DPCM编码算法实现

本文主要是介绍DPCM编码算法实现，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

DPCMB编解码原理
DPCM是差分预测编码调制的缩写，是比较典型的预测编码系统。在DPCM系统中，需要注意的是预测器的输入是已经解码以后的样本。之所以不用原始样本来做预测，是因为在解码端无法得到原始样本，只能得到存在误差的样本。因此，在DPCM编码器中实际内嵌了一个解码器，如编码器中虚线框中所示。
在一个DPCM系统中，有两个因素需要设计：预测器和量化器。理想情况下，预测器和量化器应进行联合优化。实际中，采用一种次优的设计方法：分别进行线性预测器和量化器的优化设计。
PSNR=10*log10((2n-1)2/MSE)
PSNR值越大，就代表失真越少。

实验目的

1，掌握DPCM编解码系统的基本原理。
2，初步掌握实验用C/C++/Python等语言编程实现DPCM编码器，并分析其压缩效率。

实验要求

1、在DPCM编码器实现的过程中可同时输出预测误差图像和重建图像。
2、将预测误差图像写入文件并将该文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。
3、将原始图像文件输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比。最后比较两种系统（1.DPCM+ 熵编码和2. 仅进行熵编码）之间的编码效率（压缩比和图像质量）。压缩质量以PSNR进行计算。

实验过程

1压缩效率的对比
根据 压缩比 = 原图大小 : 压缩码流大小
huffman编码1.41：1，DPCM&huffman编码2.25：1
DPCM对原始图像经过预测编码以后，对数据的压缩比提升是非常大的
2 DPCM压缩后的数据分布
编写概率分布代码，把概率分布以txt形式输出，再用MATLAB 绘制其概率密度曲线
原图Lena256B.yuv的亮度灰度值概率分布曲线

预测图像pre.yuv的亮度灰度值概率分布曲线

3DPCM编码

for(int i=0;i < frameWidth*frameHeight;i++)
	{
		if(i % frameWidth==0)
	{   
			prebuf[i]=(yBuf[i]-128)/2+128;
		resconbuf[i]=(prebuf[i]-128)*2+ 128;//重现信号为预测信号反量化后的值＋0
		}
		else{
				prebuf[i]=(yBuf[i]- resconbuf[i-1])/2+128;// 预测信号为当前输入的y信号与上一个重现信号的差值做量化
				resconbuf[i]=((prebuf[i]-128)*2+resconbuf[i-1]);//重现信号为当前预测信号反量化后的值与上个重现信号的和的值
		}}

运行程序，原图像为Lena256B.yuv,得到重现图像re.yuv ，预测图像pre.yuv



4将原始图像与预测误差图像分别输入Huffman编码器，得到huff文件与txt文件

5PSNR代码

	double MSE = 0;
	double sub = 0;
	double sum = 0;
	for (int j = 0; j < 256; j++)
	{
		for (int i = 0; i <256; i++)
		{
			sub = yBuf[i] - resconbuf[i];
			sum = sum + pow(sub, 2);
		}
	}
	MSE = (sum) / (256 * 256);
	double psnr = 10 * log10 ((255 * 255) / MSE);
	cout<<"PSNR="<<psnr<<endl;

运行结果PSNR=51.1411

实验结果

1、从预测误差图像概率分布与原始图像的概率分布对比可以看出，预测误差图像的概率分布更集中，大部分像素都集中在灰度值为100-150之间，像素之间的关联性更高分布的很集中，很适合用霍夫曼编码进行熵编码，压缩的时候更加容易，而原始图像的概率分布则更均匀，在进行霍夫曼编码时压缩的效率就没有那么高。

2、PSNR越大，图像质量越好，8bit量化的重现图像的PSNR=51.1411dB，比4/2/1bit要好。

这篇关于DPCM编码算法实现的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！