信号处理仿真：图像信号处理_（4）.图像压缩与编码

图像压缩与编码

引言

图像压缩与编码是图像信号处理中的重要技术之一，其目的是减少图像数据的存储空间或传输带宽，同时保持图像的视觉质量。在数字通信系统中，图像压缩编码技术不仅可以提高数据传输的效率，还可以降低存储成本。本节将详细介绍图像压缩的基本原理、常用算法以及编码技术，并通过具体的代码示例来演示这些技术的应用。

图像压缩的基本原理

图像压缩的基本原理是通过去除图像中的冗余信息来减少数据量。图像中的冗余信息可以分为以下几种类型：

1. 空间冗余：相邻像素之间存在相似性，可以通过预测编码或变换编码来去除。
2. 时间冗余：在视频序列中，相邻帧之间存在相似性，可以通过帧间预测编码来去除。
3. 编码冗余：图像数据的表示方式中存在冗余，可以通过熵编码来优化。
4. 心理视觉冗余：人类视觉系统对某些信息不敏感，可以通过量化来去除。

压缩类型

图像压缩可以分为无损压缩和有损压缩两大类：

• 无损压缩：压缩后的图像在解压缩后与原始图像完全相同，常用算法有Huffman 编码和算术编码。
• 有损压缩：压缩后的图像在解压缩后与原始图像存在一定的差异，但视觉上难以察觉，常用算法有JPEG和JPEG 2000。

常用的图像压缩算法

1. Huffman 编码

Huffman 编码是一种基于符号出现频率的变长编码方法，常用于无损压缩。其基本步骤如下：

1. 统计符号频率：计算每个符号在图像中出现的频率。
2. 构建 Huffman 树：根据符号频率构建 Huffman 树。
3. 生成编码表：从 Huffman 树生成每个符号的编码。
4. 编码图像数据：使用生成的编码表对图像数据进行编码。
5. 解码图像数据：使用 Huffman 树对编码后的数据进行解码。

代码示例

以下是一个简单的 Python 代码示例，演示如何使用 Huffman 编码对图像数据进行压缩和解压缩。

importheapqimportosfromcollectionsimportdefaultdict,Counter# 定义 Huffman 节点类classHuffmanNode:def__init__(self,char,freq):self.char=char self.freq=freq self.left=Noneself.right=Nonedef__lt__(self,other):returnself.freq<other.freq# 构建 Huffman 树defbuild_huffman_tree(frequencies):heap=[HuffmanNode(char,freq)forchar,freqinfrequencies.items()]heapq.heapify(heap)whilelen(heap)>1:node1=heapq.heappop(heap)node2=heapq.heappop(heap)merged_node=HuffmanNode(None,node1.freq+node2.freq)merged_node.left=node1 merged_node.right=node2 heapq.heappush(heap,merged_node)returnheap[0]# 生成 Huffman 编码表defgenerate_huffman_codes(node,prefix="",code_dict=None):ifcode_dictisNone:code_dict={}ifnodeisnotNone:ifnode.charisnotNone:code_dict[node.char]=prefix generate_huffman_codes(node.left,prefix+"0",code_dict)generate_huffman_codes(node.right,prefix+"1",code_dict)returncode_dict# 编码图像数据defhuffman_encode(data,code_dict):encoded_data=''.join(code_dict[byte]forbyteindata)returnencoded_data# 解码图像数据defhuffman_decode(encoded_data,huffman_tree):decoded_data=[]current_node=huffman_treeforbitinencoded_data:ifbit=='0':current_node=current_node.leftelse:current_node=current_node.rightifcurrent_node.charisnotNone:decoded_data.append(current_node.char)current_node=huffman_treereturnbytes(decoded_data)# 主函数defmain():# 读取图像文件withopen('image.raw','rb')asfile:image_data=file.read()# 统计符号频率frequencies=Counter(image_data)# 构建 Huffman 树huffman_tree=build_huffman_tree(frequencies)# 生成 Huffman 编码表code_dict=generate_huffman_codes(huffman_tree)# 编码图像数据encoded_data=huffman_encode(image_data,code_dict)# 写入压缩文件withopen('image.huffman','w')asfile:file.write(encoded_data)# 读取压缩文件withopen('image.huffman','r')asfile:encoded_data=file.read()# 解码图像数据decoded_data=huffman_decode(encoded_data,huffman_tree)# 写入解压缩文件withopen('decoded_image.raw','wb')asfile:file.write(decoded_data)# 比较原始文件和解压文件的大小original_size=os.path.getsize('image.raw')compressed_size=os.path.getsize('image.huffman')print(f"Original Size:{original_size}bytes")print(f"Compressed Size:{compressed_size}bytes")if__name__=="__main__":main()

