Matlab实现灰度图像无损编码压缩和游程编码

最新推荐文章于 2024-05-14 09:29:35 发布

Toblerone_Wind

最新推荐文章于 2024-05-14 09:29:35 发布

阅读量5.8k

点赞数 7

分类专栏：数字图像处理 Matlab 文章标签： matlab 图像处理游程编码无损压缩一维预测

本文链接：https://blog.csdn.net/qq_42276781/article/details/122135741

版权

Matlab 同时被 2 个专栏收录

23 篇文章 27 订阅

订阅专栏

数字图像处理

8 篇文章 20 订阅

订阅专栏

1. 要求

选择灰度图像，按照行的方式展开像得到一维的向量。按照一维预测的公式：

$\widehat{x_{k}}=\sum_{i=1}^{k-1}a_{i}x_{i}$

自行设计预测算法实现一维无损预测压缩。将预测压缩后的一维向量（由预测误差组成），进行一维行程/游程编码。计算原图、最终行程/游程编码压缩后数据所需要的存储空间，计算压缩率。

2. 分析

对于灰度图像 $I$ 的任意一行像素 $X$ ，其表达式如下，其中 $n$ 为灰度图像 $I$ 的列数。

$X=[x_{1}, x_{2}, ..., x_{n}]$

给定系数 $A$ 表达式如下

$A=[a_{1}, a_{2}, ..., a_{n-1}]$

则 $X$ 的第 $k$ 个元素的预测值 $\hat{x_{k}}$ 可表示为

$\widehat{x_{k}}=\sum_{i=1}^{k-1}a_{i}x_{i}$

预测误差 $e_{k}$ 可表示为

$e_{k}=x_{k}-\hat{x_{k}}$

特别地，当 $k=1$ 时， $\hat{x_{k}}$ 不存在，则 $e_{k}=x_{k}$

更一般地，用矩阵进行简化可得

$\hat{x_{k}}=[x_{1}, x_{2}, ..., x_{k-1}] * [a_{1}, a_{2}, ..., a_{k-1}]^{T}$

则

$e_{k}=x_{k}-[x_{1}, x_{2}, ..., x_{k-1}] * [a_{1}, a_{2}, ..., a_{k-1}]^{T}$

则可以写作如下代码

clear, close all
I = imread('cameraman.tif');
[row, col] = size(I); % 获取I的行数和列数
a = rand(col-1, 1);   % col-1个系数
e = zeros(size(I));   % 误差矩阵
for i = 1: row        % 遍历所有行
    e(i,1) = I(i,j);  % 第i行的第1列元素误差等于实际值
    for j = 2: col    % 从第2列开始遍历
        e(i,j) = I(i,j) - I(i,1:j-1) * a(1:j-1);
    end
end

为了方便，我使用rand函数生成长度为col-1（对应于上述的n-1）的列向量，其中的元素为0~1之间的随机浮点数。

实际运行上述代码的话，除了精度问题的报错，最大的问题是运行时间长。

3. 编码阶段-矩阵优化

可以观察到，上述循环的本质是逐列计算，因此我们可以从每一列入手，进行优化。

对于灰度图像 $I$ 的第 $j$ 列像素 $Y_{j}$ ，其表达式如下，其中 $m$ 为灰度图像 $I$ 的行数， $I_{i,j}$ 表示第 $i$ 行第 $j$ 列的值。

$Y_{j}=[I_{1,j}, I_{2,j}, ..., I_{m,j}]^{T}$

于是可以得到

$[\hat{I_{1,j}}, \hat{I_{2,j}}, ..., \hat{I_{m,j}}]^{T}=\begin{bmatrix} I_{1,1} & I_{1,2}& ...&I_{1,j-1} \\ I_{2,1} & I_{2,1}& ... &I_{2,j-1} \\ ... & ... & ... & ...\\ I_{m,1} & I_{m,2}&... & I_{m,j-1} \end{bmatrix} * [a_{1}, a_{2}, ..., a_{j-1}]^{T}$

