CN101777191B - 一种基于信噪分离的成像光谱图像快速矢量量化编码方法 - Google Patents

Abstract

本发明公开了一种基于信噪分离的成像光谱图像快速矢量量化压缩方法，由成像光谱仪完成成像光谱数据的采集，并将待压缩图像的光学信号转化为数字图像信号，存储于采集设备存储器中；通过USB、红外接口读入图像，在处理器中进行基于信噪分离的成像光谱图像快速矢量量化有损压缩压缩结果直接存储在本地硬盘，或通过网络存储设备进行网络存储；包括对原始数据进行信噪分离步骤，采用基于特征值的波段截取方法截取信噪比高的波段步骤，利用快速矢量量化方法对所截取的波段进行压缩编码步骤。该方法利用噪声自适应主成分变换进行信噪分离，并使用改进的快速矢量量化进行高效的压缩编码，结构简单易用，压缩效率高，在较高的压缩比下获得较好的图像质量。

Description

一种基于信噪分离的成像光谱图像快速矢量量化编码方法

技术领域

本发明涉及一种成像光谱图像的压缩方法，特别涉及一种图像处理领域的基于信噪分离的成像光谱图像快速矢量量化压缩方法。

背景技术

遥感，即遥远的感知，它是一种在远离或不与目标对象直接接触的情况下，通过某种平台上装载的传感器获取有关特征信息，然后进行提取、处理及应用分析的综合性技术。它集中了空间、电子、光学、计算机、生物和地学等学科的最新成就，是现代高新技术的重要组成部分。

成像光谱技术是20世纪80年代迅速发展起来的一种新的遥感技术。它以纳米级的超高光谱分辨率在几十甚至上百个波段同时获取地物辐射信息。随着成像光谱技术的发展，其呈现出空间、光谱分辨率不断提高的特点，相应的数据规模呈几何级数增长。这使得遥感平台有限的传输、存储资源与海量遥感数据之间的矛盾日益突出，从而制约了它的广泛应用。基于此，成像光谱图像的压缩显得尤为重要。

通常数据压缩技术可分为两大类：无损压缩(lossless compression)技术和有损(lossycompression)压缩技术。无损压缩技术是利用数据的统计冗余进行压缩，数据在编码过程中不丢失任何信息，解码时可完全恢复原始数据而不引入任何失真，但压缩率受到数据统计冗余度的理论限制，一般不超过3∶1，难以满足应用需求。而本发明采用的有损压缩方法，允许压缩过程中损失一定的在未来分析和应用中不重要的信息；虽然不能完全恢复原始数据，但是所损失的部分对理解原始图像的影响较小，同时换来了压缩比的大幅提高。

为了适应图像编码技术的广泛应用，国际标准化组织也制定了一系列的图像压缩标准，如JPEG，JPEG-LS，JPEG2000等，其中JPEG2000的有损压缩效率最高。但是上述国际标准大都是针对普通图像，而缺乏对成像光谱图像的针对性，因此直接用于成像光谱图像压缩效果不甚理想。

成像光谱图像的主要特点主要有以下几个方面：

1)多谱段，空间、光谱分辨率高

2)空间相关性相对较弱

3)谱间相关性强

4)相似地物具有相似光谱曲线

5)获取代价昂贵，具有长期保存价值

针对这些特点目前主流的成像光谱图像有损压缩方法有以下三种：基于预测的方法、基于正交变换的方法以及基于矢量量化的方法。而这些有损压缩算法通常源于普通图像的压缩技术，在压缩过程中未能对数据中的有效信息和噪声区别对待。而成像光谱图像受采集环境和设备等条件的制约，所获取的数据中往往存在大量的噪声，这些噪声应该成为有损压缩技术所损失的重点所在。据此，本发明设计并实现了一种基于信噪分离的成像光谱图像快速矢量量化编码方法。

发明内容

本发明目的在于，在于通过提供一种基于信噪分离的成像光谱图像快速矢量量化压缩方法，采用噪声自适应主成分变换对原始图像数据进行信噪分离，进而依据所提出的基于特征值的波段截取方法截取变换后信噪比较高的波段，采用一种改进的快速矢量量化算法对所截取的波段进行编码，从而实现一种高效的基于信噪分离的快速矢量量化编码。

