下载掌阅APP，畅读海量书库
立即打开
1．量化
从前面的变换编码和预测编码的分析可以看出，如果没有量化，那么就不可能得到数据的压缩，或者压缩比较小。同时，预测和变换本身并未给图像数据带来失真，失真是由量化造成的。可见量化过程是数据压缩的有效方法之一，也是图像压缩编码产生失真的根源之一。因此，量化器的设计总是朝着最好的方向努力，既要获得尽可能高的压缩比，又要减少量化失真，保持尽可能好的图像质量，以此来寻找最佳量化器的设计方法。
最佳量化器主要有两类设计方法，一类是客观准则下的设计方法，当量化器的分层总数 K 为一定时，根据量化误差的均方值为最小的准则（MMSE）进行设计；另一类是主观准则下的设计，它使量化器的量化分层总数 K 最小，同时还保证量化误差不超过人的视觉可见度阈值，即不被人的眼睛所发觉。
量化最简单的方法就是均匀（线性）量化，但均匀量化效果往往并不好，因为它没有考虑到量化对象的概率分布。例如，对预测误差这样的信号而言，其分布大部分集中在0附近，这时如果采用非均匀量化，对概率密度大的区域细量化，对概率密度小的区域粗量化，可以证明，它与均匀量化相比，在相同的量化分层条件下，其量化误差的均方值要小得多；或者，在同样的均方误差条件下，它只需要比均匀量化器更少的量化分层。
2．Zig-Zag扫描
并不是直接对量化后的DCT 系数值进行熵编码，而是按“Z”字形（Zig-Zag）扫描顺序，如图1.8所示，对于交流（AC）系数的二维数组以一维方式顺序读出。将非零系数前面的零游程长度（个数）与该系数值一起作为一个统计事件，然后将每一事件（零游程长度，非零系数）组成的符号组进行熵编码，又称变长编码（VLC），如Huffman编码。
图1.8 DCT系数的Zig-Zag扫描
之所以在熵编码之前进行Z字形扫描，主要是因为量化后的DCT系数更加稀疏，仅少数AC系数不为零，如果采用Z字形方式扫描，可以增加连零的长度，减少统计事件的个数，从而进一步增加对DCT系数熵编码的压缩码率。
3．熵编码
经过量化、Zig-Zag扫描后的符号组，如果对它们以相同长度的二进制码表示，称为等长编码。采用等长编码的优点是编码过程和解码过程简单，但由于这种编码方法没有考虑各个符号出现的概率，实际上就是将它们当作等概率事件来处理的，因而它的编码效率较低。
和等长编码不同的一种方法是变长编码（Variable Length Coding，VLC）。在这种编码方法中，表示符号的码字的长度不是固定不变的，而是随符号出现的概率而变化：给出现概率高的符号分配较短的码字，给出现概率低的码字分配较长的码字。可以证明，在非均匀符号概率分布的情况下，变长编码总的编码效率要高于等长编码。要注意的是，变长编码是一种信息保持型编码（熵编码），即编解码的过程并不引起信息量（熵）的损失，因为它的符号和码字之间是唯一对应的。
哈夫曼编码（Huffman）是一种最常用的变长编码方法。设被编码的信源有 K 种符号，如 K 种恢度等级，即信源的符号集合为 { a i | i =1, 2, …, K }，且它们出现的概率对应为{ P ( a i )| i =1, 2, … , K }，那么，不考虑信源符号的相关性，对每个符号单独编码时，则平均码长为 L 比特：
（1.10）
式中， l i 表示符号 a i 的码字的长度。可以证明，若编码时对概率大的符号用短码，对概率小的符号用长码，则 L 会比等长编码时所需的码字短。
除了Huffman编码以外，还有几种常见的变长编码方法，如香农编码、算术编码等。