CN109743583A - 一种基于相邻差值图像压缩的方法 - Google Patents

Abstract

本发明属于图像处理技术领域，公开了一种基于相邻差值图像压缩方法；导入图像，对图像中的像元进行重新排序，将二维图像或三维图像的所有像元排列成为一维序列数组；对这个一维数组相邻的像元值进行差值计算得到差值序列并单独保留图像序列表头和表尾的两个数组值，将差值序列进行Huffman编码，得到编码表；根据编码表对差值序列进行编码得到压缩数据。基于编码表将压缩数据进行Huffman解码得到差值序列，将差值序列结合图像序列表头和表尾的两个数组值得到原始图像的一维序列数组；最后对一维数组进行重新组合，恢复原始图像。本发明经过相邻差值算法的图像压缩效果会比直接使用Huffman压缩方法的图像压缩效果要优秀。

Description

一种基于相邻差值图像压缩的方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于相邻差值图像压缩的方法。

背景技术

目前，业内常用的现有技术是这样的：

随着信息技术的不断发展的现在，人们开始在享受数据时代带来的好处，对图像的要求也越来越高，各种高清相机和高清电视已经走进了千家万户；随着遥感技术、航天遥感技术、各种新型传感器的快速发展，导致了越来越多高质量、高分辨率的图像数据出现，其带来的技术困难也随之而来。各种图像、视频、软件安装包等数据需要被存储、传输、下载、使用。就如一段2个小时的高清电影其大小就有一个1.5G左右，按照每秒10M的下载速度来计算需要等150秒。但是基于目前，我国4G网络速度存在时间差异，和区域差异，国内很多地方的下载速度不超过3M每秒，其下载时间也就450秒到1500秒。数据的传输需要考虑用户的体验，这就要求数据在下载速度较慢的情况下用较短的时间完成传输的过程，也就是需要对数据进行压缩，来缩短下载的时间。

综上所述，现有技术存在的问题是：现有技术中，由于各种新型传感器的出现，图像质量得到了巨大的提升，但是同时带来了数据量急剧增大，图像传输耗时过长，以及存储需要更多设备等众多问题。例如在遥感探测领域，随着卫星影像数据规模的日益增长，有限的卫星信道容量与传输大量遥感数据之间的矛盾日益突出，图像压缩技术成为解决这一问题的有效途径，其必要性和经济社会效益越来越明显。

解决上述技术问题的难度和意义：

信息科学技术的不断成熟，相应的硬件设备也在快速发展、更新。以前无法实现的理论、方法现在可以慢慢实现，现在电脑的运行速度和处理数据的相关软件功能都很强大。图像压缩也必然会出现新的思路、新的方法，这样才能解决现在科技时代的人们对高效的需求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于相邻差值图像压缩的方法。

本发明是这样实现的，一种基于相邻差值图像压缩的方法，首先对图像进行相邻差值处理，然后再对差值处理结果进行Huffman编码。

具体包括以下步骤：

步骤一，导入图像；

步骤二，用自定义函数使用yasuo函数对图像进行相邻差值方法的压缩，自定义函数yasuo首先对图像中的像元按照一定的序列方式进行重新排序，将二维图像或三维图像的所有像元排列成为一维序列数组；对这个一维数组相邻的像元值进行差值计算得到差值序列并单独保留图像序列表头和表尾的两个数组值，将差值序列进行Huffman编码，得到编码表；根据编码表对差值序列进行编码得到压缩数据；

步骤三，用自定义函数jieya实现对图像进行相邻差值方法解压，自定义函数jieya基于编码表将压缩数据进行Huffman解码得到差值序列；将差值序列结合图像序列表头和表尾的两个数组值得到原始图像的一维序列数组，最后对一维数组进行重新组合，恢复原始图像。