本发明采用如下技术手段实现的：

由成像光谱仪完成成像光谱数据的采集，并将待压缩图像的光学信号转化为数字图像信号，存储于采集设备存储器中；通过USB、红外接口读入图像，在处理器中进行基于信噪分离的成像光谱图像快速矢量量化有损压缩：其特征在于：压缩结果直接存储在本地硬盘，或通过网络存储设备进行网络存储；包括对原始数据进行信噪分离步骤，采用基于特征值的波段截取方法截取高信噪比波段步骤，利用快速矢量量化方法对所截取的波段进行压缩编码；

所述的信噪分离步骤中，采用噪声自适应主成分变换方法(即最小噪声分离变换)，变换后的波段将图像中的有效信息集中在靠前的少数波段中；

所述的基于特征值的波段截取中，利用噪声自适应主成分变换后得到的一组描述了变换后对应波段信噪比高低的特征值，该特征值依据其在一定范围内均值的相对减小量确定波段截取的位置；

所述的快速矢量量化中，将变换后所截取的图像数据以单个像素点为单位，每个像素点为一个像素矢量，之后采用快速矢量量化方法进行压缩；

成像光谱图像压缩包括下述步骤：

计算机从存储设备读入成像光谱图像，整个图像用一个三维数组的形式进行表示；

对原始图像进行噪声自适应主成分变换，并将变换矩阵写入压缩码流，同时将所得到的特征值序列存入一个一维矩阵；

依据所提出的基于特征值的波段截取方法从变换后波段中提取信噪比高的波段；

对所提取的波段进行快速矢量量化，并将所得到的码书写入压缩码流，同时使用一种低复杂度无损压缩方法(即JPEG-LS国际标准中采用的LOCO-I无损压缩方法)对所得到的码字索引进行无损压缩；

压缩后的数据输出到缓存器，直接在本地进行存储或通过网络存储设备进行远程传输等操作；

以上操作结束后，关闭成像光谱图像文件。

前述的对原始数据进行信噪分离的步骤如下：

读入成像光谱图像数据；

提取原始图像的噪声，对噪声分量进行第一次主成分分析，并使所得到特征值矩阵单位化，得到变换矩阵P；

将原始图像与P相乘后进行第二次主成分分析，得到变换矩阵Q，之后将P与Q相乘得到噪声自适应主成分变换矩阵T_MNF。

将原始图像与T_MNF相乘后得到噪声自适应主成分变换后数据，同时将变换矩阵写入压缩码流，并且将第二次主成分分析所得到的特征值序列存入一个一维数组中。

前述的基于特征值的波段提取方法步骤如下：

首先设定阈值T；

计算特征值在一定范围内的均值，计算方法如下式：

$V_{\mathrm{mean}}\left(j\right)=\frac{\underset{i=j\×n}{\overset{j\×(n+1)-1}{\mathrm{\Σ}}}V\left(i\right)}{n}---\left(1\right)$

V(i)表示变换后每个波段所对应的特征值，其中i表示波段数。首先将V按先后顺序每n个分为一组，之后计算所有组中V的均值，V_mean(j)表示第j组V的均值；

计算连续两个V_mean之间的相对减少量R_d，计算方法如下式：

$R_d=\frac{V_{\mathrm{mean}}\left(j\right)-V_{\mathrm{mean}}(j+1)}{V_{\mathrm{mean}}\left(j\right)}---\left(2\right)$

确定变换后图像波段截断位置，通过所设定阈值T，当R_d值小于T时，则确定截断点为(n+1)×j。

前述的快速矢量量化方法如下：

读入经过噪声自适应主成分变换和波段截取的图像数据；

设定码书大小N并初始化码书和训练矢量，同时设定迭代次数和相对误差门限ε；

依据训练矢量，采用改进的快速码书设计算法训练矢量量化码书；

本发明提出的改进的快速码书设计方法是对快速码书设计方法的改进。

原始快速码书设计方法其特点有如下两点：

首先，通过设定特定的判别条件，跳过了LBG每次迭代中大量失真测度的计算。判别条件如下式：

$d(X_i,Y_J^k)<d_{\min }^{k-1}\left(i\right)---\left(3\right)$

第二，当不满足式(3)的时候，对于每个训练矢量X_i，需要重新计算该矢量到更新后各码字的平方误差以寻找最优的胞腔划分，此时采用一种部分距离计算方法进一步降低了每次平方误差的计算。

本发明针对原始快速算法的第二部分进行了改进。

在进行部分距离计算之前，本发明将部分距离计算中一个重要的初始值d_partial设定为d(X_i，Y_J ^k)，摒弃了以∞作为初始值的原始方法，从而进一步降低部分距离计算所需要的计算复杂度，进一步加快了矢量量化码书设计的速度。

根据所得到的码书，为每一个像素矢量依据最小平方误差准则搜索最优匹配码字，并形成码字索引；

使用一种低复杂度无损压缩方法对码字索引进行压缩；

将压缩后的码字索引和上述步骤中得到的码书写入压缩码流；

本发明与现有技术相比，具有以下明显的优势和有益效果：

本发明首先采用噪声自适应主成分变换对原始数据进行信噪分离，从而将图像的有用信息集中在少数波段，进而提出一种基于特征值的波段截取方法截取信噪比高的波段进行压缩，而其余波段则直接丢掉，以达到降维和压缩的目的，之后提出一种改进的快速矢量量化算法对所截取的波段进行压缩编码，之后对所得到的码字索引采用一种低复杂度无损压缩方法进行无损压缩，最后将矢量量化码书、压缩后的码字索引、噪声自适应主成分变换矩阵写入压缩码流。

整个方法结构简单易用，压缩效率高，实验结果表明，无论在重建图像的PSNR值还是纹理保持均优于JPEG2000国际标准，在较高的压缩比下获得较好的图像质量。

附图说明：

图1为成像光谱图像压缩总体示意图；

图2为成像光谱图像压缩流程图；

图3为噪声自适应主成分变换示意图；

图4为相关矩阵示意图；

图5为改进的快速码书设计方法。

具体实施方式：

以下结合说明书附图，对本发明的实施例加以详细说明：

本发明的系统框图见图1。首先由成像光谱仪完成成像光谱数据的采集，将目标图像的光学信号转化为数字图像信号，存储在采集设备存储器中；计算机通过现有的USB、红外等接口读入图像，在处理器中进行基于多模式预测的成像光谱图像有损压缩；所得结果可以直接存储在本地硬盘，或通过网络存储设备进行网络存储，也可经由宽带IP网进行远程传输，在异地实现解码和恢复。本技术的核心在于基于信噪分离的成像光谱图像快速矢量量化有损压缩的实现，其主要包括信噪分离，基于特征值的波段截取和改进的快速矢量量化：

(一)信噪分离

成像光谱图像受采集环境和设备等条件的制约，所获取的数据中往往存在大量的噪声，而其存在的噪声应该成为有损压缩损失的重点所在。本发明使用GREEN等提出的噪声自适应主成分变换对原始图像进行信噪分离。其本质上是两次叠置处理的主成分分析，并且它是一种正交变换，变换后的各元素互不相关。其与主成分分析的区别在于：变换后的数据按照信噪比而非方差从大到小排列，第一分量集中了大量的信息，随着维数的增加，影像质量逐渐下降，因而该变换具有信噪分离的作用。

(二)基于特征值的波段截取

由噪声自适应主成分变换原理可知，变换矩阵的每个列向量对应一个特征值，它表征了变换后对应波段信噪比的高低。本发明依据噪声自适应主成分变换这一特性提出了一种基于特征值的波段截取算法。以特征值在一定范围内平均值的相对减少量来确定波段的截断位置。

(三)改进的快速失量量化

成像光谱图像中，任意一个空间采样点的光谱可以用一个像素矢量表示，并且相似的地物具有相似的光谱曲线，所以矢量量化被看作是一种高效的成像光谱图像压缩方法。而码书设计是矢量量化压缩中最重要的一环。LBG是一种经典的码书设计算法，它可以达到很好的压缩质量，但其计算复杂度巨大，限制了其应用。Qian提出了一种快速码书设计方法在不降低LBG算法压缩质量的同时大大降低了其计算复杂度。本发明在Qian算法的基础上提出了一种改进的快速码书设计方法，实验结果表明所提算法进一步将计算复杂度降低了约20％到30％。

