差值编码

import io
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('C:/Users/xpp/Desktop/Lena.png')#读取图像
h,w=img.shape[:2]
yvu=cv2.cvtColor(img,cv2.COLOR_BGR2YCrCb)
y,v,u=cv2.split(yvu)
#下采样u和v（应用420格式）
u=cv2.resize(u,(u.shape[1]//2,u.shape[0]//2))
v=cv2.resize(v,(v.shape[1]//2,v.shape[0]//2))
print('1-'*50)
print('y分量形状',y.shape)
print('u分量形状',u.shape)
print('v分量形状',v.shape)
f=io.BytesIO()
f.write(y.tobytes())
f.write(u.tobytes())
f.write(v.tobytes())
f.seek(0)
img_np=np.frombuffer(f.read(),np.uint8)
img_yuv_len=img_np.size
img_y_len=h*w
y=img_np[:img_y_len]
u=img_np[img_y_len:(img_yuv_len-img_y_len)//2+img_y_len]
v=img_np[(img_yuv_len-img_y_len)//2+img_y_len:]
print(img_np.size)
#DPCM量化编码，采用边解码的形式
img_re=np.zeros(img_y_len,np.uint16)#存储重建图像
prebuff=np.zeros(img_y_len, np.uint16)#预测
print(prebuff.size)
print(prebuff.shape)
radio=512/(1<<8)#量化因子（8是左向预测8bit量化，如果要进行4或2等可更改）
for i in range(h):
    for j in range(w):
        #左向预测8bit量化
        if j==0:
            #每行第一个像素要进行特殊处理，或保留，或进行一定预测，本设计中是做一定变换预测
            ypre=y[j+i*w]-128 #预测误差
            yprebuff[j+i*w]=(ypre+255)/radio#量化预测误差
            img_re[j+i*w]=(yprebuff[j+i*w]-255/radio)*radio+128#重建像素,j解码
            if img_re[j+i*w]>255:
                img_re[j+i*w]=255#防止重建像素超过255
            yprebuff[j+i*w]=yprebuff[j+i*w]*radio/2
        else:
            ypre=y[j+i*w]-img_re[j+i*w-1]#预测误差
            yprebuff[j+i*w]=(ypre+255)/radio#量化器
            img_re[j+i*w]=(yprebuff[j+i*w]-255/radio)*radio+img_re[j+i*w-1]#反量化
            yprebuff[j+i*w]=yprebuff[j+i*w]*radio/2#预测器
            if img_re[j+i*w]>255:
                img_re[j+i*w]=255#防止重建像素超过255
img_re=img_re.astype(np.uint8)#存储重建图像
yprebuff=yprebuff.astype(np.uint8)#预测误差
# 重建图片
y=y.reshape((h,w))#转换向量形状回原来的y分量
yprebuff = yprebuff.reshape((h,w))#预测的y分量
img_re = img_re.reshape((h,w))#重建的y分量
u=u.reshape((h//2,w//2))#恢复采样后的u分量
v=v.reshape((h//2,w//2))#恢复采样后的v分量
ru=cv2.resize(u,(w,h))#恢复采样前的u分量，用这个u分量来重建图片文件
rv=cv2.resize(v,(w,h))
yvu=cv2.merge((y,rv,ru))
bgr=cv2.cvtColor(yvu,cv2.COLOR_YCrCb2BGR)#将原来的y,u,v分量转换回图片
yvu_pre=cv2.merge((yprebuff,rv,ru))
bgr_pre=cv2.cvtColor(yvu_pre,cv2.COLOR_YCrCb2BGR)#将y的预测误差转换为图片
yvu_re=cv2.merge((img_re,rv,ru))
bgr_re=cv2.cvtColor(yvu_re,cv2.COLOR_YCrCb2BGR)#将解码后的的y,u,v分量转换回原图
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.subplot(241),plt.imshow(cv2.cvtColor(bgr,cv2.COLOR_BGR2RGB)),
plt.title('原图'),plt.axis('off')
plt.subplot(242),plt.imshow(cv2.cvtColor(bgr_pre,cv2.COLOR_BGR2RGB),cmap='gray'),
plt.title('预测误差'),plt.axis('off')
plt.subplot(243),plt.imshow(cv2.cvtColor(bgr_re,cv2.COLOR_BGR2RGB),cmap='gray'),
plt.title('重建'),plt.axis('off')
plt.subplot(244),plt.imshow(cv2.cvtColor(y,cv2.COLOR_BGR2RGB)),
plt.title('y分量'),plt.axis('off')
plt.subplot(245),plt.imshow(cv2.cvtColor(ru,cv2.COLOR_BGR2RGB),cmap='gray'),
plt.title('u分量'),plt.axis('off')
plt.subplot(246),plt.imshow(cv2.cvtColor(rv,cv2.COLOR_BGR2RGB),cmap='gray'),
plt.title('v分量'),plt.axis('off')
plt.show()