matlab实现图像压缩编码

一、基于DCT的JPEG压缩（有损）

1. 核心步骤

1. 图像分块：将图像划分为8×8的小块。
2. 离散余弦变换（DCT）：对每个块进行DCT变换。
3. 量化：对DCT系数进行量化以减少高频信息。
4. 熵编码：使用哈夫曼或算术编码压缩量化后的数据。

2. MATLAB代码实现

% 读取图像并转换为灰度图
img = imread('lena.jpg');
img_gray = rgb2gray(img);
img_double = im2double(img_gray); % 转换为double类型% 定义JPEG量化表（标准亮度量化表）
Q = [16 11 10 16 24 40 51 61;12 12 14 19 26 58 60 55;14 13 16 24 40 57 69 56;14 17 22 29 51 87 80 62;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 101;72 92 95 98 112 100 103 99];% 图像分块（8×8）
block_size = 8;
[rows, cols] = size(img_double);
num_blocks_row = floor(rows / block_size);
num_blocks_col = floor(cols / block_size);
blocks = mat2cell(img_double(1:num_blocks_row*block_size, 1:num_blocks_col*block_size), ...repmat(block_size, 1, num_blocks_row), repmat(block_size, 1, num_blocks_col));% DCT变换与量化
quantized_blocks = cell(size(blocks));
for i = 1:numel(blocks)block = blocks{i};dct_block = dct2(block); % DCT变换quant_block = round(dct_block ./ Q); % 量化quantized_blocks{i} = quant_block;
end% 熵编码（使用MATLAB内置函数）
compressed_data = mat2huff(quantized_blocks(:)); % 哈夫曼编码% 解码与重建（逆量化 + 逆DCT）
reconstructed_blocks = cell(size(quantized_blocks));
reconstructed_data = huff2mat(compressed_data); % 哈夫曼解码
reconstructed_data = reshape(reconstructed_data, size(quantized_blocks));
for i = 1:numel(blocks)quant_block = reconstructed_data{i};dequant_block = quant_block .* Q; % 反量化idct_block = idct2(dequant_block); % 逆DCTreconstructed_blocks{i} = idct_block;
end% 合并分块并显示结果
reconstructed_img = cell2mat(reconstructed_blocks);
figure;
subplot(1,2,1); imshow(img_gray); title('原始图像');
subplot(1,2,2); imshow(reconstructed_img); title('重建图像');% 计算PSNR
psnr_value = psnr(reconstructed_img, img_gray);
disp(['PSNR: ', num2str(psnr_value), ' dB']);

3. 关键说明

• 量化表：决定压缩率和图像质量，可根据需求调整。
• 分块处理：mat2cell函数用于分块，idct2实现逆变换。
• 熵编码：使用MATLAB的mat2huff和huff2mat实现哈夫曼编码。

---

二、基于DPCM的哈夫曼编码（无损）

1. 核心步骤

1. 预测编码：使用前一个像素预测当前像素值，计算残差。
2. 哈夫曼编码：对残差进行变长编码。
3. 代码 图像压缩编码码matlab实现:DM编码、变换编码、算术编码、行程编码、Huffman编码、线性预测编码

2. MATLAB代码实现

% 读取图像
img = imread('lena.jpg');
img_gray = rgb2gray(img);
img_gray = im2double(img_gray);% DPCM编码
pred = zeros(size(img_gray));
diff = zeros(size(img_gray));
pred(1) = img_gray(1);
diff(1) = img_gray(1) - pred(1);
for i = 2:numel(img_gray)pred(i) = 0.5 * (img_gray(i-1) + img_gray(i)); % 线性预测diff(i) = img_gray(i) - pred(i);
end% 哈夫曼编码
[dict, avglen] = huffmandict(unique(diff), ... % 生成哈夫曼字典arrayfun(@(x) normpdf(x, mean(diff(diff~=0)), std(diff(diff~=0))), unique(diff)));
compressed_data = huffmanenco(diff, dict);% 解码
decoded_diff = huffmandeco(compressed_data, dict);
reconstructed_img = zeros(size(img_gray));
reconstructed_img(1) = img_gray(1);
for i = 2:numel(img_gray)reconstructed_img(i) = reconstructed_img(i-1) + decoded_diff(i);
end% 显示结果
figure;
subplot(1,2,1); imshow(img_gray); title('原始图像');
subplot(1,2,2); imshow(reconstructed_img); title('DPCM重建图像');
psnr_value = psnr(reconstructed_img, img_gray);
disp(['PSNR: ', num2str(psnr_value), ' dB']);

---

三、方法对比

方法	压缩类型	压缩率	图像质量	适用场景
JPEG（DCT）	有损	高	可控（依赖量化表）	通用图像压缩
DPCM+哈夫曼	无损	低	完全保真	医学图像、卫星图像

---

四、扩展方向

1. 改进JPEG：引入熵编码优化（如算术编码）或自适应量化表。
2. 深度学习压缩：使用CNN学习图像特征进行端到端压缩。
3. 混合压缩：结合有损和无损方法（如JPEG-LS）。

---

通过上述代码，您可以直接在MATLAB中实现图像压缩与重建，并通过调整参数（如量化表、预测模型）优化性能。