dct变换可以用什么方法代替_DCT变换

DCT变换的基本思路是将图像分解为8×8的子块或16×16的子块，并对每一个子块进行单独的DCT变换，然后对变换结果进行量化、编码。随着子块尺寸的增加，算法的复杂度急剧上升，因此，实用中通常采用8×8的子块进行变换，但采用较大的子块可以明显减少图像分块效应。

在图像压缩中，一般把图像分解为8×8的子块，然后对每一个子块进行DCT变换、量化，并对量化后的数据进行Huffman编码。DCT变换可以消除图像的空间冗余，Huffman编码可以消除图像的信息熵冗余。

DCT 是无损的，它只将图像从空间域转换到变换域上，使之更能有效地被编码。对一个图像子块而言，将对变换后的6?个系数进行量化，并对Z字顺序扫描系数表进行 编码。这种排列方法有助于将低频非0系数置于高频系数之前，直流系数由于包含了所有图像特征中的关键部分而被单独编码。量化后的系数经过熵编码进一步无损 压缩，通常采用的是Huffman编码。这种压缩编码方法中，图像质量的降低主要是由于对系数的量化造成，且不可恢复。假设子图像为f(x, y)，则DCT变换可以由下面的公式实现：

其中式(1)的f(u, v)表示变换域的高频成分，也称为交流系数；式(2)中F(0, 0)表示变换域中的低频成分，也称为直流系数。对变换结果进行分析，可以看出能量主要集中到左上角。DCT变换具有良好的去相关特性。在图像的压缩编码中，N一般取8。

在解码时首先得到各点的DCT系数，然后根据下面的DCT反变换即可恢复出原图像。DCT的反变换公式为：

利用公式(3)可以无损地恢复原图像。在实际的应用中，使用DCT变换的矩阵描述形式更容易理解。

基于系数重要性的分层编码

按照上面的方法对图像变换之后的系数进行编码，产生的码流不具有分层的特性，因而不具有分级传输的能力。为了实现分层压缩，我们对变换后的系数进行重新排列(见图1)，再进行支持分级传输特性的编码。

由上面图中的方法可知，变换后能量集中到变换域的左上角。因此基于DCT变换的 图像压缩方法是对系数采用“Z”字型扫描的方式处理。为了实现分层编码，我们将这些系数重新排列，然后进行分层次的编码：左上角的4个系数作为基本层的数 据；左上角16个系数作为第一增强层的数据，这16个系数是除基本层中的四个系数以外的其余系数；从16-47的数据作为第二增强层的数据；其余的16个 系数作为第三增强层数据。

经过重排并进行分层压缩之后，在各个层次上进行测试可以发现，在只传输基本层时可提供峰值信噪比为23.23dB以上的图像；增加一个增强层，图像的峰值信噪比强达到28.9dB以上；如果加入第二个增强层，恢复图像的峰值信噪比可以达到37.35dB。

采用这种方法，通过对DCT变换后 的系数按照其重要性进行取舍，可以非常方便地实现图像序列的分层压缩和分级传输，大大提高压缩算法对不同传输通道的适应能力，并兼顾到帧内图像质量与帧速 率。在一般的应用场合下，只传输第一增强层的数据即可达到较好的视觉效果，此时需要熵编码的数据量已经减少为原数据量的1/4，通过熵编码的方法，可以获 得很高的压缩比。

、

http://www.ed-china.com/ART_8800012576_400002_500004_TS_8425a4e3.HTM

离散余弦变换(DCT)

离散余弦变换DCT (Discrete Cosine Transform)是数码率压缩需要常用的一个变换编码方法。任何连续的实对称函数的付立叶变换中只含余弦项，因此余弦变换与付立叶变换一样有明确的物 理意义。DCT是先将整体图像分成N*N像素块，然后对N*N像素块逐一进行DCT变换。由于大多数图像的高频分量较小，相应于图像高频分量的系数经常为 零，加上人眼对高频成分的失真不太敏感，所以可用更粗的量化。因此，传送变换系数的数码率要大大小于传送图像像素所用的数码率。到达接收端后通过反离散余 弦变换回到样值，虽然会有一定的失真，但人眼是可以接受的。二维正反离散余弦变换的算式：

其中N是像块的水平、垂直像素数，一般取N=8。N大于8时效率增加不多而复杂性大为增加。8*8的二维数据块经DCT后变成8*8个变换系数，这些系 数都有明确的物理意义。譬如当U=0，V=0时F(0，0)是原64个样值的平均，相当于直流分量，随着U，V值增加，相应系数分别代表逐步增加的水平空 间频率和垂直空间频率分量的大小。当我们先只考虑水平方向上一行数据(8个像素)的情况时，如图1所示：

可见图像信号被分解成为直流成分；以及从低频到高频的各种余弦成分；而DCT系数只是表示了该种成分所占原图像信号的份额大小；显然，恢复图像信息可以表示为这样一个矩阵形式：F(n)=C(n)*E(n)

式中E(n)是一个基底 ，C(n)是DCT系数，F(n)则是图像信号。

如果再考虑垂直方向上的变化，那么，就需要一个二维的基底，即该基底不仅要反映水平方向频率的变化；而且要反映垂直空间频率的变化；对应于8*8的像素 块；其空间基底如图2所示：它是由64个像素值所组成的图像，通常也称之为基本图像。把它们称为基本图像是因为在离散余弦变换的反变换式中，任何像块都可 以表示成64个系数的不同大小的组合。既然基本图像相当于变换域中的单一的系数，那么任何像元也可以看成由64个不同幅度的基本图像的组合。这与任何信号 可以分解成基波和不同幅度的谐波的组合具有相同的物理意义。

图2给出了一个对8*8像块进行DCT变换的具体例子:

在如图3所示的实例中，可以看出：经过一次DCT变换计算后，64个样值仍然得到64个系数，本身码率并没有压缩；但是，经DCT变换后，比特数却增加 了。原样值是8比特，数据从0～255；得到的F10即直流分量的最大值是原来256的64/8份，即0～2047，交流分量的范围是- 1024～1023；但经过第2个步骤，即量化之后(图中△:4)，大多数高频分量的系数变为0，一般说来，人眼对低频分量比较敏感，对高频分量则不太敏 感；因而量化的结果是去掉了不太重要的高频分量，降低了码率。再通过“之”字型(Zig-Zag)方式读出数据，这样读出也可以减少码率。因为经DCT变 换以后，系数大多数集中在左上角，即低频分量区，因此“之”字型读出实际上是按二维频率的高低顺序读出系数的。这样就便于采用游程长度编码(Run Length Encoding)，所谓游程长度编码是指一个码可以同时表示码的值和前面有几个零。这样就发挥了“之”字型读出的优点，因为“之”字型读出，出现连零的 机会比较多，特别到最后，如果都是零，在读到最后一个数后，只要给出“块结束”(EOB)码，就可以结束输出，因此节省了很多码率。

//

离散余弦变换(Discrete Cosine Tranform，简称DCT)是一种与傅立叶变换紧密相关的数学运算。在傅立叶级数展开式中，如果被展开的函数式是偶函数，那么其傅立叶级数中只包含余弦项，再将其离散化可导出余弦变换，因此称之为离散余弦变换。时间域中信号需要许多数据点表示；在x轴表示时间，在y轴表示幅度。信号一旦用傅立叶变换转换到频率域，就只需要几点就可以表示这个相同的信号。如我们已经看到的那样，原因就是信号只含有少量的频率成分。这允许在频率域中只用几个数据点就可以表示信号，而在时间域中表示则需要大量数据点。

这一技术可以应用到彩色图像上。彩色图像有像素组成，这些像素具有RGB彩色值。每个像素都带有x，y坐标，对每种原色使用8x8或者16x16矩阵。在灰度图像中像素具有灰度值，它的x，y坐标由灰色的幅度组成。为了在JPEG中压缩灰度图像，每个像素被翻译为亮度或灰度值。为了压缩RGB彩色图像，这项工作必须进行三遍，因为JPEG分别得处理每个颜色成分，R成分第一个被压缩，然后是G成分，最后是B成分。而一个8x8矩阵的64个值，每个值都带有各自的x，y坐标，这样我们就有了一个像素的三维表示法，称作控件表达式或空间域。通过DCT变换，空间表达式就转化为频谱表达式或频率域。从而到达了数据压缩的目的。

DCT式目前最佳的图像变换，它有很多优点。DCT是正交变换，它可以将8x8图像空间表达式转换为频率域，只需要用少量的数据点表示图像；DCT 产生的系数很容易被量化，因此能获得好的块压缩；DCT算法的性能很好，它有快速算法，如采用快速傅立叶变换可以进行高效的运算，因此它在硬件和软件中都容易实现；而且DCT算法是对称的，所以利用逆DCT算法可以用来解压缩图像。

为什么采用8x8的图像块，其原因是由于计算量和像素之间关系的数量，许多研究表明，在15或20个像素之后，像素间的相关性开始下降。就是说，一列相似的像素通常会持续15到20个像素那么长，在此之后，像素就会改变幅度水平(或反向)。

模拟图像经采样后成为离散化的亮度值然后分成一个个宏块，而一个宏块有分成8x8大小的块，可以用一个矩阵来表示这个块。

在这里，N=8，矩阵中元素f(i，j)表示块中第i行、第j列像素的亮度值。把该矩阵看作一个空间域，显然，块中这些亮度值的大小有一定的随机性，无序性，或者说亮度值的分布没有什么特征；DCT变换就是来解决这个问题的，把这些随机的数据变的有序，便于对数据进行编码压缩。

一维DCT正交变换的公式为：

二维DCT逆变换公式：

其中

对于一维DCT变换，需要N2次乘法，和N(N－1)次加法；像一个8x8阶矩阵运算，如果使用普通的全矩阵乘法运算，需要84次乘法，N2(N2－1)次加法运算，显然，对于实时的压缩需要来说，这是一个极大的运算量，对硬件要求较高。