🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
CSDN Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注CSDN Matlab武动乾坤，更多资源等你来！！

1 图像压缩
图像压缩按照压缩过程中是否有信息的损失以及解压后与原始图像是否有误差可以分为无损压缩和有损压缩两大类。无损压缩是指不损失图像质量的压缩，它是对文件的存储方式进行优化，采用某种算法表示重复的数据信息，文件可以完全还原，不会影响文件内容。一般来说，由于无损压缩只是删除了图像数据中的冗余信息，可以准确地恢复原始图像，所以不可能达到很高的压缩比。有损压缩是指损失图像质量的压缩，它将不相干的信息也删除了，因此解压时只能将原始图像进行近似的还原，它的高压缩比是以牺牲图像质量为代价的。

2 JPRG图像压缩
JPEG 提出的 JPEG 标准是为连续色调图像的压缩提供的公共标准。连续色调图像并不局限于单色调( 黑白) 图像，该标准可适用于各种多媒体存储和通信应用所使用的灰度图像、摄影图像及静止视频压缩文件。
JPEG 标准还提出:
①必须将图像质量控制在可视保真度高的范围内，同时编码器可被参数化，允许设置压缩或质量水平
②压缩标准可以应用于任何一类连续色调数字图像，并不应受到维数、颜色、画面尺寸、内容和色调的限制
③压缩标准必须从完全无损到有损范围内可选，以适应不同的存储 CPU 和显示要求

图像压缩编码方法从压缩编码算法原理上可以分为无损压缩编码、有损压缩编码、混合编码方法。而JPEG 标准就是一种混合编码方法，既有无损的压缩编码又有有损的压缩编码。有损压缩方法是以 DCT 变换为基础的压缩方法，其压缩率比较高，是JPEG 标准的基础。无损压缩方法又称预测压缩方法，是以二维 DPCM 为基础的压缩方式，解码后能完全精确地恢复原图像采样值，其压缩比低于有损压缩方法。

3 二维离散余弦变换
离散余弦变换(Discrete Cosine Transform),简称DCT变换.是一种与傅立叶变换紧密相关的数学运算.在傅立叶级数展开式中，如果被展开的函数是实偶函数，那么其傅立叶级数中只包含余弦项,再将其离散化可导出余弦变换，因此称之为离散余弦变换.余弦变换实际上是傅立叶变换的实数部分，其主要用于图像的压缩，目前国际压缩标准的JPEG格式中就用到了DCT变换。
在编码过程中,首先将输入图像颜色空间转换后分解为8× 8大小的数据块，然后用正向二维DCT把每个块转变成64个DCT系数值，其中1个数值是直流(DC)系数，即8× 8空域图像子块的平均值，其余的63个是交流(AC)系数，接下来对DCT系数进行量化，最后将变换得到的量化的DCT系数进行编码和传送，形成压缩后的图像格式。在解码过程中,先对已编码的量化的DCT系数进行解码，然后使用二维DCT反变换求逆量化并把DCT系数转化为8× 8样本像块，最后将操作完成后的块组合成一个单一的图像。这样就完成了图像的压缩和解压过程.研究表明，DCT将8× 8图像块变换为频域时数值集中在左上角，即低频分量都集中在左上角，高频分量分布在右下脚。而低频部分包含了图像大部分信息，相比之下，高频部分包含的信息量较少。为了压缩数据，往往采用忽略高频系数的办法。而较低频系数的修改对原始数据的影响较小。基于DCT的压缩编码属于有损压缩，通过去除图像本身的冗余量和人的视觉冗余量来达到压缩数据的目的，主要分为以下几个步骤:
(1)正向离散余弦变换
(2)量化
(3)Z字形编码
(4)使用差分脉冲编码调制对直流系数进行编码
(5)使用行程长度编码对交流系数进行编码
(6)熵编码
(7)组成位数据流

% Main function of the final project
close all;
clear all;

% Read the original images to the matrix orig_image;
clear orig_image;
clear temp_image;
temp_image = imread(‘image1.bmp’);
orig_image(:,:,:,1) = double(temp_image(:,:,:,1));
clear temp_image;
temp_image = imread(‘image2.bmp’);
orig_image(:,:,:,2) = double(temp_image(:,:,:,1));
clear temp_image;
temp_image = imread(‘image3.bmp’);
orig_image(:,:,:,3) = double(temp_image(:,:,:,1));
clear temp_image;
temp_image = imread(‘image4.bmp’);
orig_image(:,:,:,4) = double(temp_image(:,:,:,1));

% Image compression
% You are required to implement this part
% Note: The components of comp_image should be integers
starttime = cputime;
clear comp_image;
comp_image = Compress(orig_image);
size(comp_image)

% Image decompression
% You are required to implement this part
% Note: The components of reco_image shoud be integers
% The size of the reco_image should be same with the orig_image
clear reco_image;
reco_image = Decompress(comp_image);
runtime = cputime - starttime;

% Check the size of the recovered image
clear sizevector1;
clear sizevector2;
sizevector1 = size(orig_image);
sizevector2 = size(reco_image);
if sizevector1==sizevector2

% between the original images and the compressed images;
function comp_ratio = Compratio(orig_image, comp_image)

% Calculate how many bits should be used to represented the original images
% and store it in the variable B0
clear tempmatr1;
tempmatr1 = ceil(log2(orig_image+1));
clear sizevector1;
sizevector1 = size(orig_image);
[rownum, colnum] = size(sizevector1);
while colnum >1
clear tempmatr2;
tempmatr2 = sum(tempmatr1);
clear tempmatr1;
tempmatr1 = tempmatr2;
colnum = colnum -1;
end
B0 = sum(tempmatr1);

% Calculate how many bits should be used to represented the compressed images
% and store it in the variable B1
clear tempvec1;
tempvec1 = find(comp_image<0);
clear tempmatr1;
if sum(tempvec1) == 0
tempmatr1 = ceil(log2(comp_image+1));
else
tempmatr1 = ceil(log2(abs(comp_image)+1))+1;
end
clear sizevector1;
sizevector1 = size(comp_image);
[rownum, colnum] = size(sizevector1);
while colnum >1
clear tempmatr2;
tempmatr2 = sum(tempmatr1);
clear tempmatr1;
tempmatr1 = tempmatr2;
colnum = colnum -1;
end
B1 = sum(tempmatr1);
comp_ratio = B0/B1;

1 matlab版本
2014a

2 参考文献
[1]马媛媛,杨峰,信科,焦方超.基于DCT的JPEG图像压缩的研究[J].计算机技术与发展. 2011,21(08)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长