請注意:本文代碼參考用MATLAB實現JPEG壓縮過程 原作者爲新浪博客:dzh_漫漫修行路
本文是一個代碼的搬移,其他知識爲學習和補充,如有侵權,請聯繫作者刪除。
JPEG原理流程
1.色彩空間轉換及相應預處理
在進行JPEG 壓縮之前,我們先將圖像由rgb 顏色空間轉換成YCbCr 空間。然後,我們對圖像進行擴展,以保證圖像的行列都是8 的倍數。
2.色度抽樣
在YCbCr 模型中,Cb 通道和Cr 通道中所包含的信息量遠遠少於Y 通道中包含的信息量,同時,人眼對色彩的敏感程度有限,因此,JPEG 的壓縮算法主要對Cb 和Cr 通道中的數據進行縮減取樣,取樣的比例可以是4:4:4(無縮減取樣)、4:2:2(在水平方向2 的倍數中取樣)和4:2:0(在水平方向和垂直方向的2 的倍數中取樣),其中,以4:2:0 最爲常見。
3.圖像分塊並進行DCT 變換
將顏色空間轉換後的圖像進行8*8 的分塊,然後對每一塊進行DCT 變換。注意,在dct 變換之前,先將每個像素值減去128(直流電平下移)。
4.對三個通道分別量化
所謂量化就是用像素值÷量化表對應值所得的結果(四捨五入)。由於量化表左上角的值較小,右上角的值較大,這樣就起到了保持低頻分量,抑制高頻分量的目的。JPEG使用的顏色是YCrCb 格式。我們提到過,Y 分量代表了亮度信息,CrCb 分量代表了色差信息。相比而言,Y 分量更重要一些。我們可以對Y 採用細量化,對CrCb 採用粗量化,可進一步提高壓縮比。所以上面所說的量化表通常有兩張,一張是針對Y 的;一張是針對CrCb 的。通過量化可以達到通低頻減高頻的效果。
5.反量化和反DCT
這個過程就是量化和DCT 的逆過程。
6.恢復出YCBCR 圖像並去掉擴展的行和列
這一步驟後便可得到壓縮後又恢復的圖像。
下面給出三個.m文件,如原作者之言,運行JPEGEncodeDecode.m的確能夠運行
暫時給出運行結果
亮度量化表
%亮度量化表
Y_Table=[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];
色差量化表
%色差量化表
CbCr_Table=[17, 18, 24, 47, 99, 99, 99, 99;
18, 21, 26, 66, 99, 99, 99, 99;
24, 26, 56, 99, 99, 99, 99, 99;
47, 66, 99 ,99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99];
請注意:本文代碼參考用MATLAB實現JPEG壓縮過程 原作者爲新浪博客:dzh_漫漫修行路
本文是一個代碼的搬移,其他知識爲學習和補充,如有侵權,請聯繫作者刪除。
JPEGEncodeDecode.m文件
function JPEGEncodeDecode
img=imread('lena.jpg');
subplot(121);imshow(img);title('原圖'); %顯示原圖
img_ycbcr = rgb2ycbcr(img); % rgb->yuv轉換
[row,col,~]=size(img_ycbcr); % 取出行列數,~表示3個通道算1列
%對圖像進行擴展
row_expand=ceil(row/16)*16; %行數上取整再乘16,及擴展成16的倍數
if mod(row,16)~=0 %行數不是16的倍數,用最後一行進行擴展
for i=row:row_expand
img_ycbcr(i,:,:)=img_ycbcr(row,:,:);
end
end
col_expand=ceil(col/16)*16; %列數上取整
if mod(col,16)~=0 %列數不是16的倍數,用最後一列進行擴展
for j=col:col_expand
img_ycbcr(:,j,:)=img_ycbcr(:,col,:);
end
end
%對Y,Cb,Cr分量進行4:2:0採樣
Y=img_ycbcr(:,:,1); %Y分量
Cb=zeros(row_expand/2,col_expand/2); %Cb分量
Cr=zeros(row_expand/2,col_expand/2); %Cr分量
for i=1:row_expand/2
for j=1:2:col_expand/2-1 %奇數列
Cb(i,j)=double(img_ycbcr(i*2-1,j*2-1,2));
Cr(i,j)=double(img_ycbcr(i*2-1,j*2+1,3));
end
end
for i=1:row_expand/2
for j=2:2:col_expand/2 %偶數列
Cb(i,j)=double(img_ycbcr(i*2-1,j*2-2,2));
Cr(i,j)=double(img_ycbcr(i*2-1,j*2,3));
end
end
%分別對三種顏色分量進行編碼
Y_Table=[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];%亮度量化表
CbCr_Table=[17, 18, 24, 47, 99, 99, 99, 99;
