DPCM压缩系统

一、DPCM编解码原理

 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。

void dpcm(int h, int w, uchar* origin_buf, uchar* rebuild_buf, uchar* error_buf, int Qbit)
{
	int error;
	for (int i = 0; i < h; i++)
	{
		for (int j = 0; j < w; j++)
		{
			if (j == 0)
			{
				// 当前像素-预测值=误差值
					//假设第一列的预测值为128;
				error = (origin_buf[i * w + j]) - 128;
				// 对第一列像素值做量化
				error_buf[i * w + j] = Quant(Qbit, error);
				cout << (int)error_buf[i * w + j] << endl;
				// 重建像素做反量化
				rebuild_buf[i * w + j] = InverseQuant(Qbit, error_buf[i * w + j]) + 128;
			}
			else
			{
				// e(n)=y(n)-re(n-1)，以前一个像素作为预测值
				error = (origin_buf[i * w + j]) - rebuild_buf[i * w + j - 1];
				error_buf[i * w + j] = Quant(Qbit, error);
				cout << (int)error_buf[i * w + j] << endl;
				rebuild_buf[i * w + j] = InverseQuant(Qbit, error_buf[i * w + j]) + rebuild_buf[i * w + j - 1];
			}
		}
	}
	// 限制大小
	int max = pow(2, Qbit) - 1;
	for (int i = 0; i < h * w; i++)
	{
		if (error_buf[i] < 0)
			error_buf[i] = 0;
		if (error_buf[i] > max)
			error_buf[i] = max;
		if (rebuild_buf[i] < 0)
			rebuild_buf[i] = 0;
		if (rebuild_buf[i] > 255)
			rebuild_buf[i] = 255;
	}
}

二、DPCM编码系统的设计

在本次实验中，我们采用固定预测器和均匀量化器。

在DPCM编码器实现的过程中可同时输出预测误差图像和重建图像。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。

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

最后比较两种系统（1.DPCM+熵编码和2.仅进行熵编码）之间的编码效率（压缩比和图像质量）。压缩质量以PSNR进行计算。

PSNR，峰值信噪比

PSNR是一种评价图像的客观标准，给定大小为M × N M\times NM×N的两幅图像来说，先计算其均方误差MSE，再按规则如下计算可得：

注：PSNR是基于对应像素点间的误差，即基于误差敏感的图像质量评价，但是并没有考虑人眼的视觉特性，因而经常出现评价结果与人的主观感受不一致的情况。

 图像压缩质量衡量规则：

• PSNR高于40dB说明图像质量极好，即非常接近原始图像；
• PSNR在30~40dB说明图像质量较好，即失真可以察觉但是可以接受；
• PSNR在20~30dB说明图像质量较差；
• PSNR低于20dB的图像通常视作无法接受。

double psnr(int h, int w, uchar* origin_buf, uchar* rebuild_buf, int Qbit)
{
	double mse = 0, psnr = 0;
	for (int i = 0; i < h * w; i++)
	{
		mse += pow((origin_buf[i] - rebuild_buf[i]), 2);
	}
	mse = mse / ((double)h * (double)w);
	psnr = 10 * log10(pow(255, 2) / mse);
	cout << Qbit << "比特量化时psnr=" << psnr << endl;
	return psnr;
}

量化

DPCM对当前像素值与预测值相减得到的误差值进行量化，误差值的范围在[-255,255]之间，需要用9bit表示，同时，为了使得预测误差范围均为正值，所以要对误差值+255之后再进行量化。因此，对于nbit量化，量化后误差值的计算公式为：（原始误差值+255）/。

// 量化
double Quant(int Qbit, int error)
{
	double k = (((double)error + 255) / pow(2, 9 - Qbit));
	return k;
}
// 逆量化
double InverseQuant(int Qbit, uchar pred)
{
	double k = (pred * pow(2, 9 - Qbit) - 255);
	return k;
}

 三、主要函数实现

//head.h
#pragma once
#define uchar unsigned char
void dpcm(int h, int w, uchar* origin_buf, uchar* rebuild_buf, uchar* error_buf, int Qbit);
double psnr(int h, int w, uchar* origin_buf, uchar* rebuild_buf, int Qbit);
void prob(int h, int w, uchar* input_buf, double* output_buf);

