基于小波变换的图像压缩.doc

基于小波变换的图像压缩 基于小波变换的图像压缩 摘? 要 随着计算机多媒体技术的不断发展，人们期望更高性能的图像压缩技术的出现。出于图像存储和大量图像数据传输的考虑，良好的图像压缩技术不仅能够实现高压缩率和高保真度，还应该满足诸如渐进传输、图像渐现等网络应用的需要。 本文主要介绍了基于DWT变换的图像压缩的基本原理及其实现步骤，还有小波变换编码的基本模型和其优越性，离散小波变换（DWT）是数字图像处理中重要的变换，ISO/IEC JTC1 SC29小组制定的JPEG2000静态图像编码标准中的图像变换技术就采用了离散小波变换，这些编码的最大特点是在不丢失重要信息的同时能以较高的比率压缩图像数据，并且其算法计算量小。 关键词：图像压缩、小波分析、离散小波变换（DWT）、 MATLAB 小波变换简介 传统的信号理论，是建立在Fourier分析基础上的，而Fourier变换作为一种全局性的变化，其有一定的局限性。在实际应用中人们开始对Fourier变换进行各种改进，小波分析由此产生了。小波分析是一种新兴的数学分支，它是泛函数、Fourier分析、调和分析、数值分析的最完美的结晶；在应用领域，特别是在信号处理、图像处理、语音处理以及众多非线性科学领域，它被认为是继Fourier分析之后的又一有效的时频分析方法。 小波变换与Fourier变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（Multiscale Analysis），解决了Fourier变换不能解决的许多困难问题。 执行离散小波变换的有效方法是使用滤波器， 该方法是Mallat于1988年提出的，称为Mallat算法。这种方法实际上是一种信号分解的方法， 在数字信号处理中常称为双通道子带编码。 用滤波器执行离散小波变换的概念如图1.1所示。S表示原始的输入信号，通过两个互补的滤波器组，其中一个滤波器为低通滤波器，通过该滤波器可得到信号的近似值A（Approximations），另一个为高通滤波器， 通过该滤波器可得到信号的细节值D（Detail）。 图1.1 小波分解示意图 在小波分析中，近似值是大的缩放因子计算的系数，表示信号的低频分量，而细节值是小的缩放因子计算的系数，表示信号的高频分量。实际应用中，信号的低频分量往往是最重要的，而高频分量只起一个修饰的作用。如同一个人的声音一样， 把高频分量去掉后，听起来声音会发生改变，但还能听出说的是什么内容，但如果把低频分量删除后，就会什么内容也听不出来了。 2. 离散小波变换的定义及应用 2.1 离散小波变换的定义 在图像处理中应用的小波变换是二维小波变换，定义为 （2.1） 式中，分别表示在x,y轴的平移； 逆变换为 （2.2） 式中，为系数，为 （2.3） 而是一个二维基本小波。 2.2离散小波变换的应用 小波分析的应用是与小波分析的理论研究紧密地结合在一起的。随着小波理论的日益成熟，人们对小波分析的实际应用越来越重视，小波分析的应用领域也变得十分广泛，它包括：数学领域的许多学科；信号分析、图像处理；量子力学、理论物理等方面。例如，在数学方面，它已用于数值分析、构造快速数值方法、高维矩阵运算、曲线曲面构造、微分方程求解、控制论等；在信号分析方面的滤波、去噪声、压缩、传递等；在图像处理方面的图像压缩、分类、识别与诊断，去污等；本文主要介绍离散小波变换图像处理方面的应用。 2．2．1用小波变换进行图像分解 使用小波变换完成图像分解的方法很多，例如，均匀分解、非均匀分解、八带分解、小波包分解等。其中八带分解是使用最广的一种分解方法，这种分解方法把低频部分分解成比较窄的频带，而对每一级分解得到的高频部分不再进一步进行分解。 (a) 一次二维DWT (b) 两次二维DWT 图2.1为八带分解示意图(a) 一次二维DWT，(b) 两次二维DWT 2．2．2 用小波变换进行图像处理 对静态二维数字图像，可先对其进行若干次二维DWT变换，将图像信息分解为高频成分H、V和D和低频成分A。对低频部分A，由于它对压缩的结果影响很大，因此可采用无损编码方法，如Huffman、DPCM等；对H、V和D部分，可对不同的层次采用不同策略的向量量化编码方法，这样便可大大减少数据量，而图像的解码过程刚好相反。 ISO/IEC JTC1 SC29小组制定的JPEG2000静态图像编码标准中的图像变换技术就采用了离散小波变换，这些编码的最大特点是在不丢失重要信息的同时，能以较高的比率压缩图像数据，并