數(shù)字圖像處理與Python實現(xiàn) 課件 第7、8章-圖像分割、-圖像壓縮

數(shù)字圖像處理課程內(nèi)容入門認識第8章圖像壓縮第7章圖像分割基本操作應(yīng)用第9章圖像水印第10章指紋識別第11章深度學(xué)習(xí)綜合案例第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割7.1.1圖像分割定義

數(shù)字圖像信號??(??,??)，將其分割為滿足以下5個約束條件的若干相連的、非空子集（即圖像子區(qū)域）??_1,??_2,??_3,?,??_??的過程，稱為圖像分割。每個像素都可以被分割到確定的子區(qū)域中；各個子區(qū)域內(nèi)圖像像素是連通的；確保一個圖像元素不會同時被分割到多個子區(qū)域；屬于同一個子區(qū)域的像素應(yīng)該具有某些相似性；屬于不同子區(qū)域的屬性應(yīng)該不同。7.1.2圖像分割分類按照是否考慮語義：分為非語義分割和語義分割。根據(jù)被分割圖像的種類不同：灰度圖像分割，彩色圖像分割；根據(jù)被分割圖像的狀態(tài)不同：靜態(tài)圖像分割，動態(tài)圖像分割；根據(jù)分割的粒度不同：

以識別物體輪廓為準則的粗分割，

以顏色、紋理等的高度相似性為準則、適宜壓縮編碼的細分割；按照被分割圖像的應(yīng)用領(lǐng)域不同：

遙感圖像分割、醫(yī)學(xué)圖像分割、交通圖像分割、工業(yè)圖像分割、安防圖像分割等；根據(jù)分割目標(biāo)不同：語義分割、實例分割、全景分割；按照分割方法不同：

基于邊緣的圖像分割、基于區(qū)域的圖像分割、基于顯著性分析的圖像分割、基于深度學(xué)習(xí)的圖像分割等。7.1.2圖像分割分類（1）非語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。代表算法：閾值分割：簡單，給定輸入圖像一個特定閾值，如果大于這個閾值，則設(shè)定為前景像素值，否則為背景像素值。區(qū)域分割有代表性的算法有兩種：區(qū)域生長和區(qū)域分裂合并。區(qū)域生長算法的核心思想是給定子區(qū)域一個種子像素，作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素(可以根據(jù)預(yù)先設(shè)定的規(guī)則，比如基于灰度差)合并到種子所在的區(qū)域中。區(qū)域分裂合并基本上就是區(qū)域生長的逆過程，從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標(biāo)提取。聚類：聚類是一個應(yīng)用非常廣泛的無監(jiān)督學(xué)習(xí)算法，該算法在圖像分割領(lǐng)域也有較多的應(yīng)用。聚類的核心思想就是利用樣本的相似性，把相似的像素點聚合成同一個子區(qū)域。7.1.2圖像分割分類（1）非語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。邊緣分割這是圖像分割中較為成熟，而且較為常用的一類算法。邊緣分割主要利用圖像在邊緣處灰度級會發(fā)生突變來對圖像進行分割。常用的方法是利用差分求圖像梯度，而在物體邊緣處，梯度幅值會較大，所以可以利用梯度閾值進行分割，得到物體的邊緣。對于階躍狀邊緣，其位置對應(yīng)一階導(dǎo)數(shù)的極值點，對應(yīng)二階導(dǎo)數(shù)的過零點(零交叉點)。因此常用微分算子進行邊緣檢測。常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用微分算子檢測邊緣前要對圖像進行平滑濾波。LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測效果較好，因此Canny算子也是應(yīng)用較多的一種邊緣分割算法。參考網(wǎng)址：/article/8750657.1.2圖像分割分類（2）語義分割：

