CN104486628A - 一种具有抗误码机制的帧间无损编码与智能解码方法 - Google Patents

Abstract

本发明公开了一种具有抗误码机制的帧间无损编码与智能解码方法，包括：星上编码步骤：获取序列图像f；把图像f_k,k＝1,2,...划分成互不重叠的子块；令第3j+1,j＝0,1,...帧图像为参考帧图像，进行分块JPEG-LS编码；而第3j+2和3j+3帧图像参考第3j+1帧图像进行帧间无损编码；每K个子块后插入一组EDC信息形成检错码流；进行RS(m,n)纠错编码；在压缩码流中加入每帧的压缩帧头和帧尾。地面解码步骤：采用距离最小化准则从码流中搜索压缩帧头并提取一帧的压缩码流；在帧头中提出多份压缩参数信息；进行RS(m,n)解码；搜索EDC识别码；第3j+1帧每个子块独立进行JPEG-LS解码，而第3j+2和3j+3帧图像参考第3j+1帧图像进行帧间解码，并拼接成完整的图像。本发明方法不仅对序列图像的压缩效果较好，而且利用RS方法可以很好地纠正误码。

Description

一种具有抗误码机制的帧间无损编码与智能解码方法

技术领域

本发明属于图像处理与信号传输相结合的交叉科技技术领域，具体涉及一种具有抗误码机制的帧间无损编码与智能解码方法。

背景技术

随着星载成像载荷种类和分辨率的提高，在有效观测时间段内卫星获取的图像数据量越来越大。受地面接收站地理分布、星上存储资源、下传带宽能力等限制，海量的图像数据给卫星数据管理造成极大的压力，进行星载图像压缩是解决该问题的必然选择。卫星图像获取的代价较高，并且图像数据本身也是非常重要的，因此，一般星载压缩系统常采用JPEG-LS无损压缩技术。

JPEG-LS是针对连续色调图像无损压缩的ISO/ITU标准，是对静止图像实现了低复杂度和高压缩比的有效统一，然而星载成像传输技术中，活动的图像是卫星关注的主要对象。卫星图像是由时间上以帧周期为间隔的连续图像组成的时间图像序列。序列图像中，图像在时间上比在空间上通常具有更大的相关性，有时相邻两帧图像的差别仅仅是目标的移动，如图1所示。传统的帧间差分编码方法和具有运动补偿的帧间预测方法把图像划分成许多互不重叠的、相同大小的子块，不同子块利用时间维冗余在参考帧中自适应选择一个最优的模板，如图2所示，采用这个模板进行预测，使子块内的累计预测误差绝对值最小。如果图像空间细节很少或者目标运动量较小时，传统帧间编码方法的编码效率很高，但当图像的空间细节丰富时，有时子块的帧间相关性比帧内相关性还差，传统帧间编码方法的编码效率则相对较低。

在星地传输通信时，由于传输介质的开放性使得信号极易受外界环境的干扰，导致压缩码流传输过程中出现误码。基于预测的帧内或帧间无损编码方法对误码现象非常敏感，即使一个比特的错误也会导致错误严重扩散，因此必须采取相应的措施提高码流数据的抗误码能力。一般在数据传输通信中，可以采用重传协议来保证数据的可靠传输。然而，对于卫星通信，重传并不可行。这一方面是由于卫星通信有实时性要求，另一方面卫星图像编码后的数据量大，反复重传会导致信道堵塞。地面解压缩系统对存在误码的压缩码流进行解码，致使解压缩图像与真实的卫星观测图像出现误差，给卫星图像分析和解释以及后续的应用造成很大的困难。

综上所述，需要研究新的数字图像处理技术，来提高序列图像的压缩比，并提高压缩码流的抗误码能力。

发明内容

本发明的目的在于提供一种具有抗误码机制的帧间无损编码与智能解码方法，该帧间无损编码方法弥补了传统压缩方法只是利用序列图像帧内或帧间相关性的盲目性，充分利用序列图像在空间和时间上的相关性，从而能有效地提高序列图像的编码效率。同时本发明提出的方法在信源编码时通过引入分块技术和检纠错编码技术弥补了传统星载压缩算法对星地传输过程中出现误码现象比较敏感的问题。

