壓縮編碼方法

Ⅰ 多媒體數據壓縮編碼方法可分為哪兩大類

無損壓縮編碼
有損壓縮編碼
通常解碼的運算復雜度低於編碼．通過比較解碼前後數據的是否一致，把數據編碼方法分為無損編碼和有損編碼2類（即無損壓縮和有損壓縮）前者是解碼前後數據完全一致，沒有任何失真和偏差．後者有一定程度偏差和失真，但是沒多大影響．常見的壓縮演算法有信息熵編碼（主要有行程長度編碼，哈夫曼編碼和算術編碼），通用編碼，預測編碼，模型法編碼等等．無損壓縮的演算法一般比較復雜，而且一般的演算法多為有損演算法．考慮文件和圖象的重要型，有時可採用無損壓縮，但要注意此種壓縮壓縮比不會很高．

Ⅱ 有誰知道,JPEG壓縮編碼演算法的主要步驟

JPEG壓縮編碼演算法的主要計算步驟如下：

1.正向離散餘弦變換(FDCT)。

2.量化(quantization)。

3.Z字形編碼(zigzag scan)。

4.使用差分脈沖編碼調制(differential pulse code molation，DPCM)對直流系數(DC)進行編碼。

5.使用行程長度編碼(run-length encoding，RLE)對交流系數(AC)進行編碼。

6.熵編碼(entropy coding)。

2. 量化

量化是對經過FDCT變換後的頻率系數進行量化。量化的目的是減小非「0」系數的幅度以及增加「0」值系數的數目。量化是圖像質量下降的最主要原因。

對於有損壓縮演算法，JPEG演算法使用均勻量化器進行量化，量化步距是按照系數所在的位置和每種顏色分量的色調值來確定。因為人眼對亮度信號比對色差信號更敏感，因此使用了兩種量化表：亮度量化值和色差量化值。此外，由於人眼對低頻分量的圖像比對高頻分量的圖像更敏感，因此圖中的左上角的量化步距要比右下角的量化步距小。

3. Z字形編排

量化後的系數要重新編排，目的是為了增加連續的「0」系數的個數，就是「0」的遊程長度，方法是按照Z字形的式樣編排，如圖5-17所示。這樣就把一個8 ? 8的矩陣變成一個1 ? 64的矢量，頻率較低的系數放在矢量的頂部。

4. 直流系數的編碼

8 ? 8圖像塊經過DCT變換之後得到的DC直流系數有兩個特點，一是系數的數值比較大，二是相鄰8 ? 8圖像塊的DC系數值變化不大。根據這個特點，JPEG演算法使用了差分脈沖調制編碼(DPCM)技術，對相鄰圖像塊之間量化DC系數的差值(Delta)進行編碼，

Delta＝DC(0, 0)k-DC(0, 0)k-1 ........ (5-5)

5. 交流系數的編碼

量化AC系數的特點是1 ? 64矢量中包含有許多「0」系數，並且許多「0」是連續的，因此使用非常簡單和直觀的遊程長度編碼(RLE)對它們進行編碼。

JPEG使用了1個位元組的高4位來表示連續「0」的個數，而使用它的低4位來表示編碼下一個非「0」系數所需要的位數，跟在它後面的是量化AC系數的數值。

6. 熵編碼

使用熵編碼還可以對DPCM編碼後的直流DC系數和RLE編碼後的交流AC系數作進一步的壓縮。

在JPEG有損壓縮演算法中，使用霍夫曼編碼器來減少熵。使用霍夫曼編碼器的理由是可以使用很簡單的查表(lookup table)方法進行編碼。壓縮數據符號時，霍夫曼編碼器對出現頻度比較高的符號分配比較短的代碼，而對出現頻度較低的符號分配比較長的代碼。這種可變長度的霍夫曼碼表可以事先進行定義。

