《图像压缩编码原理ii》由会员分享，可在线阅读，更多相关《图像压缩编码原理ii（59页珍藏版）》请在金锄头文库上搜索。
1、数字电视技术,图像压缩编码原理,预测编码,预测编码主要是减少图像数据在时间和空间上的相关性 空间冗余反映了一帧图像内相邻像素之间的相关性，任何一个像素都可以由与之相邻的且已被编码的像素来进行预测估计，因此可以进行帧内预测编码 时间冗余反映了运动图像帧与帧之间的相关性，因此也可以进行帧间预测编码,预测编码的基本原理,预测编码是根据某一模型利用过去的取样值对当前值进行预测，然后将当前样值的实际值与预测值相减得到一个误差值，只对这一误差值进行编码。 如果预测模型足够好，而且样值序列有较强的相关性，那么预测误差信号将比原始信号小的多，因而可以用较少的电平等级对预测误差信号进行量化，从而可以大大减少传输
2、的数据量,预测编码原理框图,在预测编码系统中预测器和量化器是两个关键部分。预测器的预测精度越高，预测误差信号的动态范围越小，数据率越低，因此要保证预测器有较高的预测精度,预测的方法,按预测值选用的相邻像素不同，预测器可以分为帧内预测和帧间预测。 帧内预测利用图像信号的空间相关性来压缩图像的空间冗余，根据已经传输的同一帧内的像素来预测当前像素 帧间预测利用运动图像信号序列在时间上的相关性来压缩图像序列的时间冗余度,帧内预测,帧内预测分为前值预测、一维预测、二维预测 前值预测用同一扫描行中最相邻的前一个亮度信号的样值来预测 一维预测用同一扫描行中前几个取样值来预测当前值 二维预测用同一扫描行和上几
3、个行中的几个样值来预测当前值,预测电路原理图,帧间预测,电视图像在相邻帧之间存在很强的相关性。统计表明，对于不同类型的电视节目，在相邻帧之间平均有7.5的像素亮度信号有变化，平均只有0.65的像素色度信号有变化,预测系数的选择,帧内预测和帧间预测归根到底就是利用多项式或者更复杂的式子预测当前值，既然是运算式，必定存在系数选择的问题 预测系数的选择通常采用最优线性预测法，选择预测系数使误差信号的均方值最小 按预测误差的均方差最小方法导出的预测系数的代数和应等于1,自适应预测,前面讨论过的预测方法都是线性预测，预测时使用固定参数。但是实际图像信号是千变万化的，使用线性预测很难达到理想的压缩效果。
4、为适应图像变化的要求，应根据图像变化的规律改变量化系数，使预测器和量化器自适应的与图像特征相匹配 很显然，自适应预测是一种非线性预测方法,自适应预测的内容,自适应预测利用预测误差作为控制信息，因为预测误差的大小反映了图像信号的相关性 在亮度变化平坦区，相关性强，预测误差小；在图像边沿或细节变化区，亮度信号变化大，相关性若，预测误差大 根据预测误差进行门限控制，灵活调整参数，从而提高预测精度，较小预测误差,预测误差的统计规律,非均匀量化器的使用,非均匀量化对绝对值小的预测误差以细量化，对绝对值大的预测误差以粗量化 绝对值小的预测误差出现在图像平坦区，容易被察觉，绝对值大的预测误差出现在突变区，由
5、于“掩盖效应”不容易被察觉,帧间编码的运动处理,电视图像中只有镜头不切换，前后帧图像的内容是差别不大的，多数情况下仅仅很少一部分内容在动。此时只要知道画面中哪部分在运动及其运动方向和位移量，就可以准确预测出当前帧图像的内容 帧间编码中最重要的是对运动图像的处理，应使编码器在保证运动图像质量的情况下有较高的压缩比,运动处理的过程,运动估计（ME）：对运动物体的位移作出估计，包括位移方向和位移量 运动补偿（MC）：按照运动矢量将上一帧作位移，求出当前运动结果,运动估计的方法,运动估计首先应建立运动模型 运动模型的种类很多，比较复杂，在数字电视的信号处理中经常使用比较简单的直线匀速运动模型 在运动估