在具体介绍本发明之前，先介绍一些概念和方法：

1)检纠错(Error Detection and Correction,EDC)编码：把图像分成M×N大小的子块，每个子块独立进行编码，然后统计该子块变长压缩码流的特征信息，例如码流长度，因此又称为块检错编码。

2)RS(m,n)纠错编码：RS码是一类具有很强纠错能力的多进制BCH码，既能纠正随机错误也能纠正突发错误。RS(m,n)编码每次针对n字节的码流计算出m-n字节的校验信息，添加在n字节码流后组成m字节的RS校验码流。

3)距离R：为了从压缩码流中准确地辨识出识别码，我们定义两者距离R为：

$R(a,b)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|a_{\mathrm{ij}}{-b}_{\mathrm{ij}}\right|$

其中a_ij表示第i个压缩码流的第j位二进制数据，而b_ij表示识别码的第i个符号的第j位二进制数据。

本发明提出的一种具有抗误码机制的帧间无损编码与智能解码方法，其步骤包括：

(1)星上编码步骤：

(1.1)利用星载成像系统获取序列图像f，把每一帧图像f_k,k＝1,2,...划分成互不重叠且大小为M₁×M₂的子块f_k,i,i＝1,2,...S,umI，SumI为子块总数，M₁，M₂为预设值；

(1.2)令步骤(1.1)中第3j+1,j＝0,1,...帧图像为参考帧图像，进行分块JPEG-LS编码；而第3j+2和3j+3帧图像参考第3j+1帧图像进行基于空间-时间多预测模式的无损编码；并统计每个子块压缩码流的EDC信息。基于空间-时间多预测模式的无损编码包括如下子步骤：

(1.2.1)在参考帧f_3j+1中搜索当前子块f_e,i,e＝3j+2或3j+3；i＝1,2,...,SumI的最佳匹配块，获得运动矢量(m₀,n₀)；

(1.2.2)根据上述运动矢量(m₀,n₀)，对当前子块f_e,i中每个像素f_e,i(m,n)利用三个基本预测器分别进行预测，得到预测的像素值(m,n),d∈[1,2,3]；

(1.2.3)计算当前子块f_e,i中所有像素的累积预测误差绝对值SAD^d：

${\mathrm{SAD}}^d=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|{\stackrel{-}{x}}_k^d(m,n)-x_k(m,n)|,d\∈\left[\mathrm{1,2,3}\right]$

其中，x_k(m,n)＝f_e,i(m,n)

(1.2.4)选择使累积预测误差绝对值最小的预测器作为该子块的固定预测器：

$\mathrm{mode}=\arg \underset{d=\mathrm{1,2,3}}{\min }\left\{{\mathrm{SAD}}^d\right\}$

(1.2.5)利用步骤(1.2.4)求得的固定预测器对当前子块f_e,i中每个像素f_e,i(m,n)进行预测，然后对预测误差采用基于上下文的Golomb熵编码，从而得到压缩码流。

(1.3)每K个子块后插入一组EDC信息，并初始化Golomb编码计数器A[.],B[.],C[.],N[.]，K为预设值；

(1.4)对步骤(1.3)获得的检错码流(检错码流含图像压缩码流和EDC信息)进行RS(m,n)纠错编码；

(1.5)在步骤(1.4)获得的压缩码流前加入每帧的压缩帧头，而在其压缩码流后加入每帧的压缩帧尾。

(2)地面解码步骤：

(2.1)采用模式识别中的距离最小化准则从码流中搜索压缩帧头，并提取一帧的压缩码流；

(2.2)在帧头中提出多份压缩参数信息，统计对应比特位，再进行筛选得到分块参数、近无损度、图像序号、图像的行和列信息；

(2.3)对步骤(2.1)获得的压缩数据进行RS(m,n)解码；

(2.4)在步骤(2.3)获得的数据中搜索EDC识别码，并对对应比特位统计的结果进行筛选，得到正确的EDC检错信息；

(2.5)利用步骤(2.4)提取的EDC信息分割压缩码流得到每个子块的码流；

(2.6)如果该帧序号t属于{3j+1,j＝0,1},.，..则每个子块独立进行JPEG-LS解码；否则该帧的每个子块参考第帧独立进行帧间解码。每K个子块解码后初始化Golomb解码计数器A[.],B[.],C[.],N[.]，并拼接成完整的图像。

