资源预览内容
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
第9页 / 共10页
第10页 / 共10页
亲,该文档总共10页全部预览完了,如果喜欢就下载吧!
资源描述
第三章 数字媒体及应用学习目的:理解GB2312,GBK和GB18030三种汉字编码标准的内容、关系与应用,熟悉中文文本准备的方法;熟悉图像在计算机中的表示;掌握声音获取的方法与设备;熟悉视频压缩编码的几种标准及其应用。学习重点:中西文编码、图像、声音在计算机中的表示。学习难点:中西文编码、视频压缩编码标准。51文本与文本处理文字:一种书面语言,由一系列称为“字符”(character)的书写符号构成。文本(text):文字信息在计算机中的表示形式,是基于特定字符集的、具有上下文相关性的一个(二进制编码)字符流,是计算机中最常用的一种数字媒体。组成文本的基本元素是字符,字符在计算机中采用二进制编码表示。文本在计算机中的处理过程:文本的准备(例如汉字的输入),文本编辑,文本处理,文本存储与传输、文本展现等,根据应用的不同,各个处理环节的内容和 要求可能有很大的差别。一、字符的编码1西文字符的编码字符集:常用字符的集合。西文字符集:由拉丁字母、数字、标点符号及一些特殊符号组成。字符的编码:字符集中每一个字符各有一个代码,即字符的二进制表示,称为该字符的编码。字符代码表:字符集中不同字符的编码互相区别,构成该字符集的代码表。 ASCII字符集和ASCII码美国标准信息交换码(American Standard Code for Information Interchange):使用7个二进位对字符进行编码(叫做标准ASCII码),称为ISO-646标准。基本的ASCII字符集共有128个字符。96个可打印字符(常用字母、数字、标点符号等)和32个控制字符。特殊字符的ASCII码有空格(32)、A(65)、a(97)、0(48)。标准ASCII码是七位的编码,但字节是计算机中最基本的处理单位,故以一个字节来存放一个ASCII字符。每个字节中多出来的一位一般保持为“0”,在数据传输时可用作奇偶校验位。扩充ASCII字符集:标准ASCII字符集只有128个不同的字符,在很多应用中无法满足要求。按照ISO2022标准(七位字符集的代码扩充技术)的规定,ISO陆续制定了一批适用于不同地区的扩充ASCII字符集,每个扩充ASCII字符集分别可以扩充128个字符,这些扩充字符的编码均是高位为1的8位代码(十进制数128255),称为扩展ASCII码。2汉字的编码(1)GB2312-80汉字编码信息交换用汉字编码字符集基本集(GB2312-80)组成:第一部分:字母、数字和各种符号,包括拉丁字母、俄文、日文平假名与片假名、希腊字母、汉语拼音等共682个(统称为GB2312图形符号)。第二部分:一级常用汉字,共3755个,按汉语拼音排列。第三部分:二级常用字,共3008个,按偏旁部首排列。区位码:GB2312国标字符集构成一个二维平面,它分成94行、94列,行号称为区号,列号称为位号。每一个汉字或符号在码表中都有各自的位置,字符的位置用它所在的区号(行号)及位号(列号)来表示。每个汉字的区号和位号分别用1个字节来表示,如:“大”字的区号20,位号83,区位码是20 83用2个字节表示为:00010100 01010011。国标交换码:为了避免汉字区位码与通信控制码的冲突,ISO2022规定,每个汉字的区号和位号必须分别加上32(即二进制0010 0000)。经过这样处理得到的代码称为汉字的“国标交换码”(简称交换码)。因此,“大”字的交换码是:00110100 01110011。机内码:把一个汉字看作两个扩展ASCII码,使表示GB2312汉字的两个字节的最高位(b7)都等于“1”。这种高位为l的双字节(16位)汉字编码就称为GB2312汉字的“机内码”,又称内码。如:“大”字的内码是:10110100 11110011(B4F3)高位字节(7位):qqq qqqq = 0qqq qqqq(区号)低位字节(7位):www wwww = 0www wwww(位号)例如:“啊”区位码: 16 01 = 10 01H 0001 0000 0000 0001 国标码: 30 21H = 10 01H 20 20H 0011 0000 0010 0001机内码: B0 A1H = 30 21H 80 80H 1011 0000 1010 0001(2)GBK汉字内码扩充规范问题:GB2312-80只有6763个汉字,使用时功能不够。解决方法:1995年发布GBK,全称为汉字内码扩展规范GBK字符集中一共有21003个汉字和883个图形符号,它与GB2312国标汉字字符集及其内码保持兼容。组成:21003个汉字,883个图形符号。应用:操作系统Windows 95以上简体中文版,采用GBK代码,并提供了多种输入法和字体应用软件Office 95以上简体中文版本提供GBK码的检索和排序互联网应用许多网站的网页使用GBK代码,但目前还不是所有搜索引擎都支持 GBK 汉字文本的搜索(3)UCS/Unicode与GB18030汉字编码标准 优点:编码空间极大,能容纳足够多的各种字符集(13亿字符)。缺点:4字节的字符编码使存储空间浪费严重。克服:在UCS/Unicode编码空间中,把第1和第2字节均为“0”的一个子空间(称为基本多文种平面BMP),作为UCS/Unicode的子集来使用,记作UCS-2。UCS-2是双字节编码,共有字符49194个,其中包括:欧洲及中东地区使用的拉丁字母、音节文字;各种标点符号、数学符号、技术符号、几何形状、箭头及其他符号;中、日、韩(CJK)统一编码的汉字。