Ⅲ 簡述柵格數據壓縮編碼的幾種方式和各自的優缺點

1種方式：矢量數據結構可具體分為點、線、面，可以構成現實世界中各種復雜的實體。

優點：當問題可描述成線或邊界時，特別有效。矢量數據的結構緊湊，冗餘度低，並具有空間實體的拓撲信息，容易定義和操作單個空間實體，便於網路分析。矢量數據的輸出質量好、精度高。

缺點：在柵格文件中，每個柵格只能賦予一個唯一的屬性值，所以屬性個數的總數是柵格文件的行數乘以列數的積，而為了保證精度，柵格單元分得一般都很小，這樣需要存儲的數據量就相當大了。

柵(shān)格數據

就是將空間分割成有規律的網格，每一個網格稱為一個單元，並在各單元上賦予相應的屬性值來表示實體的一種數據形式。

每一個單元（像素）的位置由它的行列號定義，所表示的實體位置隱含在柵格行列位置中，數據組織中的每個數據表示地物或現象的非幾何屬性或指向其屬性的指針。一個優秀的壓縮數據編碼方案是：在最大限度減少計算機運算時間的基點上進行最大幅度的壓縮。

Ⅳ 二進制壓縮演算法有哪些

二進制數據壓縮演算法二進制是計算技術中廣泛採用的一種數制。二進制數據是用0和1兩個數碼來表示的數。它的基數為2，進位規則是「逢二進一」，借位規則是「借一當二」，由18世紀德國數理哲學大師萊布尼茲發現。當前的計算機系統使用的基本上是二進制系統，數據在計算機中主要是以補碼的形式存儲的。計算機中的二進制則是一個非常微小的開關，用「開」來表示1，「關」來表示0。

20世紀被稱作第三次科技革命的重要標志之一的計算機的發明與應用，因為數字計算機只能識別和處理由『0』。『1』符號串組成的代碼。其運算模式正是二進制。19世紀愛爾蘭邏輯學家喬治布爾對邏輯命題的思考過程轉化為對符號「0『』。『』1『』的某種代數演算，二進制是逢2進位的進位制。0、1是基本算符。因為它只使用0、1兩個數字元號，非常簡單方便，易於用電子方式實現。

二進制壓縮 - 演算法

二進制壓縮

在編程時遇到每個數據只有兩種狀態，且 dfs 或者 bfs 時遍歷時間復雜度高時，可以採用二進制壓縮數據，尤其是二維數組。LZFSE

1，zlib和gzip都對deflate進行了封裝，比deflate多了數據頭和尾

1，蘋果開源了新的無損壓縮演算法 LZFSE ，該演算法是去年在iOS 9和OS X 10.10中 引入 的。按照蘋果公司的說法，LZFE的壓縮增益和ZLib level 5相同，但速度要快2~3倍，能源效率也更高。

LZFSE基於Lempel-Ziv，並使用了 有限狀態熵編碼，後者基於Jarek Duda在

非對稱數字系統（ANS）方面所做的熵編碼工作。簡單地講，ANS旨在「終結速度和比率的平衡」，既可以用於精確編碼，又可以用於快速編碼，並且具有數據加密功能。使用ANS代替更為傳統的

Huffman和 算術編碼方法的壓縮庫 越來越多，LZFSE就位列其中。

顯然，LZFSE的目標不是成為最好或最快的演算法。事實上，蘋果公司指出，

LZ4的壓縮速度比LZFSE快，而 LZMA提供了更高的壓縮率，但代價是比Apple

SDK提供的其他選項要慢一個數量級。當壓縮率和速度幾乎同等重要，而你又希望降低能源效率時，LZFSE是蘋果推薦的選項。

GitHub上提供了LZFSE的參考實現。在MacOS上構建和運行一樣簡單：

$ xcodebuild install DSTROOT=/tmp/lzfse.dst

如果希望針對當前的iOS設備構建LZFSE，可以執行：

xcodebuild -configuration 「Release」 -arch armv7 install DSTROOT=/tmp/lzfse.dst

除了 API文檔之外，蘋果去年還提供了一個 示例項目，展示如何使用LZFSE 進行塊和流壓縮，這是一個實用的LZFSE入門資源。

LZFSE是在谷歌 brotli之後發布的，後者在去年開源。與LZFSE相比，brotli 似乎是針對一個不同的應用場景進行了優化，比如壓縮靜態Web資產和Android APK，在這些情況下，壓縮率是最重要的。

