
图像的数字化包含哪些步骤？简述这些步骤
图像的数字化主要包含采样、量化两个过程。采样是将图像像素空间坐标离散化。量化就是把采样点上表示亮暗信息的连续量离散化后，用数值表示出来，是对亮度大小的离散化 。经过采样和量化后，数字图像可以用整数阵列的形式来描述。
图像量化时，如果量化级比较小会出现什么现象？为什么？
如果量化级数过小，会出现伪轮廓现象。量化过程是将连续变化的颜色划分到有限个级别中，必然会导致颜色信息损失。当量化级别达到一定数量时，人眼感觉不到颜色信息的丢失。但当量化级数过小时，图像灰度分辨率就会降低，颜色层次就会欠丰富，不同的颜色之间过度就会变得突兀，可能会导致伪轮廓现象。
插值运算是什么？
利用已知临近像素点的灰度值来产生未知像素点的灰度值。插值效果的好坏直接影响到图形显示的视觉效果。常用的插值方法有最近邻插值，双线性插值，双三次插值等。
1.最近邻插值：最简单，也被称为零阶插值。一个非整数像素点的灰度值就等于距离它最近像素的灰度值。
2.双线性插值：利用非整数像素点周围的四个像素点的相关性，通过双线性计算得出。
3.双三次插值：较复杂，利用利用非整数像素点周围的16个像素点的进行计算，计算量更大。
图像处理中正交变换的目的是什么？图像变换主要用于那些方面？
1）使图像处理问题简化； 2）有利于图像特征提取； 3）有助于从概念上增强对图像信息的理解。
主要应用在图像增强、图像恢复、特征提取、图像压缩编码和形状分析等方面。
什么是傅里叶变换？
表示能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。傅里叶变换是一种分析信号的方法，它可分析信号的成分，也可用这些成分合成信号。傅里叶变换用正弦波作为信号的成分。
物理意义：是将图像的灰度分布两数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。经过傅里叶变换之后，横坐标即为分离出的正弦信号的频率，纵坐标对应的是加权密度。
请简述快速傅里叶变换的原理。
傅里叶变换是复杂的连加运算，计算时间代价很大。快速傅里叶变换的核心思想是，将原函数分解成一个奇数项和一个偶数项加权和，然后对所分解的奇数项和偶数项再分别分解
成其中的奇数项和偶数项的加权和。这样，通过不断重复两项的加权和来完成原有傅里叶变换的复杂运算，达到较少计算时间代价的目的。
进行图像傅里叶变换的目的是什么？
1）简化计算，即傅里叶变换可将空间域中复杂的卷积运算转化为频率域中简单的乘积运算。
2）对于某些在空间于中难以处理或处理起来比较复杂的问题，利用傅里叶变换把空间域表示的图像映射到频率域，再利用频率域滤波或频域分析方法对其进行处理的分析，然后再把频域中处理和分析的结果变回空间域，从而可达到简化处理和简化的目的。
分别简述傅里叶变换在图像的高/低通滤波中的应用原理
图像经过傅里叶变换后，景物的概貌部分集中在低频区段，景物的细节部分集中在高频区段，可以通过图像的高通滤波将图像中景物的细节提取出来。具体做法是，将傅里叶变换得到频谱图的低频部分强制为0，而将高频部分的信息保持不变，就相当于使用一个只保持高频部分信息不变，而低频信息被完全抑制的高通滤波器作用在原始图像上。将经过这样处理后的频谱进行傅里叶逆变换，就可以得到图像的细节部分。
图像经过傅里叶变换后，景物的概貌部分集中在低频区段，景物的细节部分集中在高频区段，可以通过图像的低通滤波将图像中景物的概貌提取出来。具体做法是，将傅里叶变换得到频谱图的高频部分强制为0，而将低频部分的信息保持不变，就相当于使用一个只保持低频部分信息不变，而高频信息被完全抑制的低通滤波器作用在原始图像上。将经过这样处理后的频谱进行傅里叶逆变换，就可以得到图像的概貌部分。
傅里叶频谱中心化？为什么要进行？
经过傅里叶变换后，高频部分在中心，低频部分在四周。频谱中心化是把低频放在中心，高频放在四周。将图像I（x，y）乘以（-1），再进行傅里叶变换，即可达到频谱中心化。
