壓縮量化

㈠ 為什麼使用FPGA對JPEG進行圖像壓縮調整量化表以後顯示錯誤

你選擇的色彩太少，保存時如果這種格式不正確可以試下其他格式

㈡ JEPG圖像壓縮演算法裡面的量化步驟

記得JPEG裡面的量化演算法已經固定的了，你想改嗎？
記得分成8*8的塊之後，DCT，按Z字形路徑生成64個數字的數組，按事先統一的碼表哈夫曼編碼，而且亮度分量和兩個色度分量的處理是不同的，就這樣。再詳細也記不清了。

㈢ 用matlab怎麼實現圖像灰度級的量化,也就是灰度級壓縮,從256級量化到16級

可以參考下面的方法。

直接從灰度矩陣轉換，轉換到A級：

if isa(im_mat,'uint8')

im_mat = floor(im_mat/255*A-1);

end

本題，則為

if isa(im_mat,'uint8')

im_mat = floor(im_mat/255*15);

end

即可

(3)壓縮量化擴展閱讀：

Matlab參考函數

ones( )創建一個所有元素都為1的矩陣，其中可以制定維數，1，2….個變數

zeros()創建一個所有元素都為0的矩陣

eye()創建對角元素為1，其他元素為0的矩陣

diag()根據向量創建對角矩陣，即以向量的元素為對角元素

magic()創建魔方矩陣

horcat C=[A,B]，水平聚合矩陣，還可以用cat(1,A,B)

㈣ 如何理解數據壓縮中的"量化處理

1 ） 數據壓縮編碼中的量化處理，是指以 PCM 碼作為輸入，經正交變換、差分、 或預測處理後，熵編碼之前，對正交變換系數、差值或預測誤差的量化處理。
（ 2 ） 量化 處理是一個多對一的處理過程，是個不可逆過程。量化處理中有信息丟失，或者說，會引起 量化誤差（量化雜訊）。

