图像数据压缩方法

数据能够进行压缩，是因为数据中存在或多或少的冗余信息，而对于视频和音频等多媒体信息，更可以利用人类自身的感知冗余（失真）特点来实现更高的压缩比例。衡量压缩算法的三个主要性能指标如下：

压缩比 压缩质量（失真） 压缩与解压缩效率

注：事实上人类视觉系统一般分辨能力约为64灰度等级，而一般图像量化采用256灰度等级，这类冗余我们称为视觉冗余。 例如，人的视觉对于边缘的急剧变化不敏感，且人眼对图像的亮度信息敏感，对颜色的分辨率弱等，因此视频编码算法需要充分利用人眼的“弱点”进行 “欺骗性”设计.

例如：Huffman编码、算术编码、行程长度编码等。

例如：变换编码和预测编码

图像压缩编码方法分类：

信息熵编码又称统计编码，它是根据信源符号出现概率的分布特性而进行的压缩编码，基本思想是在信源符号和码字之间建立明确的一一对应关系，以便在恢复时能准确地再现原信号，同事要使平均码长或码率尽量小。最常见的是Huffman编码、Shannon（香农）编码以及算术编码。

Huffman编码 Huffman编码属于信息熵编码的方法之一，霍夫曼编码的码长是变化的，对于出现频率高的信息，编码的长度较短：而对于出现频率低的信息，编码长度较长。如此，处理全部信息的总码长一定小于实际信息的码长。

算术编码 算术编码把一个信源集合表示为实数线上的0到1之间的一个区间，这个集合的每一个元素都用来缩短这个区间。 信源集合的元素越多，所得到的区间就越小，当区间变小时，就需要更多的数位来表示这个区间，这就是区间作为代码的原理。算数编码首先假设一个信源的概率模型，然后利用这些概率来缩小表示信源集的区间。

行程编码 行程编码又称为运行长度编码或游程编码，是一种统计编码，常用RLE（Run-LengthEncoding）表示。 这是无损编码，一般包含两项，第一项时用一个符号串代替具有相同值得连续符号，第二项是记录原始数据中有多少个这样的值。 例如66777770002555558888的行程编码为(6,2)(7,5)(0,3)(2,1)(5,5)(8,4).

预测编码 预测编码的原理是利用相邻样本的相关性来预测数据，预测编码可以用于空域（比如同一帧中相邻像素样本之间具有高度相关性），也可以用于时域（比如相邻两帧图像的相同位置的像素样本之间具有高度相关性）。

这样，预测编码无需编码传输所有的采样值，而是编码传输采样值的预测值与其实际值之间的差值。预测编码分为线性预测及非线性预测，线性预测的典型代表是差分脉冲编码调制（ DPCM） 编码。

空间冗余是图像数据中经常存在的一种冗余，在同一幅图像中，规则物体和规则背景的表面物理特性具有相关性，这些相关性的光成像结构在数字化图像中就表现为数据冗余。时间冗余则是序列图像中所经常包含的冗余，序列图像中的两幅相邻的图像之间有较大的相关性，即反映为时间冗余。空间冗余及时间冗余示意如下图所示。 变换编码

预测编码方式消除相关性的能力有限，变换编码是一种更高效的编码方式。变换编码的思想是将原始数据从时间域或者空间域变换到另一个更适合于压缩的抽象域，通常为频域。

即变换编码不是对空间区域的图像信号编码，而是将图像信号映射变换到另外一个正交矢量空间(变换域或频域)，产生一系列变换系数，然后对这些系数进行编码处理。

变换具有可逆性及可实现性，目前普遍采用的是基于块的离散余弦变换(DCT)。

变换编码的主要分类如下： 离散余弦变换(DCT) 离散正弦变换(DST) 离散小波变换(DWT) 离散傅立叶变换(DFT)

模型编码 模型编码是利用计算机视觉技术和图形学技术对图像信号进行分析和合成，通过对图像的分析和描述，将图像视为实际的三维空间场景的二维平面的投影，进而对图像结构和特征进行分析并提取出特征参数，然后用某种模型进行描述，最后通过对模型参数编码达到视频压缩的目的。

在解码时，根据参数和模型的“先验”知识重建图像。由于是对“特征参数”进行的编码，因此压缩比较高。模型编码目前主要集中应用于可视电话和会议电视系统中。

因为此类应用传送的图像中主要感兴趣的内容是人的“头肩像”，是一种基本固定的特定场景，可以预先建立人体头肩像的三维模型，从而进行模型编码。

混合编码 用两种或两种以上的方法对图像进行编码称为混合编码，混合编码是近年来广泛采用的一种视频编码压缩方法。 混合编码通常使用DCT等变换方式进行空间冗余度的压缩，用帧间预测或运动补偿预测进行时间冗余度的压缩，从而达到对运动图像的更高的压缩率。 视频压缩过程中主要利用的冗余信息如下表所示。