-
matlab图像压缩编码.rar
2019-12-02 11:09:06Matlab实现常用图像压缩编码。包含DM编码、变换编码（FFT和DCT）、算术编码、行程编码、Huffman编码、线性预测编码和一个近似的JPEG编码过程 -
图像压缩编码
2016-07-24 19:36:24常用图像压缩编码码matlab实现。包括：DM编码、变换编码（FFT和DCT）、算术编码、行程编码、Huffman编码、线性预测编码和一个近似的JPEG编码过程。非常适合入门用户实践。 -
图像压缩之算术编码
2019-04-15 10:43:15JPEG中使用了量化、哈夫曼编码等，极大的压缩了图片占用的空间，那么是否可以进一步压缩呢？ 从技术角度讲，是可以的。如DropBox开源的lepton，在目前的JPEG...同样由于专利限制没有广泛使用的还有gif中的压缩编码l...展开全文JPEG中使用了量化、哈夫曼编码等，极大的压缩了图片占用的空间，那么是否可以进一步压缩呢？
从技术角度讲，是可以的。如DropBox开源的lepton，在目前的JPEG压缩基础上，可以再节省22%左右的空间。
lepton中使用算术编码（VP8）替换哈夫曼编码，以得到更高的压缩率。算术编码90年代已经出现，但是受限于专利，没有被广泛使用。同样由于专利限制没有广泛使用的还有gif中的压缩编码lzw。
下面介绍一下，算术编码的基本原理和过程。
算术编码（ Arithmetic coding ）发展历史1948 年，香农就提出将信源符号依其出现的概率降序排序，用符号序列累计概率的二进值作为对信源数据的编码，并从理论上论证了它的优越性。1960 年， Peter Elias 发现无需排序，只要编、解码端使用相同的符号顺序即可，提出了算术编码的概念。 Elias 没有公布他的发现，因为他知道算术编码在数学上虽然成 立，但不可能在实际中实现。1976 年， R. Pasco 和 J. Rissanen 分别用定长的寄存器实现了有限精度的算术编码。1979 年 Rissanen 和 G. G. Langdon 一起将算术编码系统化，并于 1981 年实现了二进制编码。1987 年 Witten 等人发表了一个实用的算术编码程序，即 CACM87 （后用 于 ITU-T 的 H.263 视频压缩标准）。同期， IBM 公司发表了著名的 Q- 编码器（后用于 JPEG 和 JBIG 图像压缩标准）。从此，算术编码迅速得到了广泛的注意。
算术编码介绍算术编码是一种无损数据压缩方法，也是一种熵编码的方法。一般的熵编码方法通常是把输入的消息分割为符号，然后对每个符号进行编码。而算术编码将整个要编码的数据映射到一个位于 [0,1) 的实数区间中。利用这种方法算术编码可以让压缩率无限的接近数据的熵值，从而获得理论上的最高压缩率。
算术编码用到两个基本的参数：符号的概率和它的编码间隔。信源符号的概率决定压缩编码的效率，也决定编码过程中信源符号的间隔，而这些间隔包含在 0 到 1 之间。编码过程中的间隔决定了符号压缩后的输出。
算术编码可以是静态的或者自适应的。在静态算术编码中，信源符号的概率是固定的。在自适应算术编码中，信源符号的概率根据编码时符号出现的频繁程度动态地进行修改，在编码期间估算信源符号概率的过程叫做建模。需要开发动态算术编码的原因是因为事先知道精确的信源概率是很难的，而且是不切实际的。当压缩消息时，我们不能期待一个算术编码器获得最大的效率，所能做的最有效的方法是在编码过程中估算概率。因此动态建模就成为确定编码器压缩效率的关键。
算术编码思想算术编码的基本原理是将编码的消息表示成实数 0 和 1 之间的一个间隔（ Interval ），消息越长，编码表示它的间隔就越小，表示这一间隔所需的二进制位就越多。
算术编码进行编码时，从实数区间 [0,1) 开始，按照符号的频度将当前的区间分割成多个子区间。根据当前输入的符号选择对应的子区间，然后从选择的子区间 中继续进行下一轮的分割。不断的进行这个过程，直到所有符号编码完毕。对于最后选择的一个子区间，输出属于该区间的一个小数。这个小数就是所有数据的编码。
给定事件序列的算术编码步骤如下：（ 1 ）编码器在开始时将 “ 当前间隔 ” [ L ， H) 设置为 [0 ， 1) 。（ 2 ）对每一个输入事件，编码器按下边的步骤（ a ）和（ b ）进行处理（ a ）编码器将 “ 当前间隔 ” 分为子间隔，每一个事件一个。一个子间隔的大小与将出现的事件的概率成正比（ b ）编码器选择与下一个发生事件相对应的子间隔，并使它成为新的 “ 当前间隔 ” 。（ 3 ）最后输出的 “ 当前间隔 ” 的下边界就是该给定事件序列的算术编码。
在算术编码中需要注意几个问题：（ 1 ）由于实际计算机的精度不可能无限长，运算中出现溢出是一个明显的问题，但多数及其都有 16 位， 32 位或者 64 位的精度，因此这个问题可以使用比例缩放方法解决。（ 2 ）算术编码器对整个消息只产生一个码字，这个码字是在间隔 [0,1) 中的一个实数，因此译码器在接受到表示这个实数的所有位之前不能进行译码。（ 3 ）算术编码是一种对错误很敏感的编码方法，如果有一位发生错误就会导致整个消息译错。
算术编码伪代码定义一些变量，设 Low 和 High 分别表示 “ 当前间隔 ” 的下边界和上边界；CodeRange 为编码间隔的长度，即 " 当前间隔 " 的长度；LowRange(symbol) 和 HighRange(symbol) 分别代表为了事件 symbol 的编码间隔下边界和上边界。
如果 symbol 的编码间隔固定不变，则为静态编码；反之，如果 symbol 的编码间隔随输入事件动态变化，则为自适应编码。
算术编码的编码过程可用伪代码描述如下：set Low to 0 set High to 1while there are input symbols dotake a symbolCodeRange = High – LowHigh = Low + CodeRange *HighRange(symbol)Low = Low + CodeRange * LowRange(symbol)end of whileoutput Low
算术编码解码过程用伪代码描述如下：get encoded number dofind symbol whose range straddles the encoded numberoutput the symbolrange = symbo.LowValue – symbol.HighValuesubstracti symbol.LowValue from encoded numberdivide encoded number by rangeuntil no more symbols
