基于二叉树的改进SPIHT算法(Matlab代码实现)

news2024/11/15 4:34:13

💥💥💞💞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. 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/165998.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

电脑怎么设置动态壁纸?关于Windows和Mac壁纸的设置方法

为了让电脑桌面更加美观舒适,很多人都会给电脑的桌面设置自己喜欢的壁纸。图片壁纸很多人都会设置,但是电脑怎么设置动态壁纸?这是很多人的困扰。其实方法同样很简单,下面有关于Windows和Mac动态壁纸的设置方法,一起来…

【阶段四】Python深度学习03篇:深度学习基础知识:神经网络可调超参数:激活函数、损失函数与评估指标

本篇的思维导图: 神经网络可调超参数:激活函数 神经网络中的激活函数(有时也叫激励函数)。 在逻辑回归中,输入的特征通过加权、求和后,还将通过一个Sigmoid逻辑函数将线性回归值压缩至[0,1]区间,以体现分类概率值。这个逻辑函数在神经网络中被称为…

PyCharm调用远程Python解释器

PyCharm调用远程Python解释器 PyCharm中直接调用远程服务器中Python解释器: 本地不用搭建Python环境。既避免了本地使用Window而服务器使用Linux系统不统一情况,又不用担心本地调试没问题而放到服务器上就出现问题。 PyCharm中打开项目并设置Python解释…

封装chrome镜像

chrome镜像 selenium提供了一个镜像,但这个镜像里面包含了比较多的东西: 镜像地址-github supervisord java chrome webDriver 实际的使用中遇到了一些问题 chrome遇到一些比较耗费内存和cup的操作的时候,有的时候会kill掉java进程&a…

干货 | 大数据交易所数据安全流通体系标准化尝试

以下内容整理自清华大学《数智安全与标准化》课程大作业期末报告同学的汇报内容。第一部分:国内大数据交易所发展现状第二部分:国外大数据交易模式及法律法规欧盟的数据交易模式是基于2022年5月16日所提出的《数据治理法案》,其中提出了数据中…

【C++11】—— 包装器

目录 一、function包装器 1. function包装器基本介绍 2. function包装器统一类型 3. function包装器的使用场景 二、bind包装器 一、function包装器 1. function包装器基本介绍 function包装器 也叫作适配器。C中的function本质是一个类模板,也是一个包装器…

第四章 基本数据

在第2章中,我们讨论了多种导入数据到R中的方法。遗憾的是,将你的数据表示为矩阵或数据框这样的矩形形式仅仅是数据准备的第一步。这里可以演绎Kirk船长在《星际迷航》“末日决战的滋味”一集中的台词(这完全验明了我的极客基因)&a…

聚观早报|春节档新片预售总票房破千万;苹果获可折叠iPhone新专利

今日要闻:比亚迪据称拟在越南建汽车零部件厂;2023 年春节档新片预售总票房破 7000 万;苹果获得可折叠 iPhone 新专利;北京汽车获1000台EU5 PLUS约旦订单;娃哈哈要解决100万农户农产品出路 比亚迪据称拟在越南建汽车零部…

C 语言目标文件

前言 一个 C 语言程序经编译器和汇编器生成可重定位目标文件,再经链接器生成可执行目标文件。那么目标文件中存放的是什么?我们的源代码在经编译以后又是怎么存储的? 文章为 《深入理解计算机系统》的读书笔记,更为详细的内容可…

【数据结构】双向链表

1.双向链表的结构2.双向链表的实现首先在VS里面的源文件建立test.c和List.c,在头文件里面建立List.hList.h:#pragma once #include <stdio.h> #include <stdlib.h> #include <assert.h> typedef int LTDateType; typedef struct ListNode {LTDateType data;s…