二、文本的准备文本信息的输入方法:人工输入:通过键盘、手写笔或语音输入方式输入字符。特点:速度慢、成本高,不适合需处理大批量文字的应用。自动输入:将纸介质上的文本通过识别技术自动转换为文字的编码。特点:速度快,效率高。文字的自动识别分为:印刷体识别和手写体识别。1汉字键盘输入由于汉字字数很多,无法使每个汉字与西文键盘上的键一一对应,因此必须使用一个或几个键来表示汉字,这就称为汉字的“键盘输入编码”。 好的汉字键盘输入编码方案的特点:易学习、易记忆、效率高(平均击键次数较少)、重码少、容量大(可输入的汉字字数多)等。汉字的输入编码与汉字的内码是不同范畴的概念。使用不同的输入编码方法向计算机输入的同一个汉字,它们的内码是相同的。汉字输入编码方法的分类:(1)数字编码:使用一串数字来表示汉字的编码方法,例如电报码、区位码等。缺点: 难以记忆,不易推广。(2)字音编码:一种基于汉语拼音的编码方法,简单易学,适合于非专业人员。缺点:同音字引起的重码多,需增加选择操作。(3)字形编码:将汉字的字形分解归类而给出的编码方法,重码少、输入速度较快,如五笔字形法和表形码等。 缺点:编码规则不易掌握。(4)形音编码:吸取了字音编码和字形编码的优点,使编码规则适当简化、重码减少 缺点:不易掌握。2非击键式的汉字输入方法三、文本的分类与表示文本是计算机表示文字及符号信息的最常用也是最基本的一种数字媒体。由于文字和符号采用了二进制编码表示,因而可以方便地进行编辑、排版和各种分析处理(如统计、排序、分类、索引、检索等)。使用计算机制作的数字文本,根据用途分为:简单文本、丰富格式文本和超文本三类。 1简单文本(纯文本)简单文本(plain text):是由一连串的字符组成的,除了用于表达正文内容的字符(包括汉字)及“回车”、“换行”、“制表”等有限的几个打印(显示)控制字符之外,几乎不包含任何其他格式信息和结构信息。这种文本通常称为纯文本或ASCII文本,在PC机中的文件后缀名是.txt特性:呈现为一种线性结构,以行、字为单位,顺序写作与阅读是最通用的文本文件格式,文件体积小,阅读不受限制,几乎所有的文字处理软件都能识别和处理不能插入图片、表格等,不能建立超链接2丰富格式文本3超文本线性文本:传统的顺序式阅读。超文本(hypertext)的阅读方式:通过链接、跳转、导航、回溯等操作实现跳跃式阅读。超文本的结构:节点(node)和节点包含的内容。超链(hyperlink):链源和链宿。超媒体(Hypermedia):超文本中的节点不单是文本节点,还包含图形、图像、声音或动画节点,这种基于多媒体信息结点的超文本,有时也称为“超媒体” 。四、文本处理1文本编辑文本编辑的主要功能:对字、词、句、段落进行添加、删除、修改等操作。字的处理:设置字体、字号、字的排列方向、间距、颜色、效果等;段落的处理:设置行距、段间距、段缩进、对称方式等;页面布局的处理:设置页边距、每页行列数、分栏、页眉、页脚等。“所见即所得”(What You See Is What You Get, 简称WYSIWYG):一方面所有的编辑操作效果立即可以在屏幕上看到,另一方面在屏幕上看到的效果与打印机的输出结果相同。2文本处理文本处理内容:字数统计,字频统计,简/繁体相互转换,汉字/拼音相互转换;词语排序,词语错误检测,文句语法检查;自动分词,词频统计,词性标注,词义辨识,大陆/台湾术语转换;文本压缩,文本加密,文本著作权保护;关键词提取,文摘自动生成,文本分类;文本检索(关键词检索、全文检索),文本过滤;文语转换(语音合成),文种转换(机器翻译);篇章理解,自动问答,自动写作等。3常用文本处理软件(1)面向通信的文本处理软件(2)面向办公的文本处理软件典型软件:MS-Office、WPS2000、永中Office中的文本处理软件。(3)面向出版的文本处理软件典型排版软件:方正集团公司的“飞腾”排版软件、美国Adobe公司的PageMaker和PDF Writer。(4)面向网络信息发布和电子出版的文本处理软件5文本的展现文本输出:在屏幕上显示文本,用打印机打印文本等操作。文本输出过程:首先要对文本的格式描述进行解释,然后生成文字和图表的映像(bitmap),最后再传送到显示器或打印机输出。文本阅读器:承担上述文本输出任务的软件,也称为浏览器。它们可以是嵌入在文本处理软件中的一个模块,如微软的Word,也可以是独立的软件,如Adobe公司的Acrobat Reader,微软公司的IE等。52 图像与图形图像按生成方法分类:从现实世界中通过数字化设备获取的图像,称为:取样图像(sampled image)、点阵图像(dot matrix image)、位图图像(bitmap image)简称图像(image)。计算机合成的图像(synthetic image),称为:矢量图形(vector graphics),简称图形(graphics)。一、图像的获取1图像的数字化图像的获取(capturing):从现实世界中获得数字图像的过程。图像获取的过程实质上是模拟信号的数字化过程,它的处理步骤: 取样、分色、量化。2数字图像获取设备设备:从现实世界获得数字图像过程中所使用的设备通称为数字图像获取设备。设备的功能:将现实的景物输入到计算机内并以取样图像的形式表示。2D图像获取设备(如扫描仪、数码相机等)只能对图片或景物的2D投影进行数字化。3D扫描仪能获取包括深度信息在内的3D景物的信息。二、图像的表示与压缩编码1图像的表示方法与主要参数从取样图像的获取过程可以知道,一幅取样图像由M(行)* N(列)个取样点组成,每个取样点是组成取样图像的
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号