静态的算术编码算术编码器的编码解码过程可用例子演示和解释。例 1 ：假设信源符号为 { A ， B ， C ， D} ，这些符号的概率分别为 { 0.1 ， 0.4 ， 0.2 ， 0.3 } ，根据这些概率可把间隔 [0 ， 1] 分成 4 个子间隔： [0 ， 0.1] ， [0.1 ， 0.5] ， [0.5 ， 0.7] ， [0.7 ， 1] ，其中 [x ， y] 表示半开放间隔，即包含 x 不包含 y 。上面的信息如下表。
表 信源符号，概率和初始编码间隔符号ABCD概率0.10.40.20.3初始编码间隔[0， 0.1)[0.1， 0.5)[0.5， 0.7)[0.7， 1]
如果二进制消息序列的输入为： C A D A C D B 。编码时首先输入的符号是 C ，找到它的编码范围是 [0.5 ， 0.7] 。由于消息中第二个符号 A 的编码范围是 [0 ， 0.1] ，因此它的间隔就取 [0.5 ， 0.7] 的第一个十分之一作为新间隔 [0.5 ， 0.52] 。依此类推，编码第 3 个符号 D 时取新间隔为 [0.514 ， 0.52] ，编码第 4 个符号 A 时，取新间隔为 [0.514 ， 0.5146] ， … 。消息的编码输出可以是最后一个间隔中的任意数。整个编码过程如下图所示。
图 算术编码过程举例
取一个 (0.5143876~0.514402) 之间的数： 0.5143876(0.5143876)D ≈ (0.1000001)B ，去掉小数点和前面的 0 ，得 1000001 。所以： cadacdb 的编码 =1000001 ，长度为 7 。
十进制小数转换为二进制参考：点击打开链接
编码和译码的全过程分别表示如下。表 编码过程步骤输入符号编码间隔编码判决1C[0.5， 0.7]符号的间隔范围[0.5， 0.7]2A[0.5， 0.52][0.5， 0.7]间隔的第一个1/103D[0.514， 0.52][0.5， 0.52]间隔的最后一个1/104A[0.514， 0.5146][0.514， 0.52]间隔的第一个1/105C[0.5143， 0.51442][0.514， 0.5146]间隔的第五个1/10开始，二个1/106D[0.514384， 0.51442][0.5143， 0.51442]间隔的最后3个1/107B[0.5143836， 0.514402][0.514384，0.51442]间隔的4个1/10，从第1个1/10开始8从[0.5143876， 0.514402]中选择一个数作为输出：0.5143876表 译码过程步骤间隔译码符号译码判决1[0.5， 0.7]C0.51439在间隔 [0.5， 0.7)2[0.5， 0.52]A0.51439在间隔 [0.5， 0.7)的第1个1/103[0.514， 0.52]D0.51439在间隔[0.5， 0.52)的第7个1/104[0.514， 0.5146]A0.51439在间隔[0.514， 0.52]的第1个1/105[0.5143， 0.51442]C0.51439在间隔[0.514， 0.5146]的第5个1/106[0.514384， 0.51442]D0.51439在间隔[0.5143， 0.51442]的第7个1/107[0.51439， 0.5143948]B0.51439在间隔[0.51439，0.5143948]的第1个1/108译码的消息：C A D A C D B
在上面的例子中，我们假定编码器和译码器都知道消息的长度，因此译码器的译码过程不会无限制地运行下去。实际上在译码器中需要添加一个专门的终止符，当译码器看到终止符时就停止译码。
为什么说算术编码压缩率更高？算术编码可以对一个二进制序列进一步编码，得到比原序列更小的编码结果。
例如，假设二进制序列信源符号为 { 1,0} ，如果消息序列的输入为 1101 。则符号 1 和 0 的概率分别为 : 符号 1 的概率 3/4 ，符号 0 的概率 1/4 。整个编码过程如图所示。
算术编码的结果：下界 =121/256 ，即 0.47265625 或二进制 0.0111 ；上界为 37/64 ，即 0.578125 或二进制 0.10010 。
在该区间范围内任取一个数，例如 0.5 （对应二进制 0.1 ），只取小数点后边的部分，即 1 。这样，原来的 1101 序列就可以用编码 1 来代替。
自适应的算术编码自适应模型中，在编码开始时，各个符号出现的概率相同，都为 1/n 。随着编码的进行再更新出现概率。另外，在计算时理论上要使用无限小数。这里为了说明方便，四舍五入到小数点后 4 位。
举个例子来说明自适应算术编码。假设一份数据由 “A” 、 “B” 、 “C” 三个符号组成。现在要编码数据 “BCCB” ，编码过程如图所示。
（ 1 ）算术编码是从区间 [0,1) 开始。这时三个符号的概率都是 1/3 ，按照这个概率分割区间。（ 2 ）第一个输入的符号是 “B” ，所以我们选择子区间 [0.3333,0.6667) 作为下一个区间。（ 3 ）输入 “B” 后更新概率，根据新的概率对区间 [0.3333,0.6667) 进行分割。（ 4 ）第二个输入的符号是 “C” ，选择子区间 [0.5834,0.6667) 。（ 5 ）以此类推，根据输入的符号继续更新频度、分割 区间、选择子区间，直到符号全部编码完成。
我们最后得到的区间是 [0.6390,0.6501) 。输出属于这个区间的一个小数，例如 0.64 。那么经过算 术编码的压缩，数据 “BCCB” 最后输出的编码就是 0.64 。
自适应模型的解码算术编码进行解码时仅输入一个小数。整个过程相当于编码时的逆运算。解码过程是这样：（ 1 ）解码前首先需要对区间 [0,1) 按照初始时的符号频度进行分割，然后观察输入的小数位于哪个子区间，输出对应的符号。（ 2 ）之后选择对应的子区间，然后从选择的子区间中继续进行下一轮的分割。（ 3 ）不断的进行这个过程，直到所有的符号都解码出来。
在我们的例子中，输入的小数是 0.64 。（ 1 ）初始时三个符号的概率都是 1 / 3 ，按照这个概率分割区间。（ 2 ）根据上图可以发现 0.64 落在子区间 [0.3333,0.6667) 中，于是可以解码出 "B" ，并且选择子区间 [0.3333,0.6667) 作为下一个区间。（ 3 ）输出 “B” 后更新频度，根据新的概率对区间 [0.3333,0.6667) 进行分割。（ 4 ）这时 0.64 落在子 区间 [0.5834,0.6667) 中，于是可以解码出 “C” 。（ 5 ）按照上述过程进行，直到所有的符号都解码出来。可见，只需要一个小数就可以完整还原出原来的所有数据。
自适应模型的整数编码方式上边介绍的编码都是得到一个 [0,1) 内的小数，下面说明整数编码方式，以 8 位编码为例，阐述算术编码和解码过程 .
