下载文档原格式
竭诚为您提供优质文档/双击可除图像压缩实验报告篇一：实验三图像压缩实验三图像压缩一、实验目的1．理解有损压缩和无损压缩的概念；2．理解图像压缩的主要原则和目的；3．了解几种常用的图像压缩编码方式。
4．利用mATLAb程序进行图像压缩。
二、实验仪器1计算机；2mATLAb等程序；3移动式存储器（软盘、u盘等）。
4记录用的笔、纸。
三、实验原理1.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，Lempelzev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。
实验项目3、图像压缩与编码一、实验目的（1）理解图像压缩编码的基本原理；（2）掌握用程序代码实现DCT变换编码；（3）掌握用程序代码实现游程编码。
二、实验原理及知识点1、图像压缩编码图像信号经过数字化后，数据量相当大，很难直接进行保存。
为了提高信道利用率和在有限的信道容量下传输更多的图像信息，必须对图像进行压缩编码。
图像压缩技术标准一般可分为如下几种：JPEG压缩（JPEG Compression）、JPEG 2000、H.26X标准（H.26X standards）以及MPEG标准（MPEG standards）。
数字压缩技术的性能指标包括：压缩比、平均码字长度、编码效率、冗余度。
从信息论角度分，可以将图像的压缩编码方法分为无失真压缩编码和有限失真编码。
前者主要包括Huffman编码、算术编码和游程编码；后者主要包括预测编码、变换编码和矢量量化编码以及运动检测和运动补偿技术。
图像数据压缩的目的是在满足一定图像质量的条件下，用尽可能少的比特数来表示原始图像，以提高图像传输的效率和减少图像存储的容量，在信息论中称为信源编码。
图像压缩是通过删除图像数据中冗余的或者不必要的部分来减小图像数据量的技术，压缩过程就是编码过程，解压缩过程就是解码过程。
2、游程编码某些图像特别是计算机生成的图像往往包含许多颜色相同的块，在这些块中，许多连续的扫描行或者同一扫描行上有许多连续的像素都具有相同的颜色值。
在这些情况下就不需要存储每一个像素的颜色值，而是仅仅存储一个像素值以及具有相同颜色的像素数目，将这种编码方法称为游程（或行程）编码，连续的具有相同颜色值的所有像素构成一个行程。
在对图像数据进行编码时，沿一定方向排列的具有相同灰度值的像素可看成是连续符号，用字串代替这些连续符号，可大幅度减少数据量。
游程编码记录方式有两种：①逐行记录每个游程的终点列号：②逐行记录每个游程的长度3、DCT变换编码变换编码是在变换域进行图像压缩的一种技术。
第1篇一、实验目的1. 了解数据压缩的基本原理和方法。
2. 掌握常用数据压缩算法的应用。
3. 分析不同数据压缩算法的性能和适用场景。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 数据压缩工具：Huffman编码、LZ77、LZ78、RLE、JPEG、PNG三、实验内容1. Huffman编码2. LZ77编码3. LZ78编码4. RLE编码5. 图像压缩：JPEG、PNG四、实验步骤1. Huffman编码（1）设计Huffman编码树，计算每个字符的频率。
（2）根据频率构建Huffman编码树，为每个字符分配编码。
（3）将原始数据按照Huffman编码进行编码，得到压缩数据。
（4）解压缩：根据编码表还原原始数据。
2. LZ77编码（1）设计LZ77编码算法，查找匹配的字符串。
（2）将原始数据按照LZ77编码进行编码，得到压缩数据。
（3）解压缩：根据编码表还原原始数据。
3. LZ78编码（1）设计LZ78编码算法，查找匹配的字符串。
（2）将原始数据按照LZ78编码进行编码，得到压缩数据。
（3）解压缩：根据编码表还原原始数据。
4. RLE编码（1）设计RLE编码算法，统计连续字符的个数。
（2）将原始数据按照RLE编码进行编码，得到压缩数据。
（3）解压缩：根据编码表还原原始数据。
5. 图像压缩：JPEG、PNG（1）使用JPEG和PNG工具对图像进行压缩。
（2）比较压缩前后图像的质量和大小。
五、实验结果与分析1. Huffman编码（1）压缩前后数据大小：原始数据大小为100KB，压缩后大小为25KB。
（2）压缩效率：压缩比约为4:1。
2. LZ77编码（1）压缩前后数据大小：原始数据大小为100KB，压缩后大小为35KB。
（2）压缩效率：压缩比约为3:1。
3. LZ78编码（1）压缩前后数据大小：原始数据大小为100KB，压缩后大小为30KB。
（2）压缩效率：压缩比约为3.3:1。
太原理工大学现代科技学院数字图像处理课程实验报告专业班级测控14-4学号 2014101874姓名杨东倡指导教师刘帆实验名称 实验三、图像压缩编码技术 同组人 专业班级 测控14-4 姓名 杨东倡 学号 2014101874 成绩 实验三、图像压缩编码技术 一、实验目的 1、理解有损压缩和无损压缩的概念； 2、理解图像压缩的主要原则和目的； 3、了解几种常用的图像压缩编码方式； 4、利用MATLAB 程序进行图像压缩编码。
二、实验原理 1、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、信息保持编码或熵编码。
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。
图像压缩编码方法综述【摘要】：图像压缩编码在图像处理中起着至关重要的作用，文章论述了图像压缩的必要性和可行性，介绍了几种常用的几种常用经典图像压缩方法和现代压缩的算法及应用情况。
【关键词】：图像压缩；经典压缩方法；现代压缩算法1. 图像压缩的必要性和可行性随着多媒体应用的普及和数字视频技术的发展, 以及网络上图像传输的增多, 对图像的处理变得越来越重要。
图像的数字化是必然的趋势, 但是经过数字化的图像所占的数据量相当庞大, 而信道带宽和存储空间的限制又给实际应用带来了很大的困难, 所以图像压缩已成为现代信息社会急待解决的问题。
