多媒体信息处理综合课程设计

兰州交通大学《多媒体信息处理综合课程设计》JPEG编解码方法设计与实现学院专业：班级：姓名：2014年1月TOC\o"1-3"\h\u138171.设计目的 3159332.实验设备及材料 3167893.设计要求 3221004.原理 387544.1JPEG 3115104.2JPEG压缩中图像文件的格式 4234264.3JPEG编码原理 5218954.3.1离散余弦变换 6163584.3.2量化 6315404.3.3行程编码和熵编码 738405.程序设计 991276.实验结果 18209897.总结 20设计目的1．掌握JPEG编解码的基本原理和方法。2．学习使用程序设计环境。3．使用设计框架构造应用程序。4．掌握JPEG编码、解码实现。实验设备及材料1.PC机一台2.MATLAB设计要求拍摄BMP图像，利用算法程序将摄入的图像进行编码，产生JPEG压缩图像，生成解压缩图像送显示设备显示，对视觉压缩结果进行评价并计算压缩比。原理4.1JPEGJPEG（JointPhotographicExpertsGroup）是在国际标准化组织(ISO)领导之下制定静态图像压缩标准的委员会，第一套国际静态图像压缩标准ISO10918-1(JPEG)就是该委员会制定的。由于JPEG优良的品质，使他在短短几年内获得了成功，被广泛应用于互联网和数码相机领域，网站上80%的图像都采用了JPEG压缩标准。JPEG本身只有描述如何将一个影像转换为字节的数据串流（streaming），但并没有说明这些字节如何在任何特定的储存媒体上被封存起来。.jpeg/.jpg是最常用的图像文件格式，由一个软件开发联合会组织制定，是一种有损压缩格式，能够将图像压缩在很小的储存空间，图像中重复或不重要的资料会被丢失，因此容易造成图像数据的损伤。尤其是使用过高的压缩比例，将使最终解压缩后恢复的图像质量明显降低，如果追求高品质图像，不宜采用过高压缩比例。但是JPEG压缩技术十分先进，它用有损压缩方式去除冗余的图像数据，在获得极高的压缩率的同时能展现十分丰富生动的图像，换句话说，就是可以用最少的磁盘空间得到较好的图像品质。而且JPEG是一种很灵活的格式，具有调节图像质量的功能，允许用不同的压缩比例对文件进行压缩，支持多种压缩级别，压缩比率通常在10：1到40：1之间，压缩比越大，品质就越低；相反地，品质就越高。比如可以把1．37Mb的BMP位图文件压缩至20．3KB。当然也可以在图像质量和文件尺寸之间找到平衡点。JPEG格式压缩的主要是高频信息，对色彩的信息保留较好，适合应用于互联网，可减少图像的传输时间，可以支持24bit真彩色，也普遍应用于需要连续色调的图像4.2JPEG压缩中图像文件的格式由于图像数据文件的格式有很多，如GIF、TIFF、PCX、TGA、BMP、JPEG等。而现在实现的是BMP和JPEG的相互转换，所以要具体介绍BMP和JPEG文件的格式。BMP图像采用RGB（RedGreenBlue）色彩模型，将各种颜色视为为红，绿，蓝（R，G，B）三个部分的组合。由于一幅图像中许多像素对应的颜色是相同的，BMP图像中采用了一个表：表中的每一行记录一种颜色的R，G，B值。这样，当表示一个象素的颜色时，只需要指出该颜色是在第几行，即该颜色在表中的索引值，这个表在BMP图像中称为调色板。有一种图，它的颜色数高达256×256×256种，也就是说包含上述提到的R，G，B颜色表示方法中所有的颜色，这种图叫做真彩色图(TrueColor)。真彩色图并不是说一幅图包含了所有的颜色，而是说它具有显示所有颜色的能力，即最多可以包含所有的颜色。表示真彩色图时，每个象素直接用R，G，B三个分量字节表示，而不采用调色板技术。4.3JPEG编码原理

JPEG的压缩编码过程大致分成三个步骤：1、使用正向离散余弦变换把空间域表示的图变换成频率域表示的图；2、使用加权函数对DCT系数进行量化，这个加权函数对于人的视觉系统是最佳的；3、使用霍夫曼可变字长编码器对量化系数进行编码。下面依次介绍压缩过程中应用到的技术。4.3.1离散余弦变换离散余弦变换是压缩编码的基础。在JPEG中，首先将图像分割成8x8像素的小块，然后进行余弦变换，其变换式为(M=N=8)：对于每个8×8二维原图像采样数据块，64点阵的离散函数FDCT把它们作为输入信号，然后分解成64个正交基信号，每个正交基信号对应于64个二维空间频率中的一个，这些空间频率是由输入信号的频谱组成。FDCT的输出是64个基信号的幅值（即DCT系数），每个系数值由64点阵输入信号唯一地确定，即离散余弦变换的变换系数。在频域平面上变换系数是二维频域变量u和v的函数。因为在一幅图像中像素之间的灰度或色差信号变化缓慢，在8×8子块中像素之间的相关性很强，所以通过离散余弦正变换处理后，在空间频率低频范围内集中了数值大的系数，这就为数据压缩提供了可能。