例如对字符串 "ababcab" 进行编解码，最终得到 8 位编码。确定上下界：由于 8 位的取值范围是 [0,255] ，因此下界为 0 ，上界为 255 。符号概率：编码开始时， a 、 b 、 c 的出现概率都是 1/3 。
编码过程（ 1 ） "ababcab" 第 1 个字符为 a ，初始化时三个字符出现概率相同，因此 a 的编码间隔为 [0,1/3] ，即 LowRange(a) = 0, HighRange(a) = 1/3（ 2 ）更新上下界的值为 [0, 85] ，根据伪代码：CodeRange = High – Low High = Low + CodeRange *HighRange(symbol)Low = Low + CodeRange * LowRange(symbol)计算得到：CodeRange = 255 - 0 = 255 High = 0 + 255 * 1/3 = 85Low = 0 + 255 * 0 = 0
此时各个符号的编码间隔动态调整为： a ： [0, 2/4] ， b ： [2/4, 3/4] ， c ： [3/4, 1]
（ 3 ） "ababcab" 第 2 个字符为 b ，取编码间隔 [2/4, 3/4] ，并更新上下界：CodeRange = 85 - 0 = 85 High = 0 + 85 * 3/4 = 63 （向下取整）Low = 0 + 85 * 2/4 = 43 （向上取整）
（ 4 ）同理可得到 "ababcab" 第 3 、 4 个字符 a 、 b 的编码。（ 5 ）计算 "ababcab" 第 5 个字符 c 的编码，此时 High=49 ， Low=49 。因为是有限整数，每次又是取的上一区间的子区间 ,high 和 low 趋于相等是必然的。
图 8 位编码过程
我们在此使用 High 和 L ow 向左移的方式进行扩大区间极限情况：位移后 Low 的二进制首位为 0 ，其他位为全 1 ； High 的二进制首位为 1 ，其他位为全 0 。如 8 位时： Low=01111111B ， High=10000000B 的情况。出现这种情况时，我们可以规定，保留相同位，并将该区间扩展至原始区间，如 8 位是 [0, 255) ， 32 位是 [0, 0xffffffff) 。
位移时遵循两个原则 :(1) 设 Total 为字符表中的字符数 + 已出现的字符数（即编码间隔的分母），需保证 High-Low>=total ，否则继续位移(2) 保证 [Low, High] 在上一个 [Low, High] 的子区间。 ( 实际上这条已经在取整运算时得到了保证 )
上下界左移 1 位后溢出位用新变量 out 存储，同时，用 bits 保存 out 到底存了几个位。 (0B 表示二进制 0)位移轮数TotalOutBitsHighLow170 B198 (49<<1)94 (47<<1)2700B2196 (98<<1)188 (94<<1)
此时满足两条 " 位移原则 " ，继续编码。
图 位移和继续编码
编码第 6 个字符 a 和第 7 个字符 b ，分别需要位移 3 次和 2 次。表 编码第 6 个字符 a 时位移 3 次位移轮数TotalOutBitsHighLow180 01B31361342800 11B416 (136<<1)12 (134<<1)3800110B53224
表 编码第 7 个字符 b 时位移 2 次位移轮数TotalOutBitsHighLow190 01100B654482900 11000B710896
编码结束时最后的区间是 [102, 105] ，后面已经没有字符，不需要位移了。记下此区间的某一个数即可，这里选 magic=104 。
整个编码过程结束，得到编码结果：out=0011000B ， bits=7 ， magic=104 。
编码全过程如图图 编码全过程
解码过程根据编码结果： out=0011000B ， bits=7 ， magic=104 。（ Total=9 可选）将 magic 转换为 8 位二进制，拼在 out 后，得到 15 位数：X = out<<8 | magic = 0011000 01101000B
（ 1 ）取 X 的高 8 位，令 z = 00110000B = 48;（ 2 ） 48 是 a 所在区间，于是解码得到字符 "a"（ 3 ）更新上下界为 [0, 85] ，更新各符号的编码间隔 a ： [0, 2/4] ， b ： [2/4, 3/4] ， c ： [3/4, 1]（ 4 ）满足位移原则 1 ，不需要位移，继续解码。 48 是 b 所在区间，解码得到字符串 "ab" 。更新上下界和编码间隔；（ 5 ）继续解码得到字符串 ”abab” ，此时上下界为 [47, 49] ，不满足位移原则 1 ，需要位移；（ 6 ）去掉 z 的首位，即左边第一位；取 X 中下一位接到 z 右边，得到 z = 01100001B = 97 。
Total=7 ，上下界 [94, 98] ，不满足原则 1 ，继续位移得到 z = 11000011B = 195 ；
满足原则 1 ，继续解码；（ 7 ） 195 是 c 所在区间，解码得到字符串 "ababc" ；（ 8 ）此时需要位移，位移 3 次，得到 z = 00001101B = 25 ，解码得到字符串 "ababca" ；（ 9 ）此时需要位移，位移 2 次， Total=9 ，上下界 [96, 108) ，满足位移原则 1 。
但是 z = 00110100B = 52 ，不在上下界范围内，于是 z 位移 z = 01101000B = 104 ( 到达 X 末尾 ) ；
解码得到字符串 "ababcab" ；（ 10 ）此时需要位移，位移 1 次，上下界为 [152, 164) ，满足位移原则 1 。
但是 z = 01101000B = 104 ，不在上下界范围内， z 需要位移。此时 X 已经到达末尾， z 不能继续位移，此时编码结束。
（若编码结果中有 Total=9 信息，在上一步就可以结束）
JPEG 中为什么没有使用算术编码因为算术编码的使用存在版权问题。JPEG 标准说明的算术编码的一些变体方案属于 IBM ， AT&T 和 Mitsubishi 拥有的专利。要合法地使用 JPEG 算术编码必须得到这些公司的许可。像 JPEG 这种开源的标准，虽然传播广泛，但是大家都是免费在用，明显没有钱买那么贵的专利。参考
转自：https://blog.csdn.net/shelldon/article/details/54234436
-
基于Matlab的图像压缩编码
2010-03-23 15:56:44JPEG基本系统是一种有损编码，无法完全恢复出原图象，信息有一定的丢失，称为有损压缩。尽管我们希望能够无损压缩，但是通常有损压缩的压缩比(即原图象占的字节数与压缩后图象占的字节数之比，压缩比越大，说明压缩... -
python实现的使用huffman编码对文本的压缩与解压