2. JPEG 压缩

JPEG（Joint Photographic Experts Group）是一种常用的有损压缩算法，广泛用于连续色调静止图像的压缩。JPEG 压缩的基本步骤如下：

1. 颜色空间转换：将 RGB 图像转换为 YCbCr 颜色空间。
2. 子采样：对 Cb 和 Cr 分量进行子采样，减少数据量。
3. 分块：将图像分为 8x8 的块。
4. DCT 变换：对每个块进行离散余弦变换（DCT）。
5. 量化：对 DCT 系数进行量化，去除高频细节。
6. 熵编码：对量化后的系数进行 Huffman 编码或算术编码。

代码示例

以下是一个使用 Python 和 OpenCV 库进行 JPEG 压缩的示例代码。

importcv2importnumpyasnp# 量化表QUANTIZATION_TABLE=np.array([[16,11,10,16,24,40,51,61],[12,12,14,19,26,58,60,55],[14,13,16,24,40,57,69,56],[14,17,22,29,51,87,80,62],[18,22,37,56,68,109,103,77],[24,35,55,64,81,104,113,92],[49,64,78,87,103,121,120,101],[72,92,95,98,112,100,103,99]],dtype=np.float32)# DCT 变换defdct2(block):returncv2.dct(block)# 逆 DCT 变换defidct2(block):returncv2.idct(block)# 量化defquantize(block,quantization_table):returnnp.round(block/quantization_table)# 逆量化defdequantize(block,quantization_table):returnblock*quantization_table# JPEG 压缩defjpeg_compress(image,quantization_table):# 颜色空间转换image_yuv=cv2.cvtColor(image,cv2.COLOR_BGR2YCrCb)# 分块y,cr,cb=cv2.split(image_yuv)y_blocks=[dct2(y[i:i+8,j:j+8])foriinrange(0,y.shape[0],8)forjinrange(0,y.shape[1],8)]cr_blocks=[dct2(cr[i:i+8,j:j+8])foriinrange(0,cr.shape[0],8)forjinrange(0,cr.shape[1],8)]cb_blocks=[dct2(cb[i:i+8,j:j+8])foriinrange(0,cb.shape[0],8)forjinrange(0,cb.shape[1],8)]# 量化y_blocks_quantized=[quantize(block,quantization_table)forblockiny_blocks]cr_blocks_quantized=[quantize(block,quantization_table)forblockincr_blocks]cb_blocks_quantized=[quantize(block,quantization_table)forblockincb_blocks]# 重新组合图像y_quantized=cv2.merge(y_blocks_quantized,8,y.shape)cr_quantized=cv2.merge(cr_blocks_quantized,8,cr.shape)cb_quantized=cv2.merge(cb_blocks_quantized,8,cb.shape)image_quantized=cv2.merge([y_quantized,cr_quantized,cb_quantized])# 逆颜色空间转换image_compressed=cv2.cvtColor(image_quantized,cv2.COLOR_YCrCb2BGR)returnimage_compressed# JPEG 解压缩defjpeg_decompress(image,quantization_table):# 颜色空间转换image_yuv=cv2.cvtColor(image,cv2.COLOR_BGR2YCrCb)# 分块y,cr,cb=cv2.split(image_yuv)y_blocks=[dct2(y[i:i+8,j:j+8])foriinrange(0,y.shape[0],8)forjinrange(0,y.shape[1],8)]cr_blocks=[dct2(cr[i:i+8,j:j+8])foriinrange(0,cr.shape[0],8)forjinrange(0,cr.shape[1],8)]cb_blocks=[dct2(cb[i:i+8,j:j+8])foriinrange(0,cb.shape[0],8)forjinrange(0,cb.shape[1],8)]# 逆量化y_blocks_dequantized=[dequantize(block,quantization_table)forblockiny_blocks]cr_blocks_dequantized=[dequantize(block,quantization_table)forblockincr_blocks]cb_blocks_dequantized=[dequantize(block,quantization_table)forblockincb_blocks]# 逆 DCT 变换y_blocks_idct=[idct2(block)forblockiny_blocks_dequantized]cr_blocks_idct=[idct2(block)forblockincr_blocks_dequantized]cb_blocks_idct=[idct2(block)forblockincb_blocks_dequantized]# 重新组合图像y_idct=cv2.merge(y_blocks_idct,8,y.shape)cr_idct=cv2.merge(cr_blocks_idct,8,cr.shape)cb_idct=cv2.merge(cb_blocks_idct,8,cb.shape)image_idct=cv2.merge([y_idct,cr_idct,cb_idct])# 逆颜色空间转换image_decompressed=cv2.cvtColor(image_idct,cv2.COLOR_YCrCb2BGR)returnimage_decompressed# 主函数defmain():# 读取图像image=cv2.imread('image.jpg')# JPEG 压缩compressed_image=jpeg_compress(image,QUANTIZATION_TABLE)cv2.imwrite('compressed_image.jpg',compressed_image)# 读取压缩图像compressed_image=cv2.imread('compressed_image.jpg')# JPEG 解压缩decompressed_image=jpeg_decompress(compressed_image,QUANTIZATION_TABLE)cv2.imwrite('decompressed_image.jpg',decompressed_image)if__name__=="__main__":main()

