实验名称： DPCM 压缩系统的实现和分析
实验目的：
掌握DPCM编解码系统的基本原理。初步掌握实验用C语言编程实现DPCM编码器并分析其压缩效率。
主要设备：
安装 Windows 和 Visual Studio 软件的个人计算机
实验内容：
DPCM是差分预测编码调制的缩写，是比较典型的预测编码系统。在DPCM系统中， 需要注意的是预测器的输入是已经解码以后的样本。之所以不用原始样本来做预测，是因为在解码端无法得到原始样本，只能得到存在误差的样本。因此，在DPCM编码器中实际内嵌了一个解码器，如编码器中虚线框中所示。
2. DPCM编码系统的设计
在本次实验中，我们采用固定预测器和均匀量化器。预测器采用左侧预测。
量化器采用8比特均匀量化。本实验的目标是验证DPCM编码的编码效率。首先读取一个256级的灰度图像，采用自己设定的预测方法计算预测误差，并对预测误差进行8比特均匀量化。还可对预测误差进行1比特、2比特和4比特的量化设计。
为了让残差图可见性更强，对残差图进行了非均匀量化。
在DPCM编码器实现的过程中可同时输出预测误差图像和重建图像。将预测误差图像写入文件并将该文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。将原始图像文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。
比较两种系统（1.DPCM+熵编码和2.仅进行熵编码）之间的编码效率（压缩比和图像质量）。压缩质量以PSNR进行计算。
3. PSNR的实现：
PSNR：峰值信噪比，是一种全参考的图像质量评价指标。计算公式如下
其中，MSE表示当前图像X和参考图像Y的均方误差（MeanSquare Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. PSNR的单位是dB，数值越大表示失真越小。
实验步骤：
其中读取RGB数据，RGB2YUV，均调用了实验2的函数
输出重建图像，预测误差图像的UV值均使用128
DPCM具体实现
在每一行中，由于第一个像素的前面没有像素，因此假设它的预测值为平均灰度值 128 。
量化等级=512/2（量化比特数）次方
int Qlevel = 512 / (1 << (Qbit));
Switch（量化比特数）
Case 8：
For( j=0 ; j<高 ; j++)
{
For( j=0 ; j<宽 ; j++)
{
If（是第一列）
{
预测误差值=（（原值-128）+256）/量化等级
重建值=（预测误差值*量化等级）-256+128
}
Else
{
预测误差值=（（原值-上一个重建值）+256）/量化等级
重建值=（预测误差值*量化等级）-256+上一个重建值
}
}
}
外层循环为图像中每一行的循环，每行起始像素的预测值设为 128，单独对其进行预测并重建。首先得到差值 ek，像素灰度值范围从 0 到 255，那么两个像素灰度值之差的范围从 -255 到 255。由于要存储误差图像，那么先把负灰度值变成正的，也就是+ 255，在 0 到 510 这个区间内再做量化，区间长度可以看成 9 bit，512 级。
为了让残差图可见性更强，对残差图进行了非均匀量化。
switch (deviabuffer[j*Width + i])
{
case 0:deviabuffer2[j*Width + i] = 0; break;
case 6:deviabuffer2[j*Width + i] = 64; break;
case 7:deviabuffer2[j*Width + i] = 128; break;
case 8:deviabuffer2[j*Width + i] = 255; break;
default:deviabuffer2[j*Width + i] = 255;
}
psnr计算
实验结果：8bit量化
原图.bmp |
预测差值图.yuv |
重建图.yuv |
差值图的概率分布 |
|
|
|
|
以下，略 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
原图像 |
原始图像大小（KB） |
直接熵编码大小（KB） |
直接熵编码压缩比 |
预测差值图像大小（KB） |
DPCM+熵编码压缩比 |
DPCM＋熵编码重建图像PSNR（DB） |
Birds |
1120 |
1099 |
1.019 |
199 |
5.628 |
14.098 |
Noise256B |
66 |
60 |
1.100 |
46 |
1.435 |
14.3484 |
Lena256B |
193 |
184 |
1.049 |
46 |
4.196 |
12.8118 |
Camman256B |
66 |
59 |
1.119 |
41 |
1.609 |
12.3896 |
Clown256B |
66 |
64 |
1.031 |
48 |
1.333 |
12.1424 |
Fruit256B |
66 |
64 |
1.031 |
42 |
1.571 |
11.9524 |
Zone256B |
66 |
64 |
1.031 |
72 |
0.917 |
13.7038 |
Odie256B |
66 |
13 |
5.077 |
17 |
3.882 |
13.0754 |
预测误差图像都为明显的灰色，电平集中分布在128附近，量化过程中将量化误差抬升128电平所以表明实际预测误差值集中分布在 0 左右，证明对于正常图像，左右相邻像素之间存在很强的关联性，利用相关性对像素量化后进行压缩压缩比会很理想。
不同量化比特数的对比：
量化比特数 |
预测误差图像 |
重建图像 |
误差概率分布 |
8 |
|
|
看pdf去 |
4 |
|
|
|
2 |
|
|
|
1 |
|
|
|
程序代码见附件
完整文档图如下