會員中心
會員注冊例如：一張A4(210mm×297mm) 幅面的照片，若用中等分辨率(300dpi)的掃描儀按真彩色掃描，其數(shù)據(jù)量為多少？共有210*297/25.4/25.4*300=29002個象素，每個像素是24位，其數(shù)據(jù)量為29002*24=696Kb。
（補充說明dpi代表每平方英寸的點數(shù)，1英寸=1000mil=25.4mm）
例如，一幅具有中等分辨率（640*480像素）真彩色圖像（24位/像素），它的數(shù)據(jù)量約為每幀640*480*24=7.37Mb。若要達到每秒25幀的全動態(tài)顯示要求，每秒所需的數(shù)據(jù)量為184Mb，而且要求系統(tǒng)的數(shù)據(jù)傳輸速率必須達到184Mb/s，這在目前是無法達到的。
再例如：對聲音，用16位/樣值的PCM編碼，采樣速率選為44.1kHz，則雙聲道立體聲聲音每秒將有44.1*16*2=176KB的數(shù)據(jù)量，而1分鐘的數(shù)據(jù)量則為176KB*60=10.56MB，而一首歌通常在3-5分鐘，可想而知如果不進行數(shù)據(jù)壓縮存儲量和交換量都相當(dāng)驚人。
總之，大數(shù)據(jù)量的圖象信息會給存儲器的存儲容量，通信干線信道的帶寬，以及計算機的處理速度增加極大的壓力。單純靠增加存儲器容量，提高信道帶寬以及計算機的處理速度等方法來解決這個問題是不現(xiàn)實的，這時就要考慮壓縮。
壓縮的理論基礎(chǔ)是信息論。從信息論的角度來看，壓縮就是去掉信息中的冗余，即保留不確定的信息，去掉確定的信息(可推知的)，也就是用一種更接近信息本質(zhì)的描述來代替原有冗余的描述。這個本質(zhì)的東西就是信息量(即不確定因素)。
壓縮可分為兩大類：第一類壓縮過程是可逆的，也就是說，從壓縮后的圖象能夠完全恢復(fù)出原來的圖象，信息沒有任何丟失，稱為無損壓縮；第二類壓縮過程是不可逆的，無法完全恢復(fù)出原圖象，信息有一定的丟失，稱為有損壓縮。選擇哪一類壓縮，要折衷考慮，盡管我們希望能夠無損壓縮，但是通常有損壓縮的壓縮比(即原圖象占的字節(jié)數(shù)與壓縮后圖象占的字節(jié)數(shù)之比，壓縮比越大，說明壓縮效率越高)比無損壓縮的高。
圖象壓縮一般通過改變圖象的表示方式來達到，因此壓縮和編碼是分不開的。圖象壓縮的主要應(yīng)用是圖象信息的傳輸和存儲，可廣泛地應(yīng)用于廣播電視、電視會議、計算機通訊、傳真、多媒體系統(tǒng)、醫(yī)學(xué)圖象、衛(wèi)星圖象等領(lǐng)域。
壓縮編碼的方法有很多，主要分成以下四大類：(1)象素編碼；(2)預(yù)測編碼；(3)變換編碼；(4)其它方法。
所謂象素編碼是指，編碼時對每個象素單獨處理，不考慮象素之間的相關(guān)性。在象素編碼中常用的幾種方法有：(1)脈沖編碼調(diào)制(Pulse Code Modulation，簡稱PCM)；(2)熵編碼(Entropy Coding)；(3)行程編碼(Run Length Coding)；(4)位平面編碼(Bit Plane Coding)。其中我們要介紹的是熵編碼中的哈夫曼(Huffman)編碼和行程編碼(以讀取.PCX文件為例)。
所謂預(yù)測編碼是指，去除相鄰象素之間的相關(guān)性和冗余性，只對新的信息進行編碼。舉個簡單的例子，因為象素的灰度是連續(xù)的，所以在一片區(qū)域中，相鄰象素之間灰度值的差別可能很小。如果我們只記錄第一個象素的灰度，其它象素的灰度都用它與前一個象素灰度之差來表示，就能起到壓縮的目的。如248，2，1，0，1，3，實際上這6個象素的灰度是248，250，251，251，252，255。表示250需要8個比特，而表示2只需要兩個比特，這樣就實現(xiàn)了壓縮。
常用的預(yù)測編碼有Δ調(diào)制(Delta Modulation，簡稱DM)；微分預(yù)測編碼(Differential Pulse Code Modulation，DPCM)，具體的細節(jié)在此就不詳述了。
所謂變換編碼是指，將給定的圖象變換到另一個數(shù)據(jù)域(如頻域)上，使得大量的信息能用較少的數(shù)據(jù)來表示，從而達到壓縮的目的。變換編碼有很多，如(1)離散傅立葉變換(Discrete Fourier Transform，簡稱DFT)；(2)離散余弦變換(Discrete Cosine Transform，簡稱DCT)；(3)離散哈達瑪變換(Discrete Hadamard Transform，簡稱DHT)。
其它的編碼方法也有很多，如混合編碼(Hybird Coding)、矢量量化(Vector Quantize，VQ) 、LZW算法。在這里，我們只介紹LZW算法的大體思想。
返回頂部
刷新頁面
下到頁底