预测编码a.pptx

预测编码璐晓霞电子科学与技术Contents基本概念预测编码是根据离散信号之间存在着一定相关的特点，利用前面一个或多个信号预测当前信号，然后对实际值和预测值的差（预测误差）进行编码。如果预测比较准确，误差就会很小。在同等精度要求的条件下，就可以用较少的比特进行编码，达到压缩数据的目的。预测编码的组成预测器：由过去的信息预测当前信息，数据量没有减少。量化器：表示如何看待误差的问题，数据量减少但不影响视觉效果。编码器：对量化后的误差进行压缩，减少数据量。预测编码线性预测编码的基本原理Loremipsumdolorsitamet,consecteturadipisicingelit.Loremipsumdolorsitamet,consecteturadipisicing像素点的实际灰度值是像素点的预测灰度值是预测误差：为根据时刻以前已知的像素亮度取样值，，……，对所作的预测值；线性预测编码的基本原理量化器的量化误差为，量化器输出信号为接收端输出为：在接收端复原的像素值与发射端的原输入像素值之间的误差为：线性预测编码的基本原理结论：DPCM系统中的误差来源是发射端的量化器，而与发射端无关；如果去掉量化器，就可以完全无失真的恢复输入信号，从而实现信号保持编码。最佳线性预测假定当前待定编码的像素为,其前面N个已编码像素分别为，，…，，若用它们对进行预测，用表示预测值，表示预测系数：则预测误差为：最佳线性预测线性预测系统的数据压缩比的大小取决于预测器性能的好坏。最佳线性预测就是选择合适的系数，使得误差信号的均方误差最小。预测误差信号的均方误差（方差）为：采用均方误差极小准则，要求：最佳线性预测这是一个N阶线性方程组，可由此解出N个预测系数。由于它们使预测误差的均方值最小，因此称为最佳预测系数。自适应预测编码线性预测编码忽略了像素的个性，它存在以下缺点，从而影响图像质量。对灰度有突变的地方，会有较大的预测误差，致使重建图像的边缘模糊，分辨率降低。对灰度变化缓慢的区域，其差值信号应为零，但因其预测偏大而致使重构图像有颗粒噪声。自适应预测编码自适应方法很多，1977年Yamada提出了一个二维DPCM的自适应预方案，预测函数为：其预测系数,,K为自适应预测参数，定义如下：式中，为最大量化输出正电平；为最小输出量化正电平，为第N-1个采样值的量化输出电平。当时，取自适应参数K=1，则第N个预测值将按输出。当，预测值自动增大12.5％，即自适应参数K=1.125。当时，取自适应系数K=0.875，预测值自动减小12.5%，在图像中减少颗粒噪声是有作用的。线性预测编码实例I=imread(D:\Matlab2012b\toolbox\images\imdemos\kids.tif.);i=double(I);[m,n,L]=size(i);p=zeros(m,n,L);y=zeros(m,n,L);y(1:m,L)=i(1:m,L);p(1:m,L)=i(1:m,L);y(L,1:n)=i(L,1:n);p(L,1:n)=i(L,1:n);y(1:m,n)=i(1:m,n);p(1:m,n)=i(1:m,n);y(m,1:n)=i(m,1:n);fork=2:m-1;forL=2:n-1;y(k,L)=(i(k,L-1)/2+i(k-1,L)/4+i(k-1,L-1)/8+i(k-1,L+1)/8);p(k,L)=round(i(k,L)-y(k,L));endendp=round(p);subplot(3,2,1),imshow(I);title(原灰度图像);subplot(3,2,2),imshow(y,[0,256]);title(利用三个相邻块线性预测后的图像);subplot(3,2,3),imshow(abs(p),[01]);title(编码的绝对残差图像);j=zeros(m,n);j(1:m,L)=y(1:m,L);i(1:m,L)=y(1:m,L);j(1:m,n)=y(1:m,n);j(m,1:n)=y(m,1:n);fork=2:m-1;forL=2:n-1;j(k,L)=p(k,L)+y(k,L);endendforr=1:mfort=1:nd(r,t)=round(i(r,t)-j(r,t));endendsubplot(3,2,4),imshow(abs(p),[0,1]);title(解码用的残差图像);subplot(3,2,5),imshow(j,[0256]);title(使用残差和线性预测重建后的图像);subplot(3,2,6),imshow(abs(d),[01]);title(解码重建后图像的误差)线性预测编码实例线性预测编码实例THANK~S