在圖像分割中所占比重更高，目前算法也非常多，研究時間較長，而且算法也比較成熟。語義分割和非語義分割的共同之處都是要分割出圖像中物體的邊緣，但是二者也有本質(zhì)的區(qū)別，用通俗的話介紹就是非語義分割只想提取物體的邊緣，但是不關(guān)注目標(biāo)的類別。而語義分割不僅要提取到邊緣像素級別，還要知道這個目標(biāo)是什么。因此，非語義分割是一種圖像基礎(chǔ)處理技術(shù)，而語義分割是一種機器視覺技術(shù)，難度也更大一些，目前比較成熟且應(yīng)用廣泛的語義分割算法有以下幾種：Grabcut

MaskR-CNN

U-Net

FCN

SegNet參考網(wǎng)址：/article/875065第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割7.2.1邊緣分割基本原理邊緣有方向和幅度兩個特性：沿著邊緣走向的灰度值不變或者緩慢變化，垂直于邊緣走向的灰度值存在突變。按突變形式不同，邊緣可表現(xiàn)為階躍式、漸變式（斜升和斜降式）、脈沖式、屋頂式等類型，邊緣包括：

數(shù)字圖像中目標(biāo)物體或某區(qū)域的角點、輪廓、交界等處，代表了圖像局部不連續(xù)性特征。邊緣分割方法：

假設(shè)各子區(qū)域一定會有明顯的邊緣存在，

通過采用數(shù)學(xué)求導(dǎo)的方法提取圖像中灰度或結(jié)構(gòu)等信息突變（即不連續(xù)）的部分像素來實現(xiàn)。邊緣與導(dǎo)數(shù)關(guān)系一階微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二階微分算子有Laplace算子、LoG算子等7.2.1邊緣分割基本原理7.2.2Canny算子邊緣與導(dǎo)數(shù)關(guān)系一階微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二階微分算子有Laplace算子、LoG算子等Canny算子，非微分邊緣檢測算子，圖像邊緣檢測算法最經(jīng)典、先進的算法之一。

是在滿足一定約束條件下推導(dǎo)出來的邊緣檢測最優(yōu)化算子7.2.2Canny算子3個最優(yōu)準則（1）最優(yōu)檢測：

應(yīng)盡可能檢測出圖像的真實邊緣，漏檢真實邊緣和誤檢非邊緣的概率都要盡可能小。（2）最優(yōu)定位準則：

檢測出的邊緣要盡可能接近真實邊緣，由于噪聲影響形成的檢測誤差最小。（3）檢測點與邊緣點一一對應(yīng)：

檢測出的邊緣點與實際邊緣點要盡可能一一對應(yīng)。7.2.2Canny算子步驟：（1）圖像去噪對圖像進行平滑濾波（2）計算梯度幅值和方向?qū)ふ覉D像中灰度強度變化最強的位置，即梯度方向，（Sobel算子計算）（3）非極大值抑制為了使模糊的邊界變得清晰，需要保留局部最大梯度，在每個像素點上抑制除極大值外的其他梯度值。非極大值抑制圖7.2.2Canny算子步驟：（4）雙閾值（更加精確地檢測邊緣）設(shè)置兩個閾值，一個是閾值上界，一個是閾值下界。像素點大于閾值上界，稱為強邊界，則認為必然是邊界；小于閾值下界，則必然不是邊界；