进一步地，星上编码步骤(1.2.2)中的三个基本预测器具体为：

(1.2.2.1)预测器1：该预测器不考虑参考帧的像素信息，仅利用当前帧内的相邻像素进行预测：

${\stackrel{-}{x}}_k^1=a_k+b_k-c_k$     其它

其中T₁∈[10,20]和T₂∈[10,20]分别为门限阈值；

(1.2.2.2)预测器2：该预测器用到参考帧中的像素，利用运动矢量(m₀,n₀)得到的邻近像素对该像素进行预测，最后再线性加权修正，即：

$x_k^1=x_{k-1}+b_k-b_{k-1}$

$x_k^2=x_{k-1}+a_k-a_{k-1}$

$x_k^3=a_k+b_k-c_{k-1}$

由上述三个预测值的平均值作为预测结果：

(1.2.2.3)预测器3：该预测器假设相邻两帧图像中对应像素的预测误差非常接近，于是利用参考帧中对应像素的预测误差对当前像素进行预测，具体形式为：

$\stackrel{-}{x}=a_{k-1}+b_{k-1}-c_{k-1}$

${\stackrel{-}{x}}_k=a_k{+b}_k{-c}_k$

其中对上述预测模板中各像素的定义为：

a_k-1＝f_3j+1(m-m₀,n-n₀-1)    a_k＝f_e,i(m,n-1)

b_k-1＝f_3j+1(m-m₀-1,n-n₀)    b_k＝f_e,i(m-1,n)

c_k-1＝f_3j+1(m-m₀-1,n-n₀-1)    c_k＝f_e,i(m-1,n-1)

d_k-1＝f_3j+1(m-m₀-1,n-n₀+1)    d_k＝f_e,i(m-1,n+1)

x_k-1＝f_3j+1(m-m₀,n-n₀)    x_k＝f_e,i(m,n)。

传统压缩方法JPEG-LS只是利用图像空间相关性，而帧间差分和具有运动补偿的帧间预测编码方法只是利用序列图像在时间维的相关性，因此这些压缩方法对序列图像的压缩效果不好。在星地传输通信过程中，传输介质的开放性使得信号极易受到外界环境的干扰。传统基于预测的帧内或帧间星载无损压缩系统要么直接丢失该帧压缩码流；要么在图像压缩编码之后再加上纠错编码减少误码出现的概率，出现误码后同样舍弃该帧压缩码流。本发明所提出的具有抗误码机制的帧间无损编码与智能解码方法综合了图像在空间和时间上的相关性来改进预测方式，把图像分成若干子块，对不同子块自适应选择最优预测方式进行预测，从而使预测器对图像不同特征的区域具有自适应性；并且在星上编码过程中引入分块技术和检纠错技术，地面解码时引入模式识别中的距离最小化准则并合理利用检纠错信息，因此本发明提出的具有抗误码机制的帧间无损编码与智能解码方法不仅对序列图像的压缩效果较好，而且利用RS方法可以很好地纠正误码，即使不能完全纠正也可以利用EDC信息把误码现象造成的解码错误限制在局部子块内。

