根据相关参考资料说明，图像编码解码的大致结构框图如下所示：
本系统，我们主要将完成这个结构框图中介绍的各个模块。
2.各个模块设计与仿真
function im_encode(left_name, right_name, parameter);
发送端的说明
2.1 获得左右两个图像
·MATLAB代码
imag_L = imread('stereo_images/corridor1.pgm');
imag_R = imread('stereo_images/corridor2.pgm');
figure(1);
subplot(121),imshow(imag_L);title('left');
subplot(122),imshow(imag_R);title('right');
·仿真效果
图2 左右眼睛看到的图像
·代码说明
通过读取两个图片，来模拟人两个眼睛所看到的图像。
2.2 Transform模块
这个模块主要使用DCT变换，但是这里设计到一个问题，就是将两个图片信号变为一路信号的问题。就本课题而言，这里有以下几个方法实现；
·由于这两个图片是双目信号，所以可以先进行立体匹配得到一个图片，然后再接收端分解成两个双目图片；
·由小波分解进行融合得到一路信号，然后在接收端进行反变换，但是这种做法也较复杂。
·进行图片的采样处理，对两个图片进行间隔采样，然后在接收端进行内插得到原图像，这种方法比较简单，本模块采用这个方法。
其代码如下所示：
[R,L] = size(imag_L);
for i = 1:R
for j = 1:L
if mod(i+j,2)==0
image(i,j) = imag_L(i,j);
else
image(i,j) = imag_R(i,j);
end
end
end
2.3 DCT变换
我们在这里使用MATLAB内部的dct2函数。这里就不多做介绍了。其仿真结果如下所示：
其代码如下所示：
DCT_out = dct2(image);
2.4 ZIGZAG算法
其基本原理如下所示：
通过这个方法，我们可以将一个图像的二维数据变为一个串行的数据流。
其对应的代码如下所示：
function [y]=toZigzag(x)
% transform a matrix to the zigzag format
[row col]=size(x);
if row~=col
disp('toZigzag() fails!! Must be a square matrix!!');
return
end
y=zeros(row*col,1);
count=1;
for s=1:row
if mod(s,2)==0
for m=s:-1:1
y(count)=x(m,s+1-m);
count=count+1;
end;
else
for m=1:s
y(count)=x(m,s+1-m);
count=count+1;
end
end
end
if mod(row,2)==0
flip=1;
else
flip=0;
end
for s=row+1:2*row-1
if mod(flip,2)==0
for m=row:-1:s+1-row
y(count)=x(m,s+1-m);
count=count+1;
end
else
for m=row:-1:s+1-row
y(count)=x(s+1-m,m);
count=count+1;
end;
end;
flip=flip+1;
end
μ律（m-Law）压扩主要用在北美和日本等地区的数字电话通信中。m为确定压缩量的参数，它反映最大量化间隔和最小量化间隔之比，通常取100≤m≤500。由于m律压扩的输入和输出关系是对数关系，所以这种编码又称为对数PCM。
A律（A-Law）压扩主要用在欧洲和中国大陆等地区的数字电话通信中。A为确定压缩量的参数，它反映最大量化间隔和最小量化间隔之比。A律压扩的前一部分是线性的，其余部分与μ律压扩相同。
15折线特性给出的小信号的信号量噪比约是13折线特性的两倍。 但是，对于大信号而言，15折线特性给出的信号量噪比要比13折线特性时稍差。在保证小信号的量化间隔相等的条件下，均匀量化需要11比特编码，而非均匀量化只要7比特就够了。
其对应的待明如下所示：
function ypcm=mulaw(yn)
x=yn;
s=sign(x);
x=abs(x);
ypcm=zeros(length(x),1);
%进行基于15折线的分段映射
for i=1:length(x)
if x(i)<1/255 %序列值位于第1折线
ypcm(i)=255/8*x(i);
elseif x(i)<3/255 %序列值位于第2折线