Ⅳ 數據無損壓縮演算法

所謂無損壓縮格式，顧名思義，就是毫無損失地將聲音信號進行壓縮的音頻格式。常見的像MP3、WMA等格式都是有損壓縮格式，相比於作為源的WAV文件，它們都有相當大程度的信號丟失，這也是它們能達到10%的壓縮率的根本原因。而無損壓縮格式，就好比用Zip或RAR這樣的壓縮軟體去壓縮音頻信號，得到的壓縮格式還原成WAV文件，和作為源的WAV文件是一模一樣的！但是如果用Zip或RAR來壓縮WAV文件的話，必須將壓縮包解壓後才能播放。而無損壓縮格式則能直接通過播放軟體實現實時播放，使用起來和MP3等有損格式一模一樣。總而言之，無損壓縮格式就是能在不犧牲任何音頻信號的前提下，減少WAV文件體積的格式。

經常使用的無損壓縮演算法有 Shannon-Fano 編碼，Huffman 編碼，行程（Run-length）編碼，LZW（Lempel-Ziv-Welch）編碼和算術編碼等。

Huffman 編碼
該方法完全依據字元出現概率來構造異字頭的平均長度最短的碼字，有時稱之為最佳編碼，一般就叫做Huffman編碼。它是統計獨立信源能達到最小平均碼長的編碼方法。編碼效率高 。

基本原理：

依據信源字元出現的概率大小來構造代碼，對出現概率較大的信源字元，給予較短碼長，而對於出現概率較小的信源字元，給予較長的碼長，最後使得編碼的平均碼字最短。

編碼步驟：

（1）初始化，根據符號概率的大小按由大到小順序對符號進行排序。

（2）把概率最小的兩個符號組成一個節點。

（3）重復步驟2。

（4）從根節點開始到相應於每個符號的「樹葉」，從上到下標上「0」（上枝）或者「1」（下枝）至於哪個為「1」哪個為「0」則無關緊要，最後的結果僅僅是分配的代碼不同，而代碼的平均長度是相同的。

（5）從根節點開始順著樹枝到每個葉子分別寫出每個符號的代碼。

無損壓縮演算法有哪些

Huffman編碼的注意點：

Huffman編碼沒有錯誤保護功能，如果碼中有錯誤，則可能引起接下來的一連串解碼錯誤。

Huffman編碼是可變長編碼，因此很難隨意查找或調用中的文件內容。

Huffman依賴於信源的統計特性。 Huffman編碼的每個碼字都是整數：因此實際上平均碼長很難達到信息熵的大小。

Huffman編碼解碼必須要有碼表，如果消息數目很多，那麼

Ⅵ 壓縮演算法原理

哈夫曼
哈夫曼編碼是無損壓縮當中最好的方法。它使用預先二進制描述來替換每個符號，長度由特殊符號出現的頻率決定。常見的符號需要很少的位來表示，而不常見的符號需要很多為來表示。

哈夫曼演算法在改變任何符號二進制編碼引起少量密集表現方面是最佳的。然而，它並不處理符號的順序和重復或序號的序列。

2.1 原理
我不打算探究哈夫曼編碼的所有實際的細節，但基本的原理是為每個符號找到新的二進製表示，從而通常符號使用很少的位，不常見的符號使用較多的位。

簡短的說，這個問題的解決方案是為了查找每個符號的通用程度，我們建立一個未壓縮數據的柱狀圖；通過遞歸拆分這個柱狀圖為兩部分來創建一個二叉樹，每個遞歸的一半應該和另一半具有同樣的權（權是 ∑ N K =1 符號數 k , N 是分之中符號的數量，符號數 k 是符號 k出現的次數 ）