本发明的总体流程图见图2，主要包括下述步骤：

计算机从存储设备读入成像光谱图像，整个图像用一个三维数组表示，设为Y；

对成像光谱图像进行噪声自适应主成分变换，变换过程如图3所示，具体步骤为：

1)首先对对成像光谱图像进行高通滤波，以获取其噪声分量；

2)对所获取的噪声分量进行第一次主成分分析；

主成分分析的主要步骤为：

首先计算不同波段之间的相关系数并组成相关系数矩阵，相关系数矩阵如图4所示。

其中

表示第m和第n波段之间的相关系数；

其中

计算方法如下式：

${\mathrm{\&rho;}}_{X_m{X}_n}=\frac{\mathrm{Cov}(X_m,X_n)}{\sqrt{D\left(X_m\right)}\sqrt{D\left(X_n\right)}}=\frac{\underset{i=1}{\overset{H}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{W}{\mathrm{\&Sigma;}}}[X_m(i,j)-{\mathrm{\&mu;}}_{X_m}][X_n(i,j)-{\mathrm{\&mu;}}_{X_n}]}{\sqrt{\underset{i=1}{\overset{H}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{W}{\mathrm{\&Sigma;}}}{[X_m(i,j)-{\mathrm{\&mu;}}_{X_m}]}^2}\sqrt{\underset{i=1}{\overset{H}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{W}{\mathrm{\&Sigma;}}}{[X_m(i,j)-{\mathrm{\&mu;}}_{X_m}]}^2}}---\left(1\right)$

其中，H和W分别表示图像的高度和宽度，i和j分别表示像素所在的行和列，X_m和X_n分别表示两个波段获取的图像噪声，以下简称波段噪声，

和

分别表示波段X_m和X_n的像素均值，D(X_m)、D(X_n)为波段X_m、X_n的方差，Cov(X，Y)为波段X_m和波段X_n之间的协方差，为波段X_m和X_n之间的相关系数。

之后求取此相关矩阵的特征值和特证向量；

3)在得到噪声特征值和特征向量后，进一步使其特征值矩阵单位化，从而得到变换矩阵P。

4)将P与原始图像相乘，之后对所得到数据再进行一次主成分分析(具体过程如前述)，得到变换矩阵Q，将Q与P相乘得到噪声自适应主成分变换矩阵T_MNF，同时将这次主成分分析所得到的特征值存储到一个一维数组V中。

5)将T_MNF与原始图像相乘得到变换后图像数据，并将T_MNF写入压缩码流。

采用基于特征值的波段截取方法确定波段截取位置，具体步骤为：

1)依据式2计算特征值在一定范围内的平均值。

$V_{\mathrm{mean}}\left(j\right)=\frac{\underset{i=j\&times;n}{\overset{j\&times;(n+1)-1}{\mathrm{\&Sigma;}}}V\left(i\right)}{n}---\left(2\right)$

其中V(i)表示V中第i个特征值。首先将V按先后顺序每n个分为一组，之后计算所有组中V的均值，V_mean(j)表示第j组V的均值；

2)计算连续两个V_mean之间的相对减少量R_d；

$R_d=\frac{V_{\mathrm{mean}}\left(j\right)-V_{\mathrm{mean}}(j+1)}{V_{\mathrm{mean}}\left(j\right)}---\left(3\right)$

3)设定阈值T，当相对减少量小于T时，则认为后续波段的特征值变化比较平稳，已维持在较低的值，则选择该值对应的波段数(n+1)×j作为截断点；

4)确定波段截取位置后，只保留截断点之前的波段，其余波段直接抛弃；

采用改进的快速矢量量化对所截取的波段进行压缩，具体步骤如下：

1)设定码书大小N并初始化码书和训练矢量，同时设定迭代次数和相对误差门限ε；

2)依据训练矢量，采用改进的快速码书设计算法训练矢量量化码书；

改进的快速码书设计算法如图5，其中x表示训练矢量，y表示码书矢量，具体步骤如下：

i、读入一个训练矢量x_i，判断是否为第一次迭待，是则转IV，不是则继续。

ii、从内存中读入上次迭待，即k-1次迭待中记录的最优码字序号index和最小部分距离d_min。

iii、计算x_i到y_index的最小平方误差d^k(x_i，y_index)，如果d^k(x_j，y_index)小于此前内存中的d_min，认为此训练矢量没有改变最优码书，则将d^k(x_i，y_index)存入内存作为更新的d_min，并且转入步骤I，否则进入步骤IV。

