标签:大小 nand top ring 比较 程序 pre 数据 offset
关键词:5-5-5,5-6-5,游长编码优化,图像压缩、解压
有损量化这里介绍从8-8-8到5-5-5和5-6-5的量化压缩原理及其编程实现。无损压缩这里我基于游长编码算法(利用像素的重复)提出一种简单改进算法,即在图像的各通道上进行游长编码,利用各通道像素值得重复性分别进行压缩,一定程度上提高了压缩性,因为两个相邻像素虽然不同,但他们的某个通道可能会相同。
Giuthub源码:https://github.com/jiangxh1992/QuantisationAndCompression
English Version:http://jiangxh.top/articles/2016-10/compressionEN
压缩对象使图像的RGB通道值,每个值都是0~255之间的数字,分别使用8位保存,因此原始图像每个像素要使用3*8=24位,即‘8-8-8’。这里要将其量化压缩,使用16位来保存24位的信息,因此要损失部分精度,压缩率固定为1.50。
5-5-5指的是只使用低15位,剩下的一位弃用,这样每个通道一致的都压缩为5位;
5-6-5则是充分使用了16位,其中G通道占6位,另外两通道各占5位。
算法原理很简单:
压缩时5-5-5是将每个通道的二进制值都右移3位(除以8),保留剩下的5位,然后依次放入16位数的低15位;解压时分别将各通道的5位二进制数取出并左移3位,低位补0还原成8位,因此低三位的数据丢失掉了。
5-6-6和5-5-5同理,只是G通道的二进制数右移2两位(除以4),将剩下的6位和其他两通道的10位一同放入16位二进制数中。解压时同样是低位补0还原为8位。
算法代码:
程序背景说明:width
和height
指的是导入的图片的尺寸(像素个数),Input
是保存三个通道的像素值的数组,这里windows工程存储的三通道顺序为B,G,R,不是R,G,B。
5-5-5:
unsigned char *CAppQuantize::Quantize555(int &qDataSize) {
int i, j ;
unsigned int r, g, b ;
unsigned short rgb16 ;
qDataSize = width * height * 2 ;
unsigned char *quantizedImageData = new unsigned char[width * height * 2] ;
for(j = 0; j < height; j++) {
for(i = 0; i < width; i++) {
b = pInput[(i + j * width) * 3 + 0] ; // Blue Color Component
g = pInput[(i + j * width) * 3 + 1] ; // Red Color Component
r = pInput[(i + j * width) * 3 + 2] ; // Green COlor Component
rgb16 = ((r >> 3) << 10) | ((g >> 3) << 5) | (b >> 3) ;
quantizedImageData[(i + j * width) * 2 + 0] = rgb16 & 0xFF ;
quantizedImageData[(i + j * width) * 2 + 1] = (rgb16 >> 8) & 0xFF ;
}
}
return quantizedImageData ;
}
void CAppQuantize::Dequantize555(unsigned char *quantizedImageData, unsigned char *unquantizedImageData) {
int i, j ;
unsigned int r, g, b ;
unsigned short rgb16 ;
for(j = 0; j < height; j++) {
for(i = 0; i < width; i++) {
rgb16 = quantizedImageData[(i + j * width) * 2 + 0] | (((unsigned short) quantizedImageData[(i + j * width) * 2 + 1]) << 8) ;
b = rgb16 & 0x1F;
g = (rgb16 >> 5) & 0x1F ;
r = (rgb16 >> 10) & 0x1F ;
unquantizedImageData[(i + j * width) * 3 + 0] = (b << 3) ;
unquantizedImageData[(i + j * width) * 3 + 1] = (g << 3) ;
unquantizedImageData[(i + j * width) * 3 + 2] = (r << 3) ;
}
}
}
5-6-5:
unsigned char *CAppQuantize::Quantize565(int &qDataSize) {
int i, j;
unsigned int r, g, b;
unsigned short rgb16;
qDataSize = width * height * 2 ;
unsigned char *quantizedImageData = new unsigned char[width * height * 2] ;
for (j = 0; j < height; j++) {
for (i = 0; i < width; i++) {
b = pInput[(i + j * width) * 3 + 0]; // Blue Color Component
g = pInput[(i + j * width) * 3 + 1]; // Green Color Component
r = pInput[(i + j * width) * 3 + 2]; // Red Color Component
rgb16 = ((r >> 3) << 11) | ((g >> 2) << 5) | (b >> 3); // r分量和b分量右移3位,g分量右移2位
quantizedImageData[(i + j * width) * 2 + 0] = rgb16 & 0xFF; // 高8位
