成就感爆棚！“数据压缩实验之DPCM 压缩系统的实现和分析”实验报告_201810413045_陈诚

1.实验名称

DPCM 压缩系统的实现和分析

2.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/C++/Python等语言编程实现DPCM
编码器，并分析其压缩效率。

3.实验原理

3.1 DPCM系统

S(n)是输入信号，Sr(n)是重建信号，作为预测器确定下一个信号估计值的输入信号。Sp(n)是预测语音信号，d(n)是预测误差信号，d(n)=S(n)-Sp(n),d(n)也称为差值信号或余量信号。DPCM系统实际上就是对这个差值信号进行量化编码，用来补偿过去编码中产生的量化误差,它是一个反馈系统，采用这种结构可以避免量化误差的积累。dq(n)是量化后的差值信号。最后将量化后的差值信号送入编码器编码。

3.2 什么是PSNR

经查阅资料得知：

4.实验流程

本次实验使用以下两幅yuv图像进行实验测试：

具体步骤：
①首先读取一个256级的灰度图像，采用设定的预测方法计算预测误差，并对预测误差进行8比特、1比特、2比特和4比特的量化设计。
②在DPCM编码器实现的过程中同时输出预测误差图像和重建图像。
③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。
④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。
⑤最后比较两种系统（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。

5.代码实现

首先开辟三个空间分别存储原始图像，预测误差图像及重建图像：

	char* FileName = NULL;//原文件
	char* Reconstruction_FileName = NULL;//重建电平文件
	char* ERROR_FileName = NULL;//预测误差文件
	FILE* File = NULL;
	FILE* ERROR_File = NULL;
	FILE* Reconstruction_File = NULL;
	FILE* y_pr = fopen("江疏影2_y_pr.txt", "w");
	FILE* error_y_pr = fopen("江疏影2_error_y_pr(1bits).txt", "w");
	FileName = argv[4];
	Reconstruction_FileName = argv[5];
	ERROR_FileName = argv[6];

	unsigned char* ybuffer = (unsigned char*)malloc(sizeof(char) * (frameWidth * frameHeight));
	unsigned char* ybuffer1 = ybuffer;
	unsigned char* uvbuffer = (unsigned char*)malloc(sizeof(char) * (frameWidth * frameHeight*0.5));
	unsigned char* new_ybuffer = (unsigned char*)malloc(sizeof(char) * (frameWidth * frameHeight));
	unsigned char* error_quantify = (unsigned char*)malloc(sizeof(unsigned char) * (frameWidth * frameHeight));
	File = fopen(FileName, "rb");
	fread(ybuffer1, 1, frameWidth * frameHeight, File);
	fread(uvbuffer, 1, frameWidth * frameHeight * 0.5, File);

用单独函数实现DPCM，同时reconstruction_value、error_File作为重建图像、预测误差图像输出

void DPCM(int width,int height,unsigned char *input, int bit,unsigned char* reconstruction_value, unsigned char* error_File)

在DPCM函数中，量化+预测+反量化为（注：此处仅以左上角第一个像素举例）：

    double Q_Level = pow(2, bit);//量化级数
	double Q_interval = 512 / Q_Level;//量化间隔
	char* error1=error_value;//误差
	int error2 = 0;
	unsigned char* error3 =error_File;
	
	/*对第一个像素进行预测*/
	*error1 = (char)(*buffer - 128);//左侧预测时假设第一个像素的左侧像素灰度值为128
	error2 =(int) ((*error1+255) / Q_interval);//量化值
	*error3 = (unsigned char)error2;
	*value = (unsigned char)((*error3 - 255 / Q_interval) * Q_interval + 128);//反量化
	if (*value > 255) *value = 255;
	if (*value < 0) *value = 0;
	value++;
	error1++;
	buffer++;
	error3++;

PSNR同样单独实现：

double PSNR(unsigned char* Original_File, unsigned char* Noisy_File, int m, int n)

关键部分：

for (int j = 0; j < n; j++)
	{
     
		for (int i = 0; i <m; i++)
		{
     
			sub = *Original_File - *Noisy_File;
			sum = sum + pow(sub, 2);
			Original_File++;
			Noisy_File++;
		}
	}
	MSE = (sum) / (m * n);
	double psnr = 10 * log10((255 * 255) / MSE);

写数据流：

    fwrite(new_ybuffer, 1, frameWidth * frameHeight, Reconstruction_File);
	fwrite(uvbuffer, 1, frameWidth * frameHeight*0.5, Reconstruction_File);
	fwrite(error_quantify, 1, frameWidth * frameHeight, ERROR_File);
	fwrite(uvbuffer, 1, frameWidth * frameHeight*0.5, ERROR_File);
	cout<<"PSNR="<<PSNR(ybuffer, new_ybuffer, frameWidth, frameHeight)<<endl;

计算概率分布，本处的想法是将概率用TXT文本输出，再用MATLAB绘图：

    double value_buffer2[256] = {
      0 }; double ybuffer_PR2[256] = {
      0 };
 	for (int j = 0; j < frameHeight; j++)
	{
     
		for (int i = 0; i < frameWidth; i++)
		{
     
			value_buffer2[*error_quantify1]++;
			error_quantify1++;
		}
	}
	for (int i = 0; i < 256; i++)
	{
     
		ybuffer_PR2[i] = (value_buffer2[i]) / (frameWidth * frameHeight);
	}
	for (int i = 0; i < 256; i++)
	{
     
		fprintf(error_y_pr, "%f\n", ybuffer_PR2[i]);

	}

6.实验结果

6.1量化结果

6.2哈夫曼编码

利用cmd命令将预测误差图像送入哈夫曼编码器：

得到输出码流：

6.3 使用MATLAB绘制原始图像及预测误差图像Y概率分布图（这里只给出一幅，另一幅类似）：

6.4 压缩比：

图像	“江疏影1.yuv”	“江疏影2.yuv”
仅进行熵编码压缩比	14.173%	5.556%
8比特量化+熵编码压缩比	37.008%	22.222%
4比特量化+熵编码压缩比	55.906%	43.334%
2比特量化+熵编码压缩比	61.417%	55.556%
1比特量化+熵编码压缩比	55.512%	52.593%

6.5 PSNR

图像	“江疏影1.yuv”	“江疏影2.yuv”
8比特量化	51.6708	51.3833
4比特量化	9.62959	12.0931
2比特量化	8.07821	7.73468
1比特量化	9.9115	8.62089

7.结果分析

①预测误差图像的Y概率分布更加集中，分布更加均匀，熵大，像素间关联性越大，更容易压缩。
②对于同一幅图，DPCM+熵编码后的压缩比明显更大，且量化比特数越大，压缩比越大，但是结合PSNR来看，由于PSNR值越大，图像质量越好，而量化比特数越大，PSNR呈下降趋势，故实际中并不是为了压缩就选择更小的量化比特数。

8.实验收获

①通过此次实验，我发觉和最初的实验相比，自己对使用C语言处理图像更加熟练，流畅，在此十分感谢帮助过我的同学、老师！
②在量化时涉及int和unsigned char类型的变换使用，如果处理不当会出现这种错误：