附图说明

图1是帧间差分预测失效的示例图；

图2是运动估计基本原理示意图；

图3是卫星图像的编解码处理及其应用示意图；

图4是本发明中基于空间-时间多预测模式的无损压缩流程图；

图5是压缩输出帧格式简图；

图6是本发明中基于空间-时间多预测模式的无损压缩预测模板；

图7是EDC信息的校验存放示意图；

图8是采用模式识别中的距离最小化准则从码流中智能化地辨识帧头的示意图；

图9是RS纠错结构图；

图10是实验流程图；

图11是测试序列图像；

图11(a)-(b)是8bits的卫星序列图像第一帧示例；

图11(c)-(d)是10bits的卫星序列图像第一帧示例；

图11(e)-(f)是12bits的卫星序列图像第一帧示例；

图12是图11(a)完整的卫星序列图像；

图13(a)是JPEG-LS方法、具有运动补偿的帧间编码方法、LOCO-3D、本发明提出的压缩方法把序列测试图像图11划分成16×16子块的平均压缩柱状图；

图13(b)是JPEG-LS方法、具有运动补偿的帧间编码方法、LOCO-3D、本发明提出的压缩方法把序列测试图像图11划分成16×32子块的平均压缩柱状图；

图14是图像划分成16×16的子块进行基于空间-时间多预测模式的无损压缩时三个基本预测器所占的比重图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明通过研究新的星载压缩算法，来提高序列图像的压缩比，降低星载成像系统存储和传输数据的压力；以及在星上信源编码时引入分块技术和检纠错编码技术，而地面解码时引入模式识别中的距离最小化准则并合理利用检纠错信息，从而较好地解决误码的问题，如图3所示。

如图4和图5所示，本发明提供了一种抗误码机制的帧间无损编码与智能解码方法，其步骤包括：

(1)星上编码步骤：

(1.1)利用星载成像系统获取序列图像f，把每一帧图像f_k,k＝1,2,...划分成互不重叠且大小为M₁×M₂的子块f_k,i,i＝1,2,...S,umI，SumI为子块总数，M₁，M₂为预设值；

(1.2)令步骤(1.1)中第3j+1,j＝0,1,...帧图像为参考帧图像，进行分块JPEG-LS编码；而第3j+2和3j+3帧图像参考第3j+1帧图像进行基于空间-时间多预测模式的无损编码；并统计每个子块压缩码流的EDC信息。基于空间-时间多预测模式的无损编码包括如下子步骤：

(1.2.1)在参考帧f_3j+1中搜索当前子块f_e,i,e＝3j+2或3j+3；i＝1,2,...,SumI的最佳匹配块，获得运动矢量(m₀,n₀)；

(1.2.2)对当前子块f_e,i中每个像素f_e,i(m,n)利用三个基本预测器分别进行预测，下面先介绍一些基本定义，如图6所示为本发明中基于空间-时间多预测模式的无损压缩预测模板中各像素的定义：

a_k-1＝f_3j+1(m-m₀,n-n₀-1)    a_k＝f_e,i(m,n-1)

b_k-1＝f_3j+1(m-m₀-1,n-n₀)    b_k＝f_e,i(m-1,n)

c_k-1＝f_3j+1(m-m₀-1,n-n₀-1)    c_k＝f_e,i(m-1,n-1)

d_k-1＝f_3j+1(m-m₀-1,n-n₀+1)    d_k＝f_e,i(m-1,n+1)

x_k-1＝f_3j+1(m-m₀,n-n₀)    x_k＝f_e,i(m,n)

(1.2.2.1)预测器1：该预测器不考虑参考帧的像素信息，仅利用当前帧内的相邻像素进行预测：

${\stackrel{-}{x}}_k^1=a_k+b_k-c_k$     其它

其中T₁∈[10,20]和T₂∈[10,20]分别为门限阈值。预测器1主要针对图像场景变化较大或目标移动导致帧间相关性较小的情况。

(1.2.2.2)预测器2：该预测器用到参考帧中的像素，利用运动矢量(m₀,n₀)得到的邻近像素对该像素进行预测，最后再线性加权修正，即：

$x_k^1=x_{k-1}+b_k-b_{k-1}$

$x_k^2=x_{k-1}+a_k-a_{k-1}$

$x_k^3=a_k+b_k-c_{k-1}$

由上述三个预测值的平均值作为预测结果：

(1.2.2.3)预测器3：该预测器假设相邻两帧图像中对应像素的预测误差非常接近，于是利用参考帧中对应像素的预测误差对当前像素进行预测，具体形式为：

$\stackrel{-}{x}=a_{k-1}+b_{k-1}-c_{k-1}$

${\stackrel{-}{x}}_k=a_k{+b}_k{-c}_k$

(1.2.3)计算当前子块f_e,i中所有像素的累积预测误差绝对值SAD^d：

${\mathrm{SAD}}^d=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|{\stackrel{-}{x}}_k^d(m,n)-x_k(m,n)|,d\∈\left[\mathrm{1,2,3}\right]$

