【数据压缩】第六次作业——DPCM压缩系统的实现与分析

最新推荐文章于 2022-07-16 21:31:16 发布
最新推荐文章于 2022-07-16 21:31:16 发布
阅读量1.3k 收藏 1
点赞数 1
文章标签： 算法 c++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47171941/article/details/124557128
版权
本文档详细介绍了DPCM（差分预测编码调制）的原理和实现，包括固定预测器和均匀量化器的设计。实验通过C/C++编程实现了DPCM编码器，针对不同量化比特数（1、2、4、8比特）进行了编码，分析了编码效率和图像质量（PSNR）。实验结果显示，量化比特数越大，PSNR越高，图像质量越好，而DPCM编码系统结合熵编码能显著提高压缩效果。此外，还讨论了实验中遇到的问题及解决策略。
摘要由CSDN通过智能技术生成

目录

一、 实验项目名称

二、 实验目的

三、实验内容

1．DPCM编解码原理

2．DPCM编码系统的设计

3. PSNR

四、实验步骤

1. 编写DPCM系统

2. 计算PSNR

3. 得到概率分布图和图像压缩比

五、 实验结果

六、 实验问题

一、 实验项目名称

DPCM压缩系统的实现和分析

二、 实验目的

掌握DPCM编解码系统的基本原理。初步掌握实验用C/C++/Python等语言编程实现DPCM编码器，并分析其压缩效率。

三、实验内容

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。还可对预测误差进行1比特、2比特和4比特的量化设计。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

PNSR(Peak Signal to Noise Ratio)，即峰值信噪比，计算公式如下：

PNSR=10\times log_{_10}\left ( \frac{MAX_{I}^{2}}{MSE} \right )

其中，MAXI是表示图像点颜色的最大数值，如果每个像素值用 8 位表示，那么就是 255

MSE(Mean squared error)，均方误差，计算公式如下：

MSE=\frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}\left \| I(i,j)-K(i,j) \right \|^{2}

 m*n表示图像大小，I(i,j)和K(i,j)分别为两幅图像对应点的像素值。

PSNR越大表示重建图像越接近原始图像

四、实验步骤

1. 编写DPCM系统

量化器：采取均匀量化，可以选择多个量化比特

预测器：采取左侧预测

代码如下：

第一部分：

这里一次性处理了所有8幅4:2:0格式的yuv图像文件，第一幅图像大小为768*512，为彩色图像，单独处理，u和v分量从原文件读取；剩余7幅图像大小为256*256，为黑白图像，u和v分量直接赋值128

int main(int argc,char * argv[])
{
	FILE* ori_Y = NULL;           //指向输入原始YUV文件指针
	FILE* pred_Y = NULL;          //指向输出预测误差yuv文件指针
	FILE* rec_Y = NULL;           //指向输出重建yuv文件指针

	unsigned char* oriBuf = NULL;    //原始y缓存区
	unsigned char* uBuf = NULL;      //u缓存区
	unsigned char* vBuf = NULL;      //v缓存区
	unsigned char* predBuf = NULL;   //预测误差缓存区
	unsigned char* recBuf = NULL;    //重建y缓存区

	int w = 0;
	int h = 0;
	int image_size = 0;

	for (int i = 1; i < argc - 16; i++)
	{
		if (i == 1) //因为第一个文件大小是768*512，且为彩色图像
		{
			w = 768;
			h = 512;
			image_size = w * h;
			ori_Y = fopen(argv[1], "rb");
			pred_Y = fopen(argv[9], "wb");
			rec_Y = fopen(argv[17], "wb");