2017-11-24 09:25:16python版本为2.7.9，大家注意别下错了，里面有一个txt文件是进行压缩的，可以更改文件中的变量path1来对其他文件进行压缩与解压，代码中有详细注释，实现过程虽然简单，但是包含自己很多一些独特的想法，自己的知识... -
图片压缩一：霍夫曼编码压缩算法
2019-03-11 22:12:48我们直接来看示例，如果我们需要来压缩下面的字符串： “beep boop beer!” 首先，我们先计算出每个字符出现的次数，我们得到下面这样一张表 : 然后，我把把这些东西放到Priority Queue中（用出现的次数据当 ...展开全文原址：https://mp.weixin.qq.com/s/PjHuOv8FFHWVn37rKwVTiw
我们直接来看示例，如果我们需要来压缩下面的字符串：“beep boop beer!”首先，我们先计算出每个字符出现的次数，我们得到下面这样一张表 :
然后，我把把这些东西放到Priority Queue中（用出现的次数据当 priority），我们可以看到，Priority Queue 是以Prioirry排序一个数组，如果Priority一样，会使用出现的次序排序：下面是我们得到的Priority Queue：
接下来就是我们的算法——把这个Priority Queue 转成二叉树。我们始终从queue的头取两个元素来构造一个二叉树（第一个元素是左结点，第二个是右结点），并把这两个元素的priority相加，并放回Priority中（再次注意，这里的Priority就是字符出现的次数），然后，我们得到下面的数据图表：
同样，我们再把前两个取出来，形成一个Priority为2+2=4的结点，然后再放回Priority Queue中 :
继续我们的算法（我们可以看到，这是一种自底向上的建树的过程）：
最终我们会得到下面这样一棵二叉树：
此时，我们把这个树的左支编码为0，右支编码为1，这样我们就可以遍历这棵树得到字符的编码，比如：‘b’的编码是 00，’p’的编码是101， ‘r’的编码是1000。我们可以看到出现频率越多的会越在上层，编码也越短，出现频率越少的就越在下层，编码也越长。
最终我们可以得到下面这张编码表：
这里需要注意一点，当我们encode的时候，我们是按“bit”来encode，decode也是通过bit来完成，比如，如果我们有这样的bitset “1011110111″ 那么其解码后就是 “pepe”。所以，我们需要通过这个二叉树建立我们Huffman编码和解码的字典表。
这里需要注意的一点是，我们的Huffman对各个字符的编码是不会冲突的，也就是说，不会存在某一个编码是另一个编码的前缀，不然的话就会大问题了。因为encode后的编码是没有分隔符的。
于是，对于我们的原始字符串 beep boop beer!
其对就能的二进制为 : 0110 0010 0110 0101 0110 0101 0111 0000 0010 0000 0110 0010 0110 1111 0110 1111 0111 0000 0010 0000 0110 0010 0110 0101 0110 0101 0111 0010 0010 0001
我们的Huffman的编码为： 0011 1110 1011 0001 0010 1010 1100 1111 1000 1001
从上面的例子中，我们可以看到被压缩的比例还是很可观的。
-
压缩算法之算术编码
2017-09-14 22:24:04熵编码 香农范诺（Shannon）编码 霍夫曼（Huffman）编码 算术编码（arithmeticcoding)展开全文前几天，我们在课堂上学习数字媒体技术的时候，学习了音频压缩算法。针对音频我们有无损和有损
今天我们来研究一下无损压缩，一般来说，采取的无损压缩算法都是熵编码算法（即在编码过程中按熵原理不丢失任何信息的编码），主要的无损压缩编码有以下几种：
- 香农范诺（Shannon）编码
- 霍夫曼（Huffman）编码
- 算术编码（arithmeticcoding)
以上的三种算法中，前两种我先找机会说（老师在课上给我们讲过原理，没讲过代码实现，但是把第三种作为作业，，，尴尬），今天我们主要目光是聚焦在第三种上，即算术编码的原理及其代码实现
好，那么我们言归正传，来将这个算术编码一探究竟——
一、算术编码的历史
（以下的这一段落copy自csdn）
早在1948年，香农就提出将信源符号依其出现的概率降序排序，用符号序列累计概率的二进值作为对芯源的编码，并从理论上论证了它的优越性。1960年， Peter Elias发现无需排序，只要编、解码端使用相同的符号顺序即可，提出了算术编码的概念。Elias没有公布他的发现，因为他知道算术编码在数学上虽然成 立，但不可能在实际中实现。1976年，R. Pasco和J. Rissanen分别用定长的寄存器实现了有限精度的算术编码。1979年Rissanen和G. G. Langdon一起将算术编码系统化，并于1981年实现了二进制编码。1987年Witten等人发表了一个实用的算术编码程序，即CACM87（后用 于ITU-T的H.263视频压缩标准）。同期，IBM公司发表了著名的Q-编码器（后用于JPEG和JBIG图像压缩标准）。从此，算术编码迅速得到了广泛的注意。
二、算术编码的原理
A、编码
算术编码的基本原理是将编码的消息表示成实数0和1之间的一个间隔（Interval），消息越长，编码表示它的间隔就越小，表示这一间隔所需的二进制位就越多。
（一）步骤
这样说起来可能有点抽象，说的好理解一点实际上就是
- 首先的准备工作——按照各信源信号好出现的频率，将[0, 1)这个区间分成若干段，那么每个信号源就会有自己对应的区间了；
- 将[0, 1)这个区间设置为初始间隔；
- 然后编码过程就是，按照待处理的信号，一个一个信号源读入，每读入一个信号，就将该信号源在[0, 1)上的范围等比例的缩小到最新得到的间隔中。
- 然后依次迭代，不断重复进行步骤3，直到最后信号中的信源信号全部读完为止；
（二）伪代码
该过程编码的伪代码如下：
set lowLevel = 0 set highLevel = 1 input symbol do delta = highLevel - lowLevel lowLevel = lowLevel + delta * symbol[i].lowLevel highLevel = highLevl + delta * symbol[i].highLevel while symbol traversed output lowLevel（三）例题
可能还是会有点抽象，有点不好理解，那么我们看一个实例（实例同样来自csdn），通过实例来对这个算法进行理解：
假设信源信号有{A, B, C, D}四个，他们的概率分别为{0.1， 0.4， 0.2， 0.3}，如果我们要对CADACDB这个信号进行编码，那么应该怎样进行呢？
解：首先，我们做好准备工作，按照信源信号的频率为将[0, 1)分解成为若干区间。那么这一步骤完成之后，我们得到以下的表格：
准备工作完成之后，我们便可以开始进行编码了。
