✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
❤️ 内容介绍
图像压缩是一项重要的技术,它可以将图像文件的大小减小,以便更好地存储和传输。在图像压缩领域,有许多不同的算法被用来实现无损和有损压缩。本文将介绍基于霍夫曼编码、行程编码和算术编码的多种算法,用于实现灰色图像的压缩。
首先,让我们来了解一下图像压缩的基本原理。在图像中,每个像素都由一定数量的位表示。灰度图像中的每个像素通常由8位表示,范围从0到255。通过压缩算法,我们可以减少每个像素所需的位数,从而减小图像文件的大小。
霍夫曼编码是一种常用的无损压缩算法。它基于字符出现的频率来构建一个最优的编码表,使得出现频率高的字符使用较短的编码,而出现频率低的字符使用较长的编码。在图像压缩中,我们可以将每个像素的灰度值看作一个字符,并根据其出现频率构建一个霍夫曼编码表。然后,将每个像素的灰度值替换为对应的霍夫曼编码,从而实现无损压缩。
行程编码是另一种常用的无损压缩算法。它利用了图像中连续出现的相同像素值的特点。行程编码将连续相同的像素值替换为一个像素值和一个计数值的组合,从而减少了重复的数据。在图像压缩中,我们可以遍历图像的每个像素,统计连续相同像素值的个数,并将其替换为一个像素值和计数值的组合。这样一来,我们可以大大减小图像文件的大小。
算术编码是一种更高级的无损压缩算法。它将整个图像看作一个符号串,并通过计算每个符号的出现概率来构建一个算术编码表。然后,通过对整个符号串进行编码,我们可以将图像压缩为更小的文件。在图像压缩中,我们可以将每个像素的灰度值看作一个符号,并根据其出现概率构建一个算术编码表。然后,通过对整个图像进行编码,我们可以实现无损压缩。
除了无损压缩算法,图像压缩还可以使用有损压缩算法。有损压缩算法通过牺牲一定的图像质量来进一步减小文件大小。在图像压缩中,有损压缩算法通常通过减少颜色深度、降低图像分辨率或者使用压缩算法来实现。这样一来,虽然图像质量会有所损失,但文件大小会大大减小。
综上所述,图像压缩是一项重要的技术,可以将图像文件的大小减小,以便更好地存储和传输。在图像压缩领域,基于霍夫曼编码、行程编码和算术编码的多种算法被用于实现灰色图像的无损和有损压缩。通过选择适当的压缩算法,我们可以根据具体需求在文件大小和图像质量之间进行权衡。图像压缩的研究和应用将继续推动图像处理技术的发展,为我们提供更好的图像体验。
🔥核心代码
function RLE_Compressionclear all;% I = imread('brain.bmp');I = imread('cameraman.tif');figure;subplot(131);imshow(I);title('原始图像')I = im2bw(I, 0.4);tic;[zipped, info] = RLEncode(I);t1=toc;cr = imageratio(I, zipped);xl1=sprintf('图像编码用时%4.2f秒\n图像压缩比为:%4.1f:1\n',t1,cr);tic;unzipped = RLEdecode(zipped, info);I2 = logical(unzipped);t2=toc;PSNR = psnr(I, I2);xl2=sprintf('图像解码用时%4.2f秒\n\n',t2);%%%%两幅图像的峰值信噪比为:%4.2f dB\n,PSNR%显示原始图像和经编解码后的图像,显示压缩比,并计算均方根误差得erms=0,%表示RLE是无失真编码。xlabel(xl1);subplot(132);imshow(I);title('二值图像');subplot(133);imshow(I2);title('解码图像');xlabel(xl2);% erms = compare(I, I2)% cr = info.ratio %压缩率% whos I unzipped zippedend%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function [zipped, info] = RLEncode(vector)[m, n] = size(vector);%vector = vector(:)';vector = uint8(vector(:));L = length(vector);c = vector(1);e(1, 1) = c; %e(:, 1)存放灰度e(1, 2) = 0; %e(:, 2)存放行程t1 = 1;for j = 1: L if((vector(j) == c)) e(t1, 2) = double(e(t1,2)) + 1; else c = vector(j); t1 = t1 + 1; e(t1, 1) = c; e(t1, 2) = 1; endendzipped = e;info.rows = m;info.cols = n;[m, n] = size(e);info.ratio = m*n/(info.rows * info.cols);end%%%%%%%%%%%%%%%%%%%%%%%%%%%%function unzipped = RLEdecode(zip, info)zip = uint8(zip);[m, n] = size(zip);unzipped = [];for i = 1: m section = repmat(zip(i, 1), 1, double(zip(i, 2))); unzipped = [unzipped section];endunzipped = reshape(unzipped, info.rows, info.cols);end
❤️ 运行结果