			//开辟缓存区
			oriBuf = (unsigned char*)malloc(image_size);
			uBuf = (unsigned char*)malloc(image_size/4);
			vBuf = (unsigned char*)malloc(image_size/4);
			predBuf = (unsigned char*)malloc(image_size);
			recBuf = (unsigned char*)malloc(image_size);

			if (ori_Y == NULL)                  //找不到原始yuv文件
			{
				printf("cannot find original yuv file\n");
				exit(1);
			}
			else 
				cout<<"原始文件:"<<argv[1]<<endl;
			if (pred_Y == NULL)                  //找不到预测误差yuv文件
			{
				printf("cannot find prediction error yuv file\n");
				exit(1);
			}
			else
				cout<<"预测误差文件:"<<argv[9]<<endl;
			if (rec_Y == NULL)                  //找不到重建yuv文件
			{
				printf("cannot find reconstruction yuv file\n");
				exit(1);
			}
			else
				cout<<"重建文件:"<<argv[17]<<endl;

			//读取原始yuv文件的y u v
			if (fread(oriBuf, 1, image_size, ori_Y) != image_size)
			{
				printf("read y error!");
				exit(1);
			}
			if (fread(uBuf, 1, image_size/4, ori_Y) != image_size / 4)
			{
				printf("read u error!");
				exit(1);
			}
			if (fread(vBuf, 1, image_size/4, ori_Y) != image_size / 4)
			{
				printf("read v error!");
				exit(1);
			}
		}
		else { //剩余7个文件大小均为256*256,且为黑白图像
			w = 256;
			h = 256;
			image_size = w * h;
			ori_Y = fopen(argv[i], "rb");
			pred_Y = fopen(argv[i + 8], "wb");
			rec_Y = fopen(argv[i + 16], "wb");
			//开辟缓存区
			oriBuf = (unsigned char*)malloc(image_size);
			uBuf = (unsigned char*)malloc(image_size * 0.25);
			vBuf = (unsigned char*)malloc(image_size * 0.25);
			predBuf = (unsigned char*)malloc(image_size);
			recBuf = (unsigned char*)malloc(image_size);
			if (ori_Y == NULL)                  //找不到原始yuv文件
			{
				printf("cannot find original yuv file\n");
				exit(1);
			}
			else
				cout << "原始文件:" << argv[i] << endl;
			if (pred_Y == NULL)                  //找不到预测误差yuv文件
			{
				printf("cannot find prediction error yuv file\n");
				exit(1);
			}
			else
				cout << "预测误差文件:" << argv[i+8] << endl;
			if (rec_Y == NULL)                  //找不到重建yuv文件
			{
				printf("cannot find reconstruction yuv file\n");
				exit(1);
			}
			else
				cout << "重建文件:" << argv[i+16] << endl;

			//读取原始yuv文件的y
			if (fread(oriBuf, 1, image_size, ori_Y) != image_size)
			{
				printf("read y error!");
				exit(1);
			}
			//黑白图像u,v直接赋值为128
			memset(uBuf, 128, image_size/4); // U全设为128 
			memset(vBuf, 128, image_size/4); // V全设为128

		}
		DPCM(w, h, oriBuf, predBuf, recBuf, 8);
		fwrite(predBuf, 1, image_size, pred_Y);
		fwrite(uBuf, 1, image_size / 4, pred_Y);
		fwrite(vBuf, 1, image_size / 4, pred_Y);
		fwrite(recBuf, 1, image_size, rec_Y);
		fwrite(uBuf, 1, image_size / 4, rec_Y);
		fwrite(vBuf, 1, image_size / 4, rec_Y);
		PSNR(w, h, oriBuf, recBuf);

		free(oriBuf);
		free(predBuf);
		free(recBuf);
		free(uBuf);
		free(vBuf);