兩者之間的稱為弱邊界，則認為是候選項，需要進一步處理。（5）邊界跟蹤（進一步處理弱邊界點）弱邊界可能是真邊緣，也可能是噪聲或者顏色變化引起。通常：真實邊緣的弱邊界與強邊界是連通的，其他則不連通。一個弱邊界點的8連通像素，只要有強邊界點存在，則弱邊界點是真實邊緣并保留。其余的弱邊界則被抑制。最終得到Canny算子邊緣檢測結(jié)果。7.2.2Canny算子步驟：使用格式：cv2.Canny(輸入圖像,最小閾值,最大閾值,[sobel算子（卷積核）大小])參數(shù)說明：輸入圖像：輸入圖像數(shù)據(jù)，imread()函數(shù)返回值；最小閾值、最大閾值：雙閾值設(shè)置；Sobel算子卷積核大小：可選項，用于查找圖像梯度的Sobel核的大小，默認為3，該值越大，保留信息越多優(yōu)點是可以檢測出真正的弱邊緣，而且是細化后的單邊緣，減少了邊緣中斷現(xiàn)象。對于對比度較低的圖像，通過合理選擇參數(shù)，也能有很好的邊緣檢測效果。第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割7.3基于區(qū)域的圖像分割不同區(qū)域內(nèi)像素的屬性不同，同一個區(qū)域內(nèi)像素都應(yīng)該具有相似或相同的屬性。7.3基于區(qū)域的圖像分割根據(jù)分割特征不同，分為閾值法、聚類法、生長合并法等。1.生長合并法概念生長合并法主要考慮圖像區(qū)域的連通性進行分割，常見的方法有區(qū)域生長法、分裂合并法、分水嶺法等。區(qū)域生長法：

根據(jù)圖像像素之間的連通性，按照事先定義的準則，將部分像素或者子區(qū)域聚合成更大區(qū)域以達到圖像分割的目的。分裂合并法：適合事先完全不了解區(qū)域形狀和數(shù)目的情況，首先將圖像分解成互不重疊的區(qū)域，然后對各個區(qū)域進行合并或分裂，得到最終的分割結(jié)果。7.3.1生長合并法2.分水嶺法將圖像看成一張地形圖,灰度值對應(yīng)地形圖中的海拔高度值高灰度值對應(yīng)著山峰，低灰度值對應(yīng)著山谷，水總是從地勢高朝著地勢低的地方流動，直到某個局部低洼處，形成盆地；最終所有水都會處于不同的盆地中，各盆地之間的山脊稱為分水嶺。自適應(yīng)的多閾值圖像分割算法，有很多實現(xiàn)算法，大多是模擬水從下而上的浸入過程。假設(shè)在每個盆地表面，刺穿一個小孔，然后把整個模型慢慢浸人水中，最后在兩個盆地匯合處構(gòu)筑大壩，即形成分水嶺。3.Python下實現(xiàn)分水嶺法（c）對圖像進行“開運算”后再膨脹，得到確定的背景區(qū)域（d）通過與背景像素的距離矩陣閾值化尋找確定的前景區(qū)域（e）bg與fg相減,得到前景和背景的邊緣區(qū)域，

定為未確定區(qū)域（f）用分水嶺算法提取輪廓像素，并顯示為特定顏色標(biāo)識圖像分割問題比較復(fù)雜，存在兩個主要問題：（1）缺乏效果好、通用性強的圖像分割算法；（2）因應(yīng)用場景的不同，評價圖像分割效果的標(biāo)準不統(tǒng)一；

在醫(yī)學(xué)圖像分割領(lǐng)域，分割的評價標(biāo)準和普通圖像不同。7.4小結(jié)語義或?qū)嵗壍姆指罱Y(jié)果：圖像分割的FCN、U-net、SegNet、TransDeepLab等學(xué)習(xí)模型，在自動駕駛、視頻監(jiān)控、醫(yī)療影像等場景下都取得了較好的應(yīng)用效果。第七章圖像分割7.1圖像分割基本概念7.2基于邊緣的圖像分割（Canny算子）7.3基于區(qū)域的圖像分割（分水嶺算法）數(shù)字圖像處理課程內(nèi)容入門認識第8章圖像壓縮第7章圖像分割基本操作應(yīng)用第9章圖像水印第10章指紋識別第11章深度學(xué)習(xí)綜合案例第八章圖像壓縮8.1圖像壓縮基礎(chǔ)8.2常見的壓縮編碼技術(shù)8.3小結(jié)一幅24位高清圖像，分辨率為1920×1080，所占空間為()。1920×1080×24/8=6220800byte=6075KB≈5.93MB1920×1080×24/1024/1024≈49.76MB1920×1080×24/8/1024/1024≈5.93M1920×1080×24/1024=48600MB1920×1080×24/8/1024=6072MBABCD提交單選題1分一段時長1分鐘、24位色、分辨率為1920*1080、幀頻為30fps的高清視頻。1920*1080*24*30*60/8/1024/1024/1024≈10.428GB。若沒有壓縮，所占存儲容量大約是：圖像壓縮：以較少的比特有損或無損地表示原來的像素矩陣的技術(shù)，