4.3.2量化为了达到压缩数据的目的，对经过FDCT变换后的频率系数进行量化处理。量化处理是一个多到一的映射,它是造成DCT编/解码信息损失的根源,是图像质量下降的最主要原因。在JPEG标准中采用线性均匀量化器。量化定义为，对64个DCT变换系数除以量化步长，然后四舍五入取整。量化步长是量化表的元素，量化表元素随DCT变换系数的位置而改变。不同频率的余弦函数对视觉的影响不同，量化处理是在一定的主观保真度图像质量的前提下，可据不同频率的视觉阈值来选择量化表中元素值的大小。4.3.3行程编码和熵编码JPEG压缩的最后一步是对量化后的系数进行熵编码。这一步采用通用的无损数据压缩技术，对图像质量没有影响。在熵编码之前，需要把64个DCT系数转换为一串中间符号。其中直流系数和交流系数的编码方式不同。坐标u=v=0的值是直流分量（即DC系数）。直流系数表示当前分块中64个象素的平均值，相邻分块的直流系数具有很强的相关性，因此在编码时只需记录与前一分块的直流系数的差值，即直流系数的“中间符号”采用差分脉冲编码(DPCM)，它是64个图像的采样平均值。DC系数的编码方法：第1块图像的DC系数是“真值”，以后各块的DC是与前1块DC系数的“差值”：

Diff=DC(i)-DC(i-1)其余63个AC系数编码是从左上方开始，沿箭头方向，对63个交流系数用“之”字型扫描，让它变成一维数组。这样做的目的是将低频系数放在前面，高频系数放在后面。因为高频系数中有很多0，为了节约空间，所以交流系数的“中间符号”用零行程码表示。接下来对中间符号进行熵编码，这一步的目的是利用符号的统计特性，进一步提高压缩率。JPEG标准规定的熵编码方式有两种：Huffman编码和自适应二进制算术编码。这两种编码各有优劣：“正宗”的Huffman编码过程要对输入序列进行两遍扫描，第一遍统计各个符号出现的概率，构造Huffman树，得到码书；第二遍用码书对符号进行编码。这么做的话，时间空间开销都较大。两遍扫描意味着要把整幅图像的“中间符号”都记录下来，不能“随到随编”。而且要把码书传给解码器，这会增加压缩文件的大小。JPEG的实际实现一般支持两种Huffman方式，一种是前述的“正宗”Huffman编码（称为optimized方式），另一种则采用JPEG标准AnnexK中给出的缺省码书。采用缺省码书的好处是输入序列只用扫描一遍，空间和实际开销都较小；缺点是，由于码书不是根据当前图像的统计信息得到的，那么压缩率会比“正宗”Huffman编码低一些。不过由于Huffman编码对概率误差不敏感，因此实践中常常采用缺省码书进行编码。算术编码和Huffman编码都是变长码，符号出现概率越高，码字越短。不同之处在于，Huffman编码每个符号对应的码字是确定的，每个码字的bit数为整数。算术编码的基本思想是用一个精度足够高的属于（0，1)的实数来表示整个输入序列，输入序列中每个符号对应的码字是不确定的，总体上每个符号对应的码字长度等于其信息熵（均以bit计），码字平均长度可能是小数。算术编码的压缩率通常高于Huffman编码。算术编码的另一个好处是，它很容易做成自适应的，因此只需扫描一遍输入序列，空间开销小很多。程序设计1、读入图像：clearI=imread('1.jpg');%读入原图像；R=I(:,:,1);R1=im2double(R);%将原图像转为双精度数据类型；2、进行DCT矩阵变换（重复三次），并显示原图像大小、压缩图像大小、压缩比：T=dctmtx(8);%产生二维DCT变换矩阵L=blkproc(R1,[88],'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=[1010000011001000110000000000000000000000000000000000000000000000];%二值掩膜，用来压缩DCT系数，只留下DCT系数中左上角的10个L2=blkproc(L,[88],'P1.*x',Mask);%只保留DCT变换的10个系数[mn]=size(L2);J=[mn];fori=1:mvalue=L2(i,1);num=1;forj=2:nifL2(i,j)==valuenum=num+1;elseJ=[Jnumvalue];num=1;value=L2(i,j);endendJ=[Jnumvalue];enddisp('原图像大小')whos('L2');disp('压缩图像大小：')whos('J');disp('图像的压缩比：')disp(m*n/length(J))%解压缩t1=J(1);t2=J(2);K(1:t1,1:t2)=0;i1=1;j1=1;fori=3:2:length(J)c1=J(i);c2=J(i+1);forj=1:c1K(i1,j1)=c2;j1=j1+1;ifj1>t2i1=i1+1;j1=1;endendendR2=blkproc(K,[8,8],'P1*x*P2',T',T);%逆DCT，重构图像G=I(:,:,2);G1=im2double(G);%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L=blkproc(G1,[88],'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=[1010000011001000110000000000000000000000000000000000000000000000];%二值掩膜，用来压缩DCT系数，只留下DCT系数中左上角的10个L2=blkproc(L,[88],'P1.*x',Mask);%只保留DCT变换的10个系数[mn]=size(L2);J=[mn];fori=1:mvalue=L2(i,1);num=1;forj=2:nifL2(i,j)==valuenum=num+1;elseJ=[Jnumvalue];num=1;value=L2(i,j);endendJ=[Jnumvalue];enddisp('原图像大小')whos('L2');disp('压缩图像大小：')whos('J');disp('图像的压缩比：')disp(m*n/length(J))%解压缩t1=J(1);t2=J(2);K(1:t1,1:t2)=0;i1=1;j1=1;fori=3:2:length(J)c1=J(i);c2=J(i+1);forj=1:c1K(i1,j1)=c2;j1=j1+1;ifj1>t2i1=i1+1;j1=1;endendendG2=blkproc(K,[8,8],'P1*x*P2',T',T);%逆DCT，重构图像B=I(:,:,3);B1=im2double(B);%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L=blkproc(B1,[88],'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=[1010000011001000110000000000000000000000000000000000000000000000];%二值掩膜，用来压缩DCT系数，只留下DCT系数中左上角的10个L2=blkproc(L,[88],'P1.*x',Mask);%只保留DCT变换的10个系数[mn]=size(L2);J=[mn];fori=1:mvalue=L2(i,1);num=1;forj=2:nifL2(i,j)==valuenum=num+1;elseJ=[Jnumvalue];num=1;value=L2(i,j);endendJ=[Jnumvalue];enddisp('原图像大小')whos('L2');disp('压缩图像大小：')whos('J');disp('图像的压缩比：')disp(m*n/length(J))%解压缩t1=J(1);t2=J(2);K(1:t1,1:t2)=0;i1=1;j1=1;fori=3:2:length(J)c1=J(i);c2=J(i+1);forj=1:c1K(i1,j1)=c2;j1=j1+1;ifj1>t2i1=i1+1;j1=1;endendend3、显示图像：B2=blkproc(K,[8,8],'P1*x*P2',T',T);%逆DCT，重构图像A(:,:,1)=R2;A(:,:,2)=G2;A(:,:,3)=B2;Subplot(1,2,1);imshow(I);title('原图像');%显示原图像Subplot(1,2,2);imshow(A);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。实验结果压缩前图像压缩后图像uiopen('c:\User\Adminstrator\Desktop\1.jpg'.1)原图像大小；NameSizeBytesClass1350*480840000doublearrayGrandtotalis168000elementsusing840000bytes压缩图像大小；NameSizeBytesClassM1*48530356500doublearrayGrandtotalis48530elementsusing356500bytes图像压缩比：2.3562压缩前图像压缩后图像uiopen('c:\User\Adminstrator\Desktop\2.jpg'.2)原图像大小；NameSizeBytesClass1480*240545280doublearrayGrand