欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab图像处理仿真内容点击①Matlab图像处理进阶版②付费专栏Matlab图像处理初级版⛳️关注CSDN海神之光更多资源等你来⛄一、简介1 行程编码概述RLE在图像压缩上行程编码RLE一般用于压缩二值化图像因为它是基于重复的压缩算法比如二维图像降维后压缩前0 0 0 0 0 255 255 255 0 0 255行程编码压缩后5 0 3 255 2 0 1 255压缩格式为数量像素数量像素…如果有大量的像素连续重复那么压缩率会更高。编码是方法建立在图像统计特性的基础上的。例如在传真通信中的文件大多是二值图像即每个像素的灰度值只有0和1两种取值。将一行中颜色值相同的相邻象素用一个计数值和该颜色值来代替。例如aaabccccccddeee可以表示为3a1b6c2d3e即有3个a1个b6个c2个d3个e。如果一幅图象是由很多块颜色相同的大面积区域组成那么采用行程编码的压缩效率是惊人的。然而该算法也导致了一个致命弱点如果图象中每两个相邻点的颜色都不同用这种算法不但不能压缩反而数据量增加一倍。因此对有大面积色块的图像用行程编码效果比较好。行程编码的可行性讨论行程编码的压缩方法对于自然图片来说是不太可行的因为自然图片像素点错综复杂同色像素连续性差如果硬要用行程编码方法来编码就适得其反图像体积不但没减少反而加倍。鉴于计算机桌面图图像的色块大同色像素点连续较多所以行程编码对于计算机桌面图像来说是一种较好的编码方法。2 图像压缩2.1 图像压缩定义图像压缩就是对图像数据按照一定的规则进行变换和组合用尽可能少的数据量来表示影像形象的说就是对影像数据的瘦身。2.2 图像压缩的必要性多媒体数据的显著特点就是数据量非常大。例如一张彩色相片的数据量可达10MB视频影像和声音由于连续播放数据量更加庞大。这对计算机的存储以及网络传输都造成了极大的负担。2.3 图像压缩的可行性1原始图像数据是高度相关的存在很大的冗余。数据冗余造成比特数浪费消除这些冗余可以节约码字也就是达到了数据压缩的目的。大多数图像内相邻像素之间有较大的相关性这称为空间冗余。序列图像前后帧内相邻之间有较大的相关性这称为时间冗余。2若用相同码长来表示不同出现概率的符号也会造成比特数的浪费这种浪费称为符号编码冗余。如果采用可变长编码技术对出现概率高的符号用短码字表示对出现概率低的符号用长码字表示这样就可大大消除符号编码冗余。再次有些图像信息如色度信息、高频信息在通常的视感觉过程中与另外一些信息相比来说不那么重要这些信息可以认为是心里视觉冗余去除这些信息并不会明显地降低人眼所感受到的图像质量因此在压缩的过程中可以去除这些人眼不敏感的信息从而实现数据压缩。⛄二、部分源代码function yc%%行程编码算法%例如aaabccccccddeee才可以表示为3a1b6c2d3e%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%读图Iimread(‘Lena.jpg’);[m n l]size(I);fidfopen(‘yc.txt’,‘w’);%yc.txt是行程编码算法的灰度级及其相应的编码表%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%行程编码算法sum0;for k1:lfor i1:mnum0;J[];valueI(i,1,k);for j2:nif I(i,j,k)valuenumnum1;%统计相邻像素灰度级相等的个数if jnJ[J,num,value];endelse J[J,num,value];%J的形式是先是灰度的个数及该灰度的值valueI(i,j,k);num1;endendcol(i,k)size(J,2);%记录Y中每行行程行程编码数sumsumcol(i,k);Y(i,1:col(i,k),k)J;%将I中每一行的行程编码J存入Y的相应行中endend%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%输出相关数据[m1,n1,l1]size(Y);disp(‘原图像大小:’)whos(‘I’);disp(‘压缩图像大小:’)whos(‘Y’);disp(‘图像的压缩比:’);disp(mnl/sum);⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献[1] 王常远,彭代渊,易雄书.一种基于行程编码和小波变换的图像压缩编码算法[J].计算机应用. 2007,(S1)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10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合