图像压缩方法和研究.doc

15题目：图像压缩方法和研究具体：1.简述原理和方法2.举出实例给予验证3.用MATLAB编写程序实现图像压缩方法和研究1原理和方法1.1原理 图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术,也称图像编码.去除多余数据.以数学的观点来看,这一过程实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合。图像数据之所以能被压缩，就是因为数据中存在着冗余。图像数据的冗余主要表现为：图像中相邻像素间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；不同彩色平面或频谱带的相关性引起的频谱冗余。数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。由于图像数据量的庞大,在存储、传输、处理时非常困难,因此图像数据的压缩就显得非常重要。 1.2图像压缩基本方法 图像压缩可以是有损数据压缩也可以是无损数据压缩。有损压缩方法有：有损预测编码，变换编码，小波编码等。无损压缩方法有：变长编码，LZW编码，位平面编码，无损预测编码等。 2实例和matlab程序实现2.1实例要求介绍LZW编码和解码的改进方法，实现matlab仿真，分析编码效率低的原因，并给出改进方法。2.2 LZW 改进方法2.2.1 LZW编码改进方法在编码时，当前识别序列和字典条目，我们采取了数组的储存方式，但也尝试过采取使用MATLAB中的元胞类型，但编码的效率很低速度很慢。这是由于在查找字典匹配序列时，使用元胞类型时在电脑的运行内部要经常进行指针的大范围的跳转，查找效率很低。采用了数组储存后指针指在小范围内移动效率得到明显的提高。编码的规则很简单。对图像从行列进行像素扫描，对于第一个像素不进行输出，只当作下一次的当前识别序列。而对其它的有当前事变序列连接上当前处理的像素值组成一个序列，如果该序列能在字典里找到对应的序列，那么该序列作为下一个的当前序列其它什么也不做。如果不能找到，则编码输出当前识别序列的字典中的索引值。这样一直到最后，把最后一个当前的识别序列的字典的索引值直接作为编码接在编码输出序列后面。2.2.2 LZW解码改进方法对于解码来说，也采用上面的数组的储存结构。我们只要以编码值在对应建立的字典中去找到对应的字典条目输出就可以的。但这里存在着一个问题，对一些连续的出现相同的像素的编码值，在解码时不能在字典里面找到字典条目。对于不能在字典中找到的条目，采用条件判断，之后取前面的识别序列连接上识别序列的第一个像素值作为像素序列的输出和字典输出，当结束后再把当前处理的编码值赋给识别序列。2.3matlab主程序tu=imread(11.jpg);tu2=double(tu(:,:,1); %转化为只有8位的像素矩阵tu2=tu2=128;size2=size(tu2);code=lzwcode2(tu2)%进行LZW编码，输入2维图像数据，返回一个LZW编码一维的序列tu3=lzwdecode2(code,size2);%LZW解码，输入code为LZW编码序列，返回一个2维图像数据figure(1);subplot(2,2,1),imshow(tu(:,:,1)title(原图);subplot(2,2,2),imshow(tu2)title(lzw压缩二值图像);subplot(2,2,3),imshow(tu3)title(lzw解码后二值图像);3仿真截图和结论3.1仿真截图3.2原因和改进方法3.2.1原因由于LZW编码，在编码时运算量特别大，所以编码的效率很低。主要有几个原因：1、对算有像素都要进行一次扫描2、对于很少出现相似的像素，字典会非常大3、每一次都要去查找一下字典3.2.2改进方法1、选取图像像素的最大值（如果少于255，那么可以减少字典大小，同时减少一些计算量）2、采用向后查找方式3、对于字典储存方式上的数组改进方式。23.分水岭的图像分割算法具体：1.简述原理和方法2.举出实例给予验证3.用MATLAB编写程序实现分水岭的图像分割算法1原理和方法1.1原理分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即g(x,y)=grad(f(x,y)=f(x,y)-f(x-1,y)2f(x,y)-f(x,y-1)20.5式中，f(x,y)表示原始图像，grad.表示梯度运算。1.2 Vincent和Soille的分水岭算法分析该算法包括两个部分，排序和泛洪。步骤1，首先计算原灰度图像中各点的梯度，（然后扫描整幅图像得到各梯度的概率密度，各像素点在排序数组中的位置有梯度分布的累积概率与该像素点的梯度值计算得到。）计算出所有像素点的排序位置并将其存入排序数组。在排序后的数组中，梯度值越低的点存放的位置越靠前。步骤2，像索点按梯度层值从低到高的顺序处理，相同梯度值的点作为一个梯度层级。步骤3，处理一个梯度层级h (当前层)，首先将该层中所有邻域已被标识的点加入到一个先进先出队列中去。步骤4，若先进先出队列非空，则弹出队列的首元索作为当前处理像素。顺序处理当前像素所有高度为h的相邻点。如果邻点已被标识，则根据该邻点标识刷新当前像素点的标识。如果邻点尚未标识，则将该邻点加入到先进先出队列中去。循环执行本步直至队列空为止。步骤5，再一次扫描当前梯度层级的像素点，检查是否仍有未标识点。此时的未标识点意味着一个新的极小区。因此，如果发现未标识点，则将当前区域标识值加1, 并将该值赋为未标识点的标识值。然后，从该点出发执行与步骤4相同的泛洪步骤，标识该极小区的所有像素点。步骤6，返回步骤3处理下一梯度层级，直至将所有梯度层级都处理完毕为止。2实例和matlab程序实现2.1实例要求用matlab实现分水岭的图像分割算法，比较编写的分水岭算法和直接调用分水岭库函数的结果图，并分析分水岭的图像分割算法的缺陷。