那么我们首先读入信号：C——因为C在最初始的间隔中是[0.5, 0.7)，所以读入C之后我们的编码间隔就变成[0.5, 0.7)了；
紧接着，我们读入的是A，A在初始区间内是占整个区间的前10%，因此对应这个上来也是需要占这个编码间隔的前10%，因此编码区间变为：[0.5, 0.52)了；
再然后是D，因为D占整个区间的70% ~ 100%，所以也是占用这个编码区间的70% ~ 100%，操作后的编码区间为[0.514, 0.52)
……
直到最后将信号量全部读出。
最后，我们将这个操作过程绘制成为一张表：
B、解码
解码的过程其实和编码的过程恰恰相反，解码是给定一个[0, 1)中的浮点数，通过解码操作之后就能完全获得原始的信号串。
（一）步骤
- 待解码的数据，首先我们仍然需要在编码时候的那项准备工作，即获取创建一个编码解码表，但是由于我们是在同一个类中完成的，那么我们把该对应表作为类的一个属性就可以实现获取表了；
- 准备工作完成之后，我们就可以开始正式的解码工作了，首先判断待解码的数据在哪个范围内，将该范围对应的信源信号输出即可；
- 重复步骤2，按理说，按照这样的方法，解码会一直进行下去，无穷不尽，直到达到计算机的精度为止，那么为了正确的进行解码，我们需要对解码的次数进行限定，即我们首先需要事先知道，解码后的信源信号的长度，然后在进行解码，这样才能比较完美的进行解码。
（二）伪代码
解码过程可以由以下的伪代码实现：
input code do find the Interval which contains the code set range = highLevel - lowLevel set code = (code - lowLevel) / range while times out（三）例题
我们以上述的那个题目为例：
假设信源信号有{A, B, C, D}四个，他们的概率分别为{0.1， 0.4， 0.2， 0.3}，当我们得到的编码是0.5143876的时候，问原始的信号串（7位）是怎样的？
解：首先，我们做好准备工作，按照信源信号的频率为将[0, 1)分解成为若干区间。那么这一步骤完成之后，我们得到以下的表格：
准备工作完成之后，我们现在开始解码：
我们发现，待解码的数据0.5143876在[0.5, 0.7)内，因此，我们解出的第一个码值为C
同理，我们继续计算0.5143876处于[0.5, 0.7)的第一个10%内因此解出的第二个码值为A
……
这个过程持续直到执行七次全部执行完为止。
那么以上的过程我们同样可以列表表示：
三、编码实现
那么，我们现在算是理解这个算法了，那么应当怎样通过代码来实现这一算法呢？
我们先将这个算法的类抽象出来：
/** * @author Mica_Dai * @Date Sept 13 2017 */ // 算术编码类 class Arithmeticcoding { public: Arithmeticcoding(){ length = 0; } ~Arithmeticcoding(){} // 获取编码，实际上就是创建对应表 void requirecode(); double encode(string str); string decode(double value); int getLength(); private: // 这个length是字符串的长度 int length; std::map<char, Range> map; };主要的问题有以下几点：
- 按照步骤，我们首先应当输入信源信号以及其对应的频率，相当于建立了一个对应的编码解码库；
- 怎样进行这个算法的操作
对于第一个问题，我采取的是使用C++的关联容器类map来创建这个编码解码库，map翻译成中文就是映射，相当于就是我们创建一个信源信号与对应频率之间的映射，这样我们在获取信源信号的时候就能够直接获取该信源信号对应的概率了。但是考虑到在算法进行的过程中，参与计算的并不是该信源信号的概率，而是该信源信号的区间上下界；因此，我索性创建一个类用于存放区间上下界，从而创建一个从信源信号到区间上下界类的映射。这样在编码过程之中就能相当方便的寻找到对应的上下界，并参与运算了。
对于第二个问题，我们在上面的伪代码中其实已经完成了这一步，在这里我就不再啰嗦了；
好啦，解决了以上的两个问题，废话不多说，我就直接上代码了：
/** * @author Mica_Dai * @Date Sept 13 2017 */ // 区间类，主要的就是用来存放上下界 class Range { public: Range(){ low = 0.0; high = 1.0; deltaLevel = 1.0; } ~Range(){} double getLow(){ return this -> low; } double getHigh(){ return this -> high; } void setLow(double low){ this -> low = low; } void setHigh(double high){ this -> high = high; } void setDelta(double delta){ this -> deltaLevel = delta; } private: double low; double high; double deltaLevel; };再来看看我们首先创建编码解码表，需要输入，因此我们直接通过一个类方法为类属性map赋值：
/** * @author Mica_Dai * @Date Sept 13 2017 */ void Arithmeticcoding::requirecode(){ char ch; double lowLevel = 0.0; double highLevel = 0.0; double probability; while(1){ // cout << "youyouyio" << ch << endl; // cin >> lowLevel >> highLevel; cin >> ch; if (ch == '#'){ break; }else{ cin >> probability; // cin >> lowLevel; // cin >> highLevel; lowLevel = highLevel; highLevel = lowLevel + probability; Range range; range.setLow(lowLevel); range.setHigh(highLevel); range.setDelta(probability); map.insert(std::pair<char, Range>(ch, range)); } } }以下是编码函数的实现：