這棵樹有兩個目的：

1． 編碼器使用這棵樹來找到每個符號最優的表示方法

2． 解碼器使用這棵樹唯一的標識在壓縮流中每個編碼的開始和結束，其通過在讀壓縮數據位的時候自頂向底的遍歷樹，選擇基於數據流中的每個獨立位的分支，一旦一個到達葉子節點，解碼器知道一個完整的編碼已經讀出來了。

壓縮後的數據流是 24 位（三個位元組），原來是 80 位（ 10 個位元組）。當然，我應該存儲哈夫曼樹，這樣解碼器就能夠解碼出對應的壓縮流了，這就使得該例子中的真正數據流比輸入的流數據量大。這是相對較短的數據上的副作用。對於大數據量來說，上面的哈夫曼樹就不佔太多比例了。

解碼的時候，從上到下遍歷樹，為壓縮的流選擇從左 / 右分支，每次碰到一個葉子節點的時候，就可以將對應的位元組寫到解壓輸出流中，然後再從根開始遍歷。

2.2 實現
哈夫曼編碼器可以在基本壓縮庫中找到，其是非常直接的實現。

這個實現的基本缺陷是：

1． 慢位流實現

2． 相當慢的解碼（比編碼慢）

3． 最大的樹深度是 32 （編碼器在任何超過 32 位大小的時候退出）。如果我不是搞錯的話，這是不可能的，除非輸出的數據大於 2 32位元組。

另一方面，這個實現有幾個優點：

1． 哈夫曼樹以一個緊密的形式每個符號要求 12 位（對於 8 位的符號）的方式存儲，這意味著最大的頭為 384 。

2． 編碼相當容易理解

哈夫曼編碼在數據有噪音的情況（不是有規律的，例如 RLE ）下非常好，這中情況下大多數基於字典方式的編碼器都有問題。

Ⅶ 應用感知編碼的主要壓縮編碼的方法有哪些

在介紹圖象的壓縮編碼之前，先考慮一個問題：為什麼要壓縮？其實這個問題不用我回答，你也能想得到。因為圖象信息的數據量實在是太驚人了。舉一個例子就明白：一張A4(210mm×297mm)幅面的照片，若用中等解析度(300dpi)的掃描儀按真彩色掃描，其數據量為多少？讓我們來計算一下：共有(300×210/25.4)×(300×297/25.4)個象素，每個象素佔3個位元組，其數據量為26M位元組，其數據量之大可見一斑了。如今在Internet上，傳統基於字元界面的應用逐漸被能夠瀏覽圖象信息的WWW(WorldWideWeb)方式所取代。WWW盡管漂亮，但是也帶來了一個問題：圖象信息的數據量太大了，本來就已經非常緊張的網路帶寬變得更加不堪重負，使得WorldWideWeb變成了WorldWideWait。總之，大數據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實的，這時就要考慮壓縮。壓縮的理論基礎是資訊理論。從資訊理論的角度來看，壓縮就是去掉信息中的冗餘，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的描述來代替原有冗餘的描述。這個本質的東西就是信息量(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，從壓縮後的圖象能夠完全恢復出原來的圖象，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(即原圖象占的位元組數與壓縮後圖象占的位元組數之比，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。圖象壓縮的主要應用是圖象信息的傳輸和存儲，可廣泛地應用於廣播電視、電視會議、計算機通訊、傳真、多媒體系統、醫學圖象、衛星圖象等領域。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性。在象素編碼中常用的幾種方法有：(1)脈沖編碼調制(PulseCodeMolation，簡稱PCM)；(2)熵編碼(EntropyCoding)；(3)行程編碼(RunLengthCoding)；(4)位平面編碼(BitPlaneCoding)。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)。所謂預測編碼是指，去除相鄰象素之間的相關性和冗餘性，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的，所以在一片區域中，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隻需要兩個比特，這樣就實現了壓縮。常用的預測編碼有Δ調制(DeltaMolation，簡稱DM)；微分預測編碼(DifferentialPulseCodeMolation，DPCM)，具體的細節在此就不詳述了。所謂變換編碼是指，將給定的圖象變換到另一個數據域(如頻域)上，使得大量的信息能用較少的數據來表示，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(DiscreteFourierTransform，簡稱DFT)；(2)離散餘弦變換(DiscreteCosineTransform，簡稱DCT)；(3)離散哈達瑪變換(DiscreteHadamardTransform，簡稱DHT)。其它的編碼方法也有很多，如混合編碼(HybirdCoding)、矢量量化(VectorQuantize，VQ)、LZW演算法。在這里，我們只介紹LZW演算法的大體思想。值得注意的是，近些年來出現了很多新的壓縮編碼方法，如使用人工神經元網路(ArtificialNeuralNetwork，簡稱ANN)的壓縮編碼演算法、分形(Fractl)、小波(Wavelet)、基於對象(ObjectBased)的壓縮編碼演算法、基於模型(Model–Based)的壓縮編碼演算法(應用在MPEG4及未來的視頻壓縮編碼標准中)。