LeetCode 329. 矩阵中的最长递增路径(C++)*

思路&#xff1a; 1.用动态规划&#xff0c;但是时间复杂度太高&#xff0c;效率太低 2.使用常规的DFS&#xff0c;时间复杂度高&#xff0c;包含了太多重复无效遍历&#xff0c;会超时 3.在DFS的基础上使用记忆化搜索&#xff0c;帮助消去重复的遍历&#xff0c;提高效率 原题…

解决: 您目前无法访问 因为此网站使用了 HSTS。网络错误和攻击通常是暂时的,因此,此网页稍后可能会恢复正常

目录 问题描述 报错信息 问题原因 如何解决 参考资料 问题描述 您目前无法访问 因为此网站使用了 HSTS。网络错误和攻击通常是暂时的&#xff0c;因此&#xff0c;此网页稍后可能会恢复正常。 报错信息 今天使用Edge浏览器在访问一个平时常用的emoji网站时&#xff0c;…

springboot整合spring-security

在web开发中&#xff0c;安全性问题比较重要&#xff0c;一般会使用过滤器或者拦截器的方式对权限等进行验证过滤。此博客根据b站up主&#xff0c;使用demo示例进行展示spring-security的一些功能作用。 目 录 1、创建项目 2、编写controller 3、添加spring-security依赖 …

Spring Cloud OpenFeign 配置

最少的配置&#xff08;使用默认配置&#xff09; 最少/默认配置示例如下&#xff08;使用Nacos作为服务的注册与发现中心&#xff09;&#xff1a; application.properties server.port8082 spring.application.namenacos-consumer spring.cloud.nacos.discovery.server-ad…

[拆轮子] PaddleDetection中__shared__、__inject__ 和 from_config 三者分别做了什么

在上一篇中&#xff0c;PaddleDetection Register装饰器到底做了什么 https://blog.csdn.net/HaoZiHuang/article/details/128668393 已经介绍了 __shared__ 和 __inject__ 的作用: __inject__ 表示引入全局字典中已经封装好的模块。如loss等。__shared__为了实现一些参数的配…

excel函数技巧:函数TEXT七助数据大变身

如果函数有职业&#xff0c;那各函数的职业会是什么呢&#xff1f;别的先不说&#xff0c;就拿TEXT而言&#xff0c;它可以让日期变数字、数字变日期、阿拉伯数字变大写中文数字、金额元变万元&#xff0c;连IF的条件判断它也可以变出来…这简直就是当之无愧的变装女皇啊&#…

从0到1完成一个Node后端(express)项目(三、写接口、发起请求)

往期 从0到1完成一个Node后端&#xff08;express&#xff09;项目&#xff08;一、初始化项目、安装nodemon&#xff09; 从0到1完成一个Node后端&#xff08;express&#xff09;项目&#xff08;二、下载数据库、navicat、express连接数据库&#xff09; 写接口 我们看ex…

关于Linux部署Tomcat的访问问题

文章目录1.问题2.排除问题2.1检查Tomcat是否启动2.2检查防火墙&端口3.其他可能的问题3.1java的配置问题3.2可能出现了端口占用问题1.问题 在CentOS7系统的主机中配置好了Tomcat后发现通过默认端口无法访问到&#xff08;http://xx:xx:xx:xx:8080&#xff09; 2.排除问题 …

C语言在杨氏矩阵中找一个数

这道题大家都会做&#xff0c;使用暴力算法遍历整个数组。但是题目要求时间复杂度小于O&#xff08;n&#xff09;&#xff0c;这样做显然不合题意&#xff0c;所以&#xff0c;通过分析杨氏矩阵的特点&#xff0c;我们发现矩阵右上角的那个数为一行中最大的&#xff0c;一列中…

SAP MM 新建移动类型(Movement Type)

一、概念 物料的移动类型&#xff08;Movement Type&#xff09;代表了货物的移动&#xff0c;当一个物料做某种移动时&#xff0c;便开始了如下一系列事件&#xff1a; 1、一个物料凭证会被创建&#xff0c;可以被用来作为移动的证明及作为其它任何相关应用的一个信息来源&am…