2.2matlab源程序clcclear allclose allrgb = imread(lena.jpg);%读取原图像 I = rgb2gray(rgb);%转化为灰度图像 figure; subplot(2,2,1)%显示灰度图像 imshow(I) title(原灰度图像)% In=imnoise(uint8(I),gaussian,0.01);x,y=size(I);%x,y为图像宽度和高度 hy = fspecial(sobel)/6;%sobel算子 hx = hy; Iy = imfilter(double(I), hy, replicate);%滤波求y方向边缘 Ix = imfilter(double(I), hx, replicate);%滤波求x方向边缘 gradmag = sqrt(Ix.2 + Iy.2);%梯度模值 gradmag=round(gradmag);subplot(2,2,2); imshow(gradmag,)%显示梯度title(显示梯度图像) J=uint8(gradmag); %泛洪%flag=zeros(x,y);%标记矩阵uion=zeros(x,y);%合并数组labelflag=0; gmin=min(min(gradmag);gmax=max(max(gradmag);for i=gmin:gmax %从最低层到最高层 gx,gy=find(gradmag=i); if (isempty(gx)=1) continue; end div=labelflag;%分界标志div为当前的labelflag值 coordinate=gx gy;r,c=size(coordinate); for j=1:r%遍历当前梯度层的所有元素 %处理每一个像素点 coordinate_left=coordinate(j,1) coordinate(j,2)-1; coordinate_right=coordinate(j,1) coordinate(j,2)+1; coordinate_up=coordinate(j,1)-1 coordinate(j,2); coordinate_down=coordinate(j,1)+1 coordinate(j,2); if(coordinate_left(2)0&flag(coordinate_left(1),coordinate_left(2)=0)%左邻点 if(flag(coordinate(j,1),coordinate(j,2)=0)%当前点也已标记 if(flag(coordinate(j,1),coordinate(j,2)=flag(coordinate_left(1),coordinate_left(2)%左邻点标记不等于当前点标记 if(flag(coordinate_left(1),coordinate_left(2)div&flag(coordinate(j,1),coordinate(j,2)div)%当前标记与左邻标记均大于分界标记 min=min(flag(coordinate_left(1),coordinate_left(2),flag(coordinate(j,1),coordinate(j,2); uion(coordinate(j,1),coordinate(j,2)=min; uion(coordinate_left(1),coordinate_left(2)=min; end end end elseif(coordinate_right(2)div&flag(coordinate(j,1),coordinate(j,2)div)%当前标记与右邻标记均大于分界标记 min=min(flag(coordinate_right(1),coordinate_right(2),flag(coordinate(j,1),coordinate(j,2); uion(coordinate(j,1),coordinate(j,2)=min; uion(coordinate_right(1),coordinate_right(2)=min; end end end elseif(coordinate_up(1)0&flag(coordinate_up(1),coordinate_up(2)=0)%上邻点 if(flag(coordinate(j,1),coordinate(j,2)=0)%当前点也已标记 if(flag(coordinate(j,1),coordinate(j,2)=flag(coordinate_up(1),coordinate_up(2)%上邻点标记不等于当前点标记 if(flag(coordinate_up(1),coordinate_up(2)div&flag(coordinate(j,1),coordinate(j,2)div)%当前标记与上邻标记均大于分界标记 min=min(flag(coordinate_up(1),coordinate_up(2),flag(coordinate(j,1),coordinate(j,2); uion(coordinate(j,1),coordinate(j,2)=min; uion(coordinate_up(1),coordinate_up(2)=min; end end end elseif(coordinate_down(1)div&flag(coordinate(j,1),coordinate(j,2)div)%当前标记与下邻标记均大于分界标记 min=min(flag(coordinate_down(1),coordinate_down(2),flag(coordinate(j,1),coordinate(j,2); uion(coordinate(j,1),coordinate(j,2)=min; uion(coordinate_down(1),coordinate_down(2)=min; end end end else %局部极小值点 labelflag=labelflag+1; flag(coordinate(j,1),coordinate(j,2)=labelflag; end endend%合并事件%合并数组元素为0，则表示集水盘地标号不变，否则，变为合并数组里的元素for i=1:x for j=1:y if(uion(i,j)=0) f