3. JPEG 2000 压缩

JPEG 2000 是 JPEG 的改进版本，使用小波变换（Wavelet Transform）和嵌套块编码（EBCOT）技术，提供了更高的压缩比和更好的图像质量。JPEG 2000 的基本步骤如下：

1. 颜色空间转换：将 RGB 图像转换为 YCbCr 颜色空间。
2. 小波变换：对每个颜色分量进行小波变换。
3. 量化：对小波系数进行量化。
4. 嵌套块编码：对量化后的系数进行嵌套块编码。
5. 熵编码：对嵌套块编码后的数据进行 Huffman 编码或算术编码。

代码示例

以下是一个使用 OpenCV 和 PyWavelets 库进行 JPEG 2000 压缩的示例代码。

importcv2importpywtimportnumpyasnp# 小波变换defwavelet_transform(image,wavelet='db1'):# 颜色空间转换image_yuv=cv2.cvtColor(image,cv2.COLOR_BGR2YCrCb)y,cr,cb=cv2.split(image_yuv)# 小波变换y_coeffs=pywt.wavedec2(y,wavelet)cr_coeffs=pywt.wavedec2(cr,wavelet)cb_coeffs=pywt.wavedec2(cb,wavelet)returny_coeffs,cr_coeffs,cb_coeffs# 逆小波变换definverse_wavelet_transform(y_coeffs,cr_coeffs,cb_coeffs,wavelet='db1'):y=pywt.waverec2(y_coeffs,wavelet)cr=pywt.waverec2(cr_coeffs,wavelet)cb=pywt.waverec2(cb_coeffs,wavelet)# 重新组合图像image_yuv=cv2.merge([y,cr,cb])# 逆颜色空间转换image=cv2.cvtColor(image_yuv,cv2.COLOR_YCrCb2BGR)returnimage# 量化defquantize_coeffs(coeffs,factor=1):return[np.round(c/factor)forcincoeffs]# 逆量化defdequantize_coeffs(coeffs,factor=1):return[c*factorforcincoeffs]# JPEG 2000 压缩defjpeg2000_compress(image,wavelet='db1',factor=1):y_coeffs,cr_coeffs,cb_coeffs=wavelet_transform(image,wavelet)y_coeffs_quantized=quantize_coeffs(y_coeffs,factor)cr_coeffs_quantized=quantize_coeffs(cr_coeffs,factor)cb_coeffs_quantized=quantize_coeffs(cb_coeffs,factor)returny_coeffs_quantized,cr_coeffs_quantized,cb_coeffs_quantized# JPEG 2000 解压缩defjpeg2000_decompress(y_coeffs,cr_coeffs,cb_coeffs,wavelet='db1',factor=1):y_coeffs_dequantized=dequantize_coeffs(y_coeffs,factor)cr_coeffs_dequantized=dequantize_coeffs(cr_coeffs,factor)cb_coeffs_dequantized=dequantize_coeffs(cb_coeffs,factor)decompressed_image=inverse_wavelet_transform(y_coeffs_dequantized,cr_coeffs_dequantized,cb_coeffs_dequantized,wavelet)returndecompressed_image# 主函数defmain():# 读取图像image=cv2.imread('image.jpg')# JPEG 2000 压缩y_coeffs,cr_coeffs,cb_coeffs=jpeg2000_compress(image,wavelet='db1',factor=1)# 保存压缩后的系数np.save('y_coeffs.npy',y_coeffs)np.save('cr_coeffs.npy',cr_coeffs)np.save('cb_coeffs.npy',cb_coeffs)# 读取压缩后的系数y_coeffs=np.load('y_coeffs.npy')cr_coeffs=np.load('cr_coeffs.npy')cb_coeffs=np.load('cb_coeffs.npy')# JPEG 2000 解压缩decompressed_image=jpeg2000_decompress(y_coeffs,cr_coeffs,cb_coeffs,wavelet='db1',factor=1)# 保存解压缩后的图像cv2.imwrite('decompressed_image.jpg',decompressed_image)if__name__=="__main__":main()

