傅里叶变换图像压缩
傅里叶变换的例子
傅里叶变换的例子介绍傅里叶变换是一种数学工具，用于将一个函数或信号表示为一组正弦和余弦函数的和。
它在信号处理、图像处理、物理学等领域中被广泛应用。
本文将通过几个例子来说明傅里叶变换的应用。
例子1：音频信号处理1.1 音频信号的频谱分析音频信号可以表示为一个时间域的波形，但傅里叶变换可以将其转换为频域的表示。
通过傅里叶变换，我们可以获得音频信号的频谱信息，即不同频率成分的强度。
1.2 使用傅里叶变换进行降噪处理傅里叶变换可以将信号分解为不同频率成分，因此可以通过滤除不需要的频率成分来对信号进行降噪处理。
这在音频处理中非常有用，可以去除环境噪音或其他干扰。
1.3 声音合成傅里叶变换还可以用于声音合成。
通过合成不同频率的正弦波，可以生成具有不同音高和音色的声音。
例子2：图像处理2.1 图像压缩傅里叶变换在图像压缩中起着重要的作用。
通过将图像转换到频域，可以去除高频成分，从而减小图像的大小。
这在JPEG图像压缩算法中被广泛使用。
2.2 边缘检测傅里叶变换也可以用于边缘检测。
边缘通常表示为图像中灰度变化较大的区域，而傅里叶变换可以提取出这些频域上的高频成分，从而定位图像的边缘。
2.3 图像滤波傅里叶变换还可以用于图像滤波。
通过在频域对图像进行滤波操作，可以实现对图像的模糊、锐化、增强等效果。
2.4 图像恢复当图像受到噪声或其他损坏时，傅里叶变换可以帮助我们恢复原始图像。
通过滤波和反变换操作，可以去除噪声或修复损坏的部分。
例子3：物理学应用3.1 信号分析傅里叶变换在物理学中常用于信号分析。
例如，通过对光谱信号进行傅里叶变换，可以分析出不同频率的光型，从而研究物质的光学特性。
3.2 波动方程求解傅里叶变换还可以用于求解波动方程。
通过将波动方程转换为频域，可以简化求解过程，从而得到波动方程的解析解。
3.3 反射和折射傅里叶变换也可以分析光线在不同介质中的反射和折射行为。
通过将光线的波动特性表示为频域上的分布，可以研究光在界面上的反射和透射规律。
图像傅里叶变换
图像傅里叶变换
傅里叶变换（Fourier Transformation）是一种重要的数学工具，用于分析正弦波、矩形波和其他不同类型的函数。
最初，傅里叶变换
是用来解决热力学方程的，但是后来发展成多种多样的应用，其中之
一就是图像处理。
图像傅里叶变换是把图像中的所有信息转换为一组与波频成正比
的数字。
它通过傅里叶公式，把一副图像分割成它的频率和振幅组成
的多个部分，每一部分都表示图像中的一个特征。
图像傅里叶变换的
最重要的应用之一就是进行图像压缩，在这种压缩技术中，可以利用
傅里叶变换将某些低频成分合并，而抛弃某些高频成分，进而减小图
像的数据量，而且没有太多损失。
另外，图像傅里叶变换还可以用来
识别图像中的不同特征，可以用于图像检索、图像处理、图像分类等。
图像傅里叶变换是解决图像处理问题的一种重要手段，它能够使
我们提取图像像素、压缩图像数据和检测图像特征的能力大大提高，
已成为当今图像处理的重要工具。
傅里叶变换的应用
傅立叶变换在图像处理中有非常非常的作用。
因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。
印象中，傅立叶变换在图像处理以下几个话题都有重要作用：1.图像增强与图像去噪绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘；2.图像分割之边缘检测提取图像高频分量3.图像特征提取：形状特征：傅里叶描述子纹理特征：直接通过傅里叶系数来计算纹理特征其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性4.图像压缩可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换；傅立叶变换傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。
连续情况下要求原始信号在一个周期内满足绝对可积条件。
离散情况下，傅里叶变换一定存在。
冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。
棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。
傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。
当我们考虑光时,讨论它的光谱或频率谱。
同样,傅立叶变换使我们能通过频率成分来分析一个函数。
傅立叶变换有很多优良的性质。
比如线性，对称性（可以用在计算信号的傅里叶变换里面）;时移性：函数在时域中的时移，对应于其在频率域中附加产生的相移，而幅度频谱则保持不变；频移性：函数在时域中乘以e^jwt，可以使整个频谱搬移w。
这个也叫调制定理，通讯里面信号的频分复用需要用到这个特性（将不同的信号调制到不同的频段上同时传输）；卷积定理：时域卷积等于频域乘积；时域乘积等于频域卷积（附加一个系数）。
（图像处理里面这个是个重点）信号在频率域的表现在频域中，频率越大说明原始信号变化速度越快；频率越小说明原始信号越平缓。
傅里叶变换在图像处理中的应用
傅里叶变换在图像处理中的应用摘要傅里叶变换是一种重要的信号分析工具，在平稳信号的分析方面具有十分重要的地位，线性系统中，常利用傅里叶变换进行分析和处理。
本文对傅里叶变换和数字图像处理的相关概念进行了介绍，并主要针对傅里叶变换在数字图像处理中的应用进行分析和研究，对图像处理领域的学习很有帮助。
关键词傅里叶变换；信号分析；平稳信号；数字图像处理前言随着信号处理领域的不断发展，越来越多信号分析工具得到了相关学者的研究。
傅里叶变换于19世纪就已经被研究人员提出，在之后的研究和应用中，傅里叶变换也一直是重要的信号处理工具[1-2]。
信息时代的到来使数字图像处理技术也开始飞速进步，它与信号处理等技术息息相关，因此傅里叶变换在图像处理中也得到了重要的应用[3]。
传统的处理方式往往适合在时域对图像进行处理分析，而与傅里叶变换相结合便使图像处理技术得以在频域进行，傅里叶变换常用于线性系统中的处理，因此，可以很好地和图像处理领域相联系，有效提高数字图像处理的效率和精度[4]。
1 傅里叶变换的概述最早在1807年，法国工程师傅里叶首先提出了有关傅里叶级数这一理论，首次提到可以將一个周期性的信号展开成多个复正弦信号相加的形式，这一理论引起了学者们的注意。
十几年之后，傅里叶正式提出了傅里叶变换的概念。
通过傅里叶变换，我们可以将一个信号由时域转换到频域进行信号处理和分析，并且通过傅里叶变换的提出才加深了人们对于频率这个概念的理解。
因此，在傅里叶变换被提出之后，在信号分析领域提出了从频域进行分析这个新思路，使人们对信号的特性进行了一些新的方面的研究。
很多对信号的处理问题以往通过时域分析很难真的得到充分的解释，傅里叶变换这个思路使很多问题变得显而易见。
对于傅里叶变换之后的研究中，出现了关于傅里叶变换的快速算法，使得傅里叶变换更加具有实际应用价值，也对处理离散的数字信号起了重要的作用。
2 基于傅里叶变换的图像处理在对图像进行处理的过程中，图像中包含许多线性变化的元素，而其中的频率便是十分重要的物理量，而这种包含频率信息的元素正适合应用傅里叶变换进行处理，因此，傅里叶变换在图像处理领域得到了广泛的应用。
fft快速傅里叶变换应用场景
fft快速傅里叶变换应用场景一、引言傅里叶变换是信号处理中常用的基本工具之一，它可以将时域信号转化为频域信号，从而对信号进行频谱分析。
但是，传统的傅里叶变换算法计算复杂度较高，对于实时性要求较高的应用场景不太适合。
因此，快速傅里叶变换（FFT）应运而生。
本文将介绍FFT快速傅里叶变换在各种应用场景中的具体应用。
二、图像处理1. 图像压缩图像压缩是指通过某种算法将图像数据压缩到更小的存储空间中，以减少存储空间和传输带宽。
FFT快速傅里叶变换可以将图像从时域转化为频域，然后对频域信息进行压缩。
这样做的好处是可以去除一些高频成分和低频成分，从而减少冗余数据。
2. 图像滤波图像滤波是指通过某种算法对图像进行降噪或增强处理。
FFT快速傅里叶变换可以将图像从时域转化为频域，在频域中进行滤波操作。
例如，在高通滤波器中，可以将低频成分滤除，从而增强图像的高频细节。
三、音频处理1. 音频压缩音频压缩是指通过某种算法将音频数据压缩到更小的存储空间中，以减少存储空间和传输带宽。
FFT快速傅里叶变换可以将音频从时域转化为频域，然后对频域信息进行压缩。
这样做的好处是可以去除一些高频成分和低频成分，从而减少冗余数据。
2. 音乐合成音乐合成是指通过某种算法将多个声音信号合并为一个复合声音信号。
FFT快速傅里叶变换可以将多个声音信号从时域转化为频域，在频域中进行加和操作。
这样做的好处是可以避免在时域中信号相加时出现相位问题。
四、通信领域1. 无线电通信在无线电通信中，FFT快速傅里叶变换被广泛应用于OFDM（正交分组多路复用）调制技术中。
OFDM技术利用FFT技术将高速数据流分割成多个低速子载波，在每个子载波上进行调制和解调，从而提高了无线电信号的传输速率和抗干扰能力。
2. 有线通信在有线通信中，FFT快速傅里叶变换被广泛应用于数字信号处理中。
例如，在数字电视中，FFT技术可以将视频和音频数据分离出来，从而实现高清晰度的视频和清晰的声音。
图像的傅里叶变换
图像的傅里叶变换
图像的傅里叶变换是将图像的像素用时间或频率的形式表示的一种变换方式。
一般来说，图像的每个像素点都可以用其周围的邻居来描述，而傅里叶变换可以对图像中所有的邻居进行变换，有效地减少图像的深度和宽度，使图像更轻巧。
傅里叶变换的一个重要用途便是图像分析和处理，它可以将复杂的信息减缩到更小的空间中，从而使图像变得更容易理解。
比如，使用傅里叶变换可以有效地抽取图像中最重要的特征，例如颜色、对比度、形状等。
此外，傅里叶变换还可以用于图像压缩，通过傅里叶变换可以把复杂的信息转换为高频信号和低频信号，通过减少低频信号可以压缩图像的体积，但这样做不会影响图像的整体清晰度，而是减少了细节的某些程度上。
总而言之，傅里叶变换是一种对图像进行分析和处理的非常有效的方法，可以有效地提取图像中最重要的特征，可以大大减少图像的深度和宽度，并且可以用于图像压缩以及图像处理等任务中，从而大大改善图像的处理效果。
ads 傅里叶变换-概述说明以及解释
ads 傅里叶变换-概述说明以及解释1.引言概述是文章中引言部分的第一个小节，它主要用于介绍和概括整个文章的主题和背景。
在本篇长文中，概述部分的目标是为读者提供关于ADS （傅里叶变换）的基本概念和其在实际应用中的重要性的概览。
以下是概述部分的内容：1.1 概述ADS（Advanced Design System）是一种电子设计自动化软件，它在电子电路设计和分析中扮演着关键的角色。
ADS基于傅里叶变换原理，通过将时域信号转换为频域信号，将复杂的电路分析问题转化为更容易解决的频域分析问题。
傅里叶变换是一种数学工具，用于将一个函数表达式分解成一系列正弦和余弦函数的和。
这种变换能够将信号从时间域转换为频域，揭示出信号中包含的不同频率的成分，从而为电子电路的设计和分析提供了重要的参考依据。
本文将详细介绍傅里叶变换的概念和原理，并探讨其在ADS中的具体应用。
首先，我们将对傅里叶变换的基本概念进行解释，包括正向傅里叶变换和逆向傅里叶变换的定义和数学推导。
接着，我们将深入探讨傅里叶变换在电子电路设计和分析中的应用，包括滤波器设计、频率响应分析等方面。
通过这些实际案例，我们将展示ADS作为一种强大的分析工具，如何利用傅里叶变换帮助工程师们更好地设计和优化复杂的电子电路。
总之，本文旨在为读者介绍傅里叶变换在ADS中的应用以及其在电子电路设计和分析中的重要性。
通过深入理解傅里叶变换的原理和应用，我们可以更好地利用ADS这一工具，在电子领域取得更好的设计和分析效果。
接下来，我们将会详细探究傅里叶变换的概念和其在电子电路中的实际应用，以期展望傅里叶变换的未来发展。
1.2文章结构文章结构部分内容如下：1.2 文章结构本文将按照以下结构进行叙述：第一部分为引言，包括概述、文章结构和目的。
在这部分中，将介绍对于ADS（傅里叶变换）这一主题的基本了解，以及文章的整体结构和分析目的。
第二部分是正文，分为傅里叶变换的概念和傅里叶变换的应用两个部分。
傅里叶变换及其在图像处理中的应用
傅里叶变换及其在数字图像处理中的应用王家硕 学号：1252015一、 Fourier 变换1. 一维连续傅里叶变换设 f (x)为x 的实变函数，如果f (x)满足下面的狄里赫莱条件： （1）具有有限个间隔点。
（2）具有有限个极点。
（3）绝对可积。
则 f (x )的傅里叶变换（Fourier Transformation ，FT ）定义为: Fourier 正变换：dt e t f t f f F t j ⎰+∞∞--==ωω)()]([)(；Fourier 逆变换：ωωπωd e f t F f t f t j ⎰∞+∞---==)(21)]([)(1，式中：1-=j ，ω 为频域变量。
f (x )与F (w )构成傅里叶变换对，可以证明傅里叶变换对总是存在的。
由于f (x )为实函数，则它的傅里叶变换F (w )通常是复函数，于是F (w )可写成F (w ) = R (w ) + j I (w ) (1)式中：R (w )和I (w )分别是F (w )的实部和虚部。
公式1可表示为指数形式：式中：F (w ) 为f (x )的傅里叶幅度谱，f (w )为f (x )的相位谱。
2. 二维连续傅里叶变换如果二维函数f (x , y )是连续可积的，即∞<⎰⎰+∞∞-dxdy y x f |),(，且F (u , v )是可积的，则二维连续傅里叶变换对可表示为：dt e y x f v u F t j ⎰⎰+∞∞--+∞∞-=ω),(),(dt e v u F y x F t j ⎰⎰∞+∞-∞+∞-=ω),(),(对于图像 f (x, y)，F(u, v)是它的频谱。
变量u 是对应于x 轴的空间频率，变量v 是对应于y 轴的空间频率，与在一维的情况类似，可定义二维傅里叶变换的幅度谱和相位谱为：3.一维离散傅里叶变换对一个连续函数f (x)等间隔采样可得到一个离散序列。
设共采样N个，则这个离散序列可表示为{ f (0), f (1), f (2), , f (N -1)}。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
傅里叶变换图像压缩————————————————————————————————作者：————————————————————————————————日期：ＤSP实验进度汇报组员：汪张扬、任艳波、陈雪松、谢聪、沈旭任务分配：汪张扬由于考Ｇ,上周没有任务,沈旭负责自制二值图像的处理，陈雪松和谢聪负责其他图片的处理,任艳波负责搜集图像压缩评价的相关材料以下为简要概括:读入图像进行傅里叶变换和压缩原始程序：a=imreａd(＇d:\１.jpｇ');b=figｕre;ｉｍshow（ａ);tiｔle（'原始图像');F=fft2(ａ）;F_mｍ＝abs(Ｆ);fiｇｕrｅ；imshow(F）;tｉtle('原始幅度谱'）；Fshift＝fftｓｈiｆt（F）；Ｆ_m=abs(Fshiｆt);ｆｉguｒe;ｉｍshow(F_ｍ);ｔitle('幅度谱');F_p＝ａnｇle(Fｓhｉfｔ);ｆｉguｒe;imshow（Ｆ_p）;title(＇相位谱＇）；Ｔ=＠fft2;B1=blkproc（a,[8 ８]，Ｔ);%将图像分块为８×8矩阵进行处理fｉguｒe;imshｏw(ａ);ｔiｔle(＇原始图像')；mask=[１０0 ００0 000 10 0 0 0 0 0０0 1 ００0 0 ００0 0 1 ００0 0００0 0 ０００00 0０0 0 1 0 00 0 0 000 1 0０0 0 0 ０0 ０1];％与该矩阵相乘去掉中间行,即高频部分B2＝ｂlkproc(B1,[88］,'P1*x',mask)；fun=@ｉfft２；F3=blkproc(Ｂ2,[88],fun)；F＝mａt2graｙ(F３);fｉgure;iｍshow(F);ｔitｌe('压缩87．５%的图像');刚开始的原始图像:傅里叶变换后的原始幅度谱: 取高频点后的图像：原始图像原始幅度谱取对数后的频谱图：图像进行取整后的i ＝imrea ｄ(＇d:\１.jpg'); fi ｇure(1); ｉmsho ｗ(i ）； c ｏlo ｒbar; j=ｆft ２(i); k=fftshift(j ）; h ＝floor(k);n ＝ifft2(h)/２55;figure(3);ｍ=imr ｅsize(n,2);ｉmsho ｗ(m,[]）；colorba ｒ压缩87.5%的图像取小幅值为零:ｉ=ｉm ｒe ａd （＇ｄ:\1．j ｐg'); ｆig ｕr ｅ(１）; i ｍsh ｏｗ（ｉ)； c ｏlorbar; ｊ=fft ２(i);k=ｆｆtshift(j)；k(abs(ｋ)<１)＝0;g=ｉfft2(k ）／255;ｆigure(2);h=ｉｍresize(g,２);imsh ｏw(h ）;ｃo ｌo ｒｂａr结论：二维黑白图像的压缩主要有三种方式：取整，让小幅值为零,或者利用矩阵的变换只取某些变换后的值进行重建，如矩阵的左上角为低频部分,取它即可。
取整重建将黑色部分变白了，小幅值变换将白色部分变黑了。
-0.8-0.6-0.4-0.200.20.40.60.8 00.10.20.30.40.50.60.70.80.91二、实验前后的结构比较(一)、自然景观（1）、原图：（2)、更改DFＴ系数为整数，做IDFT 观察图像的变化更改DFT 系数为整数figuｒe2更改后时域与原时域的误差为0(3)、更改小幅值的ＤＦT 系数为０，做ＩDFＴ变化观察图像的变化更改小幅度频谱系数为0 fｉgure3更改后时域与原时域的误差为147１.6８06２42515此处取频谱虚实部中最大值的０.0005 作为取零的阈值。
