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