💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）
②付费专栏Matlab图像处理（初级版）
⛳️关注优快云海神之光，更多资源等你来！！
⛄一、 多级树集合分裂
多级树集合分裂（Set Partitioning in Hierarchical Trees, SPIHT）算法的研究和Matlab实现。由于EZW是SPIHT的基础，所以在EZW算法的Matlab代码的基础上，我很快就完成了SPIHT的代码编写，但最痛苦的是一开始没吃透算法原理，程序在初始分集上出了错，调试了两天找不出根本问题，昨天从头再看一次算法原理，才发现问题所在……呵呵，小小的粗心就耽搁了我两三天的时间和精力！问题解决后，就编写程序注释了，上次EZW算法的代码都没写注释，让大家看着辛苦，不好意思哦！好，接下来就开始讨论SPIHT算法的原理，然后给出具体的Matlab代码。
1 SPIHT算法与EZW算法
EZW算法是一种基于零树的嵌入式图象编码算法，虽然在小波变换系数中，零树是一个比较有效的表示不重要系数的数据结构，但是，在小波系数中还存在这样的树结构，它的树根是重要的，除树根以外的其它结点是不重要的。对这样的系数结构，零树就不是一种很有效的表示方法。A.Said和W.A.Pearlman根据Shapiro零树编码算法(EZW)的基本思想，提出了一种新的且性能更优的实现方法，即基于多级树集合分裂排序（Set Partitioning in Hierarchical Trees, SPIHT）的编码算法。它采用了空间方向树（SOT：spatial orientation tree）、全体子孙集合D（i,j）和非直系子孙集合L(i,j)的概念以更有效地表示上述特征的系数结构，从而提高了编码效率。
SPIHT算法能够生成一个嵌入位流（embedded bit stream），使接收的位流在任意点中断时，都可解压和重构图像，具有良好的渐进传输特性；算法的初始化过程、细化过程类似于EZW算法，它改进了EZW 重要图的表示方法，也就是重要系数在表中的排序信息，使得集合的表示更为精简，从而提高了编码效率和图像压缩率。SPIHT算法在不同的比特率下比EZW算法的峰值信噪比（PSNR）都有所提高，具有计算复杂度低、位速率容易控制的特点。
SPIHT算法在系数子集的分割和重要信息的传输方面采用了独特的方法，能够在实现幅值大的系数优先传输的同时，隐式地传送系数的排序信息。这个隐式传送是什么意思呢？我们知道，任何排序算法的执行路径都是使用分支点的比较结果进行定义的！如果解码器和编码器使用相同的排序算法，则对于编码器输入的系数比较结果，解码器通过执行相同的路径就可获得排序信息，这就是所谓的“隐式传送排序信息”了。后面我们将会看到，SPIHT算法的解码、编码程序大部分代码是相同的，只在输入输出和分支点方面有所区别！
2 SPIHT算法使用的树结构、分集规则和有序表
2.1 树结构
SPIHT算法的树结构与EZW算法的树结构基本相同，区别在于：
对于一幅N级二维小波分解的图像，在EZW算法的零树结构中，LL_N有三个孩子HL_N、LH_N和HH_N；而SPIHT算法的树结构中，LL_N是没有孩子的！
挺不好意思的说，我前面说的程序出错，就是没看清这一点，只以为是点（1，1）没有孩子，结果初始化的不重要子集表LIS就包含了具有父子关系的点，造成排序扫描过程中对这些点重复扫描，生成冗余的LSP列表，重构图像失真大……哎，粗心使不得啊！
SPIHT算法的树结构中，树的每个节点与一个小波系数对应，我们用坐标（r,c）来标识节点或系数Cr,c。最低频子带LL_N中的系数和最高频子带中的系数没有孩子。
设X是一个小波系数坐标集：X={| (r,c) |}，对于正整数n，定义函数Sn (X) 如下：
if max{| Cr,c |}>= 2 ^ n then Sn (X) = 1
else Sn (X) = 0
如果Sn (X) = 1，则坐标集X关于阈值2 ^ n 是重要的，否则是不重要的。
2.2 分集规则
首先引入下面四个集合符号：
（1）O (r,c) —— 节点(r,c)所有孩子的集合；
（2）D (r,c) —— 节点(r,c)所有子孙的集合（包括孩子）；
（3）L (r,c) —— 节点(r,c)所有非直系子孙的集合（即不包括孩子）；
L (r,c) = D (r,c) — O (r,c)
（4）H —— 所有树根的坐标集。（对N级小波分解，H就是LL_N、HL_N、LH_N和HH_N中所有系数的坐标构成的集合）
根据SPIHT算法树结构的特点，除了LL_N、LL_1、HL_1、LH_1和HH_1之外，对任意系数的坐标（r,c），都有：（由于Matlab矩阵下标起始值为1，公式作了相应调整）
O (r,c) = { (2r-1,2c-1), (2r-1,2c), (2r,2c-1), (2r,2c) }
SPIHT算法的分集规则如下：
（1） 初始坐标集为{(r,c) | (r,c)∈H }、{D(r,c) | (r,c)∈H }。
（2） 若D(r,c) 关于当前阈值是重要的，则D(r,c) 分裂成 L (r,c) 和O (r,c)。
（3） 若L (r,c) 关于当前阈值是重要的，则L (r,c) 分裂成 4 个集合 D (rO,cO)， (rO,cO) ∈O (r,c)。
2.3 有序表