目的：因为大部分图片的有效信息集中在低频部分，图像傅里叶变换后低频在四周，高频在中心，且经过傅里叶变换，频谱中心化后能够容易地复原，所以图像通常需要进行频谱中心化操作以方便处理。
图像的点运算
点运算将输入图象映射为输出图象，输出图象每个象素点的灰度值仅由对应的输入象素点的值决定。它常用于改变图象的灰度范围及分布，是图象数字化及图象显示的重要工具。点运算因其作用性质有时也被称为对比度增强、对比度拉伸或灰度变换。
为什么要在频率域研究图像增强？
1)可以利用频率成分和图像外表之间的对应关系。一些在空间域表述困难的增强任务，在频率域中会变得非常简单；
2)滤波在频率域中更为直观，它可以解释空间域滤波的某些性质；
3)可以在频率域指定滤波器，做反变换，然后在空间域使用结果滤波器作为空间域滤波器的指导；
4)一旦通过频率域试验选择了空间滤波，通常实施都在空间域进行；
简述图像增强点处理时，常用的几种方法，原理，特点。
灰度直方图？性质？
灰度直方图是灰度级的函数，表示的是数字图像中每一灰度级与其出现频率间的统计关系。横轴表示灰度级别，纵轴表示对应灰度级别的像素数量或出现的频率。
性质：
1）直方图不具有空间特性，只描述个数，不能反映空间位置信息。
2）直方图反映图像的大致描述，如图像灰度范围，灰度级分布，整幅图像平均亮度等。
3）一幅图像唯一对应相应的直方图，而不同图像可以具有相同的直方图。 4）若一幅图像可分为多个子区，则多个子区直方图之和等于对应的全图直方图。
说明一幅灰度图像的直方图分布与对比度之间的关系
直方图分布集中和峰值明显程度反映了图像的对比度水平，分布越集中和峰值越明显，对比度越高；反之，分布越平坦和峰值不明显，对比度越低。
直方图均衡化的基本思想是什么？步骤？有什么缺点？
直方图均衡化是利用一幅图像的直方图特性来自动改善图像质量的一种方式，它通过变换函数，将一些像素出现频率较低的灰度级进行归并，使得处理后的各灰度级出现的频率差减小，从而得到一个比较均匀的直方图，以实现更加均匀的亮度分布，从而增强视觉效果。经过均衡化处理后的图像灰度出现的概率相同，此时图像的熵最大，图像所包含的信息量最大。
步骤：
1.统计图像中每个像素值出现的频率，得到原始图像的灰度直方图；
2.计算每个灰度级别的累积密度函数；
3.根据累积密度函数将原始图像中的每个像素值映射到一个新的灰度值，以实现均衡化；
4.生成直方图均衡化处理后的图像。
缺点：
1.输出图像的灰度级可能被过多地合并，导致图像信息的丢失；
2.在对图像对比度增强的同时，可能有时会增强图像中的噪声；
3.对于大尺寸的图像，需要大量计算量和内存消耗；
试解释为什么离散直方图均衡技术一般不能得到平坦的直方图？
1）直方图均衡化是由连续的情况推导出来的，离散情况只是沿用了这种方法，所以连续情况下直方图均衡化后直方图是平坦的，但离散情况并不是。
2）在离散情况下，直方图均衡只是通过归并某些概率低的值，使得各值出现的概率尽量均匀，这种简单的归并，并不能使得所有的概率值相等。
3）在离散情况下，如果要是完全平坦，那么假设有n个值，那么它们出现的概率本来就高于1/n，此时由于离散值是不可以拆分的，那么出现概率本来就高于1/n的就肯定无法满足要求。（直方图均衡化是将对应几个灰度级合并成一个灰度级，通过减少灰度级来实现的均衡化，所以均衡化后的直方图中会产生不连续的部分，而不是完全平坦的分布。）
将高频加强和直方图均衡相结合是得到边缘锐化和对比度增强的有效方法。上述两个操作的先后顺序对结果有影响吗？为什么？
有影响，应先进行高频加强，再进行直方图均衡化。
高频加强是高通滤波后的图像，它整体偏暗，通过直方图均衡化将提高图像的平均灰度的亮度，从而达到锐化边缘，提高对比度的效果。若先进行直方图均衡化，再进行高频加强，对于图像亮度呈现较强的两极现象时，例如多数像素主要分布在极暗区域，而少数像素存在于极亮区域时，先直方图均衡化会导致图像被漂白，再进行高频加强，获得的图像边缘不突出，图像的对比度较差。
列举RGB彩色模型的内容、优点、缺点、适用范围？
RGB模型是建立在笛卡尔坐标系里的一个立方体，三个轴分别代表R-红色，G-绿色，B-红色。原点对应黑色，离原点最远的顶点对应白色。属于加色系统。
