信息论 哈夫曼编码 与 菲诺编码的实现(对一幅BMP格式的灰度图像(个人 证件照片)进行二元霍夫曼编码和译码。并进行编码效率的计算,对一幅BMP格式的灰度图像进行二 元Fano编码、译码 )

信息论 哈夫曼编码 与 菲诺编码的实现(对一幅BMP格式的灰度图像(个人 证件照片)进行二元霍夫曼编码和译码。并进行编码效率的计算,对一幅BMP格式的灰度图像进行二 元Fano编码、译码 )

原始图片
在这里插入图片描述

灰度处理
在这里插入图片描述
编码生成的码表:noldList:
在这里插入图片描述

解码后图片
在这里插入图片描述

编码结果
在这里插入图片描述
fano编码实现

在这里插入图片描述

源码:

哈夫曼编码实现

#Writen by james ruslinimport json
from math import log
from tkinter import *
from PIL import Image
pixelFrequen = {} #全局 字典
nodeList = []
codeList = {}
E1 = NONE
E2 = NONEclass node:def __init__(self, leftChild=None, rightChild=None, father=None, value=0, count=None):self.leftChild = leftChildself.rightChild = rightChildself.father = fatherself.value = valueself.count = countdef calculater(p):return -log(p, 2)*pdef efficient(image):row = image.size[0]col = image.size[1]allnumber = row*colh = 0for key in pixelFrequen.keys():h += calculater(pixelFrequen[key] / allnumber)L = 0for key in pixelFrequen.keys():L += len(codeList[str(key)]) * pixelFrequen[key] / allnumberR = h/Lreturn Rdef toGray(string):im = Image.open(string)im = im.convert('L')im.save('C:/Users/user/Desktop/newGray.bmp')return im       #返回图片‘对象’def counter(list):global pixelFrequenfor i in list:if i in pixelFrequen.keys():pixelFrequen[i] += 1else:pixelFrequen[i] = 1def leafNodes(pixelValue): #通过组合数组,构造叶子for i in range(len(pixelValue)):nodeList.append(node(value=pixelValue[i][1], count=str(pixelValue[i][0])))return nodeListdef sortNodes(nodeList):nodeList = sorted(nodeList, key=lambda node: node.value) #按照node.value对node排序return nodeListdef huffmanTree(nodeList):nodeList = sortNodes(nodeList)while len(nodeList) != 1:left = nodeList[0]right = nodeList[1]new = node()new.leftChild = leftnew.rightChild = rightleft.father = newright.father = newnew.value = left.value + right.valuenodeList.remove(left)nodeList.remove(right)nodeList.append(new)nodeList = sortNodes(nodeList)return nodeListdef huffmanCoder(image):width = image.size[0]height = image.size[1]imMatrix = image.load()list = []for i in range(width):for j in range(height):list.append(imMatrix[i, j])counter(list)global pixelFrequenpixel = pixelFrequenpixel = sorted(pixel.items(), key=lambda item: item[1])  #以列表返回可遍历的(键, 值) 元组数组。leafList = leafNodes(pixel)head = huffmanTree(leafList)[0]  #leafList里的结点相互连接,形成树global codeListfor i in leafList:codingNode = icodeList.setdefault(i.count, "")while codingNode != head:if codingNode == codingNode.father.leftChild:codeList[i.count] = '0' + codeList[i.count]else:codeList[i.count] = '1' + codeList[i.count]codingNode = codingNode.fatherresult = ''for i in range(width):for j in range(height):for key, value in codeList.items():if str(imMatrix[i, j]) == key:result = result + valuefile = open('C:/Users/user/Desktop/result.txt', 'w')file.write(result)file1 = open('C:/Users/user/Desktop/codeList.json', 'w')jsObj = json.dumps(codeList)file1.write(jsObj)print("编码结果已写入文件")def decode(width, height):file = open('C:/Users/user/Desktop/result.txt', 'r')codeGet = file.readlines()[0].strip('\n')len = codeGet.__len__()pixelReturn = []global codeListi = 0current = ""current += codeGet[0]flag = 0while i < len:for key in codeList.keys():if current == codeList[key]:pixelReturn.append(key)flag = 1breakif flag == 1:if i == len - 1:breakelse:i = i + 1current = codeGet[i]flag = 0else:i += 1if i < len:current += codeGet[i]else:breakc = Image.new('L', (width, height))t = 0for i in range(width):for j in range(height):c.putpixel((i, j), (int(pixelReturn[t])))t = t + 1c.save('C:/Users/user/Desktop/ReturnedHuffman.bmp')def core():global E1global E2root = Tk(className='刘畅2017212184')root.geometry("600x600+100+0")  # 800宽度,800高度,x,y坐标,左上角label = Label(root)label['text'] = '二元huffman编码'label.pack()L1 = Label(root, text="图像文件的位置:")L1.place(x=130, y=100, width=100, height=50)E1 = Entry(root, bd=5)E1.place(x=270, y=100, width=300, height=40)L2 = Label(root, text="编码效率为:")L2.place(x=130, y=200, width=100, height=50)E2 = Text(root)E2.place(x=270, y=200, width=150, height=40)button = Button(root, text='开始编码', command=main)# 收到消息执行go函数button.place(x=250, y=400, width=70, height=50)root.mainloop()def main():global E1global E2string = E1.get()print(string)image = toGray(string)huffmanCoder(image)row = image.size[0]col = image.size[1]decode(image.size[0], image.size[1])e = efficient(image)E2.insert(INSERT, str(e))
core()

