图像压缩发展

图像压缩编码技术研究发展

早期阶段（50~70年代）

首先发展的是基于信息的统计概率的无失真编码技术的熵编码

熵编码：Huffman编码、游长编码、算术编码、Lempel-Ziv字典编码

人们发现图像中相邻像素之间存在很强的相关性，去除冗余可以简化图像数据

预测编码：线性预测、非线性预测、自适应预测

内插编码：亚抽样法、亚行法、亚场法、亚帧法

面向空间域的压缩方法初露端倪

块变换编码：DCT变换、DFT变换、KLT变换、Walsh-Hadamard变换

中期阶段（70~80年代）

去除图像中的视觉冗余

编码不仅充分利用图像信源的局部和全局的统计相关性，而且要利用图像内部的几何特征、自相关性和方向性等多种自然属性和规律；同时对于图像不在简单作为客观信源来看待，而在充分考虑人类视觉系统特性（HVS）的基础上对图像进行有效编码；

第二代图像编码：方向分解编码、纹理轮廓的编码、区域基编码

混合编码

一种方法很难去除图像存在的多种相关性，多种编码有机结合能够对图像数据进行更大的压缩；

JPEG图像压缩标准

量化

有损编码的信息损失都是在量化阶段产生的；如何设计最优的性能的量化器一直是各阶段重要研究课题

1959年香农提出矢量量化（VQ）的性能总是优于标量量化的（SQ）

LBG算法极大推进了矢量量化的研究

矢量量化：多级VQ、均值/残差VQ、增益/波形VQ、树结构VQ、…

近期阶段（80年代-00年代）

引入新的数学工具和理论

数学工具：小波理论、分形几何理论、神经网络理论、计算机视觉理论

小波编码：正交小波编码、双正交小波编码、小波包编码、内嵌小波编码

分形编码：搜索型分形编码、非搜索型分形编码（BATH分形）

神经网络编码：反向误差传播（BP）神经网络编码、自组织神经网络编码码

模型基编码：物体基编码、语义基编码码