缺：不直观，仅从RGB值中很难知道该值所代表颜色的认知属性，不符合人对颜色的感知心理，另外RGB颜色空间不均匀，两种颜色之间的知觉差异不能采用颜色空间中两个颜色点之间的距离来表示。
适用于显示器设备。
为什么有时需要将一种颜色数据表示形式转换为另一种形式？
目前的颜色空间可分为两类，一类是面向硬件设备的，如：彩色显示器、打印机等，另一类是面向以彩色处理为目的的应用，面向硬件设备常用RGB模型，面向彩色处理常用HSI颜色空间和HSV颜色空间。针对不同的应用目的采用不同颜色空间更合适。因此，有时需要将一种数据表示形式转换为另一种形式。
真彩色图像增强、伪彩色图像增强、假彩色图像增强的原理是什么？
真彩色图像增强：对图像中每个像素的RGB通道进行处理来改善图像质量的技术。
伪彩色图像增强：是一种灰度到彩色的映射技术，即将单通道的灰度图映射到伪彩色空间（如：热度图，彩虹色）来呈现图像，以提高图像内容的可辨识度，达到增强的目的。如密度分割法空间域灰度级-彩色变换。
假彩色增强：是从一幅初始的彩色图像或者从多谱图像的波段中生成增强的彩色图像的一种方法，其实质是从一幅彩色图像映射到另一幅彩色图像，由于得到的彩色图像不再能反映原图像的真实色彩，因此称为假彩色增强。
图像锐化和平滑的区别和联系？
空域滤波技术根据功能主要分为平滑滤波与锐化滤波。
不同点：平滑滤波能减弱或消除图像中的高频率分量而不影响低频分量，高频分量对应图像中的区域边缘等灰度值具有较大变化的部分，平滑滤波可将这些分量滤去减少局部灰度起伏，使图像变得平滑，也可用于消除噪声，或在提取较大目标前去除太小的细节或将目标的小间断连接起来。
锐化滤波正好相反，能减弱或消除傅利叶空间的低频分量，达到了增强高频分量、锐化图像细节的效果。锐化滤波常用于增强被模糊的细节或目标的边缘，强化图像的细节。
相同点：都能减弱或消除傅利叶空间的某些分量，而不影响或较少影响其他分量，从而达到增强某些频率分量的效果。
联系：两者效果相反，互为补充，从原始图像中减去平滑滤波器的结果得到锐化滤波器的效果，反之亦然。
均值滤波器对高斯噪声的滤波效果，对椒盐噪声的滤波原理？试分析其中的原因
均值滤波原理：在图像上选择一像素，以此像素为中心选择一邻域，将邻域中所有像素灰度值的均值来替代原来中心像素点的像素值，通过降低噪声点与周围像素点的差值以去除噪声。
均值滤波器对高斯噪声的滤波结果较好。
原因：高斯噪声是幅值随机，近似正态分布，但分布在每点像素上。因为正态分布的均值为 0，所以均值滤波可以消除噪声。椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。因为噪声的均值不为 0，所以均值滤波不能很好地去除噪声点。
效果分析：若领域内有噪声存在，均值滤波后噪声的幅度会大为降低，但点与点之间的灰度差值会变小，边缘变得模糊。领域越大，模糊越厉害。
中值滤波器对椒盐噪声的滤波效果，对椒盐噪声的滤波原理？试分析其中的原因
中值滤波原理是：在图像上选择一像素，以此像素为中心选择一邻域，将邻域中所有像素的灰度值进行排序，噪声点的值必然位于序列的前（后）端。而序列的中值一般未受到污染，以达到滤除噪声的目的。
中值滤波对椒盐噪声的滤波效果较好，容易去除孤立的点、线、噪声，模糊程度轻微，边缘保留较好。
原因：椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。使用中值滤波时，被污染的点一般不处于中值的位置，即选择适当的点来替代污染点的值，所以处理效果好。
中值滤波去除高斯噪声的效果，为什么？
中值滤波去除高斯噪声的效果不如均值滤波好。因为受高斯噪声污染的图像中每点都是污染点，没有干净点，所有不能选择特点为适当点代替污染点的中值滤波来处理。而若噪声正态分布的均值为0，则可以用均值滤波进行消除。
高斯滤波原理？
在图像上选择一像素，以此像素为中心选择一邻域，将邻域中所有像素灰度值的按高斯正态分布曲线进行统计，分配相应的权值系数，然后将领域内所有点的加权平均值来代替原来的像素值，通过降低噪声点与周围像素点的差值以去除噪声。