虽然数字图像的数据量极为庞大，但这些数据之间往往是高度相关的。
换言之，其中存在着大量的冗余，数字图像压缩技术就是通过有效地消除图像的各种冗余，达到用尽可能少的数据表示和重建原始图像的目的。
一个常用的图像压缩系统模型如下：2. 图像压缩编码的分类2.1 传统图像压缩编码方法2.1.1 熵编码熵编码是纯粹基于信号统计特性的编码技术。
它是一种无损编码，解码后能无失真地恢复原图像。
其基本原理是给出出现概率大的符号一个短码字，而给出出现概率小的符号一个长码字，从而使得平均码长最短。
①霍夫曼编码霍夫曼编码〔Huffman encoding)是常用的压缩方法之一，它是通过用更有效的代码代替数据来实现的。
霍夫曼编码最初是为了对文本文件进行压缩而建立的，迄今已经有很多变体。
它的基本思路是出现频率越高的值，其对应的编码长度越短，反之出现频率越低的值，其对应的编码长度越长。
霍夫曼编码很少能达到8: 1的压缩比，此外它还有以下两个不足:其一它必须精确地统计出原始文件中每个值的出现频率，如果没有这个精确统计，压缩的效果就会大打折扣，甚至根本达不到压缩的效果。
其二它对于位的增删比较敏感。
由于霍夫曼编码的所有位都是合在一起的而不考虑字节分位，因此增加一位或者减少一位都会使译码结果面目全非。
②算术编码算术编码最早由Shannon提出，其核心思想是累积概率。
图像编码是指将数字图像转换为可传输或存储的比特流的过程。
数据压缩技术在图像编码中起着重要的作用，它可以减少图像的大小并降低传输或存储所需的空间。
本文将介绍一些常见的图像编码中的数据压缩技术。
一、无损压缩技术无损压缩技术是指在压缩图像的同时，保证恢复出的图像与原始图像完全一致。
其中，最常见的无损压缩技术是无损预测编码。
该技术利用了图像中像素之间的相关性，通过预测像素的值并编码预测误差的方式进行压缩。
无损预测编码包括差分脉冲编码调制（DPCM）和可变长度编码（VLC）等方法。
另外，无损压缩技术还包括比特平面编码。
该技术将原始图像分解为多个比特平面，并对每个平面进行编码。
这样可以根据图像内容的重要性有选择地进行编码，从而提高压缩的效果。
二、有损压缩技术有损压缩技术是指在压缩图像的同时，对图像进行一定程度的信息损失。
常见的有损压缩技术有离散余弦变换（DCT）和小波变换。
离散余弦变换将图像分解为一系列频域成分，通过对这些频域成分进行量化和编码来实现压缩。
由于人眼对高频细节的感知比较差，因此可以对高频部分进行较强的量化，从而实现更高的压缩比。
小波变换是近年来兴起的一种图像压缩技术。
它将图像分解为一系列不同尺度和方向的小波系数，并对这些系数进行量化和编码。
小波变换能够更好地提取图像的局部特征，从而实现更好的压缩效果。
三、熵编码在图像编码中，熵编码是一种常用的编码方法，它通过将出现概率较高的符号用较少的比特表示，从而实现数据的进一步压缩。
常见的熵编码算法有霍夫曼编码和算术编码。
霍夫曼编码是一种用于可变长度编码的熵编码方法。
它根据符号出现的概率构建一棵霍夫曼树，然后按照霍夫曼树的路径进行编码。
出现概率较高的符号使用较短的编码，而出现概率较低的符号使用较长的编码。
算术编码是一种更高效的熵编码方法。
它将整个消息看作一个区间，并通过不断缩小区间的方式进行编码。
算术编码能够实现非常高的压缩比，但由于算法的复杂性较高，实际应用中较少使用。
实验报告课程名称：数字图像处理实验名称：图像压缩编码技术实验地点：明向校区D001 机房专业班级：测控1401 班学号：2014001796 学生姓名：***指导教师：**2017 年 4 月21 日一、实验目的1.理解有损压缩和无损压缩的概念。
2.理解图像压缩的主要原则和目的。
3.了解几种常用的图像压缩编码方式。
4.利用MATLAB 程序进行图像压缩编码。
二、实验原理1、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。
2、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、信息保持编码或熵编码。
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。
3、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，H.261，JPEG，MPEG 等技术标准。
本实验主要利用 MATLAB 程序进行赫夫曼（Huffman）编码和行程编码（Run Length Encoding，RLE）。
三、实验仪器1.计算机。
2.MATLAB、Photoshop 等程序。
3.移动式存储器（软盘、U 盘等）。
4.记录用的笔、纸。
四、实验步骤与内容1、实现基本JPEG 的压缩和编码分三个步骤：（1）首先通过DCT 变换去除数据冗余；（2）使用量化表对DCT 系数进行量化；（3）对量化后的系数进行Huffman 编码。
我逐步进行了该项内容的实验：实验中我们使用的是一张512*512 像素的RGB 彩图lena.bmp，在程序中我们需要现将其转化为单通道256 级灰度图。
程序代码如下：>> x=imread('lena.bmp');>> x=rgb2gray(i);>> figure(1);>> subplot(121);>> imshow(x);运行结果如下：接下来进行近似基本JPEG 编码。
代码及结果如下：出现错误，提示未找到JPEG 编码函数。
查阅课本，发现完成该内容需要自行定义若干函数，具体名称如下：具体代码如下：%函数addnod 添加节点function codeword_new=addnode(codeword_old,item)codeword_new=cell(size(codeword_old));for index=1:length(codeword_old)codeword_new{index}=[item codeword_old{index}];end%函数bytes 返回输入f 占用的比特数function b=bytes(f)if ischar(f)info=dir(f);b=info.bytes;elseif isstruct(f)b=0;fields=fieldnames(f);for k=1:length(fields)b=b+bytes(f.(fields{k}));endelseinfo=whos('f');b=info.bytes;end%函数imageratio 计算两个图像压缩比function cr=imageratio(f1,f2)error(nargchk(2,2,nargin));cr=bytes(f1)/bytes(f2);%函数decode 返回码字对应的符号function byte=decode(code,info)byte=info.huffcodes(code);%函数frequency 计算各个符号出现的概率function f=frequency(vector)if ~isa(vector,'uint8')error('input argument must be a uint8 vector');endf=repmat(0,1,256);len=length(vector);for index=0:255f(index+1)=sum(vector==uint8(index));endf=f./len;%huffencode 函数对输入矩阵vector 进行Huffman 编码，返回编码后的向量（压缩后数据）及相关信息function [zipped,info]=huffencode (vector)if ~isa(vector,'uint8')eror('input argument must be a uint8 vector');end[m,n]=size(vector);vector=vector(:)';f=frequency(vector); %计算各个符号出现的概率symbols=find(f~=0); f=f(symbols);[f,sortindex]=sort(f); %将符号按照出现的概率大小排列symbols=symbols(sortindex); len=length(symbols);symbols_index=num2cell(1:len); codeword_tmp=cell(len,1);while length(f)>1 %生成huffman 树，得到码字编码表index1=symbols_index{1}; index2=symbols_index{2};codeword_tmp(index1)=addnode(codeword_tmp(index1),uint8(0));codeword_tmp(index2)=addnode(codeword_tmp(index2),uint8(1));f=[sum(f(1:2)) f(3:end)];symbols_index=[{[index1,index2]} symbols_index(3:end)];[f,sortindex]=sort(f);symbols_index=symbols_index(sortindex);endcodeword=cell(256,1);codeword(symbols)=codeword_tmp;len=0;for index=1:length(vector) %得到整个图像所有比特数len=len+length(codeword{double(vector(index))+1});5endstring=repmat(uint8(0),1,len);pointer=1;for index=1:length(vector) %对输入图像进行编码code=codeword{double(vector(index))+1};len=length(code); string(pointer+(0:len-1))=code;pointer=pointer+len;endlen=length(string);pad=8-mod(len,8); %非8 整数倍时，最后补pad 个0if pad>0string=[string uint8(zeros(1,pad))];endcodeword=codeword(symbols);codelen=zeros(size(codeword));weights=2.^(0:23);maxcodelen=0;for index=1:length(codeword)len=length(codeword{index});if len>maxcodelenmaxcodelen=len;endif len>0code=sum(weights(codeword{index}==1));code=bitset(code,len+1);codeword{index}=code;codelen(index)=len;endendcodeword=[codeword{:}];%计算压缩后的向量cols=length(string)/8;string=reshape(string,8,cols);weights=2.^(0:7);zipped=uint8(weights*double(string));%码表存储到一个稀疏矩阵huffcodes=sparse(1,1);for index=1:nnz(codeword) %length(codeword) %numel(codeword) huffcodes(codeword(index),1)=symbols(index);endinfo.pad=pad;info.huffcodes=huffcodes;info.ratio=cols./length(vector);6info.length=length(vector);info.maxcodelen=maxcodelen;info.rows=m;info.cols=n;% huffdecode 函数对输入矩阵vector 进行Huffman 解码，返回解压后的图像数据function vector=huffdecode(zipped,info,image)if ~isa(zipped,'uint8')error('input argument must be a uint8 vector');end%产生0,1 序列，每位占一个字节len=length(zipped);string=repmat(uint8(0),1,len.