进一步，步骤二和步骤三中，用自定义函数yasuo，jieya实现对图像进行相邻差值方法压缩、解压，具体为：

导入原始图像；

[h,e,o,p,w,M,N,Z]＝yasuo(原始图像)；

％h为霍夫曼表，e是编码结果；

％o是经过相邻差值后处理的一维序列像素矩阵；

％p是o矩阵的最小值；

％w是原矩阵的是表头值；

％M，N,Z是原矩阵的行列页数。

[I]＝jieya(h,e,p,w,M,N,Z)；％图像关系解压函数；

subplot(1,2,1)；imshow(原图)；title('原图name')；％显示原图像；

subplot(1,2,2)；imshow(I)；title('解压图像')；％显示解压图像；

综上所述，本发明的优点及积极效果为：导入图像，对图像中的像元进行重新排序，将二维图像或三维图像的所有像元排列成为一维序列数组，对这个一维数组相邻的像元值进行差值计算得到差值序列并单独保留图像序列表头和表尾的两个数组值，将差值序列进行Huffman编码，得到编码表，根据编码表对差值序列进行编码得到压缩数据。解压过程是压缩过程的逆过程，基于编码表将压缩数据进行Huffman解码得到差值序列，将差值序列结合图像序列表头和表尾的两个数组值得到原始图像的一维序列数组；最后对一维数组进行重新组合，恢复原始图像。

本发明提供的基于相邻差值的图像压缩和解压算法，图像强相关性和相邻差值算法契合度高的时候，其压缩倍率会大大的增加；经过相邻差值算法的图像压缩效果会比直接使用Huffman压缩方法的图像压缩效果要优秀。

本发明提供的基于相邻差值的图像压缩算法，图像强相关性和相邻差值算法契合度高的时候，其压缩倍率会大大的增加；本发明实施例的仿真实验表明经过相邻差值算法的图像压缩效果会比直接使用Huffman压缩方法的图像压缩效果提升了1.5倍以上，并且本发明提供的基于相邻差值的图像压缩算法也属于无损压缩算法。

附图说明

图1是本发明实施例提供的进行相邻差值压缩和解压的流程图。

图2是本发明实施例提供的Lena图像示意图。

图3是本发明实施例提供的pout图像示意图。

图4是本发明实施例提供的circuit图像示意图。

图5是本发明实施例提供的peppers图像示意图。

图6是本发明实施例提供的如pout图像压缩实验对比图。

图7是本发明实施例提供的circuit图像压缩实验对比图。

图8是本发明实施例提供的lean图像压缩实验对比图。

图9是本发明实施例提供的peppers图像压缩实验对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理做详细描述。

本发明实施例提供的基于相邻差值图像压缩的方法，具体包括以下步骤：

S101：首先将图像所有像元排列为一个一维序列；

S102：保留上一步得到的一维序列的第一个元素(表头)和最后一个元素(表尾)，然后序列的相邻像元进行差值得到差值序列；

S103：对差值序列进行Huffman编码，得到Huffman编码表；

S104：基于编码表对差值序列进行编码，得到压缩数据；

S105：基于编码表将压缩数据进行Huffman解码，得到差值序列；

S106：结合第S102步骤中的表头和表尾，将差值序列恢复为原始一维数组；

S107：对一维数组进行重新组合，恢复原始图像。

本发明是实施例提供的用自定义函数yasuo，jieya实现对图像进行相邻差值方法压缩、解压，具体为：

导入原始图像

[h,e,o,p,w,M,N,Z]＝yasuo(原始图像)；

％h为霍夫曼表，e是编码结果；

％o是经过相邻差值后处理的一维序列像素矩阵；

％p是o矩阵的最小值；

％w是原矩阵的是表头值；

％M，N,Z是原矩阵的行列页数。

[I]＝jieya(h,e,p,w,M,N,Z)；％图像关系解压函数

subplot(1,2,1)；imshow(原图)；title('原图name')；％显示原图像

subplot(1,2,2)；imshow(I)；title('解压图像')；％显示解压图像

下面结合具体实验对本发明的应用原理进行进一步详细说明；

1实验平台MATLAB介绍

MATLAB是一款以数学计算为主的高级编辑软件，提供了各种强大的数组运算功能用于对各种数据集合进行处理。矩阵和数组是MATLAB的核心，因为MATLAB中所有的数据都是用数组来表示和存储的。

虽然MATLAB是面向矩阵的编辑语言，但它还具有一种与其他计算机编程语言类似的编程特性。在进行数据处理的同时，MATLAB还提供了各种图形用户接口工具，便于用户进行各种应用程序开发。