18, 21, 26, 66, 99, 99, 99, 99;
24, 26, 56, 99, 99, 99, 99, 99;
47, 66, 99 ,99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99;
99, 99, 99, 99, 99, 99, 99, 99];%色差量化表
Qua_Factor=0.5;%量化因子,最小爲0.01,最大爲255,建議在0.5和3之間,越小質量越好文件越大
%對三個通道分別DCT和量化
Y_dct_q=Dct_Quantize(Y,Qua_Factor,Y_Table);
Cb_dct_q=Dct_Quantize(Cb,Qua_Factor,CbCr_Table);
Cr_dct_q=Dct_Quantize(Cr,Qua_Factor,CbCr_Table);
%對三個通道分別反量化和反DCT
Y_in_q_dct=Inverse_Quantize_Dct(Y_dct_q,Qua_Factor,Y_Table);
Cb_in_q_dct=Inverse_Quantize_Dct(Cb_dct_q,Qua_Factor,CbCr_Table);
Cr_in_q_dct=Inverse_Quantize_Dct(Cr_dct_q,Qua_Factor,CbCr_Table);
%恢復出YCBCR圖像
YCbCr_in(:,:,1)=Y_in_q_dct;
for i=1:row_expand/2
for j=1:col_expand/2
YCbCr_in(2*i-1,2*j-1,2)=Cb_in_q_dct(i,j);
YCbCr_in(2*i-1,2*j,2)=Cb_in_q_dct(i,j);
YCbCr_in(2*i,2*j-1,2)=Cb_in_q_dct(i,j);
YCbCr_in(2*i,2*j,2)=Cb_in_q_dct(i,j);
YCbCr_in(2*i-1,2*j-1,3)=Cr_in_q_dct(i,j);
YCbCr_in(2*i-1,2*j,3)=Cr_in_q_dct(i,j);
YCbCr_in(2*i,2*j-1,3)=Cr_in_q_dct(i,j);
YCbCr_in(2*i,2*j,3)=Cr_in_q_dct(i,j);
end
end
I_in=ycbcr2rgb(YCbCr_in);
I_in(row+1:row_expand,:,:)=[];%去掉擴展的行
I_in(:,col+1:col_expand,:)=[];%去掉擴展的列
subplot(122);imshow(I_in);title('重構後的圖片');
end
Dct_Quantize.m文件
function [Matrix]=Dct_Quantize(I,Qua_Factor,Qua_Table)
%Dct量化
%I:
%Qua_Factor:
%Qua_Table
I=double(I)-128; %層次移動128個灰度級
%t2變換:把ImageSub分成8*8像素塊,分別進行dct2變換,得變換系數矩陣Coef
I=blkproc(I,[8 8],'dct2(x)');
Qua_Matrix=Qua_Factor.*Qua_Table; %量化矩陣
I=blkproc(I,[8 8],'round(x./P1)',Qua_Matrix); %量化,四捨五入
Matrix=I; %得到量化後的矩陣
end
Inverse_Quantize_Dct.m文件
function [ Matrix ] = Inverse_Quantize_Dct( I,Qua_Factor,Qua_Table )
%UNTITLED3 Summary of this function goes here
% Detailed explanation goes here
Qua_Matrix=Qua_Factor.*Qua_Table; %反量化矩陣
I=blkproc(I,[8 8],'x.*P1',Qua_Matrix);%反量化,四捨五入
[row,column]=size(I);
I=blkproc(I,[8 8],'idct2(x)'); %T反變換
I=uint8(I+128);
for i=1:row
for j=1:column
if I(i,j)>255
I(i,j)=255;
elseif I(i,j)<0
I(i,j)=0;
end
end
end
Matrix=I; %反量化和反Dct後的矩陣
end
其中一個函數解釋
函數blkproc會顯示不推薦使用,但是運行時並不會報錯
B = blkproc(A,[M N],FUN) processes the image A by applying the function
FUN to each distinct M-by-N block of A, padding A with zeros if
necessary. FUN is a FUNCTION_HANDLE that accepts an M-by-N matrix, X,
and returns a matrix, vector, or scalar Y: