小波变换课件ch6dwt在图像编码中的应用.ppt

第六章 DWT在图像编码中的应用 6.1 图像编码概述 无损压缩 有损压缩 第一代图像编码 第二代图像编码 6.2 标量量化,矢量量化与编码 如果用某一符号(Symbol), 或者等价地用某一整数l, 来表示处于某一范围内的一个随机变量或者随机矢量. 那么这种处理过程就称为量化(Quantization). 6.2.1 标量量化 用边界点 将随机变量 的动态范围 分割为 段, 并用 作为所有落入第 段内的 的近似重构值。 量化的均方误差为： 均匀量化 如果将随机变量 的动态范围 均匀地划分为L个子区间称为均匀量化，即 当 ， 当 非均匀分布时，采用非均匀量化 非均匀量化，MMSE MMSE： 最近邻规则 质心规则 Lloyd算法，设计MMSE的实用方法 (a) 初始化：将训练样本集合 随机地划分为 组 求各组中心 计算MSE （b）重新划分，并计算MSE1 （c）检查终止条件 如果 终止, 否则 , 转(b). 6.2.2 矢量量化 将若干随机变量看成一个(N维)随机矢量 它对应于N维Euclidean空间中的一个点. 如果将c的分布范围划分为 个互不相交的区域 , 并将所有落入第 个子空间内的随机矢量c用其中心矢量g来近似。 6.2.3 从符号流到码流 当量化完成之后, 随机变量(例如变换系数)的序列或随机矢量(例如4*4的一块图像)的序列就转变为一个标号l的序列, 称之为符号流 编码器的任务就是将每输入的符号流转变为用一串码元表达的码流 等长码 变长码：Huffman编码，算术编码 Huffman编码 Step1(合并过程)： (a) 按递升排序 (b) 将最小概率的两个符号合并为一个符号，并将 作为此新符号的概率，字符数少1，(即q?q-1)。 重复（a）、（b）直到q=2。 Huffman编码（续） Step2(分裂过程)： (a)令最后的两个字符的码分别为0和1； (b) 将本轮“合并字符”重新分裂为原来的两个字符。 (c) 令分裂后的两个字符的码分别是分裂前字符码后缀以0和1。其余字符的码不变。字符数加1(即q?q+1)，轮次降1。 重复（b）、（c）直到字符数为与原信源字符数相符。 SFE编码 Shanmon-Feno-Elian（SFE）编码 ：已知信源字符集合的概率 , 以及它们的任意排列顺序, 就可以根据(6.2.17) 式计算累积分布 , 从而根据(6.2.18)和(6.2.20)式, 对任意字符 进行SFE编码。 算术编码 如果已知前N-1个字符所形成的字符串S在N-1 次扩展信源中的概率P(S)和累积分布F(S)，按式(6.2.25)式和(6.2.26)式作乘法运算和加法运算，就可得到P(Sa)和F(Sa)。 6.3 小波变换域中的子带编码 二维图像的小波分解可以解释为将原始信号 通过四个不同的二维滤波器所得到的输出 采用均匀量化 各级细节系数的统计特性都近似于某种零均值的指数分布 若 取整后为零，则表示这一子带中的全部系数不予编码，而在重构图像时以零值代之。 如果 取整后非零，令 后即可采用Lloyd 算法对变换系数进行量化，进而进行熵编码。 6.4 小波变换域中的块编码 块编码技术是将对应于同一空间位置的各变换系数作为一个数据集合来处理 。 图中左上部的系数 常常比处于右下部 的系数大，可采用 某种预测方法来利 用这种相关性以提 高编码效率。 DWT系数的相关性 由于小波变换的空间定域性， 其各级变换系数之间仍存在空间对应关系, 并可用树形数据结构来表达这种对应关系。由于自然图像频谱的1/f特性，这样的树型数据中, 上层结点的绝对值常常较下层结点的绝对值大，即一棵树中的数据的绝对值有从顶层向底层逐渐减小的趋势。 相关概念 零树（Zero Tree）：如果经量化, 某一节点的值为零，且它的所有后代节点的值都为零，那么以这一节点为根的子树为一棵零树。 零树根(Root of Zero Tree, RZT)：零树的根节点 嵌入式零树（Embedded Zero T