2实验图像数据源简介

(1)Lena图像：是压缩的算法研究中经常被使用的图像数据之一，其原因在于具备平整的区块、清晰细致的纹路、渐渐变化的光影、颜色的深层次等，使它在验证影像处理演绎法则时，相当有效，如图2所示。

(2)pout图像：pout图像是一幅灰度图像，其中的小孩人物比较清晰和背景窗栏纹理性较强。也是图像处理中经常用到的一幅标准图像，经常用作图像增强处理的实验测试图，如图3所示。

(3)circuit图像：circuit图像是一幅灰度图像数据，具有较强的纹理性，也是经常被当作测试标准的一幅图像数据，如图4所示。

(4)peppers图像：静止的彩色图像，其蔬菜类别颜色鲜艳且容易区分，色彩效果优秀。是比较经典的测试图之一，如图5所示。

如图2所示，Lena图像示意图。

如图3所示，pout图像示意图。

如图4所示，circuit图像示意图。

如图5所示，peppers图像示意图。

3同一图像的不同区域数据实验对比

在图2的Lena图像中随机取3个8*8格式的数组矩阵，然后分别做三组对比数据：对图像进行Huffman压缩编码、按照本专利方法进行压缩编码、Zig-Zag排列的图像数据进行相邻差值处理后在进行Huffman压缩编码。

在图2的lena图像中随机抽取3组8*8的矩阵分别是

A＝[lena0x2Ebmp(9:16,1:8)]

B＝[lena0x2Ebmp(101:108,1:8)]

C＝[lena0x2Ebmp(101:108,101:108)]

1)具体实验过程设计

在实验开始之前，需要自定义几个函数功能，以便高效的完成压缩实验，Hyasuo函数，功能是对图像直接完成Huffman编码；yasuo函数，是对图像进行相邻差值处理后完成Huffman编码；zigzag函数，是对8*8的图像块进行排序功能的函数，函数具体代码及详细注释见附录一。

根据以上函数可以设定对比实验步骤如下。

(1)导入图像；

(2)使用Hyasuo压缩函数对图像进行Huffman编码，[a,b]＝Hyasuo(原始图像)；％a为码表，b为编码结果。

(3)使用yasuo函数对图像进行相邻差值方法的压缩

[h,e,o,p,w,M,N,Z]＝yasuo(原始图像)；

(4)使用Zig-Zag排列后对图像进行相邻差值方法压缩

I1＝zigzag(原始图像)；[e,o,p,w,M,N,Z]＝yasuo(I1)；

(5)对A、B、C三组图像块进行实验，用表格的形式来统计实验数据；

(6)对实验数据进行分析，总结出方法的优缺点。

2)实验数据及分析

根据1)的实验设计过程，完成对图像块A、B、C的实验，其统计表格如表1所示。

表1：实验数据分析表

如表1所示，对比直接Huffman编码的图像数据，和用相邻差值进行的编码方法的实验数据来看，相邻差值算法在8*8的图像块的压缩处理上优秀与直接进行Huffman编码；而且不同的排顺序，会对相邻差值算法的压缩效果产生较大的影响，但是排列方式对直接使用Huffman编码压缩是没有效果的。从C图像块的统计数据来看，使用的三种压缩方式，其编码效果都不理想。说明了在图像的相关性在得不到正确的映射的情况下，或者说图像的相关性较差时相邻差值算法压缩的效果会大打折扣。优秀的压缩效果应该有合理的图像关系映射函数、合理的排列方式和符合图像关系的编码方法。

