动态规划——图像压缩

动态规划——“深谋远虑，以空间换时间”。动态规划问题是算法学习中最头痛的问题之一，但它却也是求解最优化问题的最佳方法。其关键也是最难理解的莫过于寻找问题的重叠子问题。下面以图像压缩问题为例浅析动态规划算法在图像压缩中的应用，其关键在于如何通过对灰度序列的分段寻找最优存储结构。

问题：在计算机中常用像素点灰度值序列{P1,P2, … ,Pn}表示图像。其中整数Pi，1<=i<=n,表示像素点i的灰度值。通常灰度值的范围是0～255.图像压缩问题要求确定像素序列{P1,P2,…Pn}的最优分段，使得以此分段所需要的存储空间最小，其中0<=Pi<=256,1<=i<=n,每个分段的长度不超过256位。
设计：
l[i] :表示第i个像素段有l[i]个像素点
b[i]:表示第i个像素段的每个像素点占b[i]个位数
Si：表示第i段的像素点集合
t[i]:表示第i段前的所有段的像素点个数之和

l[i]*b[i]+11:表示第i个像素段所需要的存储空间，其中11是因为l[i]需要记录，l[i]的最大值不超过256,所以需要8位来表示l[i]，b[i]也需要记录，b[i]最大值为8，所以需要3位来存储b[i]的大小。
(l[1]*b[1]+l[2]*b[2]+…+l[m]*b[m])+11m:表示所有像素点所需要最小位的存储空间
图像的变位压缩存储格式将所给的像素点序列{P1,P2, … ,Pn}分割成m个连续段S1,S2,…Sm，第i个像素段Si中(1<=i<=m),有l[i]个像素，且该段中每个像素都只有b[i]位表示。设t[i]= l[1]+l[2]+…+l[i-1],1<=i<=m，则第i个像素点Si为
Si={Pt[i]+1,…,Pt[i]+l[i]},1<=i<=m
设hi=log(max(Pt[i]+1+1,…Pt[i]+l[i]+1),则hi<=b[i]<=8.因此需要用3位表示b[i],1<=i<=m。如果被限制1<=l[i]<=255,则需要用b位表示l[i],1<=i<=m。因此第i个像素段所需要的存储空间为了l[i]*b[i]+11位，按此格式存储像素序列{P1,P2,…Pn},需要(l[1]*b[1]+l[2]*b[2]+…+l[m]*b[m])+11m位的存储空间。
最优子结构性质
设l[i],b[i],1<=i<=m是{P1,P2,…Pn}的一个最优分段。假设l[1],b[1]不是{P1,…Pl[1]}的一个最优分段，且l[i],b[i],2<=i<=m是{Pl[1]+1,…,Pn}的一个最优分段，则{P1,…Pl[1]}一定存在一个最优分段l[1],b[1]与l[i],b[i], 2<=i<=m形成一个更优l[i],b[i], 1<=i<=m的分段，与已知矛盾，故原假设不成立，l[1],b[1] 是{P1,…Pl[1]}的一个最优分段.
递归计算最优值
设S[i]，1<=i<=n是像素序列{P1,P2,…Pi}的最优分段所需要存储的位数，S[i]=S[i-1]+1*log(Pi)+11 或 S[i]=S[i-2]+2*log(max(Pi-1,Pi))+11 或S[i]=S[i-3]=log(max(Pi,Pi-1,Pi-2))+11… 或S[i]=S[0]+i*log(max(Pi,Pi-1…,P1))+11中的最小值，此可归纳为
S[i]=min{S[i-k]+k*bmax(i-k+1,i)}+11 ，其中1<=k<=min{i,256}
bmax(i,j)=log(max{Pk}+1) (i<=k<=j)
这里，S[i]的计算求解可采用k从1开始，一直到i或256其中之一，因为这是在固定的长度段中，从Pi开始，依次进行比较，找到最小的存储位。在计算时，我们可以先求S[1],在求S[2],S[2]中就可以用到S[1],之后求S[3]，可以用到S[1],S[2],S[3],依次类推，就满足了动态规划的要用重叠子问题。
构造最优解
由于根据设计的求最小存储位的算法，l[i]和b[i]记录了最优分段所需的信息，假设求P1…Pn的最优分段，因为算法求的最优分段是从Pn，以此向前比较直到P1，找到最小的存储位和最优的断点，然后记录在l[n]中，因此最后一段的段长和像素位数分别存储于l[n]和b[n]中，他的前一段的段长度记录在l[n-l[n]]和b[n-l[n]]中，依次类推，有此可用递归函数来求出最优解的断点位置，之后在求出最优解。
时间复杂度分析：
动态规划是通过n步迭代计算子结构的最优解，在该算法中j的循环次数小于256次，故对每一个确定的i，可在O(1)的时间内完成计算。综上，整个算法所需的计算时间为O(n)。
实现代码：