quantizedImageData[(i + j * width) * 2 + 1] = (rgb16 >> 8) & 0xFF;// 低8位
}
}
return quantizedImageData ;
}
void CAppQuantize::Dequantize565(unsigned char *quantizedImageData, unsigned char *unquantizedImageData) {
int i, j;
unsigned int r, g, b;
unsigned short rgb16;
for (j = 0; j < height; j++) {
for (i = 0; i < width; i++) {
rgb16 = quantizedImageData[(i + j * width) * 2 + 0] | (((unsigned short)quantizedImageData[(i + j * width) * 2 + 1]) << 8);
b = rgb16 & 0x1F; // 保留高5位
g = (rgb16 >> 5) & 0x3F;// 右移5位后保留高6位
r = (rgb16 >> 11) & 0x1F;// 右移11位后保留高5位
unquantizedImageData[(i + j * width) * 3 + 0] = (b << 3); // 左移3位,高位补0
unquantizedImageData[(i + j * width) * 3 + 1] = (g << 2); // 左移2位,高位补0
unquantizedImageData[(i + j * width) * 3 + 2] = (r << 3); // 左移3位,高位补0
}
}
}
压缩过程:
压缩后的数据形式是:两个无符号8位二进制数为一组,第一个存储重复的个数,第二个存储通道值。
分B,G,R三个通道依次进行,对于每个通道从第一个值开始,计算后面相同的值的个数,碰到新的不同值或者重复个数超出了8位数的表示上限,则将之前的重复值和通道值保存到一组压缩后的数据中,并开始下一组同样的计算压缩,直到所有数据全部压缩完。
解压过程:
解压也是分三个通道依次解压,由于三个通道的压缩数据都放在了同一个数组,因此先要找到G通道和R通道的开始位置offset_g和offset_r,寻找方法是循环同时累加计算前面通道各像素的重复个数,每当重复个数达到图片像素个数,下一个即时另一个通道的开始了。之后开始解压,每次从各通道取一个值组成一个像素,直到各通道同时取完,解压后的数据就是压缩前的原数据了,实现了图像的无损压缩。
算法代码:
无损压缩:
unsigned char *CAppCompress::Compress(int &cDataSize) {
unsigned char *compressedData ;
cDataSize = width * height * 3 ;
// 存储压缩后的数据,最差的情况尺寸也不会到大于cDataSize * 2
compressedData = new unsigned char[cDataSize * 2];
// 实际压缩字符长度
int compressedSize = 0;
// 采用分通道游离的方法,按照每个通道相邻像素的重复性进行压缩
// 1.b通道
unsigned short curB = pInput[0];// 第一个像素的b
unsigned short repeat = 1;// 重复次数
for (int i = 1; i < cDataSize / 3; i++)
{
unsigned short nextB = pInput[i * 3 + 0];// 下一个像素的b
if (nextB == curB && repeat < 127)
{
++repeat;
// 如果是最后一个则存储
if (i == cDataSize / 3 - 1)
{
// 存储最后一个b值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curB;
// 增加编码数据长度
compressedSize += 2;
}
}
else
{
// 存储上一个b值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curB;
// 增加编码数据长度
compressedSize += 2;
// 换下一种b值
curB = nextB;
repeat = 1;
// 如果是最后一个
if (i == cDataSize / 3 - 1)
{
// 存储最后一个b值
compressedData[compressedSize] = 1;
compressedData[compressedSize + 1] = curB;
// 增加编码数据长度
compressedSize += 2;
}
}
}
// 2.g通道
unsigned short curG = pInput[1];// 第一个像素的g
repeat = 1;// 重复次数
for (int i = 1; i < cDataSize / 3; i++)
{
unsigned short nextG = pInput[i * 3 + 1];// 下一个像素的g
if (nextG == curG && repeat <= 127)
{
++repeat;
// 如果是最后一个则存储
if (i == cDataSize / 3 - 1)
{
// 存储最后一个g值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curG;
// 增加编码数据长度
compressedSize += 2;
}
}
else
{
// 存储上一个g值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curG;
// 增加编码数据长度
compressedSize += 2;
// 换下一种g值
curG = nextG;
repeat = 1;
// 如果是最后一个
if (i == cDataSize / 3 - 1)
{
// 存储最后一个g值
compressedData[compressedSize] = 1;