缺点：仅考虑了位置对中心像素的影响，会较明显地模糊边缘。
双边滤波原理？
是一种局部加权平均，在考虑到邻域内像素的空间邻近性的同时还考虑到了邻域内像素的灰度相似性，双边滤波比高斯滤波多了一个高斯方差，所以在边缘附近，距离较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘像素不会发生较大改变。
特点：非线性，非迭代，局部，简单。
基于图像边缘的算子分割技术
一阶微分算子
1)梯度算子
g(x,y)=|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|
2)Robert算子
g(x,y)=|f(x,y)-f(x+1,y+1)|+|f(x+1,y)-f(x,y+1)|对具有陡峭的低噪声图像处理效果好，但提取的边缘较粗，因此边缘定位不是很准确。
3)Sobel算子
引入平均因素，对图像中的随机噪声有一定的平滑作用，相隔两行或两列求差分，故边缘两侧的元素得到了增强，边缘显得粗而亮。
4)Prewitt算子
对灰度渐变和噪声较多的图像处理效果好。但边缘较宽，而且间断点多
抗噪性能最好
二阶微分算子
拉普拉斯Laplacian算子
对噪声敏感，所以很少用来检测边缘，而是用来判断边缘像素是图像的明区还是暗区
Canny算子
不容易受噪声干扰，能检测到真正的弱边缘。使用两种不同阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。
一阶微分算子与二阶微分算子在提取图像的细节信息时，有什么异同？
一阶微分算子获得的边界是比较粗略的边界，反映的边界信息较少，但是所反映的边界
比较清晰；二阶微分算子获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。
图像边缘是什么？有哪些特征？
图像边缘特点：在边缘上的灰度变换比较平缓，而在边缘两侧灰度变化较快，梯度值较大。通常使局部不连续的，且是亮度变化最显著的部分。
边缘类型：细线型边缘、突变型边缘、渐变型边缘
简述图像退化
图像退化：图像在形成，记录，处理和传输过程中，由于成像系统，记录设备，传输介质和处理方法的不完善，导致图像质量下降的现象。
图像复原：利用退化过程的先延知识，去恢复已被退化图像的本来面目。
图像退化的数学模型为：g(x,y)=h(x,y)⋆f(x,y)+n(x,y)
退化和复原过程：
图像复原的过程：找退化原因-建立退化模型-反向推演-恢复图像
图像复原与图像退化的关系
图像复原可以看作是图像退化的逆过程，是将图像退化的过程加以估计，建立退化的数学模型后，补偿退化过程造成的降质在图像退化过程确知的情况下，图像退化的逆过程是有可能进行的。但实际情况经常是退化过程并不知晓，这种复原称为盲目复原由于图像模糊的同时，噪声和干扰也会同时存在，这也为复原带来了困难和不确定性。
什么叫图像复原？图像复原和图像增强有何区别？
图像复原（image restoration）：利用退化过程的先延知识，去恢复已被退化图像的本来面目。
图像增强（image enhancement）：增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。
区别：图像复原是客观过程，需要知道图像退化的过程和机制等先验知识，据此找出一种相应的逆过程解算方法，从而得到复原的图像。而图像增强是主观过程，根据用户目的和兴趣有选择地突出感兴趣的部分，可以不顾增强后的图像是否失真。
联系：目的都是为了改善图像质量。
什么是图像分割？它的基本策略是什么？
图像分割是指把一幅图像分成不同的具有特定性质区域的图像处理技术，将这些区域分离提取出来以便进一步提取特征，是由图像处理到图像分析的关键步骤。
图像分割后区域的特点：
分割出来的区域在某些特征方面具有一致性（如灰度，颜色，纹理等）；
区域内部单一，没有过多小孔；
相邻区域对分割所依据的特征有明显的差别；