即

$\hat{Y_{j}}=[Y_{1}, Y_{2}, ..., Y_{j-1}] * [a_{1}, a_{2}, ..., a_{j-1}]^{T}$

于是

$E_{j}=Y_{j}-[Y_{1}, Y_{2}, ..., Y_{j-1}] * [a_{1}, a_{2}, ..., a_{j-1}]^{T}$

其中 $E_{j}$ 表示误差矩阵中的第 $j$ 列

特别地，当 $j=1$ 时， $\hat{Y_{1}}$ 不存在，则 $E_{1}=Y_{1}$

因此图像编码阶段的代码可写为

clear, close all
I = imread('cameraman.tif');
[row, col] = size(I); % 获取I的行数和列数
a = rand(col-1, 1);   % col-1个系数
e = zeros(size(I));   % 生成误差矩阵
e(:,1) = I(:,1);      % 第一列特殊计算
II = double(I);       % I的副本，类型为double
for j = 2:col         % 遍历列
    e(:,j) = II(:,j) - (II(:,1:j-1) * a(1:j-1));
end
e = round(e);         % 将误差矩阵取整

这里说下要生成一个 $I$ 的副本，且类型为double，这是因为在下面的矩阵乘法运算的时候， $I$ 的默认类型是uint8，范围在0~255，uint8的矩阵和任何矩阵进行乘法运算，结果仍为uint8，即超出255的变为255，低于0的变为0，浮点数自动取整。为了得到较为准确的误差矩阵，需要在double类型上进行运算，于是预先生成一个double类型的 $I$ 的副本。

4. 图像解码

只需要将上述编码过程逆操作即可得到图像解码对应的代码

J = zeros(size(e));
J(:,1) = e(:,1);
for j = 2: col
    J(:,j) = e(:,j) + (J(:,1:j-1) * a(1:j-1));
end
J = uint8(J); %解码图像

至此，可以解释图像编码的应用场景。比如，张三需要将大量图像通过网络传输给李四，由于网络带宽限制，单张图像都无法直接传输，于是张三和李四事先约定了一个编码系数向量A。

在发送端，每一张图片都使用A编码得到一个误差矩阵e；

传输的过程中只需要传输误差矩阵e；

在接收端，只需要用A对误差矩阵e进行解码即可得到原始图像。

我们知道，这里的误差矩阵其实和图像的规模是一致的，即行数和列数都等于图像的行数和列数。

灰度图像中的每一个像素都由8位2进制进行编码表示，实际范围在0~256。

想要传输误差矩阵e，一个方法是使用调优过的系数向量A，使得生成的每一个误差矩阵中的任何一个元素，都可以用小于8位的2进制编码进行表示；另一个方法就是题目要求的，对误差矩阵进行游程编码。

游程编码（Run Length Coding，RLC）是一种简单的熵编码（无损压缩编码）方法。其基本原理是，将具有相同数值的、连续出现的信源符号用“符号+符号出现次数”的形式表示。如“zzxxxxyyyyyzzz”将被编码为“2z4x5y3z”。

这样就存在一个问题：假如图像中相邻的像素均不相等，那么游程编码非但起不到压缩作用，还会因为需要传输像素的出现次数，而使数据量增加一倍。因此，直接对图像进行编码时，游程编码只适用于有较多灰度相同的图像，也就是说图像最好包含大片的平坦区。

想要得到效果出色的游程编码结果，就必须使误差矩阵中出现较多连续的值，而误差矩阵中值分布情况，只与图像本身和编码系数向量A有关。

这里就有几个引人深思的问题：

能不能找出一个A，并且给出证明，任意的图像经过A编码得到的误差矩阵，均适合使用游程编码，或者误差矩阵中的每一个元素可以用7位2进制甚至6位2进制进行编码。
退而求其次，对于一个图像，能不能通过特定算法，花费较少计算代价计算出一个A，将这个特定的A和它对应的图像一起传输。

5. 游程编码

对于一个列向量 $K$ ，对其游程编码后得到矩阵 $L$ ，其中第一列表示值，第二列表示这个值连续出现的次数。

$K = \begin{bmatrix} 12\\ 12\\ 13 \\ 14 \\ 14 \\ 13 \\ 12 \end{bmatrix}\Rightarrow L=\begin{bmatrix} 12 & 2\\ 13 & 1\\ 14 & 2\\ 13 & 1\\ 12 & 1 \end{bmatrix}$

