光场图像压缩算法研究

发布时间：2023-06-17 22:06

　　最近,光场图像(Light Field Image,LFI)因为能够提供更佳的沉浸式体验,而引起国内外学者的关注。光场成像已经发展成为一种能够从真实世界中捕获更丰富的视觉信息的技术,其在计算机图形学和信号处理领域具有广阔应用前景。与传统的摄影技术(从包含角度域的3D场景中捕获光线的2D投影)不同,光场从所有方向收集光线的辐射信息,从而多路分解传统摄影中丢失的角度信息。这种更高维度的视觉数据表示提供了强大的场景理解功能,并大大提高了解决传统计算机视觉问题的能力,例如深度感知,重聚焦等。然而,由于数据量增大,给光场图像的存储和传输带来了挑战。光场图像的数据结构与传统的图像或视频有所不同,这种差异导致现有编码工具对光场数据的压缩效率低下。因此,光场图像高效压缩算法研究可以有效降低网络传输和存储压力,对光场数据的应用普及具有重大意义。本文主要结合光场图像的结构特征对光场图像压缩算法开展了深入研究,分别提出了两种光场图像压缩方案,包括基于多视点伪序列(Multi-view Pesudo Sequence,MPS)的光场图像压缩算法、基于多任务学习(Multi-Learning,MTL)的光场图像...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文的研究内容
    1.4 论文的组织安排
第2章 光场图像压缩基础
    2.1 光场简介
        2.1.1 光场参数化表示
        2.1.2 光场采集设备
        2.1.3 光场应用
    2.2 光场成像及可视化
    2.3 高效视频编码标准及其多视点扩展
        2.3.1 高效视频编码标准
        2.3.2 多视点视频编码
    2.4 本章小结
第3章 基于多视点伪序列的光场图像压缩
    3.1 引言
    3.2 基于多视点伪序列的光场图像压缩算法
        3.2.1 多视点伪序列构建
        3.2.2 多视点伪序列编码
        3.2.3 伪序列插值重建
    3.3 实验结果和分析
    3.4 本章小结
第4章 基于多任务学习的光场图像压缩
    4.1 引言
    4.2 基于多任务学习的光场图像压缩算法
        4.2.1 关键SAI选取与压缩
        4.2.2 多任务光场重建网络(MLRN)
        4.2.3 基于迁移学习的QP决策
    4.3 实验结果和分析
    4.4 本章小结
第5章 总结与展望
    5.1 主要工作与创新之处
    5.2 研究展望与设想
参考文献
致谢
个人简历、在学期间发表学术论文及研究成果



本文编号：3834228