㈤ 為什麼進行壓縮和均勻量化後就可以實現非均勻量化

進行壓縮和均衡性的，可以在現實中均衡的量量數和其他的完全在一個導致的情況下的完全是不一樣。

㈥ 講一下量化壓縮與量化補償

在進行色彩格式轉換的時候，經常會遇到色彩量化位數的改變，比如說從 24bit RGB888 到 16bit RGB565 的色彩轉換。所謂量化壓縮與量化補償都是我個人所提出的概念，現說明如下。 量化壓縮，舉例： 24bit RGB888 -> 16bit RGB565 的轉換 24ibt RGB888 R7 R6 R5 R4 R3 R2 R1 R0 G7 G6 G5 G4 G3 G2 G1 G0 B7 B6 B5 B4 B3 B2 B1 B0 16bit RGB656 R7 R6 R5 R4 R3 G7 G6 G5 G4 G3 G2 B7 B6 B5 B4 B3 量化位數從8bit到5bit或6bit，取原8bit的高位，量化上做了壓縮，卻損失了精度。 量化補償，舉例： 16bit RGB565 -> 24bit RGB888 的轉換 16bit RGB656 R4 R3 R2 R1 R0 G5 G4 G3 G2 G1 G0 B4 B3 B2 B1 B0 24ibt RGB888 R4 R3 R2 R1 R0 0 0 0 G5 G4 G3 G2 G1 G0 0 0 B4 B3 B2 B1 B0 0 0 0 24ibt RGB888 R4 R3 R2 R1 R0 R2 R1 R0 G5 G4 G3 G2 G1 G0 G1 G0 B4 B3 B2 B1 B0 B2 B1 B0 說明：第二行的 24bit RGB888 數據為轉換後，未進行補償的數據，在精度上會有損失；第三行的 24bit RGB888 數據為經過量化補償的數據，對低位做了量化補償可以很容易的證明，這樣的補償方法是一種合理的線性補償。補償的原理很簡單，大家仔細想一下就明白了，因此不再詳細說明。 總結一下： 量化壓縮的方法：三個字取高位 量化補償的方法： 1. 將原數據填充至高位 2. 對於低位，用原始數據的低位進行補償 3. 如果仍然有未填充的位，繼續使用原始數據的低位進行循環補償 解釋一下循環補償的概念： 8bit RGB332 -> 24bit RGB888 的轉換 8bit RGB332 R2 R1 R0 G2 G1 G0 B1 B0 24bit RGB888 R2 R1 R0 0 0 0 0 0 G2 G1 G0 0 0 0 0 0 B1 B0 0 0 0 0 0 0 24bit RGB888 R2 R1 R0 R2 R1 R0 0 0 G2 G1 G0 G2 G1 G0 0 0 B1 B0 B1 B0 0 0 0 0 24bit RGB888 R2 R1 R0 R2 R1 R0 R2 R1 G2 G1 G0 G2 G1 G0 G2 G1 B1 B0 B1 B0 B1 B0 0 0 24bit RGB888 R2 R1 R0 R2 R1 R0 R2 R1 G2 G1 G0 G2 G1 G0 G2 G1 B1 B0 B1 B0 B1 B0 B1 B0 看了這個，應該明白則么回事了吧，其中B分量，進行了四輪的補償，達到要求。 量化補償的必要性，從直覺上講，我所提出的這種補償方法是正確的（因為我並沒有嚴格的去證明），進行這樣的補償，在做色彩各式轉換的時候，能夠明顯的改善色彩效果，減少精度上的損失。 對256色調色板模式的認識和應用，順便講一下這個，因為量化壓縮和量化補償剛好可以應用到調色板模式下。大家都知道，很早以前就有人提過出256色的標准調色板的概念（有的人又稱之為抖動調色板或者萬能調色板），其實這樣的調色板並不神秘。256色中，一個像素點用8bit表示，那麼如果採用 8bit RGB332 的格式，一切問題都可以想通，並且可以進行很好的處理了。對於每個 RGB332 的顏色，都可以使用量化補償的做法，將其轉換為 24bit RGB888 的顏色格式，然後將其設置為調色板即可。這樣，實質上是將256色調色板模式，轉換為了 8bit RGB332 的像素格式。這樣的調色板方式，更加利於某些方面的處理，比如調色板匹配、Alpha混合等。由於採用了這樣的方法，一個像素點的顏色值，與其實際的RGB顏色值，可以很方便的通過量化補償的方法轉換出來，然後就可以對各個顏色分量進行計算，計算完畢，再使用量化壓縮的方法，就可以生成最終需要的顏色值。而所謂的調色板匹配的問題，當然也更加好解決了。關鍵是要把問題想通，把握事物的本質，才能找到簡單而優美的解決問題的方法。

㈦ 簡述JPEG壓縮演算法

首先你需要了解幾個概念，有損壓縮，量化，行程編碼。
對一副圖片來說，bitmap就是原始格式，沒經過任何壓縮的。
量化就是把所有0-255的像素值進行歸類，然後分成盡量少的積累，這要存儲量就小很多了，對於JEPG來說量化是有損壓縮的起源。
最後就是對所有的已經歸類過的點進行行程編碼，然後就壓縮完了

㈧ 為什麼量化是壓縮的核心

AD轉換就是采樣和量化的過程。模擬信號在時間和幅度上都是無窮連續的，沒法保存起來。采樣是把無窮連續的時間變成有限離散的時間點。而量化是把無窮連續的幅值變成有限離散的幅值，量化的bits越多，則表示數據的精度越高。這是模擬到數字的量化過程。無窮到有限的過程。這個量化也即把無窮的數據，壓縮成有限的數據，得以保存模擬信號。

對於精度更高的數字信號量化為精度更低的數字信號是一樣的道理，也即直接壓縮了。 就是用 二進制 bit 表示的，bits越多則精度越高。先考慮只有一個8 bit 數字 255 的情況下，要壓縮這個數字，也即讓它的 bits 更少，我們可以用7 bits（量化步長為2）， 6bits（量化步長為4）等來表示它，也即量化。這是只一個數字的情況。