6、计中，关键是怎样进行运动估计，一般运动估值的方法有块匹配法、像素递归法、相位相关法等。其中块匹配法比较简单，应用也十分广泛,块匹配法,在运动估计中将图像分成若干子块，设子块图像是由NXN个像素组成的像块，并假设一个像块中所有像素作一致的平移运动 块匹配法运算中，使当前帧中每一个像块针对前一帧内相同的像块在上下左右四个方向搜索，求得与其最佳的匹配块,块匹配法的重要参数,估值块大小：在视频压缩编码标准中，估值块为16X16像素，称为宏块（Macroblock），对于720X576的SDTV信号而言，全帧有45X361620个宏块 最佳匹配原则：一般有最小均方差准则和最小绝对差准则，后者应用较广泛
7、搜索窗口的大小：窗口越大，计算量越大，但对快速运动图像的压缩有利,最佳匹配的搜索方法,如果采用普通搜索方法，最大搜索次数为(2m1)2，对运算速度要求较高 为简化运算，可采用快速搜索法 在实际应用中，还经常采用分级搜索法。先对低分辨率图像进行粗搜索，再对高分辨率图像进行细搜索,使用变换编码进行压缩的思路,横看成岭侧成峰,正交变换编码,变换编码（Transform Coding）的基本思想是将在通常的欧几里德空间描写的图像信号变换到另外的空间进行描写，然后再根据变换后图像信号的特点和人眼的视觉特征进行编码 一般图像信号在欧氏空间中具有较强的相关性，变换到其他空间后往往能量会集中到少数分量上，通过
8、舍弃一些较小的分量系数，实现图像数据的压缩 由于正交变换的变换矩阵是可逆的，逆矩阵与转置矩阵相等，有利于编码与解码（压缩与解压缩）运算，所以在图像信号的变换编码中，经常使用正交变换,图像信号正交变换的特点,一般来说图像变换不是对整幅图像一次进行，而是将整幅图像分成若干NXN的像块，依次将每个像块中的NXN个点进行正交变换运算 变换后的结果映射为变换域中的NXN个变换系数矩阵，该矩阵更有利于信号压缩 量化器用有限个值来表示变换后的系数矩阵，舍弃一些小的变换系数 编码器对量化结果进行定长或不定长编码 在整个压缩过程中，变换和编码是无损的，量化是有损的,正交变换的性质,能量守恒性 能量集中性 去相关
9、性 熵保持性,离散余弦变换,一维DCT的物理意义,二维DCT的物理意义,变量u表示图像水平方向上的空间频率，v表示垂直方向上的空间频率 二维DCT从物理概念上理解，是将空间像素的几何分布变换为空间频率分布,DCT变换实现数据压缩的关键,DCT变本身只是将图像从一个空间变换到另一个空间，数据并未减少 为达到减少数据的目的，应根据变换后数据的特征和人眼的视觉特征进行量化和编码 量化器用降低系数的精度来消除不必要的系数，但不应降低图像的主观评价质量 关键是在图像信号的低频区进行细量化，在高频区进行粗量化,一个具体实例,一个具体实例,一个具体实例,DCT量化误差对图像的影响,舍去高频系数而使图像产生模
10、糊 对某些系数采用粗量化而产生颗粒状结构 像块的划分使相邻像块之间亮度不连续，产生所谓块效应,信息及其度量,信息一词在概念上与消息的意义相似，但它的含义却更普遍化、抽象化 信息可被理解为消息中包含的有意义的内容。这就是说，不同形式的消息，可以包含相同的信息。例如，分别用语音和文字发送的天气预报，所含信息内容相同。如同运输货物多少采用“货运量”来衡量一样，传输信息的多少使用“信息量”去衡量。现在的问题是信息如何度量 消息是多种多样的。因此度量消息中所含的信息量的方法，必须能够用来度量任何消息的信息量，而和消息种类无关,信息及其度量,在一切有意义的通信中，虽然消息的传递意味着信息的传递，但对于接收