fano编码实现

# Writen by Liu
import copy
from math import log
from tkinter import *
from PIL import Image
import jsonpixelFrequent = {}#键为像素值,键值为数量
nodeList = []   #存放结点
codeList = {}   #键为像素值,键值为码字
E1 = NONE
E2 = NONEclass Node:def __init__(self, leftChild = None, rightChild = None, father = None, value = 0, count = None):self.leftChild = leftChildself.rightChild = rightChildself.father = fatherself.value = valueself.count = countdef calculater(p):return -log(p, 2)*pdef efficient(image):row = image.size[0]col = image.size[1]allnumber = row * colh = 0for key in pixelFrequent.keys():h += calculater(pixelFrequent[key]/allnumber)L = 0for key in pixelFrequent.keys():L += len(codeList[key])*pixelFrequent[key]/allnumberR = h/Lreturn Rdef toGray(string):im = Image.open(string)im = im.convert('L')im.save('C:/Users/user/Desktop/newGray.bmp')return im       # 返回图片‘对象’def counter(list):  # 对像素字典初始化,键为像素,键值为其对应的数量global pixelFrequentfor i in list:if i in pixelFrequent.keys():pixelFrequent[i] += 1else:pixelFrequent[i] = 1def leafNode(pixelValueList):for i in range(len(pixelValueList)):nodeList.append(Node(value = pixelValueList[i][1], count = pixelValueList[i][0]))return nodeListdef sortNode(codeList):codeList = sorted(codeList, key=lambda Node: Node.value)return codeListdef initcodeList(list):  # list = pixelFrequent(keys())  #初始化编码表,键值为空串global codeListlength = len(list)for i in range(length):codeList.setdefault(list[i], "")def sortList(list):  # 通过字典的键值进行字典的访问排序global pixelFrequentTemplist = sorted(pixelFrequent.items(), key=lambda item: item[1])length = len(Templist)for i in range(length):list.append(Templist[i][0])return listdef FanoProgress(paralist):  # list = pixelFrequent(keys()),对list排序 ,对编码表进行更新,递归list = copy.copy(paralist)global pixelFrequentglobal codeListvalue_all = 0length = len(list)if length == 1:return 0for i in range(length):value_all += pixelFrequent[list[i]]count1 = 0count2 = 0for i in range(int((length*2)/3)):count1 += pixelFrequent[list[i]]distance = 0distance2 = 0if value_all - 2 * count1 > 0:while True:count1 = count1 + pixelFrequent[list[int((length*2)/3)+distance]]distance += 1if value_all - 2 * count1 <= 0:count2 = count1 - pixelFrequent[list[int((length*2)/3)+distance - 1]]breakif abs(value_all - 2 * count1) > abs(value_all - 2 * count2):distance -= 1else:distance -= 0listlower = copy.copy(list)listHigher = copy.copy(list)for i in range(int((length*2)/3) + distance):codeList[list[i]] = codeList[list[i]] + '1'listHigher.remove(list[i])for j in range(int((length*2)/3) + distance, length):codeList[list[j]] = codeList[list[j]] + '0'listlower.remove(list[j])FanoProgress(listlower)FanoProgress(listHigher)elif value_all - 2 * count1 < 0:while True:count1 = count1 - pixelFrequent[list[int((length*2)/3) - distance2-1]]distance2 += 1if value_all - 2 * count1 >= 0:count2 = count1 + pixelFrequent[list[int((length*2)/3) - distance2]]breakif