		fclose(ori_Y);
		fclose(pred_Y);
		fclose(rec_Y);
	}

第二部分：

代码中"bit"代表量化比特数，设置"s" 使得可以自由选择量化比特数

void DPCM(int w, int h, unsigned char* oriBuf, unsigned char* predBuf, unsigned char* recBuf, int bit)
{
	double s = 512 / (1 << bit); //未量化误差为9bit数据，若8bit量化，应该除以2=512/2^8
	int max = pow(2, bit) - 1;
	for (int i = 0; i < h; i++)
		for (int j = 0; j < w; j++) {
			if (j == 0) { //采用左边预测，当是第一列数据时误差为数据-128
				predBuf[i * w + j] = round((oriBuf[i * w + j] - 128) / s + 255 / s);  //量化后误差抬高255 / s
				recBuf[i * w + j] = (predBuf[i * w + j] - 255 / s) * s + 128;  //重建值为反量化后的误差+128
				if (predBuf[i * w + j] > max)
					predBuf[i * w + j] = max;
				if (predBuf[i * w + j] < 0)
					predBuf[i * w + j] = 0;
				if (recBuf[i * w + j] > 255)
					predBuf[i * w + j] = 255;
				if (recBuf[i * w + j] < 0)
					recBuf[i * w + j] = 0;
				if (bit < 8) //提亮，保持在128附近
					predBuf[i * w + j] += 128;
			}
			else {
				predBuf[i * w + j] = round((oriBuf[i * w + j] - recBuf[i * w + j - 1]) / s + 255 / s); //量化后误差255 / s
				recBuf[i * w + j] = (predBuf[i * w + j] - 255 / s) * s + recBuf[i * w + j - 1]; //重建值为反量化后的误差+上一个重建值
				if (predBuf[i * w + j] > max)
					predBuf[i * w + j] = max;
				if (predBuf[i * w + j] < 0)
					predBuf[i * w + j] = 0;
				if (recBuf[i * w + j] > 255)
					predBuf[i * w + j] = 255;
				if (recBuf[i * w + j] < 0)
					recBuf[i * w + j] = 0;
				if (bit < 8)  //提亮，保持在128附近
					predBuf[i * w + j] += 128;
			}	
		}
}

2. 计算PSNR

void PSNR(int w, int h, unsigned char* oriBuf, unsigned char* recBuf)
{
	double mse = 0;
	double psnr = 0;
	for (int i = 0; i < h; i++)
		for (int j = 0; j < w; j++)
			mse += pow((recBuf[i * w + j] - oriBuf[i * w + j]), 2);
	mse = mse / (w * h);
	psnr = 10 * log10(pow(255, 2) / mse);
	cout << "PSNR:" << psnr << endl;
}

3. 得到概率分布图和图像压缩比

将原始文件、预测误差文件分别输入Huffman编码器进行编码，得到输出码流、给出概率分布图并计算压缩比。

概率分布图使用matlab进行绘制，代码如下：

clear;clc
load YUV.mat
x=0:1:255;
c=size(YUV,2);
mytitle={"Birds_huff","Birds_pred_huff","Birds1_pred_huff","Birds2_pred_huff","Birds4_pred_huff","Camman_huff","Camman_pred_huff","Camman1_pred_huff","Camman2_pred_huff","Camman4_pred_huff","Clown_huff","Clown_pred_huff","Fruit_huff","Fruit_pred_huff"};
for i=1:c
    figure(i)
    bar(x,YUV(:,i));
    axis([0 255 0 0.2]);
    title(mytitle(1,i));
    grid on
end