// 生成分布概率
void prob(int h, int w, uchar* input_buf, double* output_buf)
{
	int num[256] = { 0 };
	double prob[256] = { 0 };

	for (int i = 0; i < h * w; i++)
	{
		num[(int)*(input_buf + i)]++;
		prob[(int)*(input_buf + i)] = num[(int)*(input_buf + i)] / (h * w);
	}
	for (int i = 0; i < 256; i++)
	{
		*(output_buf + i) = prob[i];
	}
}

先输入量化比特数，打开图像文件并读取像素值，统计原图像的概率分布和量化后的预测误差图的概率分布，新建txt文档写入并按序保存这些数据。

int main()
{
	// 1.定义变量
	FILE* originFile = NULL;
	FILE* rebuildFile = NULL;
	FILE* errorFile = NULL;
	FILE* origintxt = NULL;
	FILE* errortxt = NULL;
	BITMAPINFOHEADER INFO_header;
	int Qbit;
	cout << "请输入量化比特数，8/4/2/1" << endl;
	cin >> Qbit;


	// 2.打开文件
	if (fopen_s(&originFile, "Lena256B.yuv", "rb") == 0) cout << "原文件打开成功" << endl;
	if (fopen_s(&rebuildFile, "rebuildlena.yuv", "wb") == 0) cout << "重建文件创建成功" << endl;
	if (fopen_s(&errorFile, "errorlena.yuv", "wb") == 0) cout << "预测误差文件创建成功" << endl;
	if (fopen_s(&origintxt, "origin.txt", "wb") == 0) cout << "记录原图概率分布文件创建成功" << endl;
	if (fopen_s(&errortxt, "error.txt", "wb") == 0) cout << "记录预测误差的概率分布的文件创建成功" << endl;


	int height = 256;
	int weight = 256;

	// 3.开缓冲
	uchar* y_buffer = new uchar[weight * height];
	uchar* u_buffer = new uchar[(weight * height) / 4];
	uchar* v_buffer = new uchar[(weight * height) / 4];

	uchar* rebuild_buf = new uchar[height * weight];
	uchar* error_buf = new uchar[height * weight];
	double* origin_prob = new double[256];
	double* error_prob = new double[256];

	// 4.读取文件到buffer
	fread(y_buffer, sizeof(uchar), height * weight, originFile);
	fread(u_buffer, sizeof(uchar), (weight * height) / 4, originFile);
	fread(v_buffer, sizeof(uchar), (weight * height) / 4, originFile);

	// 5.dpcm
	dpcm(height, weight, y_buffer, rebuild_buf, error_buf, Qbit);

	// 6.psnr
	psnr(height, weight, y_buffer, rebuild_buf, Qbit);

	// 7.统计概率分布
	prob(height, weight, y_buffer, origin_prob);
	prob(height, weight, error_buf, error_prob);

	// 8.写入文件
	fwrite(rebuild_buf, sizeof(uchar), height * weight, rebuildFile);
	fwrite(u_buffer, sizeof(uchar), height * weight / 4, rebuildFile);
	fwrite(v_buffer, sizeof(uchar), height * weight / 4, rebuildFile);

	fwrite(error_buf, sizeof(uchar), height * weight, errorFile);
	fwrite(u_buffer, sizeof(uchar), height * weight / 4, errorFile);
	fwrite(v_buffer, sizeof(uchar), height * weight / 4, errorFile);
	// 概率分布写进txt中
	for (int i = 0; i < 256; i++)
	{
		fprintf(origintxt, "%lf\n", *(origin_prob + i));
		fprintf(errortxt, "%lf\n", *(error_prob + i));
	}

	// 9.关闭文件

	fclose(originFile);
	fclose(rebuildFile);
	fclose(errorFile);
	fclose(origintxt);
	fclose(errortxt);

	delete[] y_buffer;
	delete[] u_buffer;
	delete[] v_buffer;
	delete[] rebuild_buf;
	delete[] error_buf;
	delete[] origin_prob;
	delete[] error_prob;
	return 0;
}

 实验结果和分析

预测误差的概率分布 

可以看出，使用8bit量化可以较好地还原原始图像，此时得到的PSNR值都在50以上，也就说明图像质量极好，接近原始图像，人眼几乎无法看出异常。随着量化bit数减少，PSNR值也逐渐降低，图像出现了明显的失真，已经无法很好的重建图像了

Huffman编码效率

 采用“压缩比=压缩前所占空间大小/实际所占空间大小”计算：

可以看出，先经过DPCM预测编码之后，误差图像的压缩效率有了明显的提高，并且随着量化比特数的减小，压缩效率也会升高，只是重建图像的质量就会很差。