abs(value_all - 2 * count1) > abs(value_all - 2 * count2):distance2 -= 1else:distance2 -= 0listlower = copy.copy(list)listHigher = copy.copy(list)for i in range(int((length*2)/3) - distance2):codeList[list[i]] += '1'listHigher.remove(list[i])for j in range(int((length*2)/3) - distance2, length):codeList[list[j]] += '0'listlower.remove(list[j])FanoProgress(listlower)FanoProgress(listHigher)else:listlower = copy.copy(list)listHigher = copy.copy(list)for i in range(int((length*2)/3)):codeList[list[i]] += '1'listHigher.remove(list[i])for j in range(int((length*2)/3), length):codeList[list[j]] += '0'listlower.remove(list[j])FanoProgress(listlower)FanoProgress(listHigher)def Fanocoder(im):  # 读取像素列表,对应编码表进行编码imMatrix = im.load()width = im.size[0]height = im.size[1]pixelList = []for i in range(width):for j in range(height):pixelList.append(imMatrix[i, j])counter(pixelList)list = []list = sortList(list)initcodeList(list)FanoProgress(list)result = ""  # 编码结果,对每个像素点进行Fano编码for i in range(width):for j in range(height):for key, values in codeList.items():if imMatrix[i, j] == key:result = result + valuesfile = open('C:/Users/user/Desktop/FanoResult.txt', 'w')file.write(result)file1 = open('C:/Users/user/Desktop/FanoCodeList.json', 'w')jsObj = json.dumps(codeList)file1.write(jsObj)print("编码结果已写入文件")def decode(width, height):file = open('C:/Users/user/Desktop/FanoResult.txt', 'r')codeGet = file.readlines()[0].strip('\n')len = codeGet.__len__()pixelReturn = []global codeListi = 0current = ""current += codeGet[0]flag = 0while i < len:for key in codeList.keys():if current == codeList[key]:pixelReturn.append(key)flag = 1breakif flag == 1:if i == len - 1:breakelse:i = i + 1current = codeGet[i]flag = 0else:i += 1if i < len:current += codeGet[i]else:breakc = Image.new('L', (width, height))t = 0for i in range(width):for j in range(height):c.putpixel((i, j), pixelReturn[t])t = t + 1c.save('C:/Users/user/Desktop/Returnedfano.bmp')def core():global E1global E2root = Tk(className='刘畅2017212184')root.geometry("600x600+100+0")  # 800宽度,800高度,x,y坐标,左上角label = Label(root)label['text'] = '二元Fano编码'label.pack()L1 = Label(root, text="图像文件的位置:")L1.place(x=130, y=100, width=100, height=50)E1 = Entry(root, bd=5)E1.place(x=270, y=100, width=300, height=40)L2 = Label(root, text="编码效率为:")L2.place(x=130, y=200, width=100, height=50)E2 = Text(root)E2.place(x=270, y=200, width=150, height=40)button = Button(root, text='开始编码', command=main)# 收到消息执行go函数button.place(x=250, y=400, width=70, height=50)root.mainloop()def main():global E1global E2string = E1.get()image = toGray(string)Fanocoder(image)decode(image.size[0], image.size[1])R = efficient(image)E2.insert(INSERT, str(R))
core()

如果需要实验报告,进行详细的算法解释,以及获取完整的工程,到这里下载

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/508022.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

教你如何使用hexo以及nginx、github搭建属于自己的博客(操心的妈妈级教学)