iv、判断是否为第一次迭待，如果是则将最小部分距离初始值d_partial设置为无穷大，否则设定为d^k(x_i，y_index)。

v、对x_i采用最小部分距离准则寻找最优码书矢量，之后要将内存中的i_ndex和d_min更新。

vi、判断i是否大于训练矢量的个数，如果是，则转入步骤VII，若不是则转入步骤I。

vii、依据最优码书条件，更新码书。

viii、依据平方误差准则计算平均失真，当相对平均失真小于门限ε时，则转入步骤X，否则转入步骤IX。

ix、判断此时迭待次数是否小于此前设定的值，如果是则转入步骤X，否则将i值重新设定为1并转入步骤I。

x、算法结束，将得到的码书存入内存。

3)根据得到的码书，依据最小平方误差准则为每一个像素矢量搜索最优的匹配码字，并最终形成码书索引；

4)使用一种低复杂度无损压缩方法对码字索引进行压缩；

5)将压缩后的码字索引和上述步骤中得到的码书写入压缩码流；

将压缩码流输出到缓存器，可以直接在本地进行存储或通过网络存储设备进行远程传输等操作。

关闭原始成像光谱图像文件，关闭压缩程序。

测试图像为飞机搭载的成像光谱仪获取的128波段OMIS-I成像光谱图像。计算机处理主要是通过现有的USB接口或网络存储设备读入采集到的图像，存入到硬盘，成像光谱图像的有损压缩通过软件实现。

下面结合具体实例详细描述压缩的过程，参见图2。在计算机中完成以下程序：

第一步：计算机通过USB接口或网络读入OMIS-I图像；

第二步：对读入成像光谱图像进行噪声自适应主成分变换，具体步骤如下；

1)使用高通滤波器提取成像光谱图像噪声；

2)对所提取的噪声进行第一次主成分分析，并使其特征值矩阵单位化，从而得到变换矩阵P。

3)将原始数据与P相乘，之后再对得到的数据进行一次主成分分析得到变换矩阵Q，将P与Q相乘得到噪声自适应主成分变换矩阵T_MNF，同时将得到的一组特征值存入一维数组Vectlist中。

4)将T_MNF与原始图像相乘得到变换后图像数据，并将T_MNF写入压缩文件MNF_VQ.dat中。

第三步：采用基于特征值的波段截取方法确定波段截取位置，具体步骤为：

1)依据式2计算Vectlist中存储的特征值在一定范围内的平均值。

2)根据式3计算两个连续均值的相对减少量R_d，当其小于所设定的阈值T时，则得到截断位置为(n+1)×j；

第四步：采用改进的快速矢量量化对所截取的波段进行压缩，具体步骤如下：

1)读入经过噪声自适应主成分变换和波段截取的图像数据；

2)设定码书大小N并初始化码书和训练矢量，同时设定迭代次数和相对误差门限ε；

3)依据训练矢量，采用改进的快速码书设计算法训练矢量量化码书；

4)根据所得到的码书，为每一个像素矢量依据最小平方误差准则搜索最优匹配码字，并形成码字索引；

5)使用一种低复杂度无损压缩方法对码字索引进行压缩；

6)将压缩后的码字索引和上述步骤中得到的码书写入文件MNF_VQ.dat中；

第五步：将压缩文件MNF_VQ.dat存储在本地的硬盘中。

第六步：打印：“Compression completed！”

第七步：关闭用户要压缩的文件以及经压缩后的文件。

为了检验本发明所提出的方法性能，将本发明的试验结果与目前最优的有损压缩标准JPEG-2000进行了比较。试验结果显示，采用本发明，在相同压缩比前提下，恢复图像的PSNR值有明显提高。并且本方法可以更好的保持原始图像的纹理信息。

Claims (4)

1.一种基于信噪分离的成像光谱图像快速矢量量化编码方法，由成像光谱仪完成成像光谱数据的采集，并将待压缩图像的光学信号转化为数字图像信号，存储于采集设备存储器中；通过USB、红外接口读入图像，在处理器中进行基于信噪分离的成像光谱图像快速矢量量化有损压缩；其特征在于：压缩结果直接存储在本地硬盘，或通过网络存储设备进行网络存储；包括对原始数据进行信噪分离步骤，采用基于特征值的波段截取方法截取高信噪比波段步骤，利用快速矢量量化方法对所截取的波段进行压缩编码步骤；

