浅议图像压缩编码技术的发展与应用

摘　要：本文论述了图像编码发展的历程，以及介绍了无损压缩和有损压缩的几种图像压缩编码技术，并对它们的算法特性进行了分析和讨论。

关键词：图像压缩编码；熵编码；变换编码；分形编码
　　近年来，在视频会议、可视电话、高清晰度电视、远程医疗等诸多商业应用的推动下，图像和视频压缩编码受到了极大的重视。对各种图像进行有效的处理、存储、传输，在众多的应用领域起着越来越重要的作用。
1.图像压缩编码发展历程概述
　　第一代图像压缩编码的研究工作是从上个世纪40年代末提出电视信号数字化后开始的，至今已有60多年的历史。常用的熵编码方法有霍夫曼编码、游程编码和算术编码三种。
　　霍夫曼于1952年提出了一种不等长编码方法，这种编码的码字长度的排列与符号的概率大小的排列是严格逆序的，出现概率越高的符号为其设计的码字越短，出现概率越小的符号，则对应的码字越长，从而达到较小的平均码长。但是产生霍夫曼编码要求对原始数据扫描两遍，因此当源数据成分复杂时，霍夫曼编码非常麻烦费时，从而限制了霍夫曼编码的实际应用。
　　游程编码是一种利用空间冗余度压缩图像的方法，相对比较简单。这种编码方法是将一个相同值的连续串用一个代表值和串长，在进行图像编码时，定义特定方向上具有相同灰度的相邻元为一轮，其延续长度称为游程。游程编码在处理包含大量重复信息的数据时可以获得很好的压缩效率。
　　算术编码20世纪60年代初期Elias提出来的一种熵编码方法，它避开了用一个特定码字代替一个输入符号的思想，而采用一个单独的浮点数来代替一串输入符号。算术编码不必预先定义信源出现的概率模型，而是根据各个信源出现的概率自适应地调节码长。
(2)变换编码
　　变换编码是一种经典的数据压缩方法，变换编码不直接对空间域图像信号编码，而是将空间域描述的图像数据经过某种变换转换到另外一个域中进行描述，达到改变能量分布的目的，尽管图像变换本身并不带来数据压缩，但是由于变换后系数之间相关性明显降低，图像大部分能量只集中到少数几个变换系数上，采用适当地量化和熵编码后可以有效地压缩图像的数据量，保留少数重要系数就能够很好地恢复出图像，人眼几乎觉察不出来那些损失的系数。变换编码采用的正交变换种类很多，如傅立叶变换、沃尔什哈达玛变换、余弦变换，还有基于统计特性的K-L变换等，不同的变换有不同的压缩效果。
(3)预测编码
　　预测编码是基于图像统计特性的一类数据压缩方法。预测编码的原理是利用图像信号的相关性，用已经解码过而已知的信号来预测随后输入的信号，并且通过只发送预测误差来减少编码的信息量。相关性越强，预测误差越小，量化和编码的位数越少，压缩效果越好。
（4）小波变换编码
　　小波变换压缩编码是将原始图像进行小波变换，转换成小波域的系数，然后对小波系数进行量化编码。由于小波变换后的图像的能量主要集中在少数的小波系数上，所以通过略去某一阈值以下的系数，并不影响重构图像的质量。与经典的DCT变换压缩编码方法相比，小波变换编码压缩比高，同时能消除DCT变换编码中的方块效应，因此，JPEG2000已经采用小波变换编码作为核心算法。
（5）分形编码
　　分形编码是一种基于分形几何的新的图像压缩方法。分形几何理论研究的对象是那些很不规则而有自相似性的形状。分形图像压缩方法是有损压缩，其失真度大小和压缩比密切相关。虽然具有很大的压缩比，但是它需要很大的计算量。分形图像压缩技术存在着极大的潜力, 但也有许多问题有待进一步深入研究, 如仿射变换的普遍性、编解码时间过长、实用化算法与硬件实现, 等等。
（6）神经网络编码
　　神经网络具有非线性、自适应性、巨量的并行性和分布存储信息的处理能力等优势，因此被广泛用于信息处理的各个方 面，图像压缩也不例外。神经网络与以上各种编码的优势组合，不仅可以提高图像分类和识别能力，而且还大大提高了图像编码的快速实时处理能力。
3.结束语
　　图像压缩编码技术的发展与社会发展需求紧密相连，这一领域的突破对于通信和多媒体事业的发展将产生深远的影响。因此，研究和探索新的压缩编码算法将是图像处理领域的热点。
参考文献：
刘禾.数字图像处理及应用.北京：中国电力出版社.2006:176 本文链接：http://www.qk112.com/lwfw/jsjlw/jisuanjiyingyong/242450.html