本文介绍了小波变换在图像压缩中的应用，相较于DCT，小波变换具备更好的局部优化性能，适用于图像压缩。文章详细阐述了小波变换图像压缩的基本步骤，包括层分解、重构、量化和熵编码。此外，提供了MATLAB源码，展示如何进行离散小波变换、高频系数处理和反变换，以及计算低频分量占比。
⛄一、小波变换DWT图像压缩简介
图像压缩编码利用离散余弦变换（DCT）作为主要的变换技术，并成功的应用于各种标准，比如JPEG、MPEG-1、MPEG-2。但是，在基于DCT图像变换编码中，人们将图像分为88像素或者1616像素的块来处理，从而容易出现方块效应与蚊式噪声。小波变换是全局变换，在时域和频域都由良好的局部优化性能。小波变换将图像的像素解相关的变换系数进行编码，比经典编码的效率更高，而且几乎没有失真，在应用中易于考虑人类的视觉特性，从而成为图像压缩编码的主要技术之一。小波变换在信号的高频部分可以取得较好的时间分辨率：在信号的低频部分，可以取得较好的频率分辨率，从而能有效地从信号（如语音、图像等）中提取信息，达到数据压缩的目的。
1 小波变换的图像压缩基本步骤
①用小波对图像层分解并提取分解结构中的低频和高频系数
②各频率成分重构
③对第一层低频信息压缩
④对第二层低频信息压缩
2 小波编解码系统的框图
小波变换是全局变换，在时域和频域都由良好的局部优化性能。小波变换将图像的像素解相关的变换系数进行编码，比经典编码的效率更高，而且几乎没有失真，在应用中易于考虑人类的视觉特性，从而成为图像压缩编码的主要技术之一。小波变换在信号的高频
订阅专栏 解锁全文
扫一扫
3596
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
