[数据压缩]DPCM压缩系统的实现和分析

目录

实验目的

实验原理

实验内容

实验结果​​​​​​​

代码实现

实验总结

---

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。

实验原理

        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。

在一个DPCM系统中，有两个因素需要设计:预测器和量化器。理想情况下，预测器和量化器应进行联合优化。实际中，采用一种次优的设计方法:分别进行线性预测器和量化器的优化设计。

实验内容

        1.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(基本要求)。还可对预测误差进行1比特、2比特和4比特的量化设计(提高要求)。

        2.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。

        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。

        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。

        4.比较两种系统(DPCM+熵编码和仅进行熵编码)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。  

实验结果

        1.读取图片，获得预测误差图像与重建图像

原图像Lena

预测误差图像

重建图像

       

        2.输入Huffman编码器，得到输出码流、概率分布图

原图像

得到概率分布与输出码流：

预测误差图像

 得到概率分布与输出码流： 

        3.压缩比计算

原图像压缩比：71.4%

预测误差图像压缩比：57.1%

相比较，预测误差图像压缩效率更高。

         4.PSNR计算

代码实现

        设置代码的启动参数：

#include 
#include 
#include 
#include 
int main(int argc, char** argv)
{
    unsigned width = 256;
    unsigned height = 256;
   
    char *image = NULL;
    char *newimage = NULL;
    char *preimage = NULL;
    
    FILE* image256 = NULL;
    FILE* image1 = NULL;
    FILE* image2 = NULL;

    image = argv[1];
    newimage = argv[2];
    preimage= argv[3];
    image256 = fopen(image, "rb");
    image1 = fopen(newimage, "wb");
    image2 = fopen(preimage, "wb");


    unsigned char* yuvbuf = NULL;
    unsigned char* ubuf = NULL;
    unsigned char* vbuf = NULL;
    unsigned char * prebuf = NULL;
    unsigned char* newbuf = NULL;
    yuvbuf = (unsigned char*)malloc(width * height);
    ubuf = (unsigned char*)malloc(width * height / 4);
    vbuf = (unsigned char*)malloc(width * height / 4);
    prebuf = (unsigned char*)malloc(width * height);
    newbuf = (unsigned char*)malloc(width * height);
    float* ppbuf = NULL;
    ppbuf = (float*)malloc(width * height * 4);
    unsigned char* abuf =NULL;
    abuf = (unsigned char*)malloc(width * height * 4);

    fread(yuvbuf, 1, width * height * 1, image256);

    for (int i = 0; i < height; i++) {
        for (int j = 0; j < width; j++) {
            if (j == 0) {
                prebuf[i * width + j] = 0;
                newbuf[i * width + j] = yuvbuf[i * width + j];
                ppbuf[i * width + j] = 0;
            }
            else {
                ppbuf[(i * width + j)] = float(yuvbuf[i * width + j]) - float(newbuf[i * width + j - 1]);
                if (ppbuf[ (i * width + j)] >= 0) {
                    prebuf[i * width + j] = floor(ppbuf[(i * width + j)] + 0.5);
                    newbuf[i * width + j] = newbuf[i * width + j - 1] + prebuf[i * width + j] * 1;
                }
                else {
                    prebuf[i * width + j] = floor(fabs(float(ppbuf[i * width + j]) + 0.5));
                    newbuf[i * width + j] = newbuf[i * width + j - 1] - prebuf[i * width + j] * 1;
                }
            }
        }
    }


    for (int i = 0; i < width*height / 4; i++) {
        ubuf[i] = 128;
        vbuf[i] = 128;
    }
    fwrite(newbuf, 1, width * height, image1);
    fwrite(ubuf, 1, width * height / 4, image1);
    fwrite(vbuf, 1, width * height / 4, image1);

    for (int i = 0; i < width*height ; i++) {
        abuf[i] = (unsigned char)(ppbuf[i]) + 128;
    }

    int sum=0;
    for (int i = 0; i < height; i++) {

        for (int j = 0; j < width; j++) {
            sum += abs(prebuf[i * width + j]);
        }
    }
    float MSE = float(sum) / float(width*height);
    float PSNR = 10 * log10(65025 / MSE);
    printf("PSNR=%f", PSNR);

    fwrite(abuf, 1, width*height, image2);
    fwrite(ubuf, 1, width * height / 4, image2);
    fwrite(vbuf, 1, width * height / 4, image2);
    free(yuvbuf);
    free(ubuf);
    free(vbuf);
    free(prebuf);
    free(newbuf);
    fclose(image1);
    fclose(image256);
    fclose(image2);
    return 0;
}

实验总结

        预测误差图像中，计算方式为右边像素减左边像素，所以右边像素更亮，出现白色；右边像素更暗，出现黑色。

        通过比较压缩比，可以发现预测误差图像在huffman编码方面有更好的压缩效果。结合之前的得到概率分布，我们可以发现原图像概率分布较为均匀，预测误差图像中概率分布集中在同一部分，我们认为图像中概率分布更加集中的特点帮助了huffman编码效率提升。