分割边界明显。
图像分割的方法有哪些？
1.阈值分割
基于灰度直方图的阈值选择
选择阈值为灰度图两峰间的谷底间对应的灰度值，将图像分割成两部分。基于模式分类思路的阈值选择
原理：数据尽量密集，类间尽量分离的要求将所有像素分为两类。“同一类别”的像素有较大一致性，“不同类别”的像素有较大差异，根据不同衡量方法有不同算法。
eg.最大类间方差法OTSU
2.边界分割
步骤：
1)边界检测：通过各种边缘检测算子从图像中提取出边缘线段。
2)边界改良：对边界进行闭合、细化等改良，形成完整边界。
eg.数学形态学方法、hough变换、基于梯度的边界闭合。
3)边界跟踪：从图像中某个边界出发，依据判别标准搜索下一个边界点，直至形成边界曲线。
3.区域分割
根据特定区域与其它背景区域特性上的不同来进行图像分割技术。
1）区域生长：从图像中某个位置开始，使某块区域变大，直到被比较的像素与区域像素有显著差异为止。
2）区域分裂：检验一个区是否具有一致性，若不具有，分裂成几个小区域，然后再检测小区域的一致性，不具有则进一步分裂，重复该过程直至每个区域都有一致性。
3）区域合并：针对图像已被分成若干个小区域的情况，合并具有相似性的相邻区域。
4.分水岭分割
设水从谷底上涌，水位逐渐升高，若水位高过山岭，不同流域的水将会汇合。在不同流域中的水面将要汇合到一起是，在中间筑起一道堤坝，阻止水汇合，堤坝高度随着水面上升而增高。当所有山峰都被淹没时，露出水面的只剩下堤坝，且将整个平面分成了若干个区域，即实现了分割。
图像编码基本原理是什么?数字图像的冗余表现有哪几种表现形式?
图像信号数字化后的数据量非常大，不利于信息的存储和传输，为了有效地传输、存储、管理、处理和应用图像，需要将图像信息进行压缩，力求用最少的码数传递最大的信息量。
虽然表示图像需要大量的数据，但图像数据是高度相关的，或者 说存在冗余(Redundancy)信息，去掉这些冗余信息后可以有效压缩图像，同时又不会损害图像的有效信息。
数字图像的冗余主要表现为以下几种形式:编码冗余、心里视觉冗余、像素间冗余。
什么是图像的无损压缩？有哪些？分别有什么特点？
无损编码是指编码后的图像可经译码完全恢复为原图像的压缩编码方法。
如huffman编码，算术编码，LZW编码等。
Huffman编码
huffman编码根据字符出现的频率来构建变长编码，将出现频率高的字符用短编码表示，出现频率低的字符用长编码表示，从而实现对数据的有效压缩。
优：
1.无损压缩，可以完全还原数据；
2.处理长文本或数据流时有较好的效果；
3.适用于文本、图像、音频等各类型的数据；
缺：
1.需要记录编码表，可能会导致一些额外开销；
2.对于频率分布不均匀的数据压缩效率可能比较低；
3.在字符出现频率相同时，可能会出现编码不唯一的情况
算术编码
算数编码与其余熵编码方法把输入的消息分割成不同符号，然后对每个符号进行编码不同，算数编码直接将整个输入消息编码为一个浮点数。
优：
1.无损压缩，可以完全还原数据；
2.对数据的压缩程度高，对与频率分布不均匀的数据压缩效果好；
3.灵活性强，不需要固定长度编码；
缺：
1.需要进行精确的浮点数运算，计算复杂度高；
2.生成的算术编码可能会占用较多存储空间；
3.解码复杂度高； LZW编码;
LZW编码
通过建立动态字典并将输入数据映射到字典中的条目来实现数据压缩。
优：
1.算法逻辑简单；
2.动态更新字典，灵活性高；
3.在处理文本数据等具有重复性数据时，压缩效果好；
缺：
1.对随机数据压缩效果有限；
2.当字典大小受限时，可能会影响编码效果；
什么是图像的有损压缩？有哪些？分别有什么特点？
有损编码是指编码后的图像经译码不能完全恢复为原图像的压缩编码方法。如预测编码，变换编码等。
预测编码：根据图像的相关性先进性预测，再针对预测误差进行编码；
变换编码：对图像信号进行去除相关性的处理，然后再将其作为独立信源对待。
3752
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