4不同图片的压缩实验

1)对不同图像进行相邻差值压缩的实验设计

(1)用自定义函数Hyasuo对图像进行Huffman编码压缩和解压。

压缩：导入图像数据

[a,b]＝Hyasuo(原图像)；％进行Huffman编码

[z,x,s]＝size(原图像)；％获取图像各维大小

得到返回值，a，b，z，x，s

解码：huffmandeco函数是matlab自带的Huffman编码的解码函数

c＝huffmandeco(b,a)；％返回值c是一维解压代码值

I＝reshape(c,z,x,s)；％返回到原来图像的维数

I＝uint8(I)；返回uint8格式的存储。

subplot(1,2,1)；imshow(lena0x2Ebmp)；title('原图')；

subplot(1,2,2)；imshow(I)；title('解压图像')；

(2)用自定义函数yasuo，jieya实现对图像进行相邻差值方法压缩、解压。

导入原始图像

[h,e,o,p,w,M,N,Z]＝yasuo(原始图像)；

％h为霍夫曼表，e是编码结果；

％o是经过相邻差值后处理的一维序列像素矩阵；

％p是o矩阵的最小值；

％w是原矩阵的是表头值；

％M，N,Z是原矩阵的行列页数。

[I]＝jieya(h,e,p,w,M,N,Z)；％图像关系解压函数

subplot(1,2,1)；imshow(原图)；title('原图name')；％显示原图像

subplot(1,2,2)；imshow(I)；title('解压图像')；％显示解压图像

2)实验结果及对比图分析

根据实验完成pout图像、circit图像、lena图像、peppers图像4幅图片的Huffman编码的压缩、解压过程。相邻差值图像压缩方法的压缩、解压过程。得到的实验图像如图6、图7、图8、图9所示，其中的a为原始图像，b为Huffman编码方法的解压图像，c为相邻差值的解压图像。将实验数据统计成表，详细分析两种方法压缩效果，得到一个准确的实验结论。

如图6所示，pout图像压缩实验对比图。

如图7所示，circuit图像压缩实验对比图。

如图8所示，lean图像压缩实验对比图。

如图9所示，peppers图像压缩实验对比图。

图2-图5为图像处理特别是图像压缩领域常用的测试图像，本发明实施例中采用它们进行对比试验，以验证本发明方法的有效性。图6-图9分别为测试图像通过Huffman压缩方法和本发明方法进行压缩和解压以后的图像。对比图6、图7、图8、图9，其中的原图，Huffman解压图像、相邻差值算法解压图像，在视觉感官上是没有缺失的。且原图和解压图像像素个数一致，说明了本发明提出的相邻差值压缩算法属于无损压缩。

如表2的实验数据所得，相邻差值算法属于无损压缩通过对比图6、图7、图8、图9。其中的原图，Huffman解压图像、相邻差值算法解压图像，在视觉感官上是没有缺失的。且原图和解压图像像素个数一致，说明了在实验设计合理，实验计算中没有出现错误。相邻差值算法属于无损压缩。

相邻差值算法压缩速度较慢，由于相邻差值算法需要先对图像先进行相邻差值计算处理，当图像较大的时候，其计算的速度必然会影响带图像的压缩体验。

相邻差值算法在图像压缩效果要优异与直接对图像进行Huffman编码：从表2统计的数据来看，4幅图像的相邻差值压缩倍数和平均码长都要优于对图像直接进行Huffman编码的压缩效果，对于压缩效果有较大的提升。

表2：4幅图像压缩对比表

附录一；

1.Zig-zag函数在matlab中的实现

function zz＝zigzag(a)

[n,m]＝size(a)；

if(n～＝8&m～＝8)％检查矩阵是不是属于8*8矩阵

error('input array is not 8by 8')；

end

zigzag＝[0,1,8,16,9,2,3,10,...

17,24,32,25,18,11,4,5,...

12,19,26,33,40,48,41,34....

27,20,13,6,7,14,21,28,...

35,42,49,56,47,50,43,36,...

29,22,15,23,30,37,44,51,...

58,59,52,45,38,31,39,46,...

53,60,61,54,47,55,62,63]；％用枚举法，列出8*8zigzag序列的下标

zigzag＝zigzag+1；

aa＝reshape(a,1,64)；

zz＝aa(zigzag)；

2.直接对图像进行Huffman压缩函数Hyasuo

function[a,b]＝Hyasuo(I)

％实现对原图的Huffman压缩过程；

％a是输出的Huffman表格；

％b是输出的Huffman表；

[M,N]＝size(I)；％获取图像的维数

I1＝I(:)；％将图像变成一维序列

P＝zeros(1,256)；％构建1-256的零矩阵

％获取各符号的概率；

for i＝0:255

P(i+1)＝length(find(I1＝＝i))/(M*N)；

end

k＝0:255；

dict＝huffmandict(k,P)；％生成Huffman表

a＝dict；％输出Huffman表

enco＝huffmanenco(I1,dict)；％生成Huffman编码

b＝enco；％输出Huffman编码

end

3.图像压缩算法函数yasuo

[h,e,o,p,w,M,N，Z]＝yasuo(circuit)；

function[h,e,o,p,w,M,N,Z]＝yasuo(II)