教你如何使用hexo以及nginx、github搭建属于自己的博客&#xff08;妈妈级教学&#xff09; ~~ 1.解释一下你要的服务器的效果以及对应的操作 ~~ 首先你要有自己的一台服务器&#xff0c;可以是云服务器&#xff0c;或者你可以用自己的电脑作为服务器&#xff0c;&#xff0…

(菜鸟入门)使用pytorch框架实现前馈神经网络

前馈神经网络 常见的前馈神经网络有感知机&#xff08;Perceptrons&#xff09;、BP&#xff08;Back Propagation&#xff09;网络等。前馈神经网络(FNN)是人工智能领域中最早发明的简单人工神经网络类型。各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的…

Windows下如何如何将项目上传至GitHub?

安装git客户端 进入官网&#xff0c;点击右侧下载windows版本的软件包 如果下载慢的话&#xff0c;给一个传送门&#xff0c;可以快速下载&#xff1a; 双击安装 一直点击下一步就可&#xff0c;安装位置可以自己选择一下 Github创建仓库 填写项目名称以及ba…

(pytorch-深度学习系列)pytorch卷积层与池化层输出的尺寸的计算公式详解

pytorch卷积层与池化层输出的尺寸的计算公式详解 注&#xff1a;这篇blog写的不够完善&#xff0c;在后面的CNN网络分析padding和stride详细讲了公式&#xff0c;感兴趣的可以移步这里&#xff1a;卷积神经网络中的填充(padding)和步幅(stride) 要设计卷积神经网络的结构&…

idea创建springboot项目,一直在reading pom.xml

problem&#xff1a;遇到的问题 idea创建springboot项目&#xff0c;一直在reading pom.xml 解决方法有三种&#xff1a; &#xff08;1&#xff09;修改windows配置文件 c;\windows\System32\drivers\etc\hosts将12.0.0.1 localhost前的注释符号#去掉 &#xff08;2&#x…

springboot 项目实战 基本框架搭建(IDEA)

springboot 项目实战 基本框架搭建&#xff08;IDEA&#xff09; IDEA下载 我使用的是破解的专业版IDEA&#xff0c;使用权一直到2089年&#xff1a; 下载IDEA: 下载processional版本&#xff0c;然后百度搜索激活码即可概率激活&#xff0c;如果你不成功就多找几个激活码 配…

使用IDEA 连接mysql数据库,执行sql指令

使用IDEA 连接mysql数据库&#xff0c;执行sql指令 1 配置项目的SQL依赖 首先参考这篇博文&#xff0c;创建springboot的基本框架 在创建项目的过程中&#xff0c;需要选择SQL相关的依赖&#xff0c;如下&#xff1a; SQL勾选&#xff1a;MySQL Driver&#xff0c;JDBC API …

thymeleaf There was an unexpected error (type=Internal Server Error, status=500).

thymeleaf There was an unexpected error (typeInternal Server Error, status500). 使用thymeleaf依赖&#xff0c;无法访问html文件&#xff0c;解决方法有以下几种可能&#xff1a; 1. 未加载thymeleaf依赖&#xff0c;打开pom.xml&#xff0c;加入依赖&#xff1a; <…

org.attoparser.ParseException: Could not parse as expression: “

Caused by: org.attoparser.ParseException: Could not parse as expression: " {field: ‘id’, title: ‘ID’, fixed: ‘left’, unresize: true, sort: true} , {field: ‘number’, title: ‘学号’, edit: ‘number’, sort: true} , {field: ‘name’, title: ‘姓…

(pytorch-深度学习系列)pytorch中backwards()函数对梯度的操作

backwards()函数对梯度的操作 对于一个新的tensor来说&#xff0c;梯度是空的&#xff1b;但当对这个tensor进行运算操作后&#xff0c;他就会拥有一个梯度&#xff1a; x torch.ones(2, 2, requires_gradTrue) print(x) print(x.grad_fn)y x 2 print(y) print(y.grad_fn)…