ypcm(i)=255/16*x(i)+1/16;
elseif x(i)<7/255 %序列值位于第3折线
ypcm(i)=255/32*x(i)+5/32;
elseif x(i)<15/255 %序列值位于第4折线
ypcm(i)=255/64*x(i)+17/64;
elseif x(i)<31/255 %序列值位于第5折线
ypcm(i)=255/128*x(i)+49/128;
elseif x(i)<63/255 %序列值位于第6折线
ypcm(i)=255/256*x(i)+129/256;
elseif x(i)<127/255 %序列值位于第7折线
ypcm(i)=255/512*x(i)+321/512;
else %序列值位于第8折线
ypcm(i)=255/1024*x(i)+769/1024;
end
end
ypcm=ypcm.*(2^7);
ypcm=floor(ypcm);
ypcm=ypcm.*s;
2.6 编码模块
发送的最后我们需要将量化后的数据进行压缩，得到二进制比特率进行发送，这里我们使用huffman编码。Huffman编码的基本原理如下所示：
哈夫曼编码是用于数据文件压缩的一个十分有效的编码方法，其压缩率通常在20％～90％之间。哈夫曼编码算法使用字符在文件中出现的频率表来建立一个0,1串，以表示各个字符的最优表示方式。
它是一种编码方式，哈夫曼编码是可变字长编码(VLC)的一种。 Huffman于1952年提出一种编码方法，该方法完全依据字符出现概率来构造异字头的平均长 度最短的码字，有时称之为最佳编码，一般就叫作Huffman编码。 以哈夫曼树─即最优二叉树，带权路径长度最小的二叉树，经常应用于数据压缩。 在计算机信息处理中，“哈夫曼编码”是一种一致性编码法（又称"熵编码法"），用于数据的无损耗压缩。这一术语是指使用一张特殊的编码表将源字符（例如某文件中的一个符号）进行编码。这张编码表的特殊之处在于，它是根据每一个源字符出现的估算概率而建立起来的（出现概率高的字符使用较短的编码，反之出现概率低的则使用较长的编码，这便使编码之后的字符串的平均期望长度降低，从而达到无损压缩数据的目的）。这种方法是由David.A.Huffman发展起来的。 例如，在英文中，e的出现概率很高，而z的出现概率则最低。当利用哈夫曼编码对一篇英文进行压缩时，e极有可能用一个位(bit)来表示，而z则可能花去25个位（不是26）。用普通的表示方法时，每个英文字母均占用一个字节（byte），即8个位。二者相比，e使用了一般编码的1/8的长度，z则使用了3倍多。倘若我们能实现对于英文中各个字母出现概率的较准确的估算，就可以大幅度提高无损压缩的比例。
根据变长最佳编码定理，Huffman编码步骤如下：
（1）将信源符号xi按其出现的概率，由大到小顺序排列。
（2）将两个最小的概率的信源符号进行组合相加，并重复这一步骤，始终将较大的概率分支放在上部，直到只剩下一个信源符号且概率达到1.0为止；
（3）对每对组合的上边一个指定为1，下边一个指定为0（或相反：对上边一个指定为0，下边一个指定为1）；
（4）画出由每个信源符号到概率1.0处的路径，记下沿路径的1和0；
（5）对于每个信源符号都写出1、0序列，则从右到左就得到非等长的Huffman码。
其对应的代码如下所示：
function [compression,dict] = huffman_module(image);
s = image;
%entropy
p = hist(s,length(s));
idx=find(p~=0);
prob=p(idx)/length(s);
entropy=-prob*log2(prob)';
%redundancy
entropymax=log2(length(prob));
redundancy=(entropymax-entropy)/entropymax;
reff=sort(s);
ref2=reff(2:end);
ref=reff(1:end-1);
chg=ref2-ref;
idx2=find(chg~=0);
sig=ref2(idx2);
symbols=[ref(1);sig];
%huffman table
set(0,'RecursionLimit',2000);
[dict,avglen] = huffmandict(symbols,prob);
% %huffman encoder
compression = huffmanenco(s,dict);
3.各个模块设计与仿真
3.系统总体仿真说明
系统的仿真结果如下所示：
读入两个图片
DCT变换值
量化值
压缩比特流
最后接收到的双目图片。
最后我们可以得到PSNR值为