图像处理 算法 Matlab实现图像压缩

文章和代码以及样例图片等相关资源，已经归档至【Github仓库：digital-image-processing-matlab】或者公众号【AIShareLab】回复 数字图像处理 也可获取。

文章目录

目的原理图像压缩原理离散余弦变换(DCT)图像压缩原理行程编码（RLE）原理

步骤MATLAB 中的变长码映射离散余弦变换（DCT）图像压缩利用离散余弦变换进行JPEG 图像压缩

目的

1． 理解图像压缩的相关概念及图像压缩的主要原则和目的； 2． 掌握霍夫曼编码 3． 掌握几种常见的图像压缩编码方法 4． 利用 MATLAB 程序进行图像压缩

原理

图像压缩原理

图像压缩主要目的是为了节省存储空间，增加传输速度。图像压缩的理想标准是信息丢失最少，压缩比例最大。不损失图像质量的压缩称为无损压缩，无损压缩不可能达到很高的压缩比；损失图像质量的压缩称为有损压缩，高的压缩比是以牺牲图像质量为代价的。压缩的实现方法是对图像重新进行编码，希望用更少的数据表示图像。

信息的冗余量有许多种，如空间冗余，时间冗余，结构冗余，知识冗余，视觉冗余等，数据压缩实质上是减少这些冗余量。高效编码的主要方法是尽可能去除图像中的冗余成分，从而以最小的码元包含最大的图像信息。

编码压缩方法有许多种，从不同的角度出发有不同的分类方法，从信息论角度出发可分为两大类。

（1）冗余度压缩方法，也称无损压缩、信息保持编码或嫡编码。具体说就是解码图像和压缩编码前的图像严格相同，没有失真，从数学上讲是一种可逆运算。

（2）信息量压缩方法，也称有损压缩、失真度编码或烟压缩编码。也就是说解码图像和原始图像是有差别的，允许有一定的失真。

应用在多媒体中的图像压缩编码方法，从压缩编码算法原理上可以分为以下 3 类：

（1）无损压缩编码种类 哈夫曼（Huffman）编码，算术编码，行程（RLE）编码，Lempel zev 编码。

（2）有损压缩编码种类

预测编码，DPCM，运动补偿 频率域方法：正交变换编码(如DCT)，子带编码； 空间域方法：统计分块编码； 模型方法：分形编码，模型基编码； 基于重要性：滤波，子采样，比特分配，向量量化；

（3）混合编码。 有 JBIG，H261，JPEG，MPEG 等技术标准。

离散余弦变换(DCT)图像压缩原理

离散余弦变换 DCT 在图像压缩中具有广泛的应用，它是JPEG、MPEG 等数据压缩标准的 重要数学基础。

和相同图像质量的其他常用文件格式(如GIF(可交换的图像文件格式)，TIFF(标签图像文件格式)，PCX(图形文件格式))相比，JPEG 是目前静态图像中压缩比最高的。JPEG 比其他几种压缩比要高得多，而图像质量都差不多(JPEG 处理的图像只有真彩图和灰度图)。正是由于其高压缩比，使得JPEG 被广泛地应用于多媒体和网络程序中。JPEG 有几种模式，其中最常用的是基于DCT 变换的顺序型模式，又称为基本系统(Baseline)。

用DCT 压缩图像的过程为：

(1)首先将输入图像分解为8×8 或16×16 的块，然后对每个子块进行二维DCT变换。 (2)将变换后得到的量化的DCT 系数进行编码和传送，形成压缩后的图像格式。

用 DCT 解压的过程为：

(1)对每个8×8 或16×16 块进行二维DCT 反变换。 (2)将反变换的矩阵的块合成一个单一的图像。

余弦变换具有把高度相关数据能量集中的趋势，DCT 变换后矩阵的能量集中在矩阵的 左上角，右下的大多数的DCT 系数值非常接近于0。对于通常的图像来说，舍弃这些接近 于0 的DCT 的系数值，并不会对重构图像的画面质量带来显著的下降。所以，利用DCT 变换进行图像压缩可以节约大量的存储空间。压缩应该在最合理地近似原图像的情况下使用 最少的系数。使用系数的多少也决定了压缩比的大小。

在压缩过程的第 2 步中，可以合理地舍弃一些系数，从而得到压缩的目的。在压缩 过程的第2 步，还可以采用RLE 和Huffman 编码来进一步压缩。

行程编码（RLE）原理

例如如下这幅的二值图像，

如果采用行程编码可以按如下格式保存

其中10 和8 表示图像的宽和高。在这个小例子中行程编码并没有起到压缩图像的作用。这是由于这个图的尺寸过小，当图像尺寸较大时行程编码还是不错的无损压缩方法。对于灰度图像和二值图像，用行程编码—般都有很高的压缩率。行程编码方法实现起来很容易，对于具有长重复值的串的压缩编码很有效，例如：对于有大面积的阴影或颜色相同的图像，使用这种方法压缩效果很好。很多位图文件格式都采用行程编码，如TIFF，PCX，GEM，BMP等。

步骤

MATLAB 中的变长码映射

clear all

clc

f2=uint8([2 3 4 2;3 2 4 4;2 2 1 2;1 1 2 2])

whos('f2')

c=huffman(hist(double(f2(:)),4))

h1f2=c(f2(:))'

whos('h1f2')

%h2f2=char(h1f2)'

h2f2=[1 0 1 0 0 1 1 0 0 0 0 1 1 0 1 1;...