(pytorch-深度学习系列)pytorch实现线性回归

pytorch实现线性回归 1. 实现线性回归前的准备 线性回归输出是一个连续值&#xff0c;因此适用于回归问题。回归问题在实际中很常见&#xff0c;如预测房屋价格、气温、销售额等连续值的问题。 与回归问题不同&#xff0c;分类问题中模型的最终输出是一个离散值。我们所说的图…

(pytorch-深度学习系列)pytorch实现多层感知机(手动定义模型)对Fashion-MNIST数据集进行分类-学习笔记

pytorch实现多层感知机对Fashion-MNIST数据集进行分类&#xff08;手动定义模型&#xff09; 多层感知机&#xff1a; 多层感知机在单层神经网络的基础上引入了一到多个隐藏层&#xff08;hidden layer&#xff09;。隐藏层位于输入层和输出层之间。 输入和输出个数分别为4和…

(pytorch-深度学习系列)ResNet残差网络的理解-学习笔记

ResNet残差网络的理解 ResNet伴随文章 Deep Residual Learning for Image Recognition 诞生&#xff0c;该文章是MSRA何凯明团队在2015年ImageNet上使用的网络&#xff0c;在当年的classification、detection等比赛中&#xff0c;ResNet均获了第一名&#xff0c;这也导致了Res…

(pytorch-深度学习系列)卷积神经网络LeNet-学习笔记

卷积神经网络LeNet 先上图&#xff1a;LeNet的网络结构 卷积(6个5∗5的核)→降采样(池化)(2∗2的核&#xff0c;步长2)→卷积(16个5∗5的核)→降采样(池化)(2∗2的核&#xff0c;步长2)→全连接16∗5∗5→120→全连接120→84→全连接84→10\begin{matrix}卷积 \\ (6个5*5的核…

(pytorch-深度学习系列)深度卷积神经网络AlexNet

深度卷积神经网络AlexNet 文字过多&#xff0c;但是重点已经标出来了 背景 在LeNet提出后的将近20年里&#xff0c;神经网络一度被其他机器学习方法超越&#xff0c;如支持向量机。虽然LeNet可以在早期的小数据集上取得好的成绩&#xff0c;但是在更大的真实数据集上的表现并…

(pytorch-深度学习)包含并行连结的网络(GoogLeNet)

包含并行连结的网络&#xff08;GoogLeNet&#xff09; 在2014年的ImageNet图像识别挑战赛中&#xff0c;一个名叫GoogLeNet的网络结构大放异彩。它虽然在名字上向LeNet致敬&#xff0c;但在网络结构上已经很难看到LeNet的影子。GoogLeNet吸收了NiN中网络串联网络的思想&#…

(pytorch-深度学习)实现稠密连接网络(DenseNet)

稠密连接网络&#xff08;DenseNet&#xff09; ResNet中的跨层连接设计引申出了数个后续工作。稠密连接网络&#xff08;DenseNet&#xff09;与ResNet的主要区别在于在跨层连接上的主要区别&#xff1a; ResNet使用相加DenseNet使用连结 ResNet&#xff08;左&#xff09;…

(pytorch-深度学习)循环神经网络

循环神经网络 在nnn元语法中&#xff0c;时间步ttt的词wtw_twt​基于前面所有词的条件概率只考虑了最近时间步的n−1n-1n−1个词。如果要考虑比t−(n−1)t-(n-1)t−(n−1)更早时间步的词对wtw_twt​的可能影响&#xff0c;需要增大nnn。 这样模型参数的数量将随之呈指数级增长…

(pytorch-深度学习)使用pytorch框架nn.RNN实现循环神经网络

使用pytorch框架nn.RNN实现循环神经网络 首先&#xff0c;读取周杰伦专辑歌词数据集。 import time import math import numpy as np import torch from torch import nn, optim import torch.nn.functional as Fimport sys sys.path.append("..") device torch.d…

(pytorch-深度学习)通过时间反向传播

通过时间反向传播 介绍循环神经网络中梯度的计算和存储方法&#xff0c;即通过时间反向传播&#xff08;back-propagation through time&#xff09;。 正向传播和反向传播相互依赖。正向传播在循环神经网络中比较直观&#xff0c;而通过时间反向传播其实是反向传播在循环神经…