第七章 图像编码与压缩PPT.ppt

一维线性预测 预测器模型 选ak使σ2d(n)最小。 设x(n)是广义平稳的，且e(n)均值为0，则 预测器模型 (1)最佳线性预测 假设x(n)是各态历经的，且训练样本数N相当大，则x(n)的自相关函数 把(3-1)式写成矩阵形式： 预测器模型 若x(n)是非平稳的，或是分段近似广义平稳，则可采用边送数据边测量与估计x(n)的自相关函数，求出相应的最佳预测系数，随之，相应的最佳预测系数随着x(n)的统计特性的变化而变化，这就是自适应线性预测。 预测器模型 (2) 自适应线性预测 原始图象用f (m,n)表示 预测的差值定义为 Z——对象素f (m,n)进行预测的相关点的集合。 预测器模型 二维线性预测 方程的解 a1, a2, …, am 便是 一组最佳的预测系数。压缩效果可用方差σ2e(n)来衡量， 原始序列相关性越强， R(k)越大，σ2e(n)越小，压缩效果越显著；原始序列互不相关，即R(k) =0，k≠0，则，σ2e(n)= σ2x(n)一点也不能压缩。 预测器模型 主要内容 编码及信息论概述 行程编码 LZW编码 霍夫曼编码 预测编码 变换编码 压缩标准简介 六、变换编码 1、变换编码的基本思想 用一个可逆的、线性的变换(如FFT、DFT)，把图像映射到变换系数集合; 然后对该系数集合进行量化和编码; 对于大多数自然图像，重要系数的数量是比较少的，因而可以用量化(或完全抛弃)，且仅以较小的图像失真为代价。 52 55 61 66 70 61 64 73 63 59 66 90 109 85 69 72 62 59 68 113 144 104 66 73 63 58 71 122 154 106 70 69 67 61 68 104 126 88 68 70 79 65 60 70 77 68 58 75 85 71 64 59 55 61 65 83 87 79 69 68 65 76 78 94 六、变换编码 例如： 原图像 DCT变换系数 编码、解码流程图 符号 解码器 逆变换 正变换 量化器 符号 编码器 构造n×n 的子图 合成n×n 的子图 输入图像N×N 压缩图像 压缩图像 解压图像 六、变换编码 构造n×n的子图 N n×n n×n n×n n×n n×n n×n 六、变换编码 N 六、变换编码 2、变换编码的基本原理 将FFT逆变换表达式进行改写： F(u,v) 记为：T(u,v) exp[j2?(ux+vy)/n] 记为：H(x,y,u,v) 变换编码,即要用等式的右部近似原图像。 六、变换编码——基本理论 进一步改写： 其中： 1) F是一个包含了f(x,y)的象素的nxn的矩阵； 2) Huv的值只依赖坐标变量x,y,u,v，与T(u,v)和f(x,y) 的值无关。被称为基图像。可以在变换前一次生成，对每一个 nxn的子图变换都可以使用。 六、变换编码——基本理论 基图像Huv： 六、变换编码——基本理论 变换系数截取模板函数 通过定义变换系数截取模板函数，消去冗余。 对于： 近似： 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 六、变换编码——基本理论 误差评估： 六、变换编码——基本理论 误差评估 其中，||F –^F||是(F – ^F)的矩阵范数，?2T(u,v)是变换在(u,v)位置上的系数方差。 最后的简化是基于基图像的规范正交，并假设F的像素是通过一个具有0均值和已知协方差的随机处理产生的。 误差评估小结 六、变换编码——基本理论 （1）总的均方近似误差是丢弃的变换系数的方差之和（也即对于m(u,v) = 0的系数方差之和）。 （2）能把大多数信息封装到最少的系数里去的变换，可得到最好的子图像的近似，同时重构误差也最小。 （3）在导致等式成立的假设下，一个N×N的图像的(N/n)2个子图像的均方误差是相同的。因此，N×N图像的均方误差（是平均误差的测量）等于一个子图像的均方误差。 六、变换编码 3、变换编码——几个关键问题 变换的选择 对变换的评价 子图尺寸的选择 压缩的位分配（编码） 六、变换编码——基本理论 变换的选择 (1) Karhunen-Loeve变换(KLT) (2) 离散傅立叶变换（DFT） (3) 离散余弦变换（DCT） (4) Walsh-