也稱圖像編碼。圖像和視頻在存儲、傳輸、處理等過程所需資源呈現(xiàn)爆炸式增長，所以對數(shù)字圖像和視頻數(shù)據(jù)進行壓縮是非常必要。8.1.1數(shù)據(jù)冗余相關(guān)概念壓縮率（又稱壓縮比），表示壓縮后數(shù)據(jù)量與壓縮前數(shù)據(jù)量的比值：

數(shù)據(jù)冗余，表示壓縮減少的數(shù)據(jù)量占壓縮前數(shù)據(jù)量的比值：

8.1.1數(shù)據(jù)冗余相關(guān)概念數(shù)字圖像冗余形式：編碼冗余、空間冗余、時間冗余、視覺冗余等。編碼冗余（又稱信息熵冗余）：圖像中平均每個像素使用的比特數(shù)大于圖像的信息熵，比如，灰度圖中用于表示灰度的8比特編碼往往要多于表示灰度所需要的比特數(shù)?？臻g冗余（又稱幾何冗余：由圖像內(nèi)部相鄰像素之間存在較強的相關(guān)性造成的冗余。比如，一幅圖像中存在一片連續(xù)的像素顏色相同的區(qū)域，則空間冗余較多。時間冗余（又稱幀間冗余）：視頻圖像序列中由相鄰幀之間相關(guān)性造成的冗余。比如，同一鏡頭內(nèi)，相鄰視頻序列過渡比較緩慢，相鄰幀具有極大的相似性。視覺冗余：人眼敏感度較低或者不能感知的那部分圖像信息。8.1.2數(shù)據(jù)壓縮模型編碼器負責(zé)把原圖像進行編碼壓縮；解碼器負責(zé)將壓縮后的圖像進行解碼操作。映射器：減少圖像空間和時間冗余，是可逆操作；量化器：根據(jù)映射器輸出的精確度進一步降低映射器輸出的精度，排除無關(guān)信息；符號編碼器：將量化器輸出的頻率高的值賦予短位數(shù)編碼，達到減少編碼冗余的目的。8.1.3圖像格式和壓縮標(biāo)準常見的圖像格式有：BMP、TIFF、JPEG、GIF等，

在本書第一章中已有介紹；常用的壓縮標(biāo)準主要有：JPEG、JEPG2000、DV、H.261、H.262、H.263、H.264、MPEG-1、MPEG-2、MPEG-4、MPEG-4AVC等。1.JPEG編碼JPEG（JointPhotographicExpertsGroup）是最常用的圖像文件格式，后綴名為.jpg或.jpeg，其是JPEG標(biāo)準的產(chǎn)物。JPEG標(biāo)準是面向連續(xù)色調(diào)靜止圖像的一種壓縮標(biāo)準，由國際標(biāo)準化組織（ISO）制訂。JPEG文件格式在本書第一章中已有介紹。常見的實現(xiàn)編碼算法有基于圖像塊的變換編碼、哈夫曼（Huffman）編碼、行程編碼等。8.1.3圖像格式和壓縮標(biāo)準由國際標(biāo)準化組織（ISO）制訂；最常用的圖像文件格式，后綴名為.jpg或.jpeg，其是JPEG標(biāo)準的產(chǎn)物；面向連續(xù)色調(diào)靜止圖像的一種壓縮標(biāo)準；常見的編碼算法：