(二）、人物照片（1)、原图（2）、更改DFT 系数为整数,做IDＦT 观察图像的变化更改DFT 系数为整数figuｒｅ２更改后时域与原时域的误差为0（3)、更改小幅值的DFＴ系数为０，做ＩDＦT 变化观察图像的变化更改小幅度频谱系数为0 fｉgure3更改后时域与原时域的误差为１３4９.14３７062１138此处取频谱虚实部中最大值的０．0005作为取零的阈值。
(三)、卡通图片（1）、原图(2)更改DFT系数为整数,做IDFT观察图像的变化更改ＤFT系数为整数：figurｅ2更改后时域与原时域的误差为0（３)、更改小幅值的DＦT 系数为0,做IDＦＴ变化观察图像的变化更改小幅度频谱系数为0 ｆｉgure3更改后时域与原时域的误差为2５46.此处取频谱虚实部中最大值的０.0005 作为取零的阈值。
三、实验分析与说明（1）、实验中图片频谱中的小幅度部分需要探讨，此处取的是最大值的0.0005倍。
（２)、实验中原图取自jｐg格式的rgb彩色图。
（3）、实验的结果图也已ｊpg格式存储(4）、ｊpg格式本身就是采用了频谱取整取零技术。
四、实验结论(１)、实验中小幅度的阈值不能取得太大,否则图片会失真。
本次试验去的是0.00０5倍，出现较明显的失真；实验中发现取为0.0001,就几乎看不出失真。
(2）、关于频谱取整，我想应该是要将4字节的douｂle变成2字节的inｔ，可以节省约5０%的存储空间。
而且从本次实验可以看出频谱取整几乎不失真。
（３)、关于频谱小幅度取零,这个阈值需要根据具体图片来确定,或者寻找自适应的阈值;以为它对图片的失真度和压缩率也起主要作用。
阈值太小,越不容易失真，但要压缩率也越小;阈值太大，越容易失真，但压缩率也越大。
(４)、自然景观、人物照片、卡通图片这三类对同意阈值的敏感度不同;下附实验代码：下面是对对片的处理的全部代码，图片名K1.jｐg为待处理的图片;%2）更改ＤFT 系数为整数，做IＤＦＴ观察图像的变化；%3)更改小幅值的DFＴ系数为0，做IＤFT 变化观察图像的变化。
%4）选取不同类型（自然景观、人物照片、卡通图片）的实际图片重复上述处理并分析结果；cｌose alｌ；format long ｇA3＝imrｅaｄ（'K１.jpg＇);%原图gA3=rgb2gｒay（Ａ3);%原灰度图disｐ（'原图fiｇure1 ')ｆigure;imｓｈｏw(ｇA3);%更改DFT系数为整数f＿gＡ3=ｆft２(gA3);%频谱int_ｆ_gA3=int32(f_ｇA3）;%频谱取整inｔ_gA3=uint8(ifft２（int_f_ｇA3)）;%反变换fｉgｕre;imsｈow(inｔ_gA3);tｈltaＡ3=doｕble(inｔ_ｇＡ3-gA3)；nzｅro=numel(find(tｈltａＡ3));disｐ('更改ＤFT系数为整数ｆigｕｒe2 '）dｉｓp（'更改后时域与原时域的误差为')ｉf ｎzero>1disp（ｎorm(thｌtaA3）);elｓedisp(＇0');ｅnd%更改小幅值的DFT系数为０maxA3ｒeａl=ｍax(ｍaｘ(rｅaｌ（ｆ_gA3）))；mａｘA3imaｇ＝max（maｘ(ｉmag(f_gA3)）);mａｘA３=ｍａxA3ｒeａl;if maxA3＜maxA３imagmaxA3=maxA3iｍａg;ｅndｚ_f_gA3=ｆ_gＡ3；ｆoｒm＝1:siｚe(f_gＡ3，1）ｆoｒn=1:sizｅ(f＿ｇA3,2）if