其中，x_k(m,n)＝f_e,i(m,n)

(1.2.4)选择使累积预测误差绝对值最小的预测器作为该子块的固定预测器：

$\mathrm{mode}=\arg \underset{d=\mathrm{1,2,3}}{\min }\left\{{\mathrm{SAD}}^d\right\}$

(1.2.5)利用步骤(1.2.4)求得的固定预测器对当前子块f_e,i中每个像素f_e,i(m,n)进行预测，然后对预测误差采用基于上下文的Golomb熵编码，从而得到压缩码流。

(1.3)每K个子块后插入一组EDC信息(K为预设值，实例中K优选取值为17)，组成图5中第3层数据，并初始化Golomb编码计数器A[.],B[.]C,[.N],。[.]由于码流长度因压缩比不同而变化，故定义为变长数据区。其中EDCn为第n个块的EDC信息，为防止误码破坏EDC信息，将EDC信息重复存放a次(a为预设值，实例中a优选取值为3)。考虑到压缩效率以及误码集中出现的特殊情况，将EDC信息存放的位置进行优化处理，即将同一个EDC信息存放在该帧码流的a个不同位置上，因此我们设计为每完成K个子块的EDC信息统计就向压缩码流中插入一次EDC信息，每次插入a组(每K个分块的EDC信息为1组)的EDC信息，如图7所示。解码时根据a选的策略筛选得到正确的EDC信息。

(1.4)图5中第2层是对第3层可变数据区进行RS(m,n)纠错编码。每次针对第3层数据截取n字节的码流计算出m-n字节的校验信息，添加在n字节码流后输出。每帧最后不足n字节的码流用最后一个字节的数据补齐至n字节，实例中m取值为255，n取值为223。

(1.5)图5中第1层在第2层的基础上添加帧头信息和帧尾信息，得到最终的压缩码流。实例中帧头信息包括16字节的帧识别码、1字节的分块参数、1字节的近无损度、2字节的图像序号(注图像序号采用循环记录)、2字节的图像行计数和2字节的图像列计数。由于帧头信息特别重要，因此重复保存5份。

(2)地面解码步骤：

(2.1)采用模式识别中的距离最小化准则从码流中搜索压缩帧头，并提取一帧的压缩码流，如图8所示，假设当前待识别的码流为Code1，Code2,Code3,….，辨别容忍干扰距离(WR)为4，则Code2为压缩帧头；

(2.2)在帧头中根据g(实例中g取值为5)选的策略筛选得到分块参数、近无损度、图像序号、图像的行和列信息；

(2.3)对步骤(2.1)获得的压缩数据进行RS(m,n)解码，得到图5中第3层数据，该层仅包含图像压缩码流和各分块的EDC信息。RS译码的结构图如图9所示，主要包括5个模块部分：伴随式计算、关键方程求解、钱氏(Chien)搜索计算错误位置、福尼(Forney)算法求错误值和错误纠正。

(2.4)在第3层数据中采用距离最小化准则搜索EDC识别码，并根据a选的策略筛选得到正确的EDC检错信息；

(2.5)利用步骤(2.4)提取的EDC信息分割压缩码流得到每个子块的码流；

(2.6)如果该帧序号t属于{3j+1,j＝0,1},.，..则每个子块独立进行JPEG-LS解码；否则该帧的每个子块参考第帧独立进行空间-时间多预测解码。每K个子块解码后初始化Golomb解码计数器A[.],B[.],C[.],N[.]，并拼接成完整的图像。

对图11中的测试序列图像进行无损压缩对比实验，其结果如图13所示，实验结果反映了本发明提出的基于空间-时间多预测模式的帧间无损压缩方法利用序列卫星图像在空间和时间上的相关性，于是获得较高的压缩率；而且随着编码分块的增大，由于保存子块选择基本预测器的信息和编码时填充的像素越少，因此压缩比越高。

附图14和表1所示的实验结果反映了本发明提出的基于空间-时间多预测模式的帧间无损压缩方法会根据当前子块的实际情况在三个基本预测器中自适应地选择最优的预测模式，从而达到最佳的编码效果。

表1是图像划分成16×16的子块进行基于空间-时间多预测模式的无损压缩时三个基本预测器所占的数目。

表1

抗误码仿真实验时，只需对图11中的测试图像压缩编码一次，然后对压缩码流循环注入误码，组成待解码的文件，再进行大规模解码实验，具体的流程如图10所示。将有误码的码流进行EDC+RS检纠错解码后，得到的熵编码码流与没有添加误码的熵编码码流进行比较可以统计得到纠错后的误比特数；以及将解码图像和原图进行对比，统计得到解码图像的误像素率。20次仿真实验图11(a)的平均统计结果如表2所示。

表2

从表2中所示的结果可以看出RS纠错编码具有出色的纠错能力，但是在高误码率条件下(超出RS纠错能力)也存在未能纠正的错误码流。为了防止误码扩散，利用EDC信息隔离误码是非常有必要的，因此EDC+RS检纠错方式可以达到较好的性能。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (7)

1.一种具有抗误码机制的帧间无损编码与智能解码方法，其特征在于，所述方法包括如下步骤：

(1)星上编码步骤：

(1.1)利用星载成像系统获取序列图像f，把每一帧图像f_k,k＝1,2,...划分成互不重叠且大小为M₁×M₂的子块f_k,i,i＝1,2,...S,umI，SumI为子块总数，M₁，M₂为预设值；

(1.2)令步骤(1.1)中第3j+1,j＝0,1,...帧图像为参考帧图像，进行分块JPEG-LS编码；而第3j+2和3j+3帧图像参考第3j+1帧图像进行基于空间-时间多预测模式的无损编码；并统计每个子块压缩码流的EDC信息；

(1.3)每K个子块后插入一组EDC信息，并初始化Golomb编码计数器A[.],B[.],C[.],N[.]，K为预设值；

(1.4)对步骤(1.3)获得的检错码流进行RS(m,n)纠错编码；

(1.5)在步骤(1.4)获得的压缩码流前加入每帧的压缩帧头，而在其压缩码流后加入每帧的压缩帧尾。

(2)地面解码步骤：

(2.1)采用距离最小化准则从码流中搜索压缩帧头，并提取一帧的压缩码流；

(2.2)在帧头中提出多份压缩参数信息，统计对应比特位，再进行筛选得到分块参数、近无损度、图像序号、图像的行和列信息；

(2.3)对步骤(2.1)获得的压缩数据进行RS(m,n)解码；

(2.4)在步骤(2.3)获得的数据中搜索EDC识别码，并对对应比特位统计的结果进行筛选，得到正确的EDC检错信息；

(2.5)利用步骤(2.4)提取的EDC信息分割压缩码流得到每个子块的码流；

(2.6)如果该帧序号t属于{3j+1,j＝0,1},.，..则每个子块独立进行JPEG-LS解码；否则该帧的每个子块参考第帧独立进行帧间解码；每K个子块解码后初始化Golomb解码计数器A[.],B[.],C[.],N[.]，并拼接成完整的图像。

2.如权利要求1所述的方法，其特征在于，所述步骤(1.2)具体包括如下步骤：

(1.2.1)在参考帧f_3j+1中搜索当前子块f_e,i,e＝3j+2或3j+3；i＝1,2,...,SumI的最佳匹配块，获得运动矢量(m₀,n₀)；

(1.2.2)根据上述运动矢量(m₀,n₀)，对当前子块f_e,i中每个像素f_e,i(m,n)利用三个基本预测器分别进行预测，得到预测的像素值d∈[1,2,3]；

