一种基于小波变换的新型压缩编码模型

新的压缩编码结构流程

不论什么样的压缩编码方法，其目的都是要在一定保真度的情况下，达到大的压缩比。小波变换后系数的特点使人们提出各种方案来提高其压缩比。零树编码量化就是利用小波变换后的树结构提出的一种行之有效的编码方法。当然，这种的在小波变换后的处理方法还有很多。但都达不到零树编码量化的效果。但这也并不是蜕，简单的零树编码，就能达到理想的效果。小波变换在表示图像方面有很大的灵活性、适应人类视觉特性(HVS)以及图像压缩等方面有显著的优势。在图像压缩方面的优势主要表现在如下几方面：小波变换后的低频子图集中了图像的大部分能量；高频子图集中了图像的边缘、轮廓对应位置的大部分能量；同一方向上各级高频子图系数幅度大体一致。小波变换能除去系数的相关性，使得同一尺度内和不同尺度间的小波系数相关性均非常小。但是，不同尺度的小波系数在幅度上仍然存任着一定的相关性。前面提到的基于零树的嵌入式小波压缩算法就是利用这种相关性来有效的编码小波系数。它们是对高频子图和低频子图统一量化编码，只利用了系数尺度之间、空间位置之间的相关性，而没有利用人类视觉生理和心理的特性。通过大量的文献我们可以了解到，人眼的特性是对高频失真不敏感，特别是对角线方向的高频失真最不敏感，而对低频失真较为敏感。为了充分利用人的视觉的特性，我们对小波变换后的压缩方案进行了选择，如图2所示。

首先对图像进行四级小波变换，然后根据人眼对低频失真较敏感，而且低频分量集中了图像绝大部分能量的特点，对最低频子图子带单独进行DPCM压缩编码，为了进一步提高压缩比，我们采用自适应算术编码对随后的码流进行编码。根据人眼对45°方向的高频失真不很敏感以及子带小波系数为零的概率很大的特点，对其舍去不作编码(解码时恢复为零)，对其余子带采用零树量化编码。在零树法量化编码时，对高频子带与较低频子带采取不同的量化策略，较低频部分分配较高的比特率，高频部分分配较低的比特率，最后进行游程编码。

在本算法的实现中，由于我们要对不同的于带进行不同的量化，对于高级数的小波系数采用细致的量化方法，因为它包含图像中对人眼重要的信息。对低级数的小波系数采用相对粗一些的量化方法。它们都是标量量化方法。同时，在算法实践中，如果采用SPIHT算法，不容易定位不同子带的子系数。因此，在算法实现上，我们采用了EZW算法，即不采用集合分裂的方法来提高算法速度。同时，如前面提到的通过创建数组来提高检索零树的效率的方法还是行之有效的方法。而且，这样作有助于定位象素点在不同子带区的位置，有利于我们的量化实现。我们在算法上加以采用，得到良好的效果。

仿真结果和性能比较

信噪比的定义为：



通过仿真的比较结果(图3)，我们可以看出算法在较低的编码率的情况下，可以获得了较高的压缩比。通过对两幅图像的比较，我们发现，在大致相同信噪比的情况下，Lena图像有更高的编码率，这和Lena图像的统计特性有很大的关系。但二者都获得了较高的编码率。通过下面的图像，我们可以从主观效果上看出，本编码方案的视觉效果较好，因此它是可行的。