word版本hslogic立体图像编码解码.docx
《word版本hslogic立体图像编码解码.docx》由会员分享，可在线阅读，更多相关《word版本hslogic立体图像编码解码.docx（15页珍藏版）》请在冰豆网上搜索。
word版本hslogic立体图像编码解码
立体图像编码解码MATLAB程序设计说明文档
1.系统总体说明
根据相关参考资料说明，图像编码解码的大致结构框图如下所示：
图1系统基本结构框图
本系统，我们主要将完成这个结构框图中介绍的各个模块。
2.各个模块设计与仿真
functionim_encode（left_name,right_name,parameter）;
发送端的说明
2.1获得左右两个图像
·MATLAB代码
imag_L=imread（'stereo_images/corridor1.pgm'）;
imag_R=imread（'stereo_images/corridor2.pgm'）;
figure
（1）;
subplot（121）,imshow（imag_L）;title（'left'）;
subplot（122）,imshow（imag_R）;title（'right'）;
·仿真效果
图2左右眼睛看到的图像
·代码说明
通过读取两个图片，来模拟人两个眼睛所看到的图像。
2.2Transform模块
这个模块主要使用DCT变换，但是这里设计到一个问题，就是将两个图片信号变为一路信号的问题。
就本课题而言，这里有以下几个方法实现；
·由于这两个图片是双目信号，所以可以先进行立体匹配得到一个图片，然后再接收端分解成两个双目图片；
·由小波分解进行融合得到一路信号，然后在接收端进行反变换，但是这种做法也较复杂。
·进行图片的采样处理，对两个图片进行间隔采样，然后在接收端进行内插得到原图像，这种方法比较简单，本模块采用这个方法。
其代码如下所示：
[R,L]=size（imag_L）;
fori=1:
R
forj=1:
L
ifmod（i+j,2）==0
image（i,j）=imag_L（i,j）;
else
image（i,j）=imag_R（i,j）;
end
end
end
2.3DCT变换
我们在这里使用MATLAB内部的dct2函数。
这里就不多做介绍了。
其仿真结果如下所示：
其代码如下所示：
DCT_out=dct2（image）;
2.4ZIGZAG算法
其基本原理如下所示：
通过这个方法，我们可以将一个图像的二维数据变为一个串行的数据流。
其对应的代码如下所示：
function[y]=toZigzag（x）
%transformamatrixtothezigzagformat
[rowcol]=size（x）;
ifrow~=col
disp（'toZigzag（）fails!
!
Mustbeasquarematrix!
!
'）;
return
end
y=zeros（row*col,1）;
count=1;
fors=1:
row
ifmod（s,2）==0
form=s:
-1:
1
y（count）=x（m,s+1-m）;
count=count+1;
end;
else
form=1:
s
y（count）=x（m,s+1-m）;
count=count+1;
end
end
end
ifmod（row,2）==0
flip=1;
else
flip=0;
end
fors=row+1:
2*row-1
ifmod（flip,2）==0
form=row:
-1:
s+1-row
y（count）=x（m,s+1-m）;
count=count+1;
end
else
form=row:
-1:
s+1-row
y（count）=x（s+1-m,m）;
count=count+1;
end;
end;
flip=flip+1;
end
2.5量化模块
μ律压扩的数学解析式：
其中：
x为输入信号的归一化值；y为压扩后的信号。
对话音信号编码，常采用μ=255，这样适量化信噪比改善约24dB。
由于上式的是一个近似的对数关系，因此也称为近似对数压缩律，其15折线：
近似律：
表3-2U律压缩和15折线的特性对比
μ律（m-Law）压扩主要用在北美和日本等地区的数字电话通信中。
m为确定压缩量的参数，它反映最大量化间隔和最小量化间隔之比，通常取100≤m≤500。
由于m律压扩的输入和输出关系是对数关系，所以这种编码又称为对数PCM。
A律（A-Law）压扩主要用在欧洲和中国大陆等地区的数字电话通信中。
A为确定压缩量的参数，它反映最大量化间隔和最小量化间隔之比。
A律压扩的前一部分是线性的，其余部分与μ律压扩相同。
15折线特性给出的小信号的信号量噪比约是13折线特性的两倍。
但是，对于大信号而言，15折线特性给出的信号量噪比要比13折线特性时稍差。
在保证小信号的量化间隔相等的条件下，均匀量化需要11比特编码，而非均匀量化只要7比特就够了。
其对应的待明如下所示：
functionypcm=mulaw（yn）
x=yn;
s=sign（x）;
x=abs（x）;
ypcm=zeros（length（x）,1）;
%进行基于15折线的分段映射
fori=1:
length（x）
ifx（i）<1/255%序列值位于第1折线