其中YUV存取了概率分布值

压缩比由图片大小计算得出。

五、 实验结果

原始图像，预测误差图像，重建图像，PSNR，概率分布图

原始图像预测误差图像重建图像PSNR

8

bit

概率分布图

51.1417

4

bit

28.7952

2

bit

13.3436

1

bit

9.11363

8

bit

51.1239

4

bit

28.8787

2

bit

10.9003

1

bit

7.14243

8

bit

51.1422

4

bit

28.8409

2

bit

12.9928

1

bit

9.37571

8

bit

51.1538

8

bit

51.1338

8

bit

51.1338

8

bit

51.1402

8

bit

51.1347

 从以上结果可以看出：

1. 量化比特数越大，PSNR越高，图像越接近原图像；反之比特数越低，PSNR越低，图像质量越差，1bit量化只剩下黑白两块，已经完全看不出原图像的样子。

2. 预测误差的概率分布图接近Laplace分布，更容易进行压缩。

3. Birds图像是彩色图，处理的时候仅处理了亮度分量Y，U和V分量仅直接是原图值，所以得到的概率分布图会显示出原图的U和V的值（或许彩色图像的U和V也需要处理）

压缩比

原文件大小/字节

熵编码文件大小

压缩比量化比特数预测误差文件大小

DPCM+熵编码文件大小

压缩比
Birds.yuv589,824531,6850.9018bit589,824353,2360.599
Birds.yuv589,824531,6850.9014bit589,824255,0280.432
Birds.yuv589,824531,6850.9012bit589,824241,2170.409
Birds.yuv589,824531,6850.9011bit589,824244,7560.415
Camman.yuv98,30465,7810.6698bit98,30439,6230.403
Camman.yuv98,30465,7810.6694bit98,30421,626 0.220
Camman.yuv98,30465,7810.6692bit98,30418,1090.184
Camman.yuv98,30465,7810.6691bit98,30412,3020.125
Clown.yuv98,30474,9130.7628bit98,30447,9180.487
Fruit.yuv98,30474,4720.7588bit98,30442,0930.428

从以上结果可以看出：

经过DPCM压缩系统处理后再进行熵编码，压缩效果明显比只进行熵编码要好

（对于灰白图像，量化比特数越小，压缩比越低，但彩色图像没有处理U和V，1bit压缩和2bit压缩比相近）

六、 实验问题

最开始做2bit和1bit量化时，出现了重建图片为灰色，预测误差为黑色的情况，经过调试后，发现预测误差值全部为1，重建图像值全部为128。

仔细查看代码后发现有如下代码：

int s = 512 / (1 << bit);
predBuf[i * w + j] = (oriBuf[i * w + j] - 128) / s + 255 / s;

 整数除法运算先去尾再转换成浮点，因此这里分开除以整型s实际上损失了本不应该损失的小数，类比下面例子

	int a = 5;
    int b = 2;
	int c = a / b + a / b;

结果c=4，但实际上我们希望c结果是5

因此这里做了修改：

double s = 512 / (1 << bit);
predBuf[i * w + j] = round((oriBuf[i * w + j] - 128) / s + 255 / s)

s设置为double，做除法运算不会直接去除小数，并使用round函数做了一个四舍五入使结果更准确。类比下面例子： 

	int a = 5;
	double b = 2;
	int c = a / b + a / b;

结果c=5，是我们希望的正确答案

阿修宝贝
关注
数据压缩实验四--dpcm压缩系统
qq_37641718的博客
07-02 449
实验内容 1. DPCM编解码原理 预测编码的基本过程：  在数字图像中，如果不是随机的噪声，那么每个像素与其周围的像素都会存在着一定的关联，关联像素差值会非常小，像素值很大程度上依赖于其邻域中其它像素的值。对于输入像素值x(n)可以首先利用已编码像素的重建值得到当前像素的预测值p(n)，然后对二者的差值e(n)进行量化、熵编码。对应的解码过程为：经熵解码可以得到当前像素预测误差的重建值~e
【数据压缩】DPCM编码实验
ismismist的博客
05-03 390
一.DPCM编码原理 在一个DPCM系统中，需要设计预测器和量化器两部分。 在本次实验中，我们采取左向预测和8bit均匀量化。 二.实验过程内容分析 1.本次实验需要三个文件 一个输入文件，一个预测误差图像文件，一个重建图像文件 char* orifilename = NULL; char* prefilename = NULL; char* recfilename = NULL; orifilename = argv[1]; prefilename = argv[2];
DPCM
热门推荐
gwhcsdn的博客
05-10 1万+
1.DPCM 编解码原理 预测编码是根据某一模型利用以往的样本值对于新样本值进行预测，然后将样本的实际值与其预测值相减得到一个误差值，对于这一误差值进行编码。如果模型足够好且样本序列在时间上相关性较强，那么误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩结果。 预测编码方法分线性预测和非线性预测编码方法。线性预测编码方法，也称差值脉冲编码调制法，简称DPCM，实验中只用到了一个样本
DPCM压缩系统
BIN_markie的博客
05-13 528
DPCM编解码原理、代码实现和分析
数据压缩实验四——DPCM压缩系统的实现和分析
willshant的博客
05-07 755
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。
第六次作业：DPCM压缩系统
wogua7的博客
07-01 142
我们知道，对于图像或视频的每一帧而言，相邻的像素之间有着较强的相关性——除了在边缘、轮廓等位置，相邻像素的像素值相差并不大，也就是说，图像或视频的一帧中存在着很大的空间冗余。而DPCM（Differential Pulse Code Modulation，差分脉冲编码调制）便是一种简单而高效的去冗余算法。对于去除引言中提到的空间冗余，一种很自然的想法便是，使用前一个像素的像素值作为当前像素值的预测，然后只存储并传输当前像素值和预测值的差值。以8 bit量化的图像为例，差值的范围在[ − 255 , 255
数字图像处理第一次作业——JPEG格式与压缩流程分析
weixin_43534668的博客
11-13 4520
数字图像处理第一次作业——JPEG格式与压缩流程分析欢迎阅读1.JPEG格式综述2.颜色模式转换2. 采样3.分块4. DCT离散余弦变换5. Zigzag扫描排序7.DC系数的差分脉冲调制编码(DC-DPCM)设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导...
【数据压缩】实验五——JPEG原理分析及JPEG解码器的调试
weixin_49587657的博客
07-16 422
JPEG原理分析及JPEG解码器的调试
数据压缩课件 第二版
06-25
2. **信息熵与编码理论**：阐述信息熵的概念，它是衡量信息不确定性的重要指标，与数据压缩的理论基础——香农熵密切相关。 3. **哈夫曼编码**：详述一种基于频率的无损数据压缩方法，通过构建最优的前缀树实现高效...
DPCM的基本原理,DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的
04-15
DPCM的基本原理 任何信号,不论语音或图像,采用直接采样-量化-编码的方式进行编码,都会发现码组之间具有很强的相关性。由于相关性的存在,传输数据中存在大量不需要传输的信息,称为冗余。 DPCM就是通过预测和差分编码方式来减少冗余,实现数据压缩的目的。
MATLAB图像预测编码DPCM（绝对可用）！
10-25
可实现1维和2维预测编码、传输误码 带有界面 简洁明了 值得下载！！！
MATLAB实现DPCM编码
08-08
采用MAYLAB 实现基本的预测编码DPCM 可以直接读取图像数据
DPCM 压缩系统的实现和分析
cxrabc的博客
05-05 155
一、实验内容 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
数据压缩7 | 实验4 | DPCM 压缩系统的实现和分析
月婵婵的程序媛生涯
05-05 669
目录一、 一、
DPCM编码
pzp49666的博客
05-16 749
快速跳转DPCM编码原理预测器与量化器设计代码实现编码结果的分析分析步骤分析结果 DPCM编码 原理 DPCM即差分预测编码调制。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
DPCM和最小二乘法
CUC_ENGINEER的博客
05-18 216
DPCM线性预测器设计 最小二乘法 https://zhuanlan.zhihu.com/p/113946848 https://zh.wikipedia.org/wiki/最小二乘法 http://blog.sciencenet.cn/home.php?mod=space&uid=3413658&do=blog&id=1177114 https://zhuanlan.zhihu.com/p/42522867 http://www.chenjianqu.com/show-85
dpcm 压缩系统的实现和分析
最新发布
05-12
DPCM 压缩系统的实现主要是在传输前对原始信号进行差分编码，将每一个样本值与它前面的样本值的差值编码传输。在解码端，将编码的差值与前一个样本值相加，得到解码后的样本值。 DPCM 压缩系统的性能取决于差分编码...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值