💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🌈3 Matlab代码实现
🎉4 参考文献
💥1 概述
文献来源:
随着现代社会越来越大量的信息需要存储和传输,通常会对这些信息进行压缩。人们不仅希望压缩算法有较高的压缩比,而且希望算法执行速度快。小波变换具有良好的时频局部表达能力和多分辨率分析特性,并有快速分解重构算法,在图像编码领域得到了广泛的应用。嵌入式零树编码算
法[1](Embedded Zerotree Wavelet, EZW)是一种基于小波变换的图像压缩算法,它通过不同尺度的小波系数在每个比特平面的空间相似性构造零树,从而用一个零树根成功地预测了大量非重要系数,取得了比基于离散余弦变换的 JPEG 更好的 压 缩 效 果 。 多 级 树 集 合 分 裂 (Set Partitioning in Hierarchical Trees, SPIHT)算法[2]对 EZW 算法做了重要改进,其具有更高的压缩效率、更快的执行速度等优点,是目前基于零树结构的压缩算法中的较优的算法[3]。SPECK(Set
Partitioning Embedded block)算法[4]加快了计算速度并进一步利用了子带内相连系数块的关系。
为取得更好的压缩效果,以上文献中几乎所有算法都需要进行无损压缩(熵编码)以便提高算法效率。然而,进行熵编码需要很大的计算量。如果在 SPIHT 算法中使用算术编码,编码时间将会多一倍以上[2]。为在保持 SPIHT 算法速度的同时改进压缩效果,本文提出一种新的基于 SPIHT 和二叉树的快速编码算法。该算法与上述文献不同,虽然文献[9]提出了一种基于提升小波的二叉树图像编码方法,不过此方法中的二叉树是一种和 SPIHT 的方向树类似的跨尺度的零树结构,而本文算法中的二叉树则建立在同一尺度的相邻系数上。
📚2 运行结果
部分代码:
clc;clear;
%----------- Input ----------------
global level carow row
imname = 'img_lena.bmp';
Orig_I=double(imread(imname));
[row, col] = size(Orig_I);
% 最大比特率
rate = 1;
max_bits = floor(rate * row^2);
% 5个比特率下的编码长度[128:1, 64:1, 32:1, 16:1, 8:1]
brates = floor([0.0625, 0.125, 0.25, 0.5, 1]*row*row);
%----------- Wavelet Decomposition ----------------
n = size(Orig_I,1);
n_log = log2(n);
level = floor(n_log);
% level = 3;
carow = 2^(n_log-level);
I_W = wavecdf97(Orig_I, level);
n_max = floor(log2(abs(max(max(I_W)')))); % 初始阈值T=2^n_max
% =========================================================================
% Coding
[out_head,out_code,out_type,pixFlag] = func_SPIHT_Enc(I_W, max_bits, level);
l2 = find(out_code==2); out_code(l2)=[];
l2 = find(out_type=='O'); out_type(l2)=[];
% =========================================================================
% Decoding
disp(['aa_TSPIHT_' imname ' = [']);
img_dec = func_SPIHT_Dec(out_head,out_code,brates,Orig_I);
disp('];');
img_spiht = wavecdf97(img_dec, -level);
Q = 255;
MSE = sum(sum((img_spiht - Orig_I) .^ 2)) / row / col;
psnr = 10*log10(Q*Q/MSE);
rate = numel(Orig_I)*8/length(out_code);
disp([psnr,rate]);
clc;clear;
%----------- Input ----------------
global level carow row
imname = 'img_lena.bmp';
Orig_I=double(imread(imname));
[row, col] = size(Orig_I);
% 最大比特率
rate = 1;
max_bits = floor(rate * row^2);
% 5个比特率下的编码长度[128:1, 64:1, 32:1, 16:1, 8:1]
brates = floor([0.0625, 0.125, 0.25, 0.5, 1]*row*row);
%----------- Wavelet Decomposition ----------------
n = size(Orig_I,1);
n_log = log2(n);
level = floor(n_log);
% level = 3;
carow = 2^(n_log-level);
I_W = wavecdf97(Orig_I, level);
n_max = floor(log2(abs(max(max(I_W)')))); % 初始阈值T=2^n_max
% =========================================================================
% Coding
[out_head,out_code,out_type,pixFlag] = func_SPIHT_Enc(I_W, max_bits, level);
l2 = find(out_code==2); out_code(l2)=[];
l2 = find(out_type=='O'); out_type(l2)=[];
% =========================================================================
% Decoding
disp(['aa_TSPIHT_' imname ' = [']);
img_dec = func_SPIHT_Dec(out_head,out_code,brates,Orig_I);
disp('];');
img_spiht = wavecdf97(img_dec, -level);
Q = 255;
MSE = sum(sum((img_spiht - Orig_I) .^ 2)) / row / col;
psnr = 10*log10(Q*Q/MSE);
rate = numel(Orig_I)*8/length(out_code);
disp([psnr,rate]);
🌈3 Matlab代码实现
🎉4 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]黄可坤.基于二叉树的改进SPIHT算法[J].计算机工程,2012,38(15):218-221.