压缩量化

㈠ 为什么使用FPGA对JPEG进行图像压缩调整量化表以后显示错误

你选择的色彩太少，保存时如果这种格式不正确可以试下其他格式

㈡ JEPG图像压缩算法里面的量化步骤

记得JPEG里面的量化算法已经固定的了，你想改吗？
记得分成8*8的块之后，DCT，按Z字形路径生成64个数字的数组，按事先统一的码表哈夫曼编码，而且亮度分量和两个色度分量的处理是不同的，就这样。再详细也记不清了。

㈢ 用matlab怎么实现图像灰度级的量化,也就是灰度级压缩,从256级量化到16级

可以参考下面的方法。

直接从灰度矩阵转换，转换到A级：

if isa(im_mat,'uint8')

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

end

本题，则为

if isa(im_mat,'uint8')

im_mat = floor(im_mat/255*15);

end

即可

(3)压缩量化扩展阅读：

Matlab参考函数

ones( )创建一个所有元素都为1的矩阵，其中可以制定维数，1，2….个变量

zeros()创建一个所有元素都为0的矩阵

eye()创建对角元素为1，其他元素为0的矩阵

diag()根据向量创建对角矩阵，即以向量的元素为对角元素

magic()创建魔方矩阵

horcat C=[A,B]，水平聚合矩阵，还可以用cat(1,A,B)

㈣ 如何理解数据压缩中的"量化处理

1 ） 数据压缩编码中的量化处理，是指以 PCM 码作为输入，经正交变换、差分、 或预测处理后，熵编码之前，对正交变换系数、差值或预测误差的量化处理。
（ 2 ） 量化 处理是一个多对一的处理过程，是个不可逆过程。量化处理中有信息丢失，或者说，会引起 量化误差（量化噪声）。

㈤ 为什么进行压缩和均匀量化后就可以实现非均匀量化

进行压缩和均衡性的，可以在现实中均衡的量量数和其他的完全在一个导致的情况下的完全是不一样。

㈥ 讲一下量化压缩与量化补偿

在进行色彩格式转换的时候，经常会遇到色彩量化位数的改变，比如说从 24bit RGB888 到 16bit RGB565 的色彩转换。所谓量化压缩与量化补偿都是我个人所提出的概念，现说明如下。 量化压缩，举例： 24bit RGB888 -> 16bit RGB565 的转换 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 量化位数从8bit到5bit或6bit，取原8bit的高位，量化上做了压缩，却损失了精度。 量化补偿，举例： 16bit RGB565 -> 24bit RGB888 的转换 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 说明：第二行的 24bit RGB888 数据为转换后，未进行补偿的数据，在精度上会有损失；第三行的 24bit RGB888 数据为经过量化补偿的数据，对低位做了量化补偿可以很容易的证明，这样的补偿方法是一种合理的线性补偿。补偿的原理很简单，大家仔细想一下就明白了，因此不再详细说明。 总结一下： 量化压缩的方法：三个字取高位 量化补偿的方法： 1. 将原数据填充至高位 2. 对于低位，用原始数据的低位进行补偿 3. 如果仍然有未填充的位，继续使用原始数据的低位进行循环补偿 解释一下循环补偿的概念： 8bit RGB332 -> 24bit RGB888 的转换 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 看了这个，应该明白则么回事了吧，其中B分量，进行了四轮的补偿，达到要求。 量化补偿的必要性，从直觉上讲，我所提出的这种补偿方法是正确的（因为我并没有严格的去证明），进行这样的补偿，在做色彩各式转换的时候，能够明显的改善色彩效果，减少精度上的损失。 对256色调色板模式的认识和应用，顺便讲一下这个，因为量化压缩和量化补偿刚好可以应用到调色板模式下。大家都知道，很早以前就有人提过出256色的标准调色板的概念（有的人又称之为抖动调色板或者万能调色板），其实这样的调色板并不神秘。256色中，一个像素点用8bit表示，那么如果采用 8bit RGB332 的格式，一切问题都可以想通，并且可以进行很好的处理了。对于每个 RGB332 的颜色，都可以使用量化补偿的做法，将其转换为 24bit RGB888 的颜色格式，然后将其设置为调色板即可。这样，实质上是将256色调色板模式，转换为了 8bit RGB332 的像素格式。这样的调色板方式，更加利于某些方面的处理，比如调色板匹配、Alpha混合等。由于采用了这样的方法，一个像素点的颜色值，与其实际的RGB颜色值，可以很方便的通过量化补偿的方法转换出来，然后就可以对各个颜色分量进行计算，计算完毕，再使用量化压缩的方法，就可以生成最终需要的颜色值。而所谓的调色板匹配的问题，当然也更加好解决了。关键是要把问题想通，把握事物的本质，才能找到简单而优美的解决问题的方法。

