基于DCT的图像压缩编码算法的MATLAB实现-毕业论文.doc

matlab基于主成分分析的图像压缩和重建

基于小波变换的图像压缩算法实现，matlab平台，内含测试图片，自己写的，亲测可用。

分形图像压缩编码关键算法研究.doc

DCT数据压缩的基本思想是：由于DCT的能量聚集特性，对一幅图像进行离散余弦变换后，许多有关图像的重要可视信息都集中在DCT系数矩阵的左上角，也就是低频部分。DCT系数矩阵左上角第一个值称为DC系数，是整个矩阵的平均值，其余的称为AC系数，越靠近左上角对应的频率越低，越靠近右下角对应的频率越高。 在图像中，低频部分的信息量要大于高频部分的信息量，尽管低频部分的数据量比高频部分的数据量要小很多，例如删除掉占了50%存储空间的高频部分，信息量的损失可能还不到5%。因此，DCT数据压缩舍弃了高频系数，并对余下的系数进行量化减小数据量，以达到图像压缩的目的。 关于该资源的具体功能，可私信博主

DCT数据压缩的基本思想是：由于DCT的能量聚集特性，对一幅图像进行离散余弦变换后，许多有关图像的重要可视信息都集中在DCT系数矩阵的左上角，也就是低频部分。DCT系数矩阵左上角第一个值称为DC系数，是整个矩阵的平均值，其余的称为AC系数，越靠近左上角对应的频率越低，越靠近右下角对应的频率越高。 直接对整个图像进行2D-DCT变换的优点在于避免了分块效应，使得解压缩图像的保真度得到了保障，缺点在于计算复杂度高。 整图DCT变换流程 1. 直接对整幅图像进行DCT变换 2. 对DCT系数矩阵做不同程度的量化 3. 对量化后的DCT系数矩阵进行IDCT反变换得最终图像 4. 比较不同量化程度下还原图像MSE

FFT将信息量集中在了矩阵的四个角上，这一特性导致了图像中信息量的分散，相比于将信息量集中在一个角的DCT变化，FFT变换的压缩性能较差。将系数矩阵转换为极坐标形式，可见中心附近较亮。中心附近为低频信息，距中心较远的为高频信息。但边缘附近也有较多的能量分布。 FFT变换有两种量化方法，第一种是对FFT系数矩阵进行线性量化(量化方式同整幅DCT变换方法的量化方式)，第二种是对FFT系数矩阵进行非线性量化(以直角系系数矩阵中心为圆心进行量化)。 实验中对线性量化与非线性量化方式都进行了尝试，但因为线性量化会损失大量的频域信息，导致还原出的图像质量很差，在实际应用中不能采取该方式进行量化；而非线性量化可以极大的避免大量频域信息的损失，很好的符合了FFT系数矩阵中能量集中在四个角的特性，还原出的图像质量高，因此本报告中只选用非线性量化方式。 算法流程 1. 将图像进行FFT变换得到FFT系数矩阵。 2. 以FFT系数矩阵中心为圆心，分别以不同的半径将圆内系数置为零。 3. 将量化后的FFT系数矩阵进行IFFT变换还原图像。

利用SVD分解师实现图像压缩，Python实现。奇异值数目暂定60，可更改

[原创]本matlab代码是2012年发表在"计算机应用"的文章"基于自适应编码次序的多级树集合分裂算法"的源代码。 为了在图像轮廓处获得更好的压缩效采，在多级树集合分裂( SPIHT)算法的基础上提出了一种优先编码周围邻域中重要系数较多的系数与集合的小波图像压缩算法。在编码之前对系数或集合按照周围重要系数的个数进行排序，而且在扫描完周围有重要系数的集合后，就精细扫描已经得到的重要系数。这种编码次序是自适应确定的，不需要任何额外的存储空间，而且在到达指定压缩比时能够编码更多的重要系数。实验结果表明，对比原来的SPIHT 算法，该方法能提高峰值信嗓比并改善主观视觉感受。

图像数据库会经常性增加图像，而传统上对增量图像进行压缩的方法是只利用图像内部冗余或增量图像之间冗余对其进行压缩，这往往忽略了增量图像和图像数据库已有图像的冗余性，压缩效率往往不高。针对这个问题，本文提出了充分利用图像数据库已有图像和增量图像的相似性和冗余性的压缩方法，称之为增量压缩方法。增量压缩方法中，首先对增量图像进行分类。接着，在类内搜索视觉最相似图像作为参考图像。然后，利用参考图像和增量图像的冗余性和相似性对增量图像进行压缩编码。实验结果表明，增量压缩编码方法相比传统压缩编码方法，压缩效率会有明显提升。