代码如下

%% 游程编码
function [L, size1, size2] = RLC(K)
L = [K(1) 1];
Lj = 1;
for i = 2: length(K)
    if K(i) == L(Lj,1)
        L(Lj,2) = L(Lj,2) + 1;
    else
        Lj = Lj + 1;
        L(Lj,:) = [K(i) 1];
    end
end
L_1 = ceil(log2(max(L(:,1))-min(L(:,1))+1));
L_2 = ceil(log2(max(L(:,2))-min(L(:,2))+1));
size1 = L_1 * length(L);
size2 = L_2 * length(L);
end

这里举例说明一下L_1的含义，如果矩阵L的第一列中最大值为260，最小值为20，则max(L(:,1))-min(L(:,1))+1的结果为260-20+1=241，显然20-260之间有241个连续的值，可以被8位2进制所编码表示，ceil(log2(X))计算的就是X能被几位二进制所表示。

L_1和L_2分别表示第一列和第二列能被几位二进制表示，size1和size2分别表示第一列和第二列占用的总位数。

size1+size2就是编码L矩阵所需要的总位数（总位数除以8就是总字节数）

6. 完整代码

clear, close all
I = imread('cameraman.tif');
subplot(1,3,1), imshow(I), title('原始图像')
[row, col] = size(I);
a = -1 + 2 * rand(col-1, 1);
a = a / 200;
e = zeros(size(I));
%% encode
%  由原图像I和预测系数a生成误差矩阵e
e(:,1) = I(:,1);      % 第一列特殊计算
II = double(I);       % I的副本，类型为double
for j = 2:col         % 遍历列
    e(:,j) = II(:,j) - (II(:,1:j-1) * a(1:j-1));
end
e = round(e);         % 将误差矩阵取整
subplot(1,3,2), imshow(uint8(e)), title('误差矩阵')
%% decode 
%  该过程只用到误差矩阵e和预测系数a
J = zeros(size(e));
J(:,1) = e(:,1);
for j = 2: col
    J(:,j) = e(:,j) + (J(:,1:j-1) * a(1:j-1));
end
J = uint8(J);          % 解码图像
subplot(1,3,3), imshow(J), title('解码图像')
%% run length encode
K = e';
K = K(:);
[L, size11, size12] = RLC(K);       % 对K进行游程编码
[L2, size21, size22] = RLC(L(:,2)); % 对游程编码的矩阵的第二列再次进行游程编码
total_size = 8 * length(I(:));
% 图像压缩率 = 原始图像所需空间 / 压缩图像所需空间
ratio = total_size / (size11+size21+size22);

%% 游程编码函数
function [L, size1, size2] = RLC(K)
L = [K(1) 1];
Lj = 1;
for i = 2: length(K)
    if K(i) == L(Lj,1)
        L(Lj,2) = L(Lj,2) + 1;
    else
        Lj = Lj + 1;
        L(Lj,:) = [K(i) 1];
    end
end
L_1 = ceil(log2(max(L(:,1))-min(L(:,1))+1));
L_2 = ceil(log2(max(L(:,2))-min(L(:,2))+1));
size1 = L_1 * length(L);
size2 = L_2 * length(L);
end

Toblerone_Wind

关注

7
点赞
踩
61

收藏

觉得还不错? 一键收藏
打赏
2
评论
Matlab实现灰度图像无损编码压缩和游程编码

1. 要求选择灰度图像，按照行的方式展开像得到一维的向量。按照一维预测的公式：自行设计预测算法实现一维无损预测压缩。将预测压缩后的一维向量（由预测误差组成），进行一维行程/游程编码。计算原图、最终行程/游程编码压缩后数据所需要的存储空间，计算压缩率。2. 分析对于灰度图像的任意一行像素，其表达式如下，其中为灰度图像的列数。给定系数表达式如下则的第个元素的预测值可表示为预测误差可表示为特别地，当时，不存在，则更一般地，用矩阵进行简化可得则
复制链接

扫一扫