基于小波变换的图像压缩算法改进研究

摘要：本文首先分析了基于小波变换图像压缩原理、流程和方法，然后针对传统的嵌入式小波零树压缩编码算法的不足，提出了改进方案。改进方案包括使用正交小波基Z97替代小波变换，使用排除法减少对重要系数的扫描次数，使用多种扫描顺序替换单一的“Z”字型扫描等。仿真实验结果表明，改进的方案提高了图像压缩效率，改善了重构图像的质量。

引言

　　作为信息的重要载体，数字图像因具有直观、明确、高效、丰富等优点一直受到人们的欢迎。但是，随着多媒体和网络技术的快速发展和深入应用，海量的图像信息与有限的存储容量、有限的处理能力以及有限的网络带宽之间的矛盾日益突出。因此，图像压缩是必不可少的，同时，也已经成为了研究热点。研究主要集中在两个方向，一是通过减少各类冗余信息以实现图像压缩;二是根据图像数据分布情况及其出现频率，确定合适的编码方式，减少每个数据所占的比特数，从而实现图像压缩。作为第二代图像压缩编码方式，小波变换具有时频局部化、多尺度、多分辨率、能量聚集等优势，因而广泛应用于图像压缩领域。本文在分析传统的嵌入式小波零树压缩编码的基础上，分别针对小波变换阶段、零树构造阶段和扫描阶段提出了改进方案。仿真实验结果表明，改进的方案提高了图像压缩效率，改善了重构图像的质量。

1 小波变换

1.1 小波变换的产生及原理

　　尽管傅里叶(Fourier)变换可以确切地告诉人们某个信号是否包含特定的频率分量，但它无法说明该频率分量发生在哪个时间段。因此，它仅适用于处理平稳信号，而不适用于处理非平稳信号。如果将非平稳信号的某些局部区间看作平稳的，这个局部区间仍可以采用傅里叶变换，即短时傅里叶变换(SIFT)。SIFT包括了频率分辨率和时间分辨率，一定程度上克服了Fourier的缺陷，但是，SIFT提高时间分辨率要以牺牲频率分辨率为代价，反之亦然。SIFT的另一缺陷是无论如何离散化其变换核，都无法得到一组正交基，使其实用性大大降低。

　　小波变换弥补了SIFT的不足，它将原始信号通过伸缩和平移之后，分解成一系列具有不同空间分辨率、不同频率特性和不同方向特性的子带信号，这些具有良好时频特性的子带信号可以用来表示原始信号的局部特征，从而实现了对原始信号进行时间和频率上的局部化分析。因此，小波变换被广泛应用于图像分析、语音编码和模式识别等领域。

1.2 小波变换的定义

　　定义1：小波变换

　　假设函数，并且是紧支撑的，即，通过伸缩、平移母小波函数可得到分析小波：

(1)

　　其中，a和b分别是尺度参数和平移参数。可以通过改变a和b的值，实现调整分析小波的时频窗中心和时频窗长度的目标。实质上，小波变换是一种窗口形状可变，但面积不变的时频局部化分析工具。

　　定义2：连续小波变换

　　对于信号，其连续小波变换为：

(2)

　　其逆变换为：

(3)

　　其中，为小波系数(wf)(a,b)，其值越大，信号与小波越相似。

　　定义3：离散小波变换

　　为了减少冗余信息，降低计算量，将尺度参数a和平移参数b离散化，令a=a₀^-m，b=nb₀a₀^-m，a₀和b₀分别是固定的伸缩步长和平移步长，离散小波变换为：

(4)

2 基于小波变换的图像压缩

2.1 基于小波变换的图像压缩基本流程

　　小波图像压缩基本流程包括编码和解码两个阶段。编码阶段分为三步：首先，对图像进行小波变换，然后，对小波系数进行量化，最后，进行图像编码，生成压缩图像。解码阶段则包括相应的图像解码、小波系数反量化和小波逆变换，最后生成重构图像。基于小波变换的图像压缩流程如图1所示。

