一、实验原理
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、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。
3、PSNR
为对重建图像进行性能评价,引入PSNR(峰值信噪比)的概念。
PSNR的计算公式:
P
S
N
R
=
10
×
log
10
(
(
2
n
−
1
)
2
M
S
E
)
P S N R=10 \times \log _{10}\left(\frac{\left(2^{n}-1\right)^{2}}{M S E}\right)
PSNR=10×log10(MSE(2n−1)2)
其中MSE为图像的均方误差:
M
S
E
=
1
M
∑
m
=
1
M
(
y
m
−
y
^
m
)
2
M S E=\frac{1}{M} \sum_{m=1}^{M}\left(y_{m}-\hat{y}_{m}\right)^{2}
MSE=M1∑m=1M(ym−y^m)2
其中M为图像的长x高,
y
m
y_m
ym与
y
^
m
\hat{y}_{m}
y^m分别为原始图像和重建图像在相应位置的像素值。
经过PSNR的计算便能够对图像质量进行评判。PSNR的值越大,则图像的质量越好。
二、实验过程
本次采用左侧预测,并且默认最左侧像素前的真实值均为128。并且实现了如下功能:
- 分别进行8bit、4bit、2bit、1bit的差分预测编码
- 将编码结果进行输出并进行霍夫曼编码
- 分别计算原图像和量化后的图像进行概率分布
- 分别计算原图像经过熵编码和经过DPCM+熵编码的图像的压缩比
- 比较二者压缩效率
- 计算重建图像的PSNR
实验代码如下:
①main函数
int main(int argc,char* argv[]) //进行文件读写,并把Y传给DPCM进行插值
{
//读yuv文件
FILE* yuvfile, * re_y_file, * errfile;
yuvfile=fopen( argv[1], "rb");
int width = atoi(argv[4]), height = atoi(argv[5]);
int bitnum = 8;
unsigned char* y_buffer = (unsigned char*)malloc(height * width);
unsigned char* u_buffer = (unsigned char*)malloc(height * width/4);
unsigned char* v_buffer = (unsigned char*)malloc(height * width/4);
fread(y_buffer, 1, height * width, yuvfile);
fread(u_buffer, 1, height * width * 0.25, yuvfile);
fread(v_buffer, 1, height * width * 0.25, yuvfile);
fclose(yuvfile);
unsigned char* dBuf = (unsigned char*)malloc(height * width); //残差Buffer
unsigned char* reBuf = (unsigned char*)malloc(height * width); //重建Buffer
DPCM(y_buffer, dBuf, reBuf, width, height, bitnum);
//计算PSNR
cout << "psnr=" << PSNR(y_buffer, reBuf, width, height, bitnum) << endl;
//写残差图像,用作后续熵编码
errfile =fopen( argv[3], "wb");
fwrite(dBuf, sizeof(unsigned char), height * width, errfile);
fwrite(u_buffer, sizeof(unsigned char), height * width * 0.25, errfile);
fwrite(v_buffer, sizeof(unsigned char), height * width * 0.25, errfile);
fclose(errfile);
//写重建图像,用于计算PSNR
fopen_s(&re_y_file, argv[2], "wb");
fwrite(reBuf, sizeof(unsigned char), height * width, re_y_file);
fwrite(u_buffer, sizeof(unsigned char), height * width * 0.25, re_y_file);
fwrite(v_buffer, sizeof(unsigned char), height * width * 0.25, re_y_file);
fclose(re_y_file);
return 0;
}
②DPCM( )
void DPCM(unsigned char* yBuf, unsigned char* dBuf, unsigned char* reBuf, int w, int h, int bitNum)
{
/* yBuf: 原始Buffer
* dBuf: 残差Buffer
* reBuf: 重建Buffer
* w,h: 宽、高
* bitNum: 量化比特数 */
int quantized_interval = 512 / pow(2, bitNum);//量化间隔
int delta; //差值
int rebuild_value;
int primary_value = 128; //初始
for (int i = 0; i < h; i++)
{
for (int j = 0; j < w; j++)
{
if (j == 0) {
//第一列
delta = yBuf[w * i + j] - primary_value;
dBuf[w * i + j] = int((delta + 255) / quantized_interval) * quantized_interval / 2;
rebuild_value = (dBuf[w * i + j] * 2) - 256 + primary_value;
}
else {//其余列
delta = yBuf[w * i + j] - reBuf[w * i + j - 1];
dBuf[w * i + j] = int((delta + 255) / quantized_interval) * quantized_interval / 2;
rebuild_value = (dBuf[w * i + j] * 2) - 256 + reBuf[j - 1 + w * i];
}
rebuild_value = rebuild_value > 235 ? 235 :
(rebuild_value < 16 ? 16 : rebuild_value);
reBuf[w * i + j] = rebuild_value;
}
}
}
③PSNR( )
double PSNR(unsigned char* standard, unsigned char* image, int width, int height, int bitNum)
{
double psnr = 0, MSE = 0;
for (int i = 0; i < height * width; i++)
{
MSE += 1ll * (image[i] - standard[i]) * (image[i] - standard[i]);
}
MSE /= height * width;
long long t = 1 << bitNum; t -= 1; t *= t;
psnr = 10 * log10(t / MSE);
return psnr;
}
附:头文件
#include<stdio.h>
#include<stdlib.h>
#include<malloc.h>
#include<math.h>
#include<iostream>
using namespace std;
三、实验结果
实验结果如下表所示。
结果表明,经过熵编码之后,图像的大小会减小。并且经过DCMP+熵编码之后,图像大小比直接使用熵编码减小的更多,随着量化比特数的减小,压缩效率越来越高,但是变化越来越缓慢;与此同时,图像质量,也就是PSNR的值迅速恶化,重建出的图像质量越来越差,到1bit时缺乏细节,这与我们肉眼的观感也相吻合。
综上,量化应采用合适的量化比特数,使之既不至于太影响画面,又可以达到较高的压缩效率。