✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
传统的静止图像压缩编码主要包括 JPEG 和 JPEG2000，基于深度学习的图像压缩编码近年来发展活跃，而且，基于神经网络的更通用的压缩框架可能能够更快地适应那些不断变化的任务和环境。本文主要针对 JPEG、JPEG2000 以及自动编码器这三种静止图像压缩编码方案进行了原理介绍、流程分析、编程实现和性能对比。从性能上看，基于深度学习的自动编码器在图像压缩方面具有很大的潜力，而且，自动编码器也符合端到端通信的需求，这方面的工作将会对之后的研究打造一定的基础。
传统通信技术已经发展到了 5G，在第一、二代移动通信技术中，主要的业务是语音，然而自从 3G 以后，通信业务推广为包含语音、数据与图像的多媒体业务。随着 4G 的出现，移动互联网加速形成，如今，短视频业务已经随处可见。据爱立信最新移动性报告数据，移动视频流量每年增长约 50%，到 2023 年占据全部移动数据流量的 75%。
伴随着越来越多的图像与视频业务，通信资源变得越来越匮乏，我们知道，图像或者视频如果不经压
缩直接传输的话，将会占用极大的带宽资源，早在上世纪 90 年代，联合图像专家组（Joint PhotographicExperts Group，即 JPEG）就推出了一种静止图像压缩编码标准，简称 JPEG。自从它在 1992 推出以来，如今已经成为世界上使用最广泛的图像压缩标准以及使用最广泛的数字图像格式，截至 2015 年每天产生数十亿张 JPEG 图像。JPEG2000 是有联合图像专家组于 2000 年左右提出的新的图像压缩编码标准，旨在取代基于原始离散余弦变换的 JPEG 标准。但是由于 JPEG2000 在很多 Web 浏览器中都不支持，所以其在Internet 上用得较少。需要注意的是，本文仅关注静止图像的有损压缩。
无论是 JPEG 还是 JPEG2000，其本质都是对图像进行了特定的变换（离散余弦变换或者离散小波
变换），之所以这些变换能起作用，是因为人眼对低频图像信号的变换相比高频部分更加敏感，因此
可以采取保持低频的质量，压缩高频的方法来对图像进行一定程度的压缩。然而这些变换都可以被理
解为一种人工干预的变换，采用的是事先设计好的各种滤波器，这样的做法是有效的，但却不一定是
最优的选择。
近年来，深度学习技术成为一种强大的方法，可以从数据中自动学习特征表示。在 2012 年，
Krizhevsky 等人提出了一种称为 AlexNet 的深度卷积神经网络（DCNN），该技术在大规模视觉识别
挑战赛（ILSVRC）中获得了创纪录的图像分类精度。从那时起，计算机视觉大多数方面的研究重点
一直集中在深度学习方法上。AlexNet 网络的成功，除了庞大的数据集以及高性能的计算能力以外，
良好的特征提取网络在目标检测中也至关重要。这个特征提取网络，既做到了特征的自动提取，又具
有非常好的性能。尝试将深度学习的方法应用到通信领域，许多端到端的通信架构被研究者提出。从
本质上看，传统静止图像压缩技术中的变换操作，可以和深度学习网络中的特征提取网络进行对比，
于是，能否设计一种更加高效的网络来实现图像的特征变换，进而实现压缩呢？答案是肯定的，自动
编码器就是一种非常有效的端到端图像压缩框架。
⛳️ 运行结果
📣 部分代码
function y=initializeContextHL(~)
%% function initializeContextHL.m
% Description：
% 该函数用于初始化HL与LH子带对应的上下文信息
%%
y(1,1,1) = 0;
y(1,1,2) = 1;
y(1,1,3) = 2;
y(1,1,4) = 2;
y(1,1,5) = 2;
y(1,2,1) = 5;
y(1,2,2) = 6;
y(1,2,3) = 6;
y(1,2,4) = 6;
y(1,2,5) = 6;
y(1,3,1) = 8;
y(1,3,2) = 8;
y(1,3,3) = 8;
y(1,3,4) = 8;
y(1,3,5) = 8;
y(2,1,1) = 3;
y(2,1,2) = 3;
y(2,1,3) = 3;
y(2,1,4) = 3;
y(2,1,5) = 3;
y(2,2,1) = 7;
y(2,2,2) = 7;
y(2,2,3) = 7;
y(2,2,4) = 7;
y(2,2,5) = 7;
y(3,1,1) = 4;
y(3,1,2) = 4;
y(3,1,3) = 4;
y(3,1,4) = 4;
y(3,1,5) = 4;
y(3,2,1) = 7;
y(3,2,2) = 7;
y(3,2,3) = 7;
y(3,2,4) = 7;
y(3,2,5) = 7;
y(3,3,1) = 8;
y(3,3,2) = 8;
y(3,3,3) = 8;
y(3,3,4) = 8;
y(3,3,5) = 8;
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
)