compressedData[compressedSize + 1] = curB;
// 增加编码数据长度
compressedSize += 2;
}
}
}
// 3.r通道
unsigned short curR = pInput[2];// 第一个像素的r
repeat = 1;// 重复次数
for (int i = 1; i < cDataSize / 3; i++)
{
unsigned short nextR = pInput[i * 3 + 2];// 下一个像素的r
if (nextR == curR && repeat <= 127)
{
++repeat;
// 如果是最后一个则存储
if (i == cDataSize / 3 - 1)
{
// 存储最后一个g值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curR;
// 增加编码数据长度
compressedSize += 2;
}
}
else
{
// 存储上一个g值组
compressedData[compressedSize] = repeat;
compressedData[compressedSize + 1] = curR;
// 增加编码数据长度
compressedSize += 2;
// 换下一种r值
curR = nextR;
repeat = 1;
// 如果是最后一个
if (i == cDataSize / 3 - 1)
{
// 存储最后一个r值
compressedData[compressedSize] = 1;
compressedData[compressedSize + 1] = curR;
// 增加编码数据长度
compressedSize += 2;
}
}
}
// 取出压缩后的纯数据
cDataSize = compressedSize;
unsigned char *finalData = new unsigned char[cDataSize];
for (int i = 0; i < cDataSize; i++)
{
unsigned char temp = compressedData[i];
finalData[i] = temp;
}
delete compressedData;
compressedData = finalData;
return compressedData;
}
无损解压缩:
void CAppCompress::Decompress(unsigned char *compressedData, int cDataSize, unsigned char *uncompressedData) {
// 寻找g通道和r通道在压缩数据数组中的偏移坐标
int offset_r = 0, offset_g = 0;
int pixelCount = 0;
for (int i = 0; i < cDataSize;)
{
int curRpeat = compressedData[i];
pixelCount += curRpeat;
i += 2;
if (pixelCount == width*height)
{
offset_g = i;// g通道的开始坐标
}
if (pixelCount == width*height * 2)
{
offset_r = i;// r通道的开始坐标
}
}
unsigned int b, g, r;
int repeat;
// 1.还原b通道
for (int i = 0, j = 0; i < width*height, j < offset_g; j += 2)
{
// 恢复一组重复的b值
repeat = compressedData[j];
for (int p = 0; p < repeat; p++)
{
int d = compressedData[j + 1];
uncompressedData[i * 3 + p*3 + 0] = compressedData[j + 1];
}
i += repeat;
}
// 2.还原g通道
for (int i = 0, j = offset_g; i < width*height, j < offset_r; j += 2)
{
repeat = compressedData[j];
for (int p = 0; p < repeat; p++)
{
int d = compressedData[j + 1];
uncompressedData[i * 3 + p * 3 + 1] = compressedData[j + 1];
}
i += repeat;
}
// 3.还原r通道
for (int i = 0, j = offset_r; i < width*height, j < cDataSize; j += 2)
{
repeat = compressedData[j];
for (int p = 0; p < repeat; p++)
{
int d = compressedData[j + 1];
uncompressedData[i * 3 + p * 3 + 2] = compressedData[j + 1];
}
i += repeat;
}
}
效果分析:
最好情况: 算法基于通道像素重复,最好的情况自然是纯色推图像。算法对于颜色比较单调的图像压缩效果较好;
最差情况: 最差情况是三个通道相邻的两个像素的值都不同,这时候压缩后的数据刚好是原数据的两倍大小,每一个像素各通道值都额外用了一个8位存储重复个数,且重复个数都是1。
压缩到六十四分之一:
压缩到三分之一:
压缩失败:
直接使用该算法对图像压缩,面对色彩变化丰富的图像总是压缩失败的,但如果先对图像进行有损量化,再对量化后的图像进行无损压缩往往可以取得不错的效果。量化实际上是为无损压缩提高了容错性,本来两个通道值相差可能很小,如果能包容这微小的差异那么将大大提高压缩率。下图中打印的三个压缩率依次是:直接压缩的压缩率、有损量化的压缩率、对量化后的图像再进行无损压缩的压缩率。
标签:大小 nand top ring 比较 程序 pre 数据 offset
原文地址:http://blog.csdn.net/cordova/article/details/53206067