/** * @author Mica_Dai * @Date Sept 13 2017 */ double Arithmeticcoding::encode(string str){ /* encode code */ double lowRange = 0.0, highRange = 1.0; for (auto i = str.begin(); i != str.end(); ++ i){ // 使用map来通过字符完成概率的查找 // map[*i]表示的就是对应的字符的出现概率 double delta = highRange - lowRange; highRange = lowRange + delta * map[*i].getHigh(); lowRange = lowRange + delta * map[*i].getLow(); ++ length; } return lowRange; }以下是解码过程：
/** * @author Mica_Dai * @Date Sept 13 2017 */ string Arithmeticcoding::decode(double value){ double lowInterval; double highInterval; string symbol = ""; // 译出第一个编码 for (auto i = map.begin(); i != map.end(); ++ i){ if ((i -> second).getLow() < value && (i -> second).getHigh() > value){ lowInterval = (i -> second).getLow(); highInterval = (i -> second).getHigh(); symbol += (i -> first); break; } } for (int i = 0; i < length - 1; ++i){ /* decode code */ double deltaInterval; deltaInterval = highInterval - lowInterval; value -= lowInterval; value /= deltaInterval; for (auto i = map.begin(); i != map.end(); ++ i){ if ((i -> second).getLow() < value && (i -> second).getHigh() > value){ lowInterval = (i -> second).getLow(); highInterval = (i -> second).getHigh(); symbol += (i -> first); break; } } } return symbol; }最后贴一下运行过程：
C:\Users\50口口\Desktop>arithmeticcoding.exe A 0.1 B 0.4 C 0.2 D 0.3 # CADACDB 0.514388 CADACDB以上。
-
基于MATLAB的图像压缩程序(包含各种压缩编码与解码方法)
2014-05-18 14:42:21基于MATLAB的图像压缩程序(包含各种压缩编码与解码方法)，算法包含详细代码，是图像编码技术的总结 -
哈夫曼编码的一个实际应用（压缩与解压）
2017-07-12 17:06:26在课堂上，我们学习了哈夫曼编码的原理和实现方法，上实验课时也动手实现过，后来我们又追加介绍了哈夫曼编码的实际压缩和解压缩的实现方法，并且在课堂上也演示了，但当时我们却忽略了一个环节，那就是实际文件存储...展开全文在课堂上，我们学习了哈夫曼编码的原理和实现方法，上实验课时也动手实现过，后来我们又追加介绍了哈夫曼编码的实际压缩和解压缩的实现方法，并且在课堂上也演示了，但当时我们却忽略了一个环节，那就是实际文件存储时，二进制是比特位，而存储的单位一般是字节，显示时又是按照十六进制的。现在给你一个由字典里的字符组成的原文，用哈夫曼方法把该原文压缩成十六进制码。
Input
本问题有多组测试数据，第一行就是测试数据的组数nCase，对于每组测试数据，一共有四个部分，第一部分是一个字典（请注意，字典里可能含有空格！），原文本里面出现的任何字符一定在这个字典里面，并且已经按照使用频度从大到小顺序排列。第二部分是字典里相对应字符的使用频度。第三部分是原文的行数n。第四部分是n行原文。
Output
输出一共n行，每行就是原文对应的十六进制压缩码。
特别说明：
1：由于哈夫曼编码可能不一定唯一，因此我们规定在构建哈夫曼树时，左子树编码为0，右子树编码为1，左子树代表的频度数据小于右子树代表的频度数据，如果两个频度数据相同，则以生成早的为左子树，如果在字典里出现相同频度的字符，则原排在前的为左子树。这样规定目的是确保哈夫曼编码唯一。
2：如果在压缩过程中，用哈夫曼方法压缩后二进制码的长度不是8的倍数，在码的最后添数字‘0’使其长度成为8的倍数（注意最多添7个‘0’）。
Sample Input
1 AORST 60 22 16 13 6 4 3 AO ASAO RST ATOAATS OSAATRR RRASTO STROAR SSRTOAAA
Sample Output
7C F3F2CC3C6FE24D3FC5AB7CC6 98BBD266C6FF80
下面是实现压缩的代码：#include<iostream> #include<cstdio> #include<cstring> #include<string> #include<vector> #include<queue> #include<map> #include<algorithm> using namespace std; struct TREE{ int l,r; int now,w; string str; TREE(){}; TREE(int now,int w,string str) { this->now=now; this->w=w; this->str=str; this->l=this->r=-1; } TREE(int now,int w,string str,int l,int r) { this->now=now; this->w=w; this->str=str; this->l=l; this->r=r; } friend bool operator<(TREE a,TREE b) { if(a.w!=b.w) return a.w>b.w; else return a.now>b.now; } }; int n,x,head; string key,trans; vector<TREE> tree; priority_queue<TREE> q; vector<bool> binary; char hexa[20]="0123456789ABCDEF"; void buildTree() { while(q.size()>1) { TREE tmp1=q.top(); q.pop(); TREE tmp2=q.top(); q.pop(); tree.push_back(TREE(tree.size(),tmp1.w+tmp2.w,tmp1.str+tmp2.str,tmp1.now,tmp2.now)); q.push(tree[tree.size()-1]); } head=q.top().now; q.pop(); } void toBinary(int t,string s) { if(s==tree[t].str) return; int lc=tree[t].l; int rc=tree[t].r; if(lc==-1||rc==-1) return; string tmp=tree[lc].str; if(tmp.find(s,0)!