基于小波变换核桃叶片图像编码优化算法研究.docVIP

基于小波变换核桃叶片图像编码优化算法研究 　　摘要：由于多媒体技术和网络技术的不断发展，静态图像压缩编码被广泛应用于多媒体和网络技术，然而静态图像在存储和传输方面占用了大部分资源，造成不便。基于小波变换对核桃叶片图像进行多分辨率分解，对比研究haar和bior3.7算子对静态图像的编码，通过峰值信噪比和压缩前后比特数衡量图像编码效果，对不同层次的小波分解采用不同的量化电平，给出了基于bior3.7的小波图像编码优化算法，结果表明基于bior 3.7的小波图像压缩效果更佳，但压缩质量较haar压缩差。 　　关键词：图像；压缩编码；小波算法；haar；bior3.7 　　中图分类号： S126；TN919.81文献标志码： A文章编号：1002-1302（2014）01-0363-03 　　收稿日期：2013-06-03 　　基金项目：新疆农业大学前期资助课题（编号：XJAU201010）。 　　作者简介：吴艳（1981―），女，新疆哈密人，硕士，讲师，主要从事计算机应用图形图像处理研究。E-mail：wuyan_y@126.com。信息是现代社会的主要媒介，其中重要的媒介是图像。随着计算机技术、离散数学理论以及智能自动化的发展，数字图像处理被广泛应用于各行各业。图像信息是人类获得外界信息的主要来源，数字图像的一个显著特点是大的数据量，图像处理即在大量复杂的图像信息中找出所需要的信息，因此图像信息处理显得尤为为重要。通常提到的数据压缩技术主要有2类：第1类方法是基于速率-失真理论，由1组像素值来表示图像；第2类方法是利用按边缘信息将某特定图像分割成的若干区域的集合来表示图像。静态图像压缩方法是采用一般信号分析的方法消除数据中的冗余，最终使得用来表示图像的一组数据互不相关。 　　小波分析是一个图像分析与处理的新领域，较传统的、基于全局性变化的傅里叶变换而言，小波变换是针对空间（时间）和频率的局部变换。小波变换通过多尺度细化分析可以有效地将信息从信号中提取出来，很大程度上克服了傅立叶叶变换的局限性。 　　1图像压缩编码 　　图像编码与压缩从本质上来说就是对要处理的图像数据按一定的规则进行变换和组合，从而以尽可能少的代码或符号来表示尽可能多的数据信息。压缩通过编码来实现或者说是编码带来压缩的效果。图像是一种二维的连续函数，对图像进行数字处理时，首先必须对其在空间和亮度上进行数字化，这就是图像的采样和量化的过程。空间坐标（x，y）的数字化称为图像采样，而幅值数字化称为灰度级量化。图像是对图像空间坐标的离散化，它决定了图像的空间分辨率。对一幅图像采样时，若横向像素为M个，纵向像素为N个，则图像大小为M×N个像素；f（x，y）表示点（x，y）处的灰度值，则F（x，y）构成一个M×N实数矩阵[1]： 　　F（x，y）=f（0，0）1f（0，1）1…1f（0，N-1） 　　f（1，0）1f（1，1）1…1f（1，N-1） 　　111 　　f（M-1，0）1f（M-1，1）1…1f（M-1，N-1）（1） 　　将小波变换应用于图像编码的基本思想是对图像进行多分辨率分解，首先将图像分解成空间、频率都不同的子图像，再对分解后得到的子图像进行系数处理。需要注意的是，经小波变换后所生成图像的数据总量与原始图像的数据总量是相等的，即图像在变换前后所占的资源空间并未改变。本研究将小波变换应用于图像的压缩，考虑的是子图像系数处理后能量主要集中在低频部分，而其他3个（水平、垂直和对角线）部分的能量较少。 　　2小波图像分解与重构 　　2.1离散余弦变换 　　离散余弦变换（DCT）将一幅图像从空域变换为频域。DCT的功能是将一副图像的大部份重要信息集中在少数几个DCT系数上，由此减少大量的图像空间冗余。鉴于这个特征，DCT常常被使用在图像压缩中。 　　一个M×N的矩阵Amn的二维离散余弦变换被定义为[2] 　　Bpq=αpαq∑M-11m=0∑N-11n=0Amncosπ（2m+1）p12Mcosπ（2n+1）q12N，0≤p≤M-1，0≤q≤N-1（2） 　　其中，αp=1/M，p=0 　　2/M，1≤p≤M-1，αq=1/N，q=0 　　2/N，1≤q≤N-1， 　　Bpq即为DCT系数。 　　离散余弦变换是一个可逆变换，其对应的逆变换为 　　Amn=∑M-11p=0∑N-11q=0αpαqcosπ（2m+1）p12Mcosπ（2n+1）q12N，0≤m≤M-1，0≤n≤N-1（3） 　　离散余弦反变换可以解释为对任意M×N的矩阵A可以写成M×N函数和的形式： 　　αpαqcosπ（2m+1）p12Mcosπ（2n+1）q12N，1≤p≤M-1，1≤q≤N-1（4） 　　这些函数被称为离散余弦变换的基函数