DPCMB编解码原理
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。
PSNR=10*log10((2n-1)2/MSE)
PSNR值越大,就代表失真越少。
1,掌握DPCM编解码系统的基本原理。
2,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。
1、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。
2、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。
3、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。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。
1压缩效率的对比
根据 压缩比 = 原图大小 : 压缩码流大小
huffman编码1.41:1,DPCM&huffman编码2.25:1
DPCM对原始图像经过预测编码以后,对数据的压缩比提升是非常大的
2 DPCM压缩后的数据分布
编写概率分布代码,把概率分布以txt形式输出,再用MATLAB 绘制其概率密度曲线
原图Lena256B.yuv的亮度灰度值概率分布曲线
预测图像pre.yuv的亮度灰度值概率分布曲线
3DPCM编码
for(int i=0;i < frameWidth*frameHeight;i++) { if(i % frameWidth==0) { prebuf[i]=(yBuf[i]-128)/2+128; resconbuf[i]=(prebuf[i]-128)*2+ 128;//重现信号为预测信号反量化后的值+0 } else{ prebuf[i]=(yBuf[i]- resconbuf[i-1])/2+128;// 预测信号为当前输入的y信号与上一个重现信号的差值做量化 resconbuf[i]=((prebuf[i]-128)*2+resconbuf[i-1]);//重现信号为当前预测信号反量化后的值与上个重现信号的和的值 }}
运行程序,原图像为Lena256B.yuv,得到重现图像re.yuv ,预测图像pre.yuv
4将原始图像与预测误差图像分别输入Huffman编码器,得到huff文件与txt文件
原始文件 | 压缩后文件 | 原始大小 | 压缩后大小 | 压缩比 |
---|---|---|---|---|
Lena256B.yuv | Lena.huff | 96KB | 69KB | 28.725% |
pre.yuv | Lenapre.huff | 96KB | 45KB | 53.125% |
5PSNR代码
double MSE = 0; double sub = 0; double sum = 0; for (int j = 0; j < 256; j++) { for (int i = 0; i <256; i++) { sub = yBuf[i] - resconbuf[i]; sum = sum + pow(sub, 2); } } MSE = (sum) / (256 * 256); double psnr = 10 * log10 ((255 * 255) / MSE); cout<<"PSNR="<<psnr<<endl;
运行结果PSNR=51.1411
1、从预测误差图像概率分布与原始图像的概率分布对比可以看出,预测误差图像的概率分布更集中,大部分像素都集中在灰度值为100-150之间,像素之间的关联性更高分布的很集中,很适合用霍夫曼编码进行熵编码,压缩的时候更加容易,而原始图像的概率分布则更均匀,在进行霍夫曼编码时压缩的效率就没有那么高。
2、PSNR越大,图像质量越好,8bit量化的重现图像的PSNR=51.1411dB,比4/2/1bit要好。