SPIHT算法引入了三个有序表来存放重要信息：
（1） LSP —— 重要系数表；
（2） LIP —— 不重要系数表；
（3） LIS —— 不重要子集表。
这三个表中，每个表项都使用坐标(r,c)来标识。在LIP和LSP中，坐标(r,c)表示单个小波系数；而LIS中，坐标(r,c)代表两种系数集，即D(r,c) 或L (r,c)，分别称为D型表项、L型表项，在Matlab实现时，用一个新的列表 LisFlag 来标识 LIS 中各个表项的类型，LisFlag的元素有‘D’、‘L’两种字符。
⛄二、部分源代码
function varargout = spiht_main(varargin)
% SPIHT_MAIN M-file for spiht_main.fig
% SPIHT_MAIN, by itself, creates a new SPIHT_MAIN or raises the existing
% singleton*.
%
% H = SPIHT_MAIN returns the handle to a new SPIHT_MAIN or the handle to
% the existing singleton*.
%
% SPIHT_MAIN(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in SPIHT_MAIN.M with the given input arguments.
%
% SPIHT_MAIN(‘Property’,‘Value’,…) creates a new SPIHT_MAIN or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before spiht_main_OpeningFunction gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to spiht_main_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Copyright 2002-2003 The MathWorks, Inc.
% Edit the above text to modify the response to help spiht_main
% Last Modified by GUIDE v2.5 10-May-2023 17:03:12
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @spiht_main_OpeningFcn, …
‘gui_OutputFcn’, @spiht_main_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% — Executes just before spiht_main is made visible.
function spiht_main_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to spiht_main (see VARARGIN)
% Choose default command line output for spiht_main
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes spiht_main wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% — Outputs from this function are returned to the command line.
function varargout = spiht_main_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
global Orig_I;
[filename,pathname] = …
uigetfile({‘.bmp’;'.raw’;‘.jpg’;'.gif’;‘.png’;'.tif’},‘Read Pic’);
str = [pathname filename];
Orig_I = double(imread(str));
axes(handles.axes1);
set(gca,‘XColor’,‘white’)
set(gca,‘Color’,‘white’)
box off
imshow(Orig_I,[]);
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hint: get(hObject,‘Value’) returns toggle state of pushbutton1
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]多级树集合分裂（SPIHT）算法的过程详解与Matlab实现
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
扫一扫
101
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