Ⅷ 圖像壓縮編碼方法有哪幾類

總的來說可以分為：有損編碼、無損編碼或者分為變換編碼、統計編碼。
有損編碼
有損編碼又稱為不可逆編碼，是指對圖像進行有損壓縮，致使解碼重新構造的圖像與原始圖像存在一定的失真，即丟失了了部分信息。由於允許一定的失真，這類方法能夠達到較高的壓縮比。有損壓縮多用於數字電視、靜止圖像通信等領域。
無損編碼
無損壓縮又稱可逆編碼，是指解壓後的還原圖像與原始圖像完全相同，沒有任何信息的損失。這類方法能夠獲得較高的圖像質量，但所能達到的壓縮比不高，常用於工業檢測、醫學圖像、存檔圖像等領域的圖像壓縮中[15]。
預測編碼
預測編碼是利用圖像信號在局部空間和時間范圍內的高度相關性，以已經傳出的近鄰像素值作為參考，預測當前像素值，然後量化、編碼預測誤差。預測編碼廣泛應用於運動圖像、視頻編碼如數字電視、視頻電話中[ ]。
變換編碼
變換編碼是將空域中描述的圖像數據經過某種正交變換（如離散傅里葉變換DFT、離散餘弦變換DCT、離散小波變換DWT等）轉換到另一個變換域（頻率域）中進行描述，變換後的結果是一批變換系數，然後對這些變換系數進行編碼處理，從而達到壓縮圖像數據的目的。
統計編碼
統計編碼也稱為熵編碼，它是一類根據信息熵原理進行的信息保持型變字長編碼。編碼時對出現概率高的事件（被編碼的符號）用短碼表示，對出現概率低的事件用長碼表示。在目前圖像編碼國際標准中，常見的熵編碼方法有哈夫曼（Huffman）編碼和算術編碼。

Ⅸ 典型的有損壓縮編碼方法錯誤的是

錯誤的是：啥夫曼編碼將出現概率大的信源符號用長碼表示，出現概率小的信源符號用短碼表示。
對於多媒體數據，按照壓縮的原理可分為熵編碼、源編碼和混合編碼。其中，源編碼包含預測編碼去、變換編碼法和矢量量化編碼法，屬於有損壓縮編碼，如表210所示。啥夫曼編碼是最著名的熵編碼，它將出現概率大的信源符號用短碼表示，而出現概率小的信源符號用長碼表示，於是平均碼長接近信息熵的理論值。因此這個是錯誤的。