(1.2.3)计算当前子块f_e,i中所有像素的累积预测误差绝对值SAD^d：

${\mathrm{SAD}}^d=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|{\stackrel{\‾}{x}}_k^d(m,n)-x_k(m,n)|,d\∈\left[\mathrm{1,2,3}\right]$

其中，x_k(m,n)＝f_e,i(m,n)

(1.2.4)选择使累积预测误差绝对值最小的预测器作为该子块的固定预测器：

$\mathrm{mode}=\arg \underset{d=\mathrm{1,2,3}}{\min }\left\{{\mathrm{SAD}}^d\right\}$

(1.2.5)利用步骤(1.2.4)求得的固定预测器对当前子块f_e,i中每个像素f_e,i(m,n)进行预测，然后对预测误差采用基于上下文的Golomb熵编码，从而得到压缩码流。

3.如权利要求2所述的方法，其特征在于，所述步骤(1.2.2)中的三个基本预测器具体为：

(2.2.1)预测器1：该预测器不考虑参考帧的像素信息，仅利用当前帧内的相邻像素进行预测：

${\stackrel{\‾}{x}}_k^1=a_k+b_k-c_k$     其它

其中T₁∈[10,20]和T₂∈[10,20]分别为门限阈值；

(2.2.1)预测器2：该预测器用到参考帧中的像素，利用运动矢量(m₀,n₀)得到的邻近像素对该像素进行预测，最后再线性加权修正，即：

$x_k^1=x_{k-1}+b_k-b_{k-1}$

$x_k^2=x_{k-1}+a_k-a_{k-1}$

$x_k^3=a_k+b_k-c_{k-1}$

由上述三个预测值的平均值作为预测结果：

(2.2.1)预测器3：该预测器假设相邻两帧图像中对应像素的预测误差非常接近，于是利用参考帧中对应像素的预测误差对当前像素进行预测，具体形式为：

$\stackrel{\‾}{x}=a_{k-1}+b_{k-1}-c_{k-1}$

${\stackrel{\‾}{x}}_k=a_k+b_k-c_k$

其中对上述预测模板中各像素的定义为：

a_k-1＝f_3j+1(m-m₀,n-n₀-1)    a_k＝f_e,i(m,n-1)

b_k-1＝f_3j+1(m-m₀-1,n-n₀)    b_k＝f_e,i(m-1,n)

c_k-1＝f_3j+1(m-m₀-1,n-n₀-1)    c_k＝f_e,i(m-1,n-1)

d_k-1＝f_3j+1(m-m₀-1,n-n₀+1)    d_k＝f_e,i(m-1,n+1)

x_k-1＝f_3j+1(m-m₀,n-n₀)    x_k＝f_e,i(m,n)。

4.如权利要求1至3任一项所述的方法，其特征在于，所述步骤(1.3)中每K个子块后插入一组EDC信息，具体包括：每完成K个子块的EDC信息统计就向压缩码流中插入a组的EDC信息，组成第3层检错码流数据，其中每一组EDC信息为该K个子块分别对应的EDC信息，a为预设值。

5.如权利要求4任一项所述的方法，其特征在于，所述步骤(1.4)具体包括：对所述第3层检错码流数据，每截取n字节的码流计算出m-n字节的校验信息，添加在n字节码流后输出。每帧最后不足n字节的码流用最后一个字节的数据补齐至n字节，形成第2层检纠错码流数据。

6.如权利要求5任一项所述的方法，其特征在于，所述步骤(1.5)中：帧头信息包括16字节的帧识别码、1字节的分块参数、1字节的近无损度、2字节的图像序号、2字节的图像行计数和2字节的图像列计数。

7.如权利要求1或2所述的方法，其特征在于，所述步骤(2.2)具体为：在帧头中根据g选的策略筛选得到分块参数、近无损度、图像序号、图像的行和列信息，供解码时使用。