基于圖像塊的變換編碼、哈夫曼（Huffman）編碼、行程編碼等。1.JPEG編碼（JointPhotographicExpertsGroup）8.1.3圖像格式和壓縮標(biāo)準MPEG：是ISO與IEC（國際電工委員會，InternationalElectrotechnicalCommission）于1988年成立的專門針對運動圖像和語音壓縮制定國際標(biāo)準的組織；MPEG標(biāo)準主要有：MPEG-1、MPEG-2、MPEG-3、MPEG-4等。編碼技術(shù)主要利用了具有運動補償?shù)膸g壓縮編碼技術(shù)以減小時間冗余度，利用DCT技術(shù)以減小圖像的空間冗余度，利用熵編碼在信息表示方面減小統(tǒng)計冗余度。這些技術(shù)的綜合運用，大大提高了壓縮性能。2.MPEG編碼（MovingPictureExpertsGroup）8.1.3圖像格式和壓縮標(biāo)準由ITU-T視頻編碼專家組(VCEG)和MPEG聯(lián)合組成的聯(lián)合視頻組(JVT，JointVideoTeam)提出。以高壓縮高質(zhì)量和支持多種網(wǎng)絡(luò)的流媒體傳輸被廣泛使用。在ITU的標(biāo)準里稱為H.264，在MPEG的標(biāo)準里為MPEG-4Part10，又稱AVC（AdvancedVideoCodec）。因此H.264也常常稱為MPEG-4或AVC。壓縮方法主要包括：幀內(nèi)預(yù)測壓縮，解決空域數(shù)據(jù)冗余問題；幀間預(yù)測壓縮（運動估計與補償），解決時域數(shù)據(jù)冗余問題；整數(shù)離散余弦變換，將空間上的相關(guān)性變?yōu)轭l域上無關(guān)的數(shù)據(jù)，然后再進行量化。3.H.2648.1.4圖像壓縮編碼技術(shù)分類（1）有損編碼（不可逆編碼）1.根據(jù)壓縮過程有無信息損失：壓縮時部分信息丟失，導(dǎo)致解碼重新構(gòu)造的圖像存在一定失真。有損壓縮多用于數(shù)字電視、靜止圖像通信等領(lǐng)域。代表性算法包括有損預(yù)測編碼、變換編碼等。壓縮過程沒有信息的損失，解壓后的還原圖像與原始圖像完全相同。常用于工業(yè)檢測、醫(yī)學(xué)圖像、存檔圖像等領(lǐng)域的圖像壓縮中。代表性算法包括哈夫曼編碼、游程編碼、無損預(yù)測編碼等。（2）無損編碼（可逆編碼）8.1.4圖像壓縮編碼技術(shù)分類（1）統(tǒng)計編碼2.根據(jù)圖像壓縮編碼原理進行劃分：出現(xiàn)概率高的事件用短碼表示，出現(xiàn)概率低的事件用長碼表示。常見的統(tǒng)計編碼方法有哈夫曼編碼和算術(shù)編碼。利用空間和時間高度相關(guān)性，以近鄰像素值為參考，預(yù)測當(dāng)前像素值，然后量化、編碼預(yù)測誤差。應(yīng)用于運動圖像、視頻編碼中，如數(shù)字電視、視頻電話等。（2）預(yù)測編碼（3）變換編碼空域數(shù)據(jù)經(jīng)正交轉(zhuǎn)換到另一個變換域（頻率域），然后對系數(shù)進行編碼處理第八章圖像壓縮8.1圖像壓縮基礎(chǔ)8.2常見的壓縮編碼技術(shù)8.3小結(jié)8.2.1霍夫曼編碼1.算法原理根據(jù)符號的出現(xiàn)概率構(gòu)建一棵二叉樹：出現(xiàn)概率越高的符號離根節(jié)點越近，出現(xiàn)概率越低的符號離根節(jié)點越遠。每個葉子節(jié)點，構(gòu)建一個編碼，由從根節(jié)點到該葉子節(jié)點的路徑上的所有邊構(gòu)成。出現(xiàn)概率高的符號就用較短的編碼表示，出現(xiàn)概率低的符號則需要較長的編碼表示。(1925-1999)個人成就：（1）霍夫曼編碼,