㈦ 简述JPEG压缩算法

首先你需要了解几个概念，有损压缩，量化，行程编码。
对一副图片来说，bitmap就是原始格式，没经过任何压缩的。
量化就是把所有0-255的像素值进行归类，然后分成尽量少的积累，这要存储量就小很多了，对于JEPG来说量化是有损压缩的起源。
最后就是对所有的已经归类过的点进行行程编码，然后就压缩完了

㈧ 为什么量化是压缩的核心

AD转换就是采样和量化的过程。模拟信号在时间和幅度上都是无穷连续的，没法保存起来。采样是把无穷连续的时间变成有限离散的时间点。而量化是把无穷连续的幅值变成有限离散的幅值，量化的bits越多，则表示数据的精度越高。这是模拟到数字的量化过程。无穷到有限的过程。这个量化也即把无穷的数据，压缩成有限的数据，得以保存模拟信号。

对于精度更高的数字信号量化为精度更低的数字信号是一样的道理，也即直接压缩了。 就是用 二进制 bit 表示的，bits越多则精度越高。先考虑只有一个8 bit 数字 255 的情况下，要压缩这个数字，也即让它的 bits 更少，我们可以用7 bits（量化步长为2）， 6bits（量化步长为4）等来表示它，也即量化。这是只一个数字的情况。

视频图象压缩的时候是同时压缩多个不相关的 dct 系数。变换的过程使得信号不相关，因为很多系数为0，要压缩的数据的个数变得更少了。

另外，滤波也能间接的减少数据。但量化是直接减少数据。滤波是提高信号的相关性，并且滤波的减少数据也能体现在量化，也即更加高级的量化了。

㈨ 量化的形式

在数字信号处理领域，量化指将信号的连续取值（或者大量可能的离散取值）近似为有限多个（或较少的）离散值的过程。量化主要应用于从连续信号到数字信号的转换中。连续信号经过采样成为离散信号，离散信号经过量化即成为数字信号。注意离散信号并不需要经过量化的过程。信号的采样和量化通常都是由ADC实现的。 例如CD音频信号就是按照44100Hz的频率采样，按16比特量化为有着65536（=）个可能取值的数字信号。 量化就是将模拟声音的波形转换为数字，表示采样值的二进制位数决定了量化的精度。量化的过程是先将整个幅度划分成有限个小幅度（量化阶距）的集合，把落入某个阶距内的样值归为一类，并赋予相同的量化值。

在上面的陈述中，若令等于 0，从而忽略掉比特率约束，或等价地假设要用定长码（FLC）而非用变长码（或其他熵编码法，如算术编码在率失真上就比定长码好）来表示量化数据，这个最优化问题就简化为了只需最小化失真的问题了。

级量化器产生的索引可以用比特/符号的定长码。例如当256 阶时，定长码的比特率为 8 比特/符号。由于这个原因，这样的量化器有时称作8比特量化器。不过使用定长码消除了压缩改进，但可以通过更好的熵编码来改善。

假设阶定长码，率失真最小化问题可以简化为失真最小化问题。简化的问题可以陈述为：给定一个概率密度函数为的信源，并约束量化器必须仅使用个分类区域，求得决策边界与重建层级来最小化得到的失真

.

对上述问题求最优解得到的量化器有时叫做MMSQE（最小均方量化误差）解，而得到的概率密度函数最优化的（非均匀）量化器叫做Lloyd–Max量化器，是用独立发现迭代方法从和求解两组联立方程的两个人来命名的，如下：

,

会将阈值置于每对重建值的中点，而

会让重建值位于其相关分类区间的质心（条件期望值）。

Lloyd方法I算法，最初于1957提出，并可以直接推广到用于向量数据。这个推广会得到Linde–Buzo–Gray（LBG）或K-平均分类器最优化方法。此外，此方法还可以进一步推广到对向量数据包含一个熵约束。

量化与数据压缩
量化在有损数据压缩中起着相当重要的作用。很多情况下，量化可以被当作将有损数据压缩同无损数据压缩相区别的标志之一。量化的目的通常是为了减少数据量。一些压缩算法，例如MP3和Vorbis，以有选择地丢弃部分数据作为压缩的一种方法，这种手段可以被认为是量化的过程也可以被看作是一种有损压缩的形式。

JPEG是一种利用了量化的图像有损压缩。JPEG的编码过程对原始的图像数据作离散余弦变换，然后对变换结果进行量化并作熵编码。通过量化可以降低变换值的精度，从而减少图像的数据量。当然，精度的损失意味着图像质量的下降。然而图像的质量可以通过量化位数的选择加以控制。例如，JPEG在每像素3比特的精度下得到的图像质量还让人可以接受的，相对于PCM抽样得到的每个像素24比特的原始图像来说，数据量大大下降了。

现代压缩技术通常以量化输出的信息熵，而不是输出值集合的大小度量信息量的多少。