图像压缩编码的方法概述

《图像压缩编码的方法概述》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像压缩编码的方法概述　　摘要：在图像压缩的领域，存在各种各样的压缩方法。不同的压缩编码方法在压缩比、压缩速度等方面各不相同。本文从压缩方法分类、压缩原理等方面分析了人工神经网络压缩、正交变换等压缩编码方法的实现与效果。　　关键词：图像压缩；编码；方法　　图像压缩编码一般可以大致分为三个步骤。输入的原始图像首先需要经过映射变换，之后还需经过量化器以及熵编码器的处理最终成为码流输出。　　一、图像压缩方法的分类　　1.按照原始信息和压缩解码后的信息的相近程度分为以下两类：（1）无失真编码又称无损编码。它要求经过编解码处理后恢复出的图像和原图完全一样，编

2、码过程不丢失任何信息。如果对已量化的信号进行编码，必须注意到量化所产生的失真是不可逆的。所以我们这里所说的无失真是对已量化的信号而言的。特点在于信息无失真，但压缩比有限。（2）限失真编码中会损失部分信息，但此种方法以忽略人的视觉不敏感的次要信息的方法来得到高的压缩比。图像的失真怎么度量，至今没有一个很好的评判标准。在由人眼主观判读的情况下，唯有人眼是对图像质量的最有利评判者。但是人眼视觉机理到现在为止仍为被完全掌握，所以我们很难得到一个和主观评价十分相符的客观标准。目前用的最多的仍是均方误差。这个失真度量标准并不好，之所以广泛应用，是因为方便。　　

3、2.按照图像压缩的方法原理可分为以下三类：（1）在图像编码过程中映射变换模块所做的工作是对编码图像进行预测，之后将预测差输出供量化编码，而在接受端将量化的预测差与预测值相加以恢复原图，则这种编码方法称为预测编码。预测编码中，我们只对新的信息进行编码。并且是利用去除邻近像素之间的相关性和冗余性的方法来达到压缩的目的。（2）若压缩编码中的映射变换模块用某种形式的正交变换来代替，则我们把这种方式的编码方法称为变换编码。在变换编码中常用的变换方法有很多，我们主要用到的有离散余弦变换（DCT），离散傅立叶变换（DFT）和离散小波变换（DWT）等。（3）混合编

4、码，LZW算法以及近些年来的一些新的压缩编码方法，最主要的有分形编码算法、小波变换压缩算法、基于模型的压缩算法等。　　3.按照压缩对象来分，我们可将图像压缩方法分为静止图像压缩和运动图像压缩。它们所采用的压缩编码标准有所不同，对于静止图像压缩而言，采用的是JPEG、JPEG2000标准；而对运动的图像进行压缩时，我们则采用的是H.261、H.263、H.264、MPEG-1、MPEG-2、MPEG-4、MPEG-7等。　　二、常用的图像压缩方法　　图像压缩方法至研究开始至今，已经有将近70年的发展了，随着科技的不断发展和人们越来越高的期望和要求，使

5、得图像压缩技术也在不断的发展着，不断的进步着，各种各样的方法层出不穷，争对不同的要求我们可以选择不同的方法对图像进行压缩，以达到更加显著的效果。　　1.行程编码压缩。由于一些图像的内部相邻像素间会存在较大的相关性，因此我们可以通过利用“空间差分”的方法来消除图像存在于空间上的冗余度。我们称基于此原理的图像压缩方法为行程编码压缩。行程编码压缩在进行文件压缩时是非常简便的。它的特点在于把一些列中存在的重复值用一个单独的值再加上一个计数值来代替。实现这种方法是比较简单的，且争对于有重复值的字符串的压缩是十分有效的。比如对有大面积的连续阴影或是有大面积相同

6、色彩的图像而言，使用行程编码的压缩方法是非常有效的。在TIFF、PCX、GEM等格式的图像中也经常使用这种压缩方法。　　2.正交变换压缩编码。这项技术中，由于变换环节是对原始图像作正交变换，故称为正交变换编码压缩。在实际的图像压缩应用中，我们常常用到的正交变换有DFT、DCT、奇异值分解变换（SVT）、哈尔变换（HRT）、小波变换　　在发端，我们可将原始图像分成若干个大小相同的子图像，然后再对每个子图像分别作正交变换，最后取出存在于变换结果阵列中的一些主要阵元，对其进行量化和编码处理，最终可达到有效传输的目的。在收端，解码器会对收到的每一个信号都进

7、行解码，其中一些没有被传输的阵元将会被系统用零元代替，之后系统再依次对每个子阵列进行相应的反变换，最终可通过将各个反变换阵列拼接起来的方法来得到重建图像。此方法会因为在发端变换结果中的某些阵元没有被传输，并且系统已经对被传输的阵元进行了量化，所以它是存在一定失真的。　　3.基于人工神经网络的压缩技术。利用人工神经网络进行图像数据压缩是当前相关领域的热门研究方向。人的大脑是一个由诸多神经元构成的神经网络。神经元的生理功能比较简单，通过各种类型的互联，并传递电化学信息，能完成各种复杂的功能。现在人们对大脑的了解还远远不够深入，脑科学是当前一个非常重要的

8、研究内容。人们基于对生物神经系统的研究，根据现有的知识，许多学者在不同的阶段提出了许多不同功能和结构的神经元与神经网络模型