DPCM压缩系统的实现和分析

DPCM压缩系统的实现和分析
一.实验原理

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。

二.实验流程

三.实验关键代码分析

定义相关变量：

/**********定义bcpm变量及缓存***************/
    FILE* qFile = NULL;//输出的预测误差图
    FILE* dFile = NULL;//输出的重建图
    char* qFileName = NULL;//预测误差图文件名
    char* dFileName = NULL;//重建图文件名
    float qn;//差值
    u_int8_t*qBuf=NULL;//预测误差
    u_int8_t*dBuf=NULL;//解码值

打开相关文件：

 /** open the quantizer outfile **/
    qFile = fopen(qFileName, "wb");
    if (qFile == NULL)
    {
        printf("cannot find quantizer outfile\n");
        exit(1);
    }
    else
    {
        printf("The output quantizer outfile is %s\n", qFileName);
    }
     /** open the decode file **/
    dFile = fopen(dFileName, "wb");
    if (dFile == NULL)
    {
        printf("cannot find decode file\n");
        exit(1);
    }
    else
    {
        printf("The output decode file is %s\n", dFileName);
    }

3.DPCM 编码

由于在调用的BMP2YUV的程序中已经将YUV文件的Y值和UV值分别压缩到16_235和16240的范围，所以以下程序不会出现溢出。
8bit量化：

for(i=0;i<frameWidth;i++)//对Y的预测编码
{
    for(j=0;j<frameHeight;j++)
    {
        if(j==0)//最左侧像素没有左侧像素，用128作为预测值
        {
            qn=(yBuf[i*frameHeight+j]-128)/2;//当前像素值减去预测值128，进行8bit量化，即除以2
            qBuf[i*frameHeight+j]=(u_int8_t)(qn+128);//qn的值在-127.5~127.5之间，将其抬高128，变成一字节无符号0~255，存入预测误差图像
            dBuf[i*frameHeight+j]=((int)qBuf[i*frameHeight+j]-128)*2+128;//重建值等于量化后再反量化的值加上之前减去的预测值128，结果存入重建图像，反量化的值等于量化后的值减去128再乘以2，会出现负数，不会出现小数，所以先强制转换成int
        }
        else
        {
            qn=(yBuf[i*frameHeight+j]-dBuf[i*frameHeight+j-1])/2;//当前像素值减去预测值（左侧像素得重建值），进行8bit量化，即除以2
            qBuf[i*frameHeight+j]=(u_int8_t)(qn+128);//qn的值在-127.5~127.5之间，将其抬高128，变成一字节无符号0~255，存入预测误差图像
            dBuf[i*frameHeight+j]=((float)qBuf[i*frameHeight+j]-128)*2+dBuf[i*frameHeight+j-1];//重建值等于量化后再反量化的值加上之前减去的预测值128，结果存入重建图像，反量化的值等于量化后的值减去128再乘以2，会出现负数，不会出现小数，所以先强制转换成int
        }
    }
}
for (i = 0; i < frameWidth/2; i++)//对U的预测编码
{
    for(j = 0; j < frameHeight/2; j++)
    {
        if(j==0)
        {
            qn=(uBuf[i*frameHeight/2+j]-128)/2;
            qBuf[frameWidth * frameHeight+i*frameHeight/2+j]=(u_int8_t)(qn+128);
            dBuf[frameWidth * frameHeight+i*frameHeight/2+j]=((int)qBuf[frameWidth * frameHeight+i*frameHeight/2+j]-128)*2+128;
        }
        else
        {
            qn=(uBuf[i*frameHeight/2+j]-dBuf[frameWidth * frameHeight+i*frameHeight/2+j-1])/2;
            qBuf[frameWidth * frameHeight+i*frameHeight/2+j]=(u_int8_t)(qn+128);
            dBuf[frameWidth * frameHeight+i*frameHeight/2+j]=((float)qBuf[frameWidth * frameHeight+i*frameHeight/2+j]-128)*2+dBuf[frameWidth * frameHeight+i*frameHeight/2+j-1];
        }
    }
}
for (i = 0; i < frameWidth/2; i++)//对V的预测编码
{
    for(j = 0; j < frameHeight/2; j++)
    {
        if(j==0)
        {
            qn=(vBuf[i*frameHeight/2+j]-128)/2;
            qBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]=(u_int8_t)(qn+128);
            dBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]=((int)qBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]-128)*2+128;
        }
        else
        {
            qn=(vBuf[i*frameHeight/2+j]-dBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j-1])/2;
            qBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]=(u_int8_t)(qn+128);
            dBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]=((float)qBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j]-128)*2+dBuf[frameWidth * frameHeight*5/4+i*frameHeight/2+j-1];
        }
    }
}
fwrite(qBuf, 1, frameWidth * frameHeight *1.5, qFile);
fwrite(dBuf, 1, frameWidth * frameHeight *1.5, dFile);

实验结果分析：

（原始图片）

（重建图片）

（预测误差图）

实验中采用左侧像素重建值作为预测值，因此上表最右列预测误差图像的灰色区域对应原图的平坦区域，即预测误差基本在0左右，抬高128后，在128左右呈现灰色，垂直边缘较明显，左黑右白的垂直边缘，会呈现出白色边缘，因为右侧白色减左侧黑色是一个比较大的正值，抬高128后也是128以上的一个比较大的值，同理，左白右黑的垂直边缘，会呈现出黑色边缘。
对-255~255范围的9bit预测误差做8bit量化，量化误差很小，因此中间一列的重建图像与左边一列的原始图像没有明显差别，量化误差可忽略不计。

五、总结

预测+均匀量化+熵编码的系统，通过预测得到近似Laplace分布预测误差，这是非常适合于熵编码的概率分布类型，对预测误差进行均匀量化可以降低编码的信源的符号种类，并且保持这样的概率分布，通过熵编码后达到较好的压缩效果。实验中，对运算过程中数据的动态范围要考虑，以便选择合适的数据类型，防止越界的情况出现。