（2）霍夫曼算法，二叉最優(yōu)搜索樹算法效率最高,

是動態(tài)規(guī)劃的一個范例（3）獲得計算機先驅(qū)獎,

IEEE的McDowell獎（4）加州大學(xué)的SantaCruz分校計算機科學(xué)系的創(chuàng)始人無損編碼8.2.1霍夫曼編碼1.算法原理在圖像壓縮中，圖像由若干個像素值組成，統(tǒng)計每個像素值的出現(xiàn)頻率，將其轉(zhuǎn)化為概率分布。根據(jù)概率分布構(gòu)建霍夫曼樹，得到每個像素值的哈夫曼編碼。將每個像素值替換成對應(yīng)的哈夫曼編碼，即可實現(xiàn)對圖像的壓縮。8.2.1霍夫曼編碼2.算法步驟（1）統(tǒng)計像素值出現(xiàn)的頻率：統(tǒng)計每個像素值出現(xiàn)的次數(shù)。（2）根據(jù)頻率建立哈夫曼樹：使用像素值出現(xiàn)的頻率作為權(quán)值，建立哈夫曼樹。（3）對每個像素值進行編碼：從哈夫曼樹根節(jié)點向下遍歷，可設(shè)定左子樹編碼為0，右子樹編碼為1，直到葉子節(jié)點。（4）生成編碼表：將每個像素值對應(yīng)的編碼保存到編碼表中。（5）壓縮圖像：根據(jù)編碼表將像素值轉(zhuǎn)換為對應(yīng)的哈夫曼編碼，拼接起來，得到壓縮后數(shù)據(jù)。（6）存儲壓縮數(shù)據(jù)：將壓縮后的數(shù)據(jù)保存到文件中，同時保存編碼表。（7）解壓縮：

讀取壓縮數(shù)據(jù)和編碼表，根據(jù)編碼表轉(zhuǎn)換為像素值，將所有像素值拼接得到解壓縮圖像。8.2.1霍夫曼編碼3.具體實現(xiàn)（1）統(tǒng)計各符號出現(xiàn)概率，并由大到小排隊。（2）編碼：從最小概率的兩符號開始，選其中一個支路為0，另一支路為1。（3）將已編碼的兩支路的概率合并，并重新排隊.（4）多次重復(fù)使用上述方法，直至合并概率歸一時為止。8.2.1霍夫曼編碼4.