所述的信噪分离步骤中，采用噪声自适应主成分变换方法，变换后的波段将图像中的有效信息集中在靠前的少数波段中；

所述的基于特征值的波段截取中，利用噪声自适应主成分变换后得到的一组描述了变换后对应波段信噪比高低的特征值，该特征值依据其一定范围内均值的相对减小量确定波段截取的位置；

所述的快速矢量量化中，将变换后所截取的图像数据以单个像素点为单位，每个像素点为一个像素矢量，之后采用快速矢量量化方法进行压缩；

成像光谱图像压缩还包括下述步骤：

计算机从存储设备读入成像光谱图像，整个图像用一个三维数组的形式进行表示；

对原始图像进行噪声自适应主成分变换，并将变换矩阵写入压缩码流，同时将所得到的特征值序列存入一个一维矩阵；

依据所提出的基于特征值的波段截取方法从变换后波段中提取信噪比高的波段；

对所提取的波段进行快速矢量量化，并将所得到的码书写入压缩码流，同时使用低复杂度无损压缩算法对所得到的码字索引进行无损压缩；

压缩后的数据输出到缓存器，直接存储在本地硬盘或通过网络储存设备进行网络存储；

以上操作结束后，关闭成像光谱图像文件。

2.根据权利要求1所述的基于信噪分离的成像光谱图像快速矢量量化编码方法，其特征在于：所述的信噪分离步骤包括：

读入成像光谱图像数据；

提取原始图像的噪声，对噪声分量进行第一次主成分分析，并使所得到特征值矩阵单位化，得到变换矩阵P；

将原始图像与P相乘后进行第二次主成分分析，得到变换矩阵Q，之后将P与Q相乘 得到噪声自适应主成分变换矩阵T_MNF；

将原始图像与T_MNF相乘后得到噪声自适应主成分变换后数据，同时将变换矩阵写入压缩码流，并且将第二次主成分分析所得到的特征值序列存入一个一维数组中。

3.根据权利要求1所述的基于信噪分离的成像光谱图像快速矢量量化编码方法，其特征在于：所述的采用基于特征值的波段截取方法截取信噪比高的波段步骤包括：

设定阈值T；

计算特征值在一定范围内的均值，计算方法如下式：

V(i)表示变换后每个波段所对应的特征值，其中i表示波段数；首先将V按先后顺序每n个分为一组，之后计算所有组中V的均值，V_mean(j)表示第j组V的均值；

计算连续两个V_mean之间的相对减少量R_d，计算方法如下式：

确定变换后图像波段截断位置，通过所设定阈值T，当R_d值小于T时，则确定截断点为(n+1)×j。

4.根据权利要求1所述的基于信噪分离的成像光谱图像快速矢量量化编码方法，其特征在于：所述的采用快速矢量量化方法进行压缩，其矢量量化采用快速码书设计方法：

设定判别条件如下式：

表示在k-1次迭代过程中训练矢量X_i的最小平方误差， 表示X_i到k-1次迭代后更新的第J个码字 

的平方误差，平方误差的计算方法如下式：

满足式(3)时，认为Y_J仍然为训练矢量X_i的最优匹配，则无需寻找其最优的胞腔划分；

若不满足，对于每个训练矢量X_i，需要重新计算该矢量到更新后各码字的平方误差以寻找最优的胞腔划分，此时采用一种部分距离计算方法进一步降低了每次平方误差的计算； 

在进行部分距离计算时，将最小部分距离初始值d_partial设定为 

矢量量化算法的具体步骤如下：

读入经过噪声自适应主成分变换和波段截取的图像数据；

设定码书大小N并初始化码书和训练矢量，同时设定迭代次数和相对误差门限ε；

依据训练矢量，采用改进的快速码书设计算法训练矢量量化码书；

根据所得到的码书，为每一个像素矢量依据最小平方误差准则搜索最优匹配码字，并形成码字索引；

使用一种低复杂度无损压缩算法对码字索引进行压缩；

将压缩后的码字索引和上述步骤中得到的码书写入压缩码流。 

Images