数字媒体及其应用

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。

5．1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128～255），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。