基于二维预测与Lloyd-Max量化的图像有损压缩系统

资 源 简 介

本项目使用MATLAB编写，旨在实现针对数字图像的高效有损压缩。系统核心处理流程包含两个主要部分：二维预测与Lloyd-Max量化。首先，程序利用图像像素的空间相关性，采用二维差分脉冲编码调制（DPCM）技术，通过相邻像素（通常为左、上、左上方向）预测当前像素值，并提取预测误差信号，从而去除图像的空间冗余。随后，针对预测误差信号的概率分布特性，应用Lloyd-Max算法进行最佳非均匀量化。该算法通过迭代计算优化量化区间边界和重建电平，以实现均方误差最小化，从而在有限的比特数下尽可能保留图像细节。系统具备完整的编解码功能，能够读取原始图像，执行预测和量化压缩，并把量化数据重建为图像。此外，项目还包含性能评估模块，能够直观展示原始图像与与重构图像的视觉对比，并自动计算均方误差（MSE）和峰值信噪比（PSNR）等客观评价指标，以验证压缩算法的性能。随附的测试图片文件可帮助用户快速上手并测试代码功能。

详 情 说 明

基于二维预测与Lloyd-Max量化的图像有损压缩系统

项目介绍

本项目是一个基于MATLAB开发的图像有损压缩系统仿真模型。也可以称之为二维差分脉冲编码调制（DPCM）系统的完整实现。该系统利用图像像素在空间上的强相关性，通过二维线性预测去除空间冗余，并结合Lloyd-Max算法对预测误差进行最佳非均匀量化，从而在降低数据变动范围的同时，尽可能保持重建图像的质量。

程序不仅实现了核心的编解码算法，还包含了从数据统计、量化器训练到最终性能评估和可视化的完整流程，是理解现代图像/视频编码核心原理（预测+量化）的理想范例。

功能特性

• 智能图像加载：程序具备鲁棒的图像读取机制，优先读取系统内置的经典测试图像（如cameraman.tif），若不可用则自动尝试备用图像或生成随机噪声图像，确保程序随时可运行。
• 自适应灰度处理：自动检测输入图像格式，若为彩色图像则自动转换为灰度图像进行处理。
• 二维空间预测：采用基于相邻像素（左侧与上方）的线性预测模型，有效提取图像纹理特征。
• Lloyd-Max 最佳量化器设计：基于实际图像的预测误差统计分布，通过迭代算法自动训练出最优的量化区间（Partition）和重建电平（Codebook），实现均方误差（MSE）最小化。
• 闭环编解码模拟：实现了完整的DPCM编码与解码循环，确保预测过程使用“重建像素”而非“原始像素”，有效防止量化误差在图像中的扩散。
• 客观性能评估：自动计算均方误差（MSE）和峰值信噪比（PSNR），提供定量的压缩质量评价。
• 全方位可视化展示：系统生成包含6个子图的综合面板，展示原始图、重建图、误差概率分布与量化器结构、预测误差图、重建残差图及量化索引图。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（用于图像读取与色彩空间转换）

使用方法

1. 确保MATLAB当前工作目录包含本项目的脚本文件。
2. （可选）将名为 cameraman.tif 或 peppers.png 的测试图片放置于同级目录下。如果未提供图片，程序将自动生成随机噪声图进行演示。
3. 在MATLAB命令窗口输入主函数名称运行程序。
4. 程序运行结束后，控制台将输出图像尺寸、量化级数、迭代收敛情况、MSE及PSNR数值，并弹出一个综合图形窗口展示处理结果。

详细实现逻辑与算法分析

该项目的 main.m 核心逻辑严格遵循以下五个步骤，实现了从统计特性提取到最终重建的闭环流程：

1. 预处理与开环误差统计

程序首先设定量化比特数（默认为3比特，即8个量化电平）。在加载图像后，将其转换为双精度浮点型以进行数学运算。 为了训练最佳量化器，程序首先执行一次“开环预测”。在这一步中，系统使用原始图像像素作为参考，利用固定的二维预测系数（当前像素 = 0.5 × 左侧像素 + 0.5 × 上方像素）计算整幅图像的预测误差。处理边界像素（第一行、第一列及原点）时采用了特殊的边界填充策略。 这一步生成的误差数据主要用于获取信源的概率分布特性（PDF），作为后续Lloyd-Max算法的训练数据集。

2. Lloyd-Max 量化器设计

利用第一步提取的预测误差向量，程序启动Lloyd-Max迭代优化算法来设计非均匀量化器。 初始化：在误差的最小值和最大值之间均匀生成初始码本（代表电平）。 迭代过程：

1. 更新阈值（Partition）：计算相邻两个代表电平的中点作为新的决策边界。
2. 更新质心（Centroid）：统计落在两个决策边界之间的所有误差样本，计算其算术平均值作为新的代表电平。如果某个区间为空，则保持原有电平或进行微调。
3. 计算畸变与收敛判断：计算当前的均方误差，并与上一次迭代的结果进行比较。当畸变变化的相对比率小于设定的阈值（epsilon = 1e-4）或达到最大迭代次数（100次）时，判定算法收敛。

最终，该步骤输出了针对当前图像特征最优的分割阈值和重建电平。

3. 闭环DPCM编解码

这是系统的核心部分，模拟了真实的传输过程。为了保证编码端和解码端的同步，程序严格采用闭环预测机制，即预测器的输入必须是经过量化并重建后的像素（img_recon），而非原始像素。 处理流程（逐像素扫描）：

1. 预测：根据已重建的左侧和上方像素，计算当前像素的预测值。
2. 误差计算：计算原始像素与预测值之间的实际差值。
3. 量化：将实际差值与Lloyd-Max计算出的分割阈值进行比对，将其映射为量化索引，并检索对应的重建电平（量化值）。
4. 重建：将预测值与量化值相加得到重建像素。
5. 边界限制：对重建像素执行数值钳位操作，确保其数值范围在 [0, 255] 之间。

此过程同时生成了重建图像矩阵和量化索引矩阵（模拟压缩后的码流数据）。

4. 性能评估

程序计算原始图像与闭环重建图像之间的差异： MSE（均方误差）：衡量原图与重构图之间像素差值的平方均值。 PSNR（峰值信噪比）：基于MSE计算的分贝值，数值越高代表重建质量越好，失真越小。

5. 结果可视化

程序创建一个包含六个子图的窗口：

1. 原始灰度图像：作为参考基准。
2. 重建图像：显示经过压缩和解压后的视觉效果，标题中注明了PSNR和量化比特数。
3. 预测误差分布与量化器：绘制预测误差的直方图（近似PDF），并在图上叠加红色的虚线（量化决策边界）和蓝色的实线（最佳重建电平），直观展示量化器如何根据误差分布的密集程度分配电平。
4. 预测误差图：对未量化的预测误差取绝对值并增强亮度，展示图像纹理边缘的高频信息。
5. 重建残差图：展示原始图像与最终重建图像的差值（增强显示），反映压缩带来的噪点分布。
6. 量化索引图：使用伪彩色（Jet Colormap）展示每个像素对应的量化级索引，模拟传输通道中的实际数据流结构。