DPCM 压缩系统的实现和分析

最新推荐文章于 2022-06-11 16:50:07 发布

yingqi_lok

最新推荐文章于 2022-06-11 16:50:07 发布

阅读量1.9k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：实验报告文章标签：预测编码压缩 dpcm

本文链接：https://blog.youkuaiyun.com/yingqi_lok/article/details/71346664

实验报告专栏收录该内容

7 篇文章

订阅专栏

本文探讨了DPCM（差分预测编码调制）的原理，它利用预测编码减少数据量。实验中，对256级灰度图像进行DPCM编码，采用左侧预测和8比特均匀量化。实验结果表明，DPCM编码对于相邻像素相关性大的图像，压缩效果更佳；而相邻像素差异大的图像，压缩效率降低。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实验原理

1.预测编码
利用信源相邻符合之间的相关性，根据某一模型利用以往的样本值对新样本进行预测，然后将样本的实际值与其预测值相减得到一个误差值，最后对这一误差值进行编码。如果模型足够好，且样本序列在时间上相关性较强，则误差信号的幅度将远远小于原始信号，从而得到较大的数据压缩。
2.DPCM
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。
在本次DPCM中，只将前一个像素的值当作预测值，再取当前的像素值和预测值之差进行编码。由于当前值和预测值之间有较强的相关性，所以预测误差的可能取值范围比抽样值的范围小，因此对预测误差进行编码，可以减少编码的比特率。
DPCM是一种负反馈的系统，采用后向自适应的框架进行设计。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重建样本。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。
这里写图片描述
x(n)为当前像素的原始值，d(n)为预测误差，p(n)为当前像素的预测值，d*(n)为经过量化后的误差值。
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。

实验流程

本实验的目标是验证DPCM编码的编码效率。在本次实验中，我们采用固定预测器和均匀量化器。
1.首先读取一个256级的灰度图像
2.采用自己设定的预测方法计算预测误差，本实验中预测器采用左侧预测。
3.对预测误差进行8比特均匀量化

关键代码

读取256级的灰度图像

该步骤与第二次试验的bmp2yuv相同，在此不再赘述。只是本次实验中，仅读出yuv文件中的亮度值即y的值。

开辟三个缓冲区

1.yBuf用于存储原始样本
yBuffer用于给指针指向的内容赋值

u_int8_t* yBuf = NULL;
u_int8_t* yBuffer = NULL;
yBuf = (u_int8_t*)malloc(frameWidth * frameHeight);
yBuffer = yBuf;

2.buildBuf用于存储重建样本
buildBuffer用于给指针指向的内容赋值

u_int8_t* buildBuf = NULL;
u_int8_t* buildBuffer = NULL;
buildBuf = (u_int8_t*)malloc(frameWidth * frameHeight);
buildBuffer = buildBuf;

3.errorBuf用于存储预测误差
errorBuffer用于给指针指向的内容赋值

u_int8_t* errorBuf = NULL;
u_int8_t* errorBuffer = NULL;
errorBuf = (u_int8_t*)malloc(frameWidth * frameHeight);
errorBuffer = errorBuf;

DPCM编码及量化过程的实现

在本程序中取所有像素的左侧像素作为预测，将整幅画面第一列的预测值均设置为128，得到的预测误差范围为-255~+255，为9比特。首先对其进行8比特量化，及对其进行除2并且下取整，因此量化后其误差范围变为-127~127，为了存储预测误差，将其范围变为0~255，因此在量化的基础上+128。将量化后的误差进行反量化，在加上预测值，得到对应像素的重建值。而这一重建值应作为下一像素的预测值进行新一轮的预测编码。
具体程序实现如下：

    for (i = 0; i < frameHeight; i++)
    {
        for (j = 0; j < frameWidth; j++)
        {
            if (j == 0)
            {
                *errorBuffer = ((*yBuffer - 128)/ 2 + 128);
                *buildBuffer = 128 + (*errorBuffer - 128) * 2;
                errorBuffer++;
                yBuffer++;
                buildBuffer++;
            }
            else
            {
                *errorBuffer = (*yBuffer - *(buildBuffer - 1)) / 2 + 128;
                *buildBuffer = *(yBuffer - 1) + (*errorBuffer - 128) * 2;
                errorBuffer++;
                yBuffer++;
                buildBuffer++;

            }
        }
    }

实验结果

build*.yuv为重建后的图像，.yuv为原始图像，error.yuv为预测误差生成的图像。
这里写图片描述

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。

预测误差图像	概率分布	压缩比
自定义1		2.37
自定义2		2.37
birds		2.49
Camman256B		1.94
Clown256B		1.94
Fruit256B		1.88
Lena256B		1.68
Noise256B		1.03
Odie		6.4
errorZone256B		1.03

当文件的预测误差集中在0附近时，进行DPCM编码和熵编码后，图像的压缩率就会越高。而当遇到噪声分布这一类相邻亮度值相差都很大的图像时，预测误差的范围很大，因此对其进行预测误差编码并不能起到很好的压缩的作用。

将原始图像文件输入输入Huffman编码器，得到输出码流、给出概率分布图并计算压缩比

原始图像文件	概率分布	压缩比
自定义1		1.73
自定义2		1.56
birds		1.11
Camman256B		1.21
Clown256B		1.03
Fruit256B		1.05
Lena256B		1.05
Noise256B		1.16
Odie		6.4
errorZone256B		1.25

通过比较比较两种系统（DPCM+熵编码和仅进行熵编码）之间的编码效率可以看出，一幅图像相邻像素的相关性越大，预测误差的值就越集中在0附近，压缩比就越大，压缩效率就越高，此时经过Dpcm编码再进行熵编码，其压缩效率就高于仅进行熵编码的压缩效率，而当图像相邻像素的相关性越小，预测误差的范围越大，此时经过Dpcm编码再进行熵编码，其压缩效率就低于仅进行熵编码的压缩效率。