你了解Huffman coding的原理吗？
简而言之，它是一种用于压缩数据的算法（例如您的图像）。这意味着算法的输入是图像，输出是比输入小的数字代码：因此进行了压缩。
霍夫曼编码的原理是（粗略地）将原始数据中的符号（在您的情况下是图像的每个像素的值）替换为根据符号概率归属的数字代码。最可能（即最常见）的符号将被较短的代码替换，以实现数据的压缩。
为了解决您的问题，Matlab 在通信工具箱中有两个函数：huffmandict 和 huffmanenco。
huffmandict: 此函数构建一个字典，用于将符号从原始数据转换为其数字霍夫曼码字。要构建此字典，huffmandict 需要数据中使用的符号列表及其出现概率，即使用它们的次数除以数据中的符号总数。
huffmanenco:此功能用于使用huffmandict构建的字典翻译您的原始数据。原始数据中的每个符号都被转换为数字霍夫曼码。要衡量这种压缩方法的大小增益，您可以计算压缩比，即用于描述原始数据的位数与 Huffman 相应代码的位数之间的比率。在您的情况下，根据您对压缩比的计算推断，您有一个 8 x 8 的图像，使用 8 位整数来描述每个像素，而 Huffman 对应的代码使用 length(comp) 位。
考虑到所有这些，您可以这样阅读您的代码：
% Original image
A = ...
[99 99 99 99 99 99 99 99 ...
20 20 20 20 20 20 20 20 ...
0 0 0 0 0 0 0 0 ...
0 0 50 50 50 50 0 0 ...
0 0 50 50 50 50 0 0 ...
0 0 50 50 50 50 0 0 ...
0 0 50 50 50 50 0 0 ...
0 0 0 0 0 0 0 0];
% First step: extract the symbols used in the original image
% and their probability (number of occurences / number of total symbols)
symbols=[0 20 50 99];
p=[32 8 16 8];
p=p/sum(p);
% To do this you could also use the following which automatically extracts
% the symbols and their probability
[symbols,p]=hist(A,unique(A));
p=p/sum(p);
% Second step: build the Huffman dictionary
[dict,avglen]=huffmandict(symbols,p);
% Third step: encode your original image with the dictionary you just built
comp=huffmanenco(A,dict);
% Finally you can compute the compression ratio
ratio=(8*8*8)/length(comp)