％主要是做图像的压缩；

％h为Huffman表；

％e是编码结果；

％o是经过相邻差值处理后的一维序列像素矩阵；

％p是o矩阵的最小值；

％w是原矩阵的是表头值；

％M，N是原矩阵的的行列数。

I＝double(II)；％将图像进行数据格式变换

a＝numel(II)；

I2＝reshape(I,1,a)；％转换为一维像素矩阵

b＝I2(1)；

I3＝[b,I2(1:a-1)]；I4＝I2-I3；o＝I4；c＝min(I4)；p＝c；

I＝I4-c；％得到相邻差值后，加上矩阵的最小值来解决负数的问题

[M,N]＝size(I)；

I1＝I(:)；

P＝zeros(1,301)；％％获取各符号的概率；

for i＝0:300

P(i+1)＝length(find(I1＝＝i))/(M*N)；

End

t＝0:300；

dict＝huffmandict(t,P)；％利用huffmandict函数生成字典

h＝dict；

enco＝huffmanenco(I1,dict)；％利用huffmanenco函数生成霍夫曼编码。

e＝enco；w＝I2(1)；[M,N]＝size(II)；％原矩阵的大小，用于解码时返回原来维数的图像

M＝M；％返回值M，N N＝N；Z＝Z；

End

附录二

1.图像算法解压函数jieya

function[I]＝jieya(a,b,d,f,M,N)

％a是生成的Huffman表格，b是图像压缩的Huffman编码

％d原是矩阵最小值，f是表头像素值，I是解压后的图像

deco＝huffmandeco(b,a)；

I5＝deco+d；I5＝I5'；I7＝[f,I5]；I8＝cumsum(I7)；

I9＝[I8(2:M*N+1)]；I10＝reshape(I9,M,N)；

I10＝uint8(I10)；I＝I10；

end

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于相邻差值图像压缩和解压方法，其特征在于，所述的基于相邻差值图像压缩的方法首先对图像进行相邻差值处理，然后再对差值处理结果进行Huffman编码。

2.如权利要求1所述的基于相邻差值图像压缩和解压的方法，其特征在于，所述基于相邻差值图像压缩和解压的方法具体包括以下步骤：

步骤一，导入图像；

步骤二，使用自定义函数yasuo对图像进行相邻差值方法的压缩，自定义函数yasuo首先对图像中的像元按照一定的序列方式进行重新排序，将二维图像或三维图像的所有像元排列成为一维序列数组；对这个一维数组相邻的像元值进行差值计算得到差值序列并单独保留图像序列表头和表尾的两个数组值，将差值序列进行Huffman编码，得到编码表；根据编码表对差值序列进行编码得到压缩数据；

步骤三，使用自定义函数jieya实现对图像进行相邻差值方法解压，自定义函数jieya基于编码表将压缩数据进行Huffman解码得到差值序列；将差值序列结合图像序列表头和表尾的两个数组值得到原始图像的一维序列数组，最后对一维数组进行重新组合，恢复原始图像。

3.权利要求2所述的基于相邻差值图像压缩的方法，其特征在于，所述步骤二中，用自定义函数yasuo，jieya实现对图像进行相邻差值方法压缩、解压，具体为：

导入原始图像；

[h,e,o,p,w,M,N,Z]＝yasuo(原始图像)；

％h为Huffman编码表，e是编码结果；

％o是经过相邻差值后处理的一维序列像素矩阵；

％p是o矩阵的最小值；

％w是原矩阵的是表头值；

％M，N,Z是原矩阵的行列页数；

[I]＝jieya(h,e,p,w,M,N,Z)；％图像关系解压函数；

subplot(1,2,1)；imshow(原图)；title('原图name')；％显示原图像；

subplot(1,2,2)；imshow(I)；title('解压图像')；％显示解压图像。

4.一种应用权利要求1～3任意一项所述基于相邻差值图像压缩的方法的图像处理平台。