嵌入式小波零树图像压缩算法详解与实现

资 源 简 介

本项目完整实现并详细解析了嵌入式小波零树（EZW）算法，这是一种高效的基于小波变换的图像压缩技术。核心功能包括：1. 图像预处理与多级离散小波变换（DWT），将图像分解为低频逼近系数和高频细节系数，构建金字塔式的数据结构。2. 实现EZW核心编码逻辑，利用小波系数跨尺度的自相似性，定义“零树根”、“孤立零点”、“正显著”和“负显著”四种状态。通过主扫描（Dominant Pass）检测显著系数并构建零树结构，利用副扫描（Subordinate Pass）对显著系数的值进行逐次逼近量化。3. 采用阈值递减策略，循环迭代编码过程，生成嵌入式比特流，支持按需解码（即在该比特流的任意点截断都能重建一幅不同精度的图像）。4. 提供对应的解码算法，将压缩比特流逆向还原为小波系数，并执行逆小波变换（IDWT）重构图像。5. 集成性能评估模块，自动计算压缩比（CR）和峰值信噪比（PSNR），直观展示算法在不同压缩率下的重建质量。该项目代码注释详尽，旨在帮助用户深入理解EZW算法在去除空间冗余和利用能量集中特性方面的优势。

详 情 说 明

嵌入式小波零树（EZW）图像压缩算法实现

项目介绍

本项目实现了一个完整的嵌入式小波零树（EZW）图像压缩系。该系统基于MATLAB平台，从底层实现了离散小波变换（DWT）、EZW编码、解码以及逆离散小波变换（IDWT），并不依赖MATLAB工具箱中的现成小波函数。项目演示了利用小波系数的零树特性进行图像压缩的全过程，并提供了详细的性能评估指标（PSNR和MSE）及可视化结果，旨在展示EZW算法在去除空间冗余和能量集中方面的核心优势。

功能特性

• 独立的测试环境：代码内置生成Zone Plate（同心圆）测试图像的逻辑，无需外部图片文件即可独立运行；同时也支持加载外部灰度图像（如Lena图）。
• 自研小波变换核心：不依赖MATLAB Wavelet Toolbox，手动实现了基于Haar小波基的多级离散小波分解与重构算法。
• 完整的EZW编解码链路：实现了从系数扫描顺序构建、父子关系映射、显著性编码到解码重构的完整流程。
• 截断式编码控制：支持通过设定循环次数（target_loops）来控制压缩比特流的长度，体现了EZW算法的嵌入式特性。
• 综合性能评估：自动计算重建图像的峰值信噪比（PSNR）和均方误差（MSE），并提供包含原始图、系数图、重建图、阈值变化及误差曲线的多图可视化界面。

系统要求

• 软件环境：MATLAB R2016a 及以上版本。
• 依赖工具箱：本项目核心算法为纯数学实现，不依赖特定工具箱。

使用方法

1. 打开MATLAB软件，设置当前工作目录为项目所在文件夹。
2. 直接运行主程序脚本。
3. 程序将自动执行以下流程：

* 生成256x256的测试图像。 * 执行3层小波分解。 * 构建零树结构并进行EZW编码。 * 对编码流进行解码和逆小波变换。 * 弹出结果窗口，展示图像对比及性能数据。

详细功能与实现逻辑

本项目的主程序脚本严格按照EZW算法的流水线进行组织，具体逻辑如下：

1. 图像预处理

程序首先初始化环境，并设定图像尺寸为256x256（满足N为2的整数次幂的要求）。

• 测试源生成：利用网格生成函数创建一副Zone Plate图像（基于余弦函数的同心圆纹理），并将像素值归一化到双精度浮点数格式。
• 兼容性支持：代码中保留了读取外部位图的接口，若检测到指定文件存在，会自动加载并转换为灰度图及调整尺寸。

2. 多级离散小波变换 (DWT)

程序对原始图像执行3层Haar小波分解。

• 此步骤未直接调用系统函数，而是通过自编写的函数实现。
• 分解后，将结果进行对数变换（log(abs(coeffs) + 1)）以便在可视化界面中清晰展示高频细节和低频概貌。

3. EZW 核心编码结构构建与执行

这是算法的核心部分，主要包含以下步骤：

• 构建扫描结构：程序计算小波系数的扫描顺序以及父子节点关系图。这一步是为了后续判断“零树根”做准备。
• 迭代编码：调用编码函数，输入分解后的系数、扫描顺序和结构映射表。
• 循环控制：通过设定的目标循环次数（target_loops = 12），模拟嵌入式编码过程中的比特流截断，输出编码流和最大系数值。
• 统计信息：计算并输出最终生成的符号总数。

4. 解码与图像重构

• 逆向解码：利用编码流、最大值信息和之前的结构图，还原出量化后的小波系数矩阵。
• 逆小波变换 (IDWT)：调用自实现的逆变换函数，将频域系数还原为空间域像素值。
• 数值截断：将重建图像的像素值强制限制在 [0, 255] 范围内，防止溢出。

5. 可视化与评估

最终生成一个包含6个子图的综合展示窗口：

• 原始图像 vs 重建图像：直观对比视觉质量。
• 小波系数谱：展示能量在低频子带的集中情况。
• 阈值变化图：以条形图展示每次扫描循环的阈值递减情况。
• 误差曲线：绘制图像中心行的像素差值，展示高频部分的损失情况。
• 数据面板：文本显示图像尺寸、分解层数、编码符号数及最终的PSNR值。

关键算法与代码细节分析

自实现 Haar 小波分解 (wavelet_decomp)

该函数手动实现了二维Haar小波变换。

• 行变换：对图像的每一行，利用相邻像素的和与差分别计算低频（L）和高频（H）分量，并除以根号2进行归一化。公式体现为：L = (x + y)/√2, H = (x - y)/√2。
• 列变换：在行变换的基础上，对每一列再次进行及差分运算，最终生成LL, HL, LH, HH四个子带。
• 递归处理：通过循环对LL子带进行下一级分解，从而构建金字塔式的小波系数结构。

自实现 Haar 逆小波变换 (wavelet_recon)

这是分解过程的逆运算。

• 函数从最深层的分解尺度开始，利用和（L）与差（H）分量反解出原始数据。
• 通过公式 x1 = (L + H)/√2 和 x2 = (L - H)/√2 恢复行和列的原始像素值，逐步上采样直到恢复原始分辨率。

结构构建 (build_structure)

该函数负责建立系数间的拓扑关系，是EZW算法识别零树的基础。

• 扫描顺序：生成一个线性索引列表，确保先扫描最低频的LL子带，然后按照层级由粗到细扫描各级细节子带（HL, LH, HH）。
• 父子映射：虽然提供了建立父子关系（Parent-Children Map）的框架，旨在将低频子带的系数与其在高频子带对应位置的2x2系数块关联起来，形成四叉树结构（LL子带的根节点对应三个方向的子树）。

性能指标计算 (calc_metrics)

• MSE (均方误差)：计算原始图像与重建图像像素差值的平方均值。
• PSNR (峰值信噪比)：基于MSE计算图像质量的分贝值，公式为 10 * log10(255^2 / MSE)。