*8);bitindex=1:8;for index=1:lenstring(bitindex+8.*(index-1))=uint8(bitget(zipped(index),bitindex));endstring=logical(string(:)');len=length(string);string((len-info.pad+1):end)=[];len=length(string);%开始解码weights=2.^(0:51);vector=repmat(uint8(0),1,info.length);vectorindex=1;codeindex=1;code=0;for index=1:lencode=bitset(code,codeindex,string(index));codeindex=codeindex+1;byte=decode(bitset(code,codeindex),info);if byte>0vector(vectorindex)=byte-1;codeindex=1;code=0;vectorindex=vectorindex+1;end endvector=reshape(vector,info.rows,info.cols);7%jpegencode 函数用来压缩图像function y=jpegencode(x,quality)error(nargchk(1,2,nargin));if nargin<2quality=1;endx=double(x)-128;[xm,xn]=size(x);t=dctmtx(8);y=blkproc(x,[8,8],'P1*x*P2',t,t');m= [16 11 10 16 24 40 51 61 ;12 12 14 19 26 58 60 55 ;14 13 16 24 40 57 69 56 ;14 17 22 29 51 87 80 62 ;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 101;72 92 95 98 112 100 103 99]*quality;yy=blkproc(y,[8,8],'round(x./P1)',m);y=im2col(yy,[8,8],'distinct');xb=size(y,2);order=[1 9 2 3 10 17 25 18 11 4 5 12 19 26 33 41 34 27 20 13 6 7 14 21 28 35 42 49 57 50 43 36 29 22 15 8 16 23 30 37 44 51 58 59 52 45 38 31 24 32 39 46 53 60 61 54 47 40 48 55 62 63 56 64];y=y(order,:);eob=max(x(:))+1;num=numel(y)+size(y,2);r=zeros(num,1);count=0;for j=1:xbi=max(find(y(:,j)));if isempty(i)i=0;endp=count+1;q=p+i;r(p:q)=[y(1:i,j);eob];count=count+i+1;endr((count+1):end)=[];r=r+128;y.size=uint16([xm,xn]);y.numblocks=uint16(xb);y.quality=uint16(quality*100);[y.huffman ]=huffencode(uint8(r));%jpegdecode 函数是JPEG 解码程序function x=jpegdecode(y)error(nargchk(1,1,nargin)); m= [16 1110 16 24 40 51 61 ;12 12 14 19 26 58 60 55 ;14 13 16 24 40 57 69 56 ;14 17 22 29 51 87 80 62 ;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 101;72 92 95 98 112 100 103 99];order=[1 9 2 3 10 17 25 18 11 4 5 12 19 26 33 41 34 27 20 13 6 7 14 21 28 35 42 49 57 50 43 36 29 22 15 8 16 23 30 37 44 51 58 59 52 45 38 31 24 32 39 46 53 60 61 54 47 40 48 55 62 63 56 64];rev=order;for k=1:length(order)rev(k)=find(order==k);end%ff=max(rev(:))+1;m=double(y.quality)/100*m;xb=double(y.numblocks);sz=double(y.size);xn=sz(1);xm=sz(2);x=huffdecode(y.huffman,);x=double(x)-128;eob=max(x(:));z=zeros(64,xb);k=1;for j=1:xbfor i=1:64if x(k)==eobk=k+1;break;elsez(i,j)=x(k);k=k+1;endendendz=z(rev,:);x=col2im(z,[8,8],[xm,xn],'distinct');x=blkproc(x,[8,8],'x.*P1',m);t=dctmtx(8);x=blkproc(x,[8,8],'P1*x*P2',t',t);x=uint8(x+128);全部函数创建完毕后，可以在Current Folder 窗口中看到所创建函数的.m 文件。