視頻圖象壓縮的時候是同時壓縮多個不相關的 dct 系數。變換的過程使得信號不相關，因為很多系數為0，要壓縮的數據的個數變得更少了。

另外，濾波也能間接的減少數據。但量化是直接減少數據。濾波是提高信號的相關性，並且濾波的減少數據也能體現在量化，也即更加高級的量化了。

㈨ 量化的形式

在數字信號處理領域，量化指將信號的連續取值（或者大量可能的離散取值）近似為有限多個（或較少的）離散值的過程。量化主要應用於從連續信號到數字信號的轉換中。連續信號經過采樣成為離散信號，離散信號經過量化即成為數字信號。注意離散信號並不需要經過量化的過程。信號的采樣和量化通常都是由ADC實現的。 例如CD音頻信號就是按照44100Hz的頻率采樣，按16比特量化為有著65536（=）個可能取值的數字信號。 量化就是將模擬聲音的波形轉換為數字，表示采樣值的二進制位數決定了量化的精度。量化的過程是先將整個幅度劃分成有限個小幅度（量化階距）的集合，把落入某個階距內的樣值歸為一類，並賦予相同的量化值。

在上面的陳述中，若令等於 0，從而忽略掉比特率約束，或等價地假設要用定長碼（FLC）而非用變長碼（或其他熵編碼法，如算術編碼在率失真上就比定長碼好）來表示量化數據，這個最優化問題就簡化為了只需最小化失真的問題了。

級量化器產生的索引可以用比特/符號的定長碼。例如當256 階時，定長碼的比特率為 8 比特/符號。由於這個原因，這樣的量化器有時稱作8比特量化器。不過使用定長碼消除了壓縮改進，但可以通過更好的熵編碼來改善。

假設階定長碼，率失真最小化問題可以簡化為失真最小化問題。簡化的問題可以陳述為：給定一個概率密度函數為的信源，並約束量化器必須僅使用個分類區域，求得決策邊界與重建層級來最小化得到的失真

.

對上述問題求最優解得到的量化器有時叫做MMSQE（最小均方量化誤差）解，而得到的概率密度函數最優化的（非均勻）量化器叫做Lloyd–Max量化器，是用獨立發現迭代方法從和求解兩組聯立方程的兩個人來命名的，如下：

,

會將閾值置於每對重建值的中點，而

會讓重建值位於其相關分類區間的質心（條件期望值）。

Lloyd方法I演算法，最初於1957提出，並可以直接推廣到用於向量數據。這個推廣會得到Linde–Buzo–Gray（LBG）或K-平均分類器最優化方法。此外，此方法還可以進一步推廣到對向量數據包含一個熵約束。

量化與數據壓縮
量化在有損數據壓縮中起著相當重要的作用。很多情況下，量化可以被當作將有損數據壓縮同無損數據壓縮相區別的標志之一。量化的目的通常是為了減少數據量。一些壓縮演算法，例如MP3和Vorbis，以有選擇地丟棄部分數據作為壓縮的一種方法，這種手段可以被認為是量化的過程也可以被看作是一種有損壓縮的形式。

JPEG是一種利用了量化的圖像有損壓縮。JPEG的編碼過程對原始的圖像數據作離散餘弦變換，然後對變換結果進行量化並作熵編碼。通過量化可以降低變換值的精度，從而減少圖像的數據量。當然，精度的損失意味著圖像質量的下降。然而圖像的質量可以通過量化位數的選擇加以控制。例如，JPEG在每像素3比特的精度下得到的圖像質量還讓人可以接受的，相對於PCM抽樣得到的每個像素24比特的原始圖像來說，數據量大大下降了。

現代壓縮技術通常以量化輸出的信息熵，而不是輸出值集合的大小度量信息量的多少。