ypcm（i）=255/8*x（i）;
elseifx（i）<3/255%序列值位于第2折线
ypcm（i）=255/16*x（i）+1/16;
elseifx（i）<7/255%序列值位于第3折线
ypcm（i）=255/32*x（i）+5/32;
elseifx（i）<15/255%序列值位于第4折线
ypcm（i）=255/64*x（i）+17/64;
elseifx（i）<31/255%序列值位于第5折线
ypcm（i）=255/128*x（i）+49/128;
elseifx（i）<63/255%序列值位于第6折线
ypcm（i）=255/256*x（i）+129/256;
elseifx（i）<127/255%序列值位于第7折线
ypcm（i）=255/512*x（i）+321/512;
else%序列值位于第8折线
ypcm（i）=255/1024*x（i）+769/1024;
end
end
ypcm=ypcm.*（2^7）;
ypcm=floor（ypcm）;
ypcm=ypcm.*s;
2.6编码模块
发送的最后我们需要将量化后的数据进行压缩，得到二进制比特率进行发送，这里我们使用huffman编码。
Huffman编码的基本原理如下所示：
哈夫曼编码是用于数据文件压缩的一个十分有效的编码方法，其压缩率通常在20％～90％之间。
哈夫曼编码算法使用字符在文件中出现的频率表来建立一个0,1串，以表示各个字符的最优表示方式。
它是一种编码方式，哈夫曼编码是可变字长编码（VLC）的一种。
Huffman于1952年提出一种编码方法，该方法完全依据字符出现概率来构造异字头的平均长度最短的码字，有时称之为最佳编码，一般就叫作Huffman编码。
以哈夫曼树─即最优二叉树，带权路径长度最小的二叉树，经常应用于数据压缩。
在计算机信息处理中，“哈夫曼编码”是一种一致性编码法（又称"熵编码法"），用于数据的无损耗压缩。
这一术语是指使用一张特殊的编码表将源字符（例如某文件中的一个符号）进行编码。
这张编码表的特殊之处在于，它是根据每一个源字符出现的估算概率而建立起来的（出现概率高的字符使用较短的编码，反之出现概率低的则使用较长的编码，这便使编码之后的字符串的平均期望长度降低，从而达到无损压缩数据的目的）。
这种方法是由David.A.Huffman发展起来的。
例如，在英文中，e的出现概率很高，而z的出现概率则最低。
当利用哈夫曼编码对一篇英文进行压缩时，e极有可能用一个位（bit）来表示，而z则可能花去25个位（不是26）。
用普通的表示方法时，每个英文字母均占用一个字节（byte），即8个位。
二者相比，e使用了一般编码的1/8的长度，z则使用了3倍多。
倘若我们能实现对于英文中各个字母出现概率的较准确的估算，就可以大幅度提高无损压缩的比例。
三、Huffman编码的步骤
设信源X的信源空间为：
其中，
，现用二进制对信源X中的每一个符号
（i=1,2,…N）进行编码。
根据变长最佳编码定理，Huffman编码步骤如下：
（1）将信源符号xi按其出现的概率，由大到小顺序排列。
（2）将两个最小的概率的信源符号进行组合相加，并重复这一步骤，始终将较大的概率分支放在上部，直到只剩下一个信源符号且概率达到1.0为止；
（3）对每对组合的上边一个指定为1，下边一个指定为0（或相反：
对上边一个指定为0，下边一个指定为1）；
（4）画出由每个信源符号到概率1.0处的路径，记下沿路径的1和0；
（5）对于每个信源符号都写出1、0序列，则从右到左就得到非等长的Huffman码。
其对应的代码如下所示：
function[compression,dict]=huffman_module（image）;
s=image;
%entropy
p=hist（s,length（s））;
idx=find（p~=0）;
prob=p（idx）/length（s）;
entropy=-prob*log2（prob）';
%redundancy
entropymax=log2（length（prob））;
redundancy=（entropymax-entropy）/entropymax;
reff=sort（s）;
ref2=reff（2:
end）;
ref=reff（1:
end-1）;
chg=ref2-ref;
idx2=find（chg~=0）;
sig=ref2（idx2）;
symbols=[ref
（1）;sig];
%huffmantable
set（0,'RecursionLimit',2000）;
[dict,avglen]=huffmandict（symbols,prob）;
%%huffmanencoder
compression=huffmanenco（s,dict）;
以上就是发送端的基本过程。
其对应的算法流程图如下所示：
3.各个模块设计与仿真
function[imag_LS2,imag_RS2,image]=im_decode（bitstream,dict）;
接收端的说明
接收端其主要流程和发送端相反，这里我们就不多做介绍了。
其原理如下所示：
3.系统总体仿真说明
系统的仿真结果如下所示：
读入两个图片
DCT变换值
量化值
压缩比特流
最后接收到的双目图片。
最后我们可以得到PSNR值为
升级会员 