abs(f_gA3（m,n）)<mａxA3＊0.0０05ｚ_f_gA３（m，n) =０;ｅnｄendendｚ_gA3=uiｎｔ8(ｉfｆｔ2(ｚ_f_gＡ3));fｉgｕｒe;iｍｓｈｏw(z_gＡ3);％更改小幅度频谱系数为0后的图像thltaA3＿z＝ｄｏuble(z_ｇA3-gＡ3)；ｎzerｏ_z＝ｎumel（fiｎd（thltaA３＿z)）;disp(＇更改小幅度频谱系数为0 figure3 ')dｉsp(＇更改后时域与原时域的误差为＇)if nｚero_z>1dｉｓp(ｎoｒm（tｈltａＡ3_z));eｌｓedisp('0');ｅndｆormat shoｒt搜集有关评价压缩图像的标准的资料及评价的算法实现;学习Matlaｂ中与图像处理有关的常用函数的使用图像压缩的主要指标1、编码效率:包括图象压缩比(ＣＲ)、每象素所用的比特数（ｂpp)、每秒所需的传输比特数（bps)等；其中，CR=原始图像大小/压缩后图像大小。
设：n1和n２是在两个表达相同信息（图片)的数据集中，所携带的单位信息量。
压缩率(压缩比):CR = n１/ ｎ2ﻩﻩ其中,n１是压缩前的数据量,n2是压缩后的数据量相对数据冗余:RD = 1–1/ＣR2.重建图象质量，包括客观度量和主观度量。
（１) 客观度量:即图象的逼真度,可考虑为原图象与重建图象的差值。
如果把压缩后图像表示为原图像和噪声的叠加，即用ｆ(x,y）表示原图像，g(ｘ,y）表示压缩后图像,e(x,ｙ)表示噪声,则可有ｆ（x,y)- g（x,ｙ)=e(x,y)。
其中x取值为0-－M－1之间的整数,y取值为0－-N-1之间的整数。
均方误差:MＳＥ={}[]{}222),(),(),(yxgyxfEyxee-=E=σ=[]211),(),(1∑∑-=-=-MxNyyxgyxfMNMＳE值越小,保真度越好。
峰值信噪比PSNＲ=⎪⎪⎭⎫⎝⎛22255log10eσ信噪比)(SNR=),(),(22yxeyxfx y x y∑∑∑∑=∑∑∑∑-x yx yyxgyxfyxf22)],(),([),(均方根信噪比越大，保真度越好。
ﻩ（２）主观度量：即通过人们的主观测试来评价系统的质量，包括二元判决(即“接受”和“不可接受”）、主观PSNR、平均判分、等偏爱度曲线、多维计分（MDＳ）等。
MＡTＬAB中求均值、方差的函数实现:1、Ｍaｔlａｂ中使用ｍｅan２（H）来求矩阵H中所有元素的均值。
如在命令行输入：A－aveｒaｇe=meａn2(A-ｇrａy）即可得灰度图各像素点均值。
2、Mａtlab中提供标准差计算函数std（）和ｓtd2（),两个函数的使用方法如下:Ｓ=std(X）Ｓ=ｓｔｄ２(X)S=sｔd(X,flag,dim)我们可以通过ｓtｄ2(）函数来计算二维图像中各点像素的标准差。
如在命令行输入stｄ2(Ａ-gｒay）即可求得灰度图各像素点的标准差。
３、Ｍatlab中提供了方差计算函数ｖar(）,可以方便地计算矩阵的方差，函数的使用方法如下：在命令行中输入ｖar(doubｌe(A_ｇｒay（：)))即可求得灰度图各像素点的方差。
4、信噪比SNＲｐ1=mean２（f*f)p2＝ｍean2(ｅ*ｅ）SＮR=p1/p2我们的下一步计划：(１）、探究取整，即变为1的倍数,变为向ｋ的倍数取整;（2）、探究小幅度的阈值的规律；(3）、探究不同类图片的差别,和同一类图片的共性;（4）、可已考虑从计算机原理上来要压缩数据，如系数矩阵的压缩存储等；(5)、其他频谱处理技术;(6）、其他压缩技术，不仅是频域压缩,而且可以了解一下时域压缩；（7)、滤波器对特殊图片的处理;（８）、自然景观背景不能模糊,所以可能阈值不能取太高;人物照片关注脸部特征，所以背景可以适当模糊,阈值可以取得相对较大一点。