11、者而言，某些消息比另外一些消息却含有更多的信息 例如，若方告诉另一方一件非常可能发生的事件：“今年冬天的气候要比去年冬天的更冷些”，比起告诉另一方一件很不可能发生的事件：“今年冬天的气候将与去年夏天的一样热”来说，前一消息包含的信息显然要比后者少些。因为在接收者看来，前一事件很可能发生，不足为奇，但后一事件却极难发生，听后使人惊奇 这表明消息确实有量值的意义。而且，我们可以看出，对接收者来说，事件愈不可能，愈是使人感到意外和惊奇，信息量就愈大,信息及其度量,概率论告诉我们，事件的不确定程度，可以用其出现的概率来描述。亦即事件出现的可能性愈小，则概率就愈小；反之，则概率就愈大 据于这种认识，我们
12、得到：消息中的信息量与消息发生的概率紧密相关，消息出现的概率愈小，则消息中包含的信息量就愈大 如果事件是必然的(概率为1)，则它传递的信息量应为零；如果事件是不可能的(概率为0)，则它将有无穷的信息量 如果我们得到不是由一个事件构成而是由若干个独立事件构成的消息，那么这时我们得到的总的信息量，就是若干个独立事件的信息量的总和,为了计算信息量，消息中所含的信息量I与消息出现的概率P(x)间的关系应当有如下规律,消息中所含的信息量I是出现该消息的概率P(x)的函数：IIP(x) 消息的出现概率愈小，它所含的信息量愈大；反之信息量愈小，且当P(x)=1时，I0 若干个互相独立事件构成的消息，所含信息
13、量等于各独立时间信息量的和，即：Ip(x1)p(x2)=Ip(x1)+ Ip(x2)+,信息的熵,如果将信源所有可能的信息量进行平均，就得到了信源中每个符号的平均信息量，又称为信息的熵。从信息论看，熵是对一个信源进行编码时最小平均码长的理论值，因此熵提供了一种可以用来测试无损编码性能的一种标准,定字长编码和不定字长编码,在量化完成后，对结果进行定长度编码，即每个信息字的长度固定，这种方法称为定长编码。定长编码虽然比较简单，但平均码长的利用率不高 不定字长编码根据符号发送概率的不同而分配以不同码长的信息字。对于出现概率大的符号给以短码，对于出现概率小的符号给以长码，则平均码长一定小于其他编码方式
14、,哈夫曼编码,哈夫曼（Huffman）编码是一种典型的变字长编码方式，效率较高，编码方式比较简单 信源中符号出现的概率相差越大，哈夫曼编码效果越好,哈夫曼编码的具体步骤,把信源符号按出现概率由大到小排序 对概率最小两个符号分别分配0和1，然后这两个概率相加作为一个新的辅助符号的概率 将这个新的辅助符号与其他符号一起重新排序 跳到第二步，直到出现概率相加为1为止 用线将符号连接起来得到一个码树，树的N个端点对应N个信源符号 从最后一个概率为1的节点开始，沿着到达信源的每个符号，将一路上遇到的二进制码排列起来，就是端点所对应的信源符号的哈夫曼码字,哈夫曼编码举例,哈夫曼编码的性质,哈夫曼编码方法构
15、造出来的码不是唯一的，主要有两个原因：一是在两个符号概率相加给两条支路分配0和1时，这一选择是任意的；二是两个消息的概率相等时，0和1的分配也是随意的。但是对于同一信源而言，哈夫曼码的平均码长是相同的，即编码效率不变 哈夫曼编码对于不同的信源，其编码效率是不同的。只有当信源各事件的概率分布不均匀时，哈夫曼编码才有较高的编码效率 哈夫曼编码中，没有一个码字是另一个码字的前缀，因此，每个码字唯一可译,本章需要掌握的重点内容,图像压缩编码的基础，几个冗余度主要用于何种压缩方式？ 预测编码的定义与特点，运动处理中的块搜索方法 正交变换编码的物理意义，正交变换的压缩机理 统计编码中信息量与概率的关系，一个实际的哈夫曼编码的过程,