Python實現(xiàn)編碼之后的圖像數(shù)據(jù)量與原始圖像數(shù)據(jù)量之比為0.9968.2.2算術(shù)編碼1.算法原理將區(qū)間[0,1）連續(xù)劃分成多個子區(qū)間，每個字符區(qū)間代表一個字符，區(qū)間大小與這個字符出現(xiàn)的概率成正比。消息越長，編碼表示它的間隔就越小，表示這一間隔所需的二進制位就越多。在保留字符排列順序的同時，對于更高頻出現(xiàn)的字符，賦予更大的小數(shù)區(qū)間。無損編碼8.2.2算術(shù)編碼2.算法步驟（1）以二進制的方式讀取文件，計算出文件中不同字節(jié)的頻數(shù)和累計頻數(shù)；（2）按照不同字節(jié)出現(xiàn)的頻率，將[0,1)區(qū)間劃分成若干個子區(qū)間，每個子區(qū)間代表一個上述字節(jié)，區(qū)間的大小正比于這個字節(jié)出現(xiàn)的頻率，且所有的子區(qū)間加起來正好是[0,1)；（3）編碼從初始區(qū)間[0,1)開始，不斷讀入原始數(shù)據(jù)的字符，每讀入一個信號，找到該字符所在區(qū)間，然后把該區(qū)間作為新的區(qū)間間隔，然后按照字符出現(xiàn)的頻率將字符等比例的縮小到最新得到的間隔中；（4）在最新的區(qū)間中重復(fù)步驟（3），繼續(xù)將該區(qū)間進行劃分，不斷重復(fù)這個過程，直到最后信號中的信源信號全部讀完為止，最后將得到的區(qū)間中任意一個小數(shù)以二進制形式輸出即得到編碼的數(shù)據(jù)。8.2.2算術(shù)編碼3.算法實現(xiàn)假設(shè)存在四種信源信號分別為A、B、C、D，概率分別為：0.2、0.3、0.4和0.1。對字符串ACBD進行算術(shù)編碼的過程：8.2.2算術(shù)編碼4.解碼算法假設(shè)存在四種信源信號分別為A、B、C、D，概率分別為：0.2、0.3、0.4和0.1。根據(jù)編碼值0.154判斷其所在的原始區(qū)間在[0,0.2)內(nèi)，可以得到其首位字符為A；按照信源信號概率分布進一步劃定“新的區(qū)間”，并判斷編碼值落在“新的區(qū)間”中的位置，得到第二位字符；重復(fù)以上步驟，直到編碼長度達到要求為止。如果編碼長度不限制的話，可以一直編碼下去，可以無損還原出原始信息。8.2.2算術(shù)編碼5.

Python實現(xiàn)顯示壓縮比為0.7388.2.3行程編碼1.算法原理又稱游程編碼、變動長度編碼或行程長度編碼等，是一種統(tǒng)計編碼。在數(shù)據(jù)圖像的編碼中尋找連續(xù)的重復(fù)數(shù)值，并用出現(xiàn)次數(shù)和顏色編號取代這些連續(xù)的值。例如，一串字母表示的數(shù)據(jù)為“aaaaabbcccddddccddbb”，

經(jīng)過行程編碼處理后可表示為“5a2b3c4d2c2d2b”。8.2.3行程編碼1.算法原理數(shù)字圖像而言，同一幅圖像某些連續(xù)的區(qū)域顏色相同，即圖像中，同一掃描行中許多連續(xù)的像素都具有同樣的顏色值。只要存儲像素的顏色值、相同顏色像素的位置以及相同顏色的像素數(shù)目即可，把具有相同灰度值（顏色值）的相連像素序列稱為一個行程。8.2.3行程編碼2.算法分類行程編碼分為：定長行程編碼和變長行程編碼兩種。（1）定長行程編碼：編碼的行程所使用的二進制位數(shù)固定。如果灰度連續(xù)相等的像素個數(shù)超過了固定二進制位數(shù)所能表示的最值，則進行下一輪行程編碼。（2）變長行程編碼：對不同范圍的行程使用不同位數(shù)的二進制位數(shù)進行編碼，需要增加標(biāo)志位來表明所使用的二進制位數(shù)。8.2.3行程編碼（RunLengthEncoding，RLE)3.算法特點相當(dāng)直觀和經(jīng)濟，運算簡單，解壓縮速度很快。譯碼規(guī)則與編碼時相同，還原后得到的數(shù)據(jù)與壓縮前的數(shù)據(jù)完全相同。RLE所能獲得的壓縮比有多大，取決于圖像本身的特點。RLE一般不直接應(yīng)用于顏色豐富的自然圖像（多灰度圖像），但適合于二值圖像的編碼。無損編碼8.2.3行程編碼（RunLengthEncoding，RLE)3.算法特點有時行程編碼與其他一些編碼方法混合使用。8.2.3行程編碼（RunLengthEncoding，RLE)5.算法缺點缺點：（1）對傳輸差錯很敏感，如果其中一位符號發(fā)生錯誤，就會影響整個編碼序列的正確性，使行程編碼無法還原回原始數(shù)據(jù)，一般要用行同步、列同步