=string::npos) { binary.push_back(0); toBinary(lc,s); } else { binary.push_back(1); toBinary(rc,s); } } int main() { ios::sync_with_stdio(false); cin.tie(0); int T; cin>>T; cin.get(); while(T--) { getline(cin,key); for(int i=0;i<key.length();i++) { cin>>x; tree.push_back(TREE(i,x,key.substr(i,1))); q.push(tree[i]); } buildTree(); cin>>n; cin.get(); while(n--) { getline(cin,trans); for(int i=0;i<trans.length();i++) toBinary(head,trans.substr(i,1)); while(binary.size()%8) binary.push_back(0); for(int i=0;i<binary.size();i+=4) { int tmp=0,k=1; for(int j=3;j>=0;j--,k*=2) if(binary[i+j]) tmp+=k; cout<<hexa[tmp]; } cout<<endl; binary.clear(); } tree.clear(); } }在课堂上，我们学习了哈夫曼编码的原理和实现方法，上实验课时也动手实现过，后来我们又追加介绍了哈夫曼编码的实际压缩和解压缩的实现方法，并且在课堂上也演示了，但当时我们却忽略了一个环节，那就是实际文件存储时，二进制是比特位，而存储的单位一般是字节，显示时又是按照十六进制的。现在给你一个已经用哈夫曼方法压缩过的十六进制文件，请你解压以便还原成原文。
Input
本问题有多组测试数据，第一行就是测试数据的组数nCase，对于每组测试数据，一共有四个部分，第一部分是一个字典（请注意，字典里可能含有空格！），原文本里面出现的任何字符一定在这个字典里面，并且已经按照使用频度从大到小顺序排列。第二部分是字典里相对应字符的使用频度。第三部分是待解压的行数n。第四部分是n行经过哈夫曼压缩的十六进制数组成的字符串。
Output
输出一共n行，每行就是对应输入的原文（请注意，输出的原文里可能含有空格！）。
Sample Input
1 AORST 60 22 16 13 6 4 5 7C F3F2CC3C6FE24D3FC5AB7CC6 98BBD266C6FF81 FE6517F5B6663AF98FE2226676FA80 F317262FCFE662FC99D7D
Sample Output
AO ASAO RST ATOAATS OSAATRR RRASTO STROAR SSRTOAAA ||Error ! AASS TRAA RRRSSTA RASTAATTTSSSOOAOR ASTRO STRAO AASSTRAO SSORAR
Hint
1：由于哈夫曼编码可能不一定唯一，因此我们规定在构建哈夫曼树时，左子树编码为0，右子树编码为1，左子树代表的频度数据小于右子树代表的频度数据，如果两个频度数据相同，则以生成早的为左子树，如果在字典里出现相同频度的字符，则原排在前的为左子树。这样规定目的是确保哈夫曼编码唯一。
2：如果在解压缩过程中，找不到对应的原文，那么在遇到错误后加上字符串“||Error !”，并停止对压缩串的解压。
下面是解压的代码：#include<iostream> #include<cstdio> #include<cstring> #include<string> #include<vector> #include<queue> #include<map> #include<algorithm> using namespace std; struct TREE{ int l,r; int now,w; string str; TREE(){}; TREE(int now,int w,string str) { this->now=now; this->w=w; this->str=str; this->l=this->r=-1; } TREE(int now,int w,string str,int l,int r) { this->now=now; this->w=w; this->str=str; this->l=l; this->r=r; } friend bool operator<(TREE a,TREE b) { if(a.w!=b.w) return a.w>b.w; else return a.now>b.now; } }; int n,x,head; string key,trans; vector<TREE> tree; priority_queue<TREE> q; queue<bool> binary; map<char,int> hexa; void buildTree() { while(q.size()>1) { TREE tmp1=q.top(); q.pop(); TREE tmp2=q.top(); q.pop(); tree.push_back(TREE(tree.size(),tmp1.w+tmp2.w,tmp1.str+tmp2.str,tmp1.now,tmp2.now)); q.push(tree[tree.size()-1]); } head=q.top().now; q.pop(); } void toOrigin(int t) { int lc=tree[t].l; int rc=tree[t].r; if(lc==-1||rc==-1) { cout<<tree[t].str; return; } if(binary.empty()) { cout<<"||Error !"; return; } if(!binary.front()) { binary.pop(); toOrigin(lc); } else { binary.pop(); toOrigin(rc); } } void init() { for(int i=0;i<10;i++) hexa['0'+i]=i; for(int i=0;i<6;i++) hexa['A'+i]=10+i; } int main() { ios::sync_with_stdio(false); cin.tie(0); int T; init(); cin>>T; cin.get(); while(T--) { getline(cin,key); for(int i=0;i<key.length();i++) { cin>>x; tree.push_back(TREE(i,x,key.substr(i,1))); q.push(tree[i]); } buildTree(); cin>>n; cin.get(); while(n--) { getline(cin,trans); for(int i=0;i<trans.size();i++) { int tmp=hexa[trans[i]]; int k=8; for(int j=0;j<4;j++) { binary.push(tmp/k); tmp%=k; k>>=1; } } while(!binary.empty()) { toOrigin(head); } cout<<endl; } tree.clear(); } }