编码技术

1. 熵编码

熵编码是一种基于信息熵的无损编码技术，常用的熵编码方法有Huffman 编码和算术编码。

Huffman 编码

Huffman 编码通过构建 Huffman 树来生成每个符号的变长编码，使得出现频率高的符号使用较短的编码，出现频率低的符号使用较长的编码。Huffman 编码的具体实现已经在上面的代码示例中给出。

算术编码

算术编码是一种更高级的无损编码技术，通过将符号序列映射到一个区间内的小数来实现编码。算术编码的压缩比通常比 Huffman 编码高，但实现复杂度也更高。

2. 嵌套块编码（EBCOT）

嵌套块编码（EBCOT）是 JPEG 2000 中用于编码量化后的小波系数的技术。EBCOT 通过将小波系数分为多个嵌套块，对每个块进行独立编码，从而提高压缩效率。

应用案例

1. 医学图像压缩

在医学领域，图像压缩技术可以显著减少图像存储和传输的成本。例如，使用 JPEG 2000 压缩可以保留更多的高频细节，对于诊断和治疗具有重要意义。

2. 卫星图像传输

在卫星通信领域，图像压缩技术同样发挥着重要作用。卫星图像通常具有较高的分辨率和较大的数据量，这使得传输和存储变得非常昂贵。通过使用高效的图像压缩算法，可以显著减少传输带宽和存储成本，同时保持图像的视觉质量。

压缩需求

卫星图像传输面临的主要挑战包括：

• 带宽限制：卫星通信带宽有限，需要通过压缩来减少数据量。
• 存储成本：卫星存储容量有限，需要高效压缩来存储更多的图像数据。
• 实时性：卫星图像传输通常要求实时或近实时，压缩算法需要在保证压缩效率的同时具有较低的计算复杂度。

技术选择

在卫星图像传输中，常用的图像压缩技术包括：

• JPEG：适用于一般的静止图像，可以在较低的计算复杂度下提供较好的压缩比。
• JPEG 2000：适用于高分辨率图像，可以在较高的压缩比下保持较好的图像质量。
• 小波变换：通过多分辨率分析，可以更好地保留图像的高频细节。

3. 视频压缩

视频压缩是图像压缩的一个扩展，用于减少视频数据的存储空间或传输带宽。视频压缩技术不仅需要考虑空间冗余，还需要处理时间冗余。常用的视频压缩标准包括MPEG-1、MPEG-2、H.264和H.265。

基本步骤

视频压缩的基本步骤如下：

1. 颜色空间转换：将 RGB 视频帧转换为 YCbCr 颜色空间。
2. 帧内压缩：对每个帧进行类似 JPEG 的压缩。
3. 帧间压缩：利用相邻帧之间的相似性进行预测编码。
4. 熵编码：对压缩后的数据进行 Huffman 编码或算术编码。

4. 互联网图像传输

在互联网应用中，图像压缩技术可以显著提高网页加载速度和用户体验。常见的互联网图像压缩格式包括JPEG、PNG和WebP。

压缩需求

互联网图像传输面临的主要挑战包括：

• 加载速度：用户期望网页内容能够快速加载，压缩可以减少数据传输时间。
• 带宽优化：通过压缩减少带宽使用，降低网络成本。
• 视觉质量：保持图像的视觉质量，避免压缩带来的明显失真。

技术选择

在互联网图像传输中，常用的图像压缩技术包括：

• JPEG：适用于一般的静止图像，可以在较低的计算复杂度下提供较好的压缩比。
• PNG：适用于需要无损压缩的图像，支持透明度。
• WebP：由 Google 开发，结合了有损和无损压缩技术，提供了较高的压缩比和较好的视觉质量。

结论

图像压缩与编码技术在数字通信系统中扮演着重要角色，不仅提高了数据传输的效率，还降低了存储成本。通过去除图像中的冗余信息，这些技术能够在减少数据量的同时保持图像的视觉质量。本文介绍了几种常用的图像压缩算法，包括 Huffman 编码、JPEG 压缩和 JPEG 2000 压缩，并通过具体的代码示例展示了这些技术的应用。未来，随着计算能力的提升和新算法的不断涌现，图像压缩技术将更加高效和智能，为各个领域的应用提供更强的支持。