体系结构 通过python实现 哈夫曼编码 扩展编码 等长编码

本文介绍了一种实现哈夫曼编码的方法,并对比了哈夫曼编码与等长编码及扩展编码的平均码长。通过对不同编码方式的探讨,展示了如何根据字符出现的概率来构建最优前缀码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

#!usr/bin/env python
# -*- coding: utf-8 -*-


def fun():
        Q = x  # 通过队列进行处理
        while len(Q) > 1:
            Q.sort(key=lambda xx: xx.prob)# 根据使用频度排序
            # for i in Q:
            #     print i.prob
            l = Q.pop(0)
            r = Q.pop(0)
            if l.name is not None:
                newQ.append(l)
            if r.name is not None:
                newQ.append(r)
            # 左1右0左小右大
            l.codeword = '0'
            r.codeword = '1'

            fa = hafnode(prob=l.prob+r.prob)
            fa.l = l
            fa.r = r
            l.fa = fa
            r.fa = fa
            Q.append(fa)

        Q[0].fa = None
        return Q[0]

def hufdeal():
        root = fun()
        pro = []
        codes = [''] * len(newQ)
        symbol = []

        for i in range(len(newQ)):
            tmp = newQ[i]
            while tmp.fa != None:
                codes[i] = tmp.codeword + codes[i]
                tmp = tmp.fa
            newQ[i].codeword = codes[i]



class hafnode():
    def __init__(self, name=None, prob=None, codeword='', procode=None):
        self.name = name
        self.prob = prob
        self.codeword = codeword
        self.procode = procode
        self.fa = None
        self.l = None
        self.codeword = None

# ----------------------------------哈夫曼编码-----------------------------------------------------
class dengchang():
    def __init__(self, name=None, prob=None, codeword=''):
        self.name = name
        self.prob = prob
        self.codewode = codeword


def dcdeal():
    n = 0
    for i in range(1, 10):
        if 2**i >= len(y):
            n = i
            break
    for i in range(len(y)):
        y[i].codeword = str(bin(i))[2:].zfill(n)
        print y[i].codeword
# ------------------------------------等长编码-----------------------------------


def extend(n):
    # x = input("请输入需要几种编码长度?")
    # len = []
    # for i in range(0,10):
    #    len[i] = (2**i)-1

    print '3-5编码的结果是:\n'
    z.sort(key=lambda xx: xx.prob, reverse=True)
    cnt = 0

    for i in range(len(z)):
        if cnt == 7:
            break
        if i <= len(z)-2:
            tmp = z[i].prob/z[i+1].prob
            if int(tmp*1000000+5) >= int(3.0*1000000):
                break
        cnt += 1
    cnt+=1
    for i in range(cnt):
        z[i].codeword = str(bin(i))[2:].zfill(3)
        print z[i].codeword
    for i in range(cnt, len(z)):
        z[i].codeword = str(bin(i-cnt))[2:].rjust(3, '0').rjust(5, '1')
        print z[i].codeword

x = []
y = []
z = []
newQ = []  # 保存使用过的节点


def main():
    n = input("请输入个数:")
    for i in range(n):
        rate = input("请输入第%d的频率:" % i)
        x.append(hafnode(i, rate, ''))
        y.append(dengchang(i, rate))
        z.append(dengchang(i,rate))

    hufdeal()

    print '输出哈夫曼编码:\n'
    for i in newQ:
         print i.name, i.codeword
    print '输出等长编码:\n'
    dcdeal()
    extend(n)


    len1 = 0
    len2 = 0
    len3 = 0

    for i in range(len(z)):
        len1 += len(newQ[i].codeword)
        len2 += len(y[i].codeword)
        len3 += len(z[i].codeword)

    len1 = float(1.0*len1/n)
    len2 = float(1.0*len2/n)
    len3 = float(1.0*len3/n)
    print "哈夫曼编码平均码长为%.2f,等长编码平均码长为%.2f,扩展编码平均码长为%.2f" % (len1,len2,len3)



if __name__ == '__main__':
    main()

10天图像压缩技术实习计划 第1天:图像压缩基础与OpenCV入门 理论学习:图像压缩原理(冗余类型、有损/无损压缩)及JPEG/PNG格式对比 实践操作:安装OpenCV/PIL库,实现图像加载/保存,测试不同格式的压缩效果 结果分析:对比BMP/JPEG/PNG的文件大小差异 第2天:空间域压缩实践 理论学习:下采样原理与分辨率调整策略 实践操作:用OpenCV实现双线性插值降采样(1/2, 1/4, 1/8) 结果分析:观察分辨率降低对图像清晰度的影响 第3天:频域压缩技术基础 理论学习:DCT变换原理及其在JPEG中的应用 实践操作:实现8×8块DCT变换,可视化频率分量分布 结果分析:验证能量集中于低频系数的特性 第4天:量化过程实现 理论学习:量化表设计原理与压缩率控制 实践操作:实现自定义量化步长的系数量化 结果分析:对比不同量化步长(5/20/50)的重建图像质量 第5天:熵编码实现 理论学习:哈夫曼编码与行程编码原理 实践操作:用Python实现DCT系数的哈夫曼编码 结果分析:计算压缩比提升效果(原数据vs编码后) 第6天:JPEG全流程实现 实践操作:整合DCT+量化+编码完成简易JPEG压缩 结果分析:测试不同质量参数(20/50/80)的压缩效果 新技术:了解WebP/HEIC等现代压缩格式 第7天:质量评估体系 理论学习:PSNR/SSIM指标原理及数学表达 实践操作:用OpenCV计算不同压缩图像的PSNR/SSIM 结果分析:绘制压缩率-质量指标关系曲线图 第8天:压缩故障分析 实践操作:极端压缩测试(质量系数<10) 结果分析:观察块效应、振铃效应等失真现象 解决方案:设计消除块效应的后处理方法 第9天:图像超分辨率重建 理论学习:插值法(双三次/Lanczos)与SRCNN模型原理 实践操作:实现双三次插值重建,测试预训练ESPCN模型 结果分析:对比传统方法与深度学习的重建效果(SSIM指标) 第10天:场景化压缩策略 综合实验:针对不同场景(医疗CT/社交图片/监控视频)设计压缩方案 参数调优:平衡压缩率与质量的最佳实践 成果总结:完成综合报告,提出场景优化建议表 每日实习成果示例: 第3天成果:DCT变换可视化图中可清晰观察到左上角低频区域能量集中 第6天成果:质量参数50时实现10:1压缩比,SSIM保持0.92以上 第9天成果:ESPCN模型较双三次插值PSNR提升3.2dB 该实习计划由浅入深覆盖核心技术点,通过: 基础认知(1-3天)→ 核心算法实现(4-6天)→ 质量评估(7天)→ 重建技术(8-9天)→ 综合应用(10天) 的渐进路径,确保在10天内系统掌握图像压缩技术全流程。每日实验设计均包含参数对比环节,强化对“压缩率-质量”平衡关系的理解。根据这个实训内容写出最终的python
最新发布
06-21
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值