2.2 基于小波变换的图像压缩编码

　　基于小波变换的图像压缩能够实现较高的压缩比和比较理想的图像恢复质量，因此它成功地替代DCT成为了JPEG2000、MPEG-4和MPEG-7的编码标准。目前常用的小波图像编码分别是嵌入式小波零树图像编码(EZW)、分层小波树集合分割算法(SPIHT)和优化截断点的嵌入块编码算法(EBCOT)。EZW利用相同方向、不同分辨率子带图像间的相似性，定义POS、NEG、IZ和ZTR四种符号进行空间小波树递归编码，把不重要的小波系数组成四叉树，然后用较少的比特数表示，从而有效地提高了图像压缩率。SPIHT利用空间树分层分割方法，将某一树结点及其所有后继结点划归为同一集合，有效地减少了比特编码符号集的规模。EBCOT将子带划分为若干块，然后对每个块进行编码，产生压缩码流。

3 嵌入式小波零树压缩编码算法及改进方案

3.1 传统嵌入式小波零树压缩编码算法

　　嵌入式编码是指截取一段从起始位置开始，在任意位置结束的编码码流，可以进行解码重构整幅原始图像，截取的码流越长，重构的图像越接近原始图像。与原来的全部码流相比，这段截取的码流重构出来的图像具有较低的质量和分辨率，但图像仍然是完整的。嵌入式编码码流中的比特位按重要性依次排序，即越靠前的比特越重要。嵌入式小波零树图像编码(EZW)的实现是由零树结构结合逐次逼近量化实现的，采用Z字型扫描。

　　1. 小波零树结构

　　对于小于给定阈值T的小波系数(非重要系数或零系数)，零树算法不对其进行编码，就形成了一个零树。对于变换后的小波系数x，若T为非重要系数，且其所有子孙都是非重要系数，则称x为零树根，编码后输出ZTR。相应的，根据x及其子孙是否为重要系数，分别用IZ、POS、NEG类型系数表示。这四种类型的系数在编码时可以用两比特位编码，分别是00(ZTR)、01(IZ)、10(POS)和11(NEG)。经过三级小波分解后形成的深度为4的小波树示意图如图2所示。

　　2. 逐次逼近量化

　　逐次逼近量化(SAQ)过程包括主扫描和辅扫描。主扫描根据当前阈值，扫描每一个系数，产生相应的系数符号，还要将重要系数抽取出来放置在主扫描表中，并在该系数相应的位置上标记为零，以免在以后的扫描中对它进行重复编码。辅扫描主要任务是通过多次扫描，细化重要参数，使其更加逼近原值。

　　3. Z字型扫描

　　人眼对低频系数比较敏感，对高频系数不太敏感，对垂直和水平方向子图比较敏感，对对角线方向的子图不太敏感，因此，扫描必须从最低频逐渐向高频按照从左到右、从上到下的顺序，覆盖完所有的系数，看起来像一个“Z”字。

3.2 嵌入式小波零树压缩编码的不足

　　EZM的不足之处主要体现在：(1) 反复多次的扫描图像既花费了时间和空间，降低了效率，又不利于并行优化和实时编码;(2) 对所有频域进行同等重要的编码，未能充分利用小波变换后能量集中的特性和人眼视觉特征;(3) 逐次逼近量化不仅增加了计算量，同时也增加了编码的比特数，产生了多棵零树，直接造成了效率低下;(4) 最低频子图采用与其他频带同样的编码方式，在压缩比较高的情况下，难以保证重构图像的质量;(5) EZM只利用了同一方向各个子带之间的相关性，而忽视了相邻元素之间的相似性和相关性，尤其在高频子带存在大量的低值元素，影响了压缩效率。

3.3 嵌入式小波零树压缩编码的改进

　　本文针对嵌入式小波零树压缩编码的工作原理和特征，提出了以下改进方案：

　　1.在小波变换阶段，采用紧支撑集双正交小波基Z97对图像进行分解和重构。双正交小波具有紧支性和一定的正则性，弥补了正交小波没有线性相位的缺陷。Z97具有较好的消失矩和光滑性，且其滤波器长度小于10，保证了较高的正则阶数，实现了较高的压缩比;

　　2.在构造零树阶段，在第一轮扫面小波系数之后，将已标记的重要系数“排除”掉，仅对没有“排除”的系数进行编码和输出比特符号流，这样反复扫描，直到结果满意为止。通过这种方式，减少了对重要系数的扫描，提高了效率;

　　3.在扫描阶段，根据不同层次图像采用不同的扫描顺序，即在子带LH间采用水平方向扫描，而在子带HL之间采用垂直方向扫描，在子带HH之间则采用对象线方向扫描。相对于传统的“Z”字型扫描，增加了零树根的数量。

4 仿真实验结果

　　以MATLAB2014a为实验平台，对改进算法进行实验仿真。实验采用标准的lena图，其检测结果如图3所示。由图3可以看出，改进算法比传统算法重构的图像轮廓更加清晰，恢复质量更好，增加了更多的细节。同时，实验结果表明，改进算法在保证图片质量的前提下，实现了更高的压缩比，压缩效率显著提高。

5 结论

　　本文深入分析了传统的嵌入式小波零树压缩编码算法诸多不足，包括因多次重复扫描、单一编码和扫描方式等导致图像压缩效率低，针对性地提出了改进方案。改进方案包括使用正交小波基Z97，减少对重要系数的扫描次数，同时使用多种扫描顺序等。仿真实验结果表明，改进的方案提高了图像压缩效率，改善了重构图像的质量。

参考文献：

　　[1] 李观发. 基于嵌入式零树小波的数字图像压缩算法研究[D].江西理工大学硕士学位论文,2012.

　　[2] 郑伟,崔跃利,王芳,等. 基于小波变换的图像压缩编码研究综述[J].通信技术, 2008,41(2):83-86.

　　[3] S Li,W Li, et al. Shape adaptive wavelet coding. Proc. IEEE Int. Symp Circuits and Systems ISCAS’98, 2008, 5: 281~284.

　　[4] 张铮,徐超,任淑霞,等. 数字图像处理与机器视觉[M].北京:人民邮电出版社,2014.

　　[5] 林行. 基于零树小波的静止图像压缩算法的研究[D].沈阳工业大学硕士学位论文,2014.

　　[6] 阳婷,官洪运,章文康,等. 基于小波变换的图像压缩算法改进[J].计算机与现代化, 2014,12(10):123-126.

　　[7] 刘宁. 基于小波变换的图像压缩并行算法研究[D].沈阳理工大学硕士学位论文,2011.

　　[8] D Taubman. High performance scalabl image compression with EBCOT.IEEE Transactions on Image Processing, 2009, 9(7): 1158~1170.

　　[9] 黄建伟. 基于小波分析的图像压缩算法研究[D].合肥工业大学硕士学位论文,2010.

　　[10] 陈平平,谭定英,刘秀峰,等. 一种改进的小波变换图像压缩算法[J].计算机工程与应用, 2012,48(14):175- 179.

　　[11] 付伟,顾晓东. 基于人眼视觉特性的 EZW 图像编码改进算法[J]. 微电子与计算机,2010, 27(3):47-50.

　　[12] J.D.Villasenor. Alternatives to the discrete cosinetransform for irreversible tomographic image compression. IEEE Trans. Med. Imag, 1993, 12: 803~811.

　　[13] 宋宇,王美玲,翟双,等. 基于小波变换的图像压缩算法[J].长春工业大学学报：自然科学版, 2011,32(6);558-601.

　　[14] S Li,W Li,et al. Shape adaptive wavelet coding.Proc. IEEE Int.Symp.Circuits and Systems ISCAS’98, 2008, 5: 281~284.

　　[15] 迟洋. 基于小波变换的图像压缩算法研究[D].兰州理工大学硕士学位论文,2009.

本文来源于中国科技期刊《电子产品世界》2016年第6期第34页，欢迎您写论文时引用，并注明出处。