' ' 1 ' ' 1 1 ' ' 1 0 0 1 ' ' 0 ' ';...

' ' 0 ' ' 1 0 ' ' 1 ' ' 1 ' ']

whos('h2f2')

h2f2=h2f2(:);

h2f2(h2f2==' ')=[];

whos('h2f2')

h3f2=mat2huff(f2)

whos('h3f2')

hcode=h3f2.code;

whos('hcode')

dec2bin(double(hcode))

%-----------------------------------------%

function CODE=huffman(p)

error(nargchk(1,1,nargin));

if(ndims(p)~=2)|(min(size(p))>1)|~isreal(p)|~isnumeric(p)

error('p must be a real numeric vector');

end

global CODE

CODE=cell(length(p),1);%init the global cell array

if (length(p)>1) %when more than one symbol....

p=p/sum(p);%Normalize the input probabilities

s=reduce(p);%Do Huffman source symbol reductions

makecode(s,[]);%Recursively(递归) generate the code

else

CODE={'1'};%else, trivial(普通的) one symbol case

end;

%---------------------------------------------------------%

function s=reduce(p);

s=cell(length(p),1);

for i=1:length(p)

s{i}=i;

end

while size(s)>2

[p,i]=sort(p);%sort the symbol probabilities

p(2)=p(1)+p(2);%Merge the 2 lowest probabilities

p(1)=[];% and prune(,剪除、删除) the lowest one

s=s(i);

s{2}={s{1},s{2}};

s(1)=[];

end

%------------------------------------------------------------%

function makecode(sc,codeword)

global CODE

if isa(sc,'cell')

makecode(sc{1},[codeword 0]);

makecode(sc{2},[codeword 1]);

else

CODE{sc}=char('0'+codeword);

End

%-----------------------------------------------------------%

function y=mat2huff(x)

if ndims(x)~=2|~isreal(x)|(~isnumeric(x) & ~islogical(x))

error('x must be a 2-D real numeric or logical matrix');

end

y.size=uint32(size(x));

x=round(double(x));

xmin=min(x(:));

xmax=max(x(:));

pmin=double(int16(xmin));

pmin=uint16(pmin+32768);%

y.min=pmin;

x=x(:)';

h=histc(x,xmin:xmax);

if max(h)>65535

h=65535*h/max(h);

end

h=uint16(h);

y.hist=h;

%code the input matrix and store the result

map=huffman(double(h));

hx=map(x(:)-xmin+1)

hx = ['1' ' ' '1' '0' ' ' '1' '1' '0' ' ' ' '...

'0' '1' '1' ' ' '1' '1']';

%hx=char(hx);

hx=hx(:)';

hx(hx==' ')=[];

ysize=ceil(length(hx)/16);

hx16=repmat('0',1,ysize*16);

hx16(1:length(hx))=hx;

hx16=reshape(hx16,16,ysize);

hx16=hx16' - '0';

twos=pow2(15:-1:0);

y.code=uint16(sum(hx16.*twos(ones(ysize,1),:),2))';

%-----------------------------------------------------------------------%

离散余弦变换（DCT）图像压缩

在图像的变换和压缩中，常常用到离散余弦变换（DCT）。DCT 具有能使图像的最重要的信息集中在DCT 的几个系数上的性能。正是基于此，DCT 通常应用于图像的压缩。

clear all

clc

I=imread('D:\pic\DIP3E_CH11_Original_Images\Fig1137(b)(painting_translated_padded).tif','tif');

I=im2double(I);

T=dctmtx(8);

B=blkproc(I,[8,8],'P1*x*P2',T,T');

mask=[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;0 0 0 0 0 0 0 0];

B2=blkproc(B,[8,8],'P1.*x',mask);

I2=blkproc(B2,[8,8],'P1*x*P2',T',T);

imshow(I),title('原图象');

figure,imshow(I2),title('变换后的图象');

利用离散余弦变换进行JPEG 图像压缩

clear all

clc

I=imread('D:\pic\DIP3E_CH11_Original_Images\Fig1137(b)(painting_translated_padded).tif'); %读入原图像；

I=im2double(I); %将原图像转为双精度数据类型；

T=dctmtx(8); %产生二维DCT 变换矩阵

B=blkproc(I,[8 8],'P1*x*P2',T,T'); %计算二维DCT，矩阵T 及其转置T’是DCT 函数

%P1*x*P2 的参数

mask=[ 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;0 0 0 0 0 0 0 0];

%二值掩膜，用来压缩DCT 系数，只留下DCT 系数中左上角的10 个

B2=blkproc(B,[8 8],'P1.*x',mask); %只保留DCT 变换的10 个系数

I2= blkproc(B2,[8,8],'P1*x*P2',T',T); %逆DCT，重构图像

Subplot(1,2,1);

Imshow(I);title('原图像');%显示原图像

Subplot(1,2,2);

Imshow(I2);title('压缩图像');%显示压缩后的图像。对比原始图像和压缩后的图像，虽然

%舍弃了85%的DCT 系数，但图像仍然清晰（当然有一些质量损失）

参考文献：

[1] Rafael C. Gonzalez, Richard E. Woods, and Steven L. Eddins. 2003. Digital Image Processing Using MATLAB. Prentice-Hall, Inc., USA.

[2] 阮秋琦. 数字图像处理（MATLAB版）[M]. 北京：电子工业出版社, 2014.

[3] 冈萨雷斯. 数字图像处理（第三版）[M]. 北京：电子工业出版社, 2011.

参考链接

 您阅读本篇文章共花了：