-
视频压缩编码基本原理
2018-09-26 16:26:31数字化的视频信号能进行压缩的主要依据两个基本条件： 数据冗余：空间冗余、时间冗余、结构冗余、信息熵冗余等，图像的各个像素之间存在着很强的相关性，消除这些冗余不会导致信息损失，属于无损压缩。 视觉冗余：... -
视频压缩编码和音频压缩编码的基本原理
2019-10-02 02:37:10本文介绍一下视频压缩编码和音频压缩编码的基本原理。其实有关视频和音频编码的原理的资料非常的多，但是自己一直也没有去归纳和总结一下，在这里简单总结一下，以作备忘。 1.视频编码基本原理 （1） 视频信号的... -
Huffman编码实现压缩解压缩
2016-04-04 23:22:05Huffman( 哈夫曼 ) 算法在上世纪五十年代初提出来了，它是一种无损压缩方法，在压缩过程中不会丢失信息熵，而且可以证明 Huffman 算法在无损压缩算法中是最优的。 Huffman 原理简单，实现起来也不困难，在现在的... -
图像处理 有损压缩-变换编码
2020-06-12 11:41:06变换编码是对诸如音频信号或摄影图像之类的“自然”数据进行数据压缩的一种类型。 转换通常本身是无损的（完全可逆的），但可用于实现更好的（更有针对性的）量化，从而导致原始输入的质量降低（无损压缩）。 压缩... -
JPEG压缩编码算法原理
2017-11-16 15:33:12本文介绍JPEG压缩技术的原理，对于DCT变换、Zig-Zag扫描和Huffman编码，给出一个较为清晰的框架。 1. JPEG压缩的编解码互逆过程： 编码 解码 2. 具体过程 -
算术编码压缩算法
2018-04-08 21:51:05和其它熵编码方法不同的地方在于，其他的熵编码方法通常是把输入的消息分割为符号，然后对每个符号进行编码，而算术编码是直接把整个输入的消息编码为一个数，一个满足(0.0 ≤ n < 1.0)的小数n。 工作原理：... -
基于哈夫曼编码的图像压缩技术研究
2010-11-17 15:32:26摘 要：哈夫曼编码是一种数据编码方式，以哈夫曼树——...夫曼编码图像压缩技术的原理、算法、过程，并利用VB6.0作为编程开发工具，开发了一个对256色BMP图像进行压缩/解压缩的软件系统， 验证了算法的合理性和可行性。 -
压缩算法之字典编码（上）
2017-09-23 10:50:12算法 信息论 字典压缩 LZ77 -
基于哈夫曼编码对文件进行压缩和解压缩（详细讲解）
2021-04-08 10:02:43基于哈夫曼编码对文件进行...任何文件在计算中都是以字节为最小单位进行存储的，所以可以把任何文件看作是利用8位（一个字节）作为等长编码编码方式，编码而成的文件。往往这种编码方式并不是最优的编码方式。 例如：对 -
数据压缩编码方法
2016-12-18 12:08:20经典的数据压缩算法 三大类：预测编码、变换编码、统计编码 常用的解除相关性的措施是预测和变换，其实质都是进行...若有一个离散信号序列，序列中各离散信号之间有一定的关联性，则利用这个序列中若干个信号作为依据 -
基于哈夫曼编码的文件编解码系统的程序设计.zip
2020-05-09 10:59:06压缩过程就是编码过程，解压缩过程就是解码过程。压缩技术分为无损压缩和有损压缩两大类，前者在解码时可以精确地恢复原图像，没有任何损失；后者在解码时只能近似原图像，不能无失真地恢复原图像。 -
语音编码之压缩
2020-05-29 21:24:05LPC（Linear predictive coding）在音频和语音处理领域常用于表示压缩信号的谱包络，这是最强大的语音分析技术之一，也是低比特率高品质语音编码常用到的方法之一。LPC基于人的发声生物物理机理的发音过程建模模型。... -
哈弗曼编码实现文件压缩和解压缩
2016-06-05 17:29:24原理哈弗曼编码的本质是将...2. 将权值最小的两个节点作为左右叶子节点组成一个新的哈弗曼节点来替代原哈弗曼节点集合中的这两个节点 3. 重复步骤2直至只剩一个哈弗曼节点，则该节点为哈夫曼树 而每个节点的哈弗曼编 -
JPEG图像压缩优化-算术编码
2019-03-01 15:03:56开场白 JPEG使用了量化、Huffman编码等，极大地压缩了图片的大小。DropBox开源的lepton，在JPEG基础上，可以再节省...lepton中使用算术编码（VP8）替换Huffman编码，以得到更高的压缩率。 算术编码（Arithmetic Codi... -
图像压缩编码原理
2018-01-10 17:23:12为什么要进行图像压缩编码？ 1) 在数字分量编码中，按照4：2：2格式对电视信号进行取样、量化、编码后，数据率达27MW/S。 2) 在数字高清晰度电视格式中，取样、量化、编码后的数据率会更大。 3) 电视信号... -
[实验]无失真信源压缩编码
2018-03-19 20:09:04实验一 无失真信源压缩编码此文系后续整理，懒得copy，对应的方法可以根据需要可以直接下载代码，附件：... -
文件压缩与解压缩（哈夫曼编码压缩方式）
2016-04-19 13:11:57首先介绍项目的整体思路：哈夫曼编码压缩文件实际就是统计出文件中各个字符出现的频率，然后为每个字符生成对应的编码，然后将每个字符用哈夫曼编码的形式按字节保存在压缩文件中。而文件的解压缩实际上就是将压缩... -
基于DCT的JPEG图像压缩编码过程及举例
2015-11-10 20:58:37本博客主要是自己看的，看了下面这些文章后就会很容易理解JPEG压缩编码的过程。 书籍： 多媒体技术基础（第二版）林福宗————5.6 JPEG压缩编码 论文： 基于DCT的JPEG图像压缩的研究_马媛媛.pdf基于... -
块截断编码图像压缩技术
2020-10-04 03:20:19论文先介绍了当前流行的图像压缩技术，重点介绍块截断编码技术，先从理论上介绍块截断编码原理，块截断编码是一种有效、快速的数字图像压缩技术，作为一种经典的图像压缩编码，块截断编码技术的实时性很强。... -
基于C语言实现的文件压缩算法-哈夫曼编码
2021-03-06 15:49:17哈夫曼编码学习笔记。
收藏数
164,129
精华内容
65,651