基于LBG算法的矢量量化图像压缩系统

资 源 简 介

本项目是一个完整的图像处理工程，旨在通过MATLAB实现矢量量化（Vector Quantization, VQ）算法进行图像压缩与重建。项目提供了包括核心源代码、测试图像数据集以及详细的算法说明文档在内的全套资源。核心功能流程如下：首先，系统会对输入的数字图像进行预处理和分块操作，将图像划分为互不重叠的矢量块；其次，采用经典的LBG（Linde-Buzo-Gray）算法作为核心聚类算法进行码书（Codebook）的设计与训练，通过分裂法初始化码书并利用迭代优化过程最小化平均量化误差，从而生成最优码书；接着，在编码阶段，计算图像矢量与码书中各个码字的欧氏距离，寻找最佳匹配的码字索引进行存储或传输，从而实现数据压缩；最后，在解码阶段根据索引表查找码书重建图像。此外，项目还集成了图像质量评价模块，能够自动计算并输出重建图像的峰值信噪比（PSNR）和均方误差（MSE），以便客观评估压缩算法的性能。该项目代码注释清晰，文档详尽，非常适合用于数字图像处理的学习、算法研究及课程设计。

详 情 说 明

基于MATLAB的矢量量化图像压缩系统

项目简介

本项目是一个基于MATLAB环境开发的图像处理工程，专注于演示和实现基于矢量量化（Vector Quantization, VQ）的图像压缩技术。核心算法采用经典的LBG（Linde-Buzo-Gray）算法进行码书（Codebook）的设计与训练。该系统能够对数字图像进行分块、训练最优码书、编码压缩以及解码重建，并未提供详尽的图像质量评价指标（PSNR、MSE）和可视化结果，非常适合用于理解数据压缩原理和聚类算法在图像处理中的应用。

功能特性

• 鲁棒的图像读取机制：支持读取外部图像文件，若文件不存在会自动生成MATLAB内置的测试图像（基于peaks函数），确保程序始终可运行。
• 自动预处理与填充：自动将彩色图像转换为灰度图像，并根据设定的块大小（Block Size）对图像边缘进行自动填充，确保图像尺寸能被完整分块。
• 高效矢量化处理：将图像分解为互不重叠的矢量块，利用矩阵操作加速处理。
• LBG码书训练算法：实现了完整的LBG算法流程，包含分裂法初始化（Splitting Initialization）和K-means迭代优化，支持自定义收敛阈值和扰动因子。
• 快速距离计算：利用矩阵展开公式优化欧氏距离的计算过程，避免了低效的循环运算。
• 性能评估：内置图像质量评价模块，输出均方误差（MSE）、峰值信噪比（PSNR）、原图位深、压缩位深及压缩比。
• 多维度可视化：提供原始图像、重建图像、部分码书（可视化为图像块）的对比展示，以及训练过程中的收敛曲线图。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 确保MATLAB当前工作目录包含项目脚本。
2. 默认处理图像名为 peppers.png，如需处理自定义图像，请修改脚本参数设置部分的 img_filename 变量。
3. 直接运行主程序脚本。
4. 程序运行结束后，控制台将输出训练耗时及压缩性能指标，并弹出的图形窗口展示处理结果。

核心逻辑与实现细节

本项目的核心逻辑严格遵循以下步骤实现：

1. 参数设置与环境初始化

程序首先清理工作区变量与图形窗口。预定义了关键压缩参数，包括块大小设置为4x4，目标码书大小（码字数量）为256，LBG分裂扰动因子为0.01，迭代收敛阈值为0.001。

2. 图像读取与预处理

程序尝试读取指定路径的图像。如果读取失败（例如文件缺失），则自动生成一个基于 peaks 函数的灰度测试图像。读取成功后，若为彩色图像则转为灰度图，并转换为双精度浮点型。随后，计算图像长宽是否能被块大小整除，若不能，则使用边缘复制（replicate）的方式在图像右侧和下侧进行填充。

3. 图像分块（矢量化）

利用自定义的封装逻辑（基于 im2col 的 distinct 模式），将填充后的图像切割为互不重叠的 4x4 像素块，并将每个块拉伸为 16维 的列向量。这些向量构成了后续训练的训练集。

4. LBG 码书训练（算法核心）

这是系统最关键的部分，采用双层循环结构：

• 外层循环（分裂阶段）：从大小为1的初始码书（全局质心）开始，每次循环将当前码书均分为二，通过乘以 $(1 + epsilon)$ 和 $(1 - epsilon)$ 进行分裂，直到达到预设的256个码字。
• 内层循环（迭代优化阶段）：在每一级码书大小下，执行K-means聚类优化：

* 距离计算优化：利用公式 $||x-y||^2 = x^2 + y^2 - 2x^Ty$ 计算所有训练矢量与所有码字的欧氏距离。通过矩阵运算 bsxfun 实现，显著提高了匹配速度。 * 最近邻搜索：为每个训练矢量找到距离最近的码字索引。 * 收敛判断：计算当前的平均畸变（平均最小距离），并与上一次迭代对比计算相对误差。若误差小于阈值（0.001），则停止迭代。 * 质心更新：根据索引分类，计算每个簇的新质心（均值）。 * 空胞腔处理：如果在迭代中出现某个码字未被任何矢量选中的情况（空胞腔），程序采用简单策略，将其重置为全局质心，以防止死码字的产生。

5. 图像编码

训练完成后，利用最终生成的码书，再次计算所有图像块矢量的最佳匹配码字索引。同时计算压缩指标，包括压缩后的比特率（bpp）和压缩比。

6. 图像解码与重建

根据编码阶段生成的索引表，从码书中查找对应的码字向量。利用自定义的重组逻辑（基于 col2im 的 distinct 模式），将这些向量重新排列并还原为二维图像块，最后裁剪掉预处理阶段添加的填充边缘，并将数据类型转换回 uint8。

7. 质量评价与可视化

• 评价：使用自定义的MSE计算逻辑（兼容性强）和标准PSNR公式计算重建质量，并在控制台打印详细报告。
• 可视化：

* 创建一个包含三个子图的窗口：分别显示原始灰度图、重建后的图像、以及可视化后的部分码书（将前64个16维码字向量重塑为4x4图像块进行展示）。 * 若存在迭代历史数据，会额外通过折线图展示LBG算法训练过程中平均量化误差随迭代次数的收敛情况。

关键算法说明

快速欧氏距离计算

为了避免在MATLAB中使用多重循环计算距离，代码中采用矩阵代数展开法计算距离矩阵 $D$： D(i, j) = ||c_i||^2 + ||v_j||^2 - 2 * (c_i' * v_j) 其中 $c$ 为码字，$v$ 为输入矢量。这种方法充分利用了MATLAB的矩阵乘法优化。

空胞腔（Empty Cells）处理策略

在K-means迭代过程中，通过统计每个码字归属的矢量数量，能够检测出“空胞腔”。为了避免这些码字被浪费，代码实现了一个保护机制：一旦发现空胞腔，强制将其位置复位到全局平均值附近。这虽然是一种简化的处理策略，但能有效避免算法崩溃或局部极值问题。

图像分块与重组

代码未直接依赖某些高版本工具箱的特定函数，而是通过封装 im2col 和 col2im 的 distinct（不重叠）模式，明确实现了图像到矢量的转换和逆转换。这确保了压缩是基于独立的块进行的，符合标准矢量量化的定义。