【图像传输】基于matlab量化矩阵数字图像渐进传输【含Matlab源码 3470期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞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、量化矩阵数字图像渐进传输

1 量化
1.1.1 量化
量化(Quantization)是指将信号的连续取值(或大量可能的离散取值)映射为有限多个离散幅值的过程，实现信号取值多对一的映射。在

1.1.2 为什么要加入量化？
视频编码中，残差信号经过离散余弦变换(DCT)后，变换系数往往具有较大的动态范围。因此对变换系数进行量化可以有效地减小信号取值空间，进而获得更好的压缩效果。

1.1.3 量化怎么做的？
就是将落在一个区间的值 用同一个值表示
如图：x是输入的信号，落在t7-t8区间的值就用x7表示。实际在编码的时候不一定用的就是x7，有可能是x7对应的一个索引号y7.

简单的量化例子均匀量化：
给定一组信号，信号的最大值和最小值分别为a,b。设定最后输出M个量化值。那么均匀量化的量化步长为Qstep = （b-a）/M 。第一个区间[a, a+Qstep]的量化器输出为 a+Qstep/2。就是取这个区间的中点为落在整个区间的值的输出。

1.1.4 量化误差怎么衡量的？
量化误差的衡量主要有四种方式：
（1）均方误差(Mean Square Error, MSE)
（2）信噪比(Signal-to-Noise Ratio, SNR)
（3）和峰值信噪比(Peak-Signal-to-Noise Ratio，PSNR)
（4）率失真
传统的标量量化器是以失真最小为目的进行设计的。而在视频编码中，编码比特率同样是一种影响编码性能的因素，因此视频编码中的量化器设计需要权衡失真与比特率。

1.1.5 量化参数怎么编码的
为了避免直接编码QP所耗费的比特数，量化的参数QP也采用了预测编码的形式，只需要对实际QP与预测QP的差值进行编码，以避免直接编码QP所耗费的比特数。H.265/HEVC使用相邻已编码QG的信息来预测当前QG的QP。

QG
其中QG是指将一幅图像分成的固定大小(NxN)的正方形像素块。其大小N由图像参数集(PPS)指定，且必须处于最大CU与最小CU之间(包含最大与最小CU)。在一幅图像中，QG为固定大小，而CU是根据视频内容自适应划分出来的，因此可能出现-一个QG包含一个或多个CU的情形，也可能存在一个CU包含多个QG的情形。QG划分的这个块中用的是同一个QP值。

QP预测

例子： 利用空间上相邻位置的QG的QP值来预测当前位置QG的QP值。

2 相关的概念：
2.1 量化矩阵
许多以往的图像、视频编码标准都使用了量化矩阵(QuantizationMatrix，QM)技术，如JPEG、MPEG- -1、MPEG- 2、 MPEG- -4、H.264/AVC18-221等，其原理是对不同位置的系数使用不同的量化步长。例如，可以利用人眼对图像视频中的高频细节不敏感的特征，对高频系数使用较大的量化步长，而对低频系数使用较小的量化步长，这样做能够在保证一定压缩率的同时提高图像或视频的主观质量。其中，量化矩阵作用于比例缩放过程，其大小与TU相同，可为4x4、8x8、16x16 和32x32。在比例缩放过程中，变换后的DCT (或DST)系数将与量化矩阵中对应位置的系数相除，所得的结果作为量化模块的输入。

H.265/HEVC标准允许使用两种形式的量化矩阵。一种是标准推荐使用的量化矩阵(下文称之为“默认量化矩阵”)，另一种是用户自行定义的量化矩阵(下文称之为“自定义量化矩阵”)。对于默认量化矩阵，其矩阵元素值与TU大小、预测方式(帧内、帧间)都有关系。

2.2 码流中的语法元素
与量化矩阵相关的语法元素在SPS和PPS中都有可能存在，当PPS中存在时，解码器使用PPS中的信息，否则使用SPS中的信息。
scaling_ list_ enable_ flag: 该语法元素表明是否使用量化矩阵。
sps_ scaling_list_ data_ present_ flag: 该语法元素指出当前SPS中是否存在量化矩阵信息。
pps_ scaling_ list_ data_ present_ flag: 该语法元素指出当前PPS中是否存在量化矩阵信息。
scaling_ list_ pred_ mode_ flag: 该语法元素表明当前量化矩阵的获取方式。若该值为0,表明当前量化矩阵与之前存在的量化矩阵相同，可直接通过预测得到;若该值为1,表明当前量化矩阵中的每个元素都需要重新计算得出。

3 量化矩阵数字图像渐进传输
量化矩阵是一种将数字图像压缩的方法，它通过减少图像中每个像素的位数来实现。在图像传输中，量化矩阵可以用于减少图像的大小，从而减少传输时间和带宽。以下是量化矩阵图像传输的步骤：
（1）将图像转换为灰度图像，即将每个像素的RGB值转换为单个亮度值。
（2）将灰度图像分成8x8的块。
（3）对于每个块，使用离散余弦变换（DCT）将其转换为频域。
（4）对于每个块中的每个频率系数，使用量化矩阵将其量化为整数。量化矩阵中的（5）每个元素都代表了对应频率系数的量化级别，较大的元素表示较低的量化级别。
（6）将量化后的频率系数重新转换为空域。
（7）将所有块重新组合成图像。

⛄二、部分源代码

%对三维变量进行88分块的量化操作：
%其中每个88分块中第一个元素除以num1取商，再乘以num1得到量化值；
%而8*8分块中的其余元素除以num2取商，再乘以num2得到量化值。

function output=quantization(component1,num1,num2)
r=size(component1(:,:,1),1);
c=size(component1(:,:,1),2);
for t=1:3
for i=1:r
for j=1:c
x=component1(i,j,t);
t1=mod((i-1),8);
t2=mod((j-1),8);
if ((t10)&&(t20))
output(i,j,t)=(floor(x/num1)*num1);
else output(i,j,t)=(floor(x/num2)*num2);
end
end
end
end
end

⛄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]李娜, 王磊, 赵宏伟. 基于改进的DWT-SVD的图像传输算法[J]. 计算机工程与应用, 2019, 55(22): 1-7

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