基于分布式压缩感知的深空探测视频编解码技术研究

发布时间：2017-10-11 15:30

  本文关键词：基于分布式压缩感知的深空探测视频编解码技术研究

  更多相关文章： 压缩感知 双密度双树复小波变换 小波树结构 分布式压缩感知 双稀疏字典表示模型

【摘要】：深空探测视频由于数据量巨大,导致传输设备的存储与运算存在巨大压力,同时对信道带宽提出了较高要求。传统的视频压缩与传输技术难以突破远端传送设备载荷资源受限的制约,所以高效率压缩、高质量解压、编码端低复杂度、解压渐近可伸缩等发展方向成为了深空探测视频传输技术发展的必然趋势。压缩感知(Compressed Sensing,CS)理论作为信号采样理论的重要突破,打破了传统方法中信号采样速率必须大于等于奈奎斯特采样速率的制约,该方法由于能够有效地节约编码端采样成本,因此非常适用于深空探测视频通信这种数据量大且冗余度高的应用环境。分布式压缩感知(Distributed Compressed Sensing,DCS)理论作为CS理论的延伸,其出现是考虑到在一组信号的压缩感知中,可以将信号间的相关性作为一种先验信息,从而实现这组信号的更高效压缩。将DCS理论与分布式视频编码(Distributed Video Coding,DVC)思想相结合能够为深空探测视频编解码系统提供新的方法,即设计出分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)系统,该系统可以实现系统编码端复杂度的更进一步降低,并且可以将计算复杂度大幅度转移至解码端。为了改善视频帧图像的恢复质量、提高系统的性能,本文在解码端针对关键帧重构提出了一种基于双密度双树复小波(Double-Density Dual-Tree Complex Wavelet Transform,DDDT-CWT)基的结构化CS图像重构算法,该算法将图像在双密度双树复小波变换下的系数呈现的树结构化特征与CoSaMP(Compressive Sampling Matching Pursuit)重构算法相结合,实现了对关键帧图像的更精确重构。针对DCVS系统中非关键帧重构,本文根据双重稀疏模型思想,分离出每帧图像小波域下不同尺度的子带形成训练集,分别由(K-means Singular Value Decomposition)K-SVD算法进行字典训练得到具有多尺度特性的冗余字典,将该字典结合GPSR(Gradient Pursuit for Sparse Reconstruction)重构算法,实现非关键帧重构。更进一步,针对传统离散小波变换(Discrete Wavelet Transform,DWT)的方向性较差、缺少相空间信息等缺陷,本文采用双密度双树复小波变换作为双重稀疏模型的核心字典,提高了视频非关键帧重构质量,从而在整体上提升了系统性能。实验结果表明,在相同压缩比下,本文所提出的针对关键帧以及非关键帧的重构算法能够使恢复图像的质量有所提升,从而实现深空探测视频的更高性能解压。
【关键词】：压缩感知 双密度双树复小波变换 小波树结构 分布式压缩感知 双稀疏字典表示模型
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN919.81
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-13
• 1.1 课题研究背景8-9
• 1.2 研究的目的与意义9
• 1.3 国内外研究现状及分析9-11
• 1.3.1CS理论与DCS理论研究现状10
• 1.3.2 深空视频编解码研究现状10-11
• 1.4 现阶段研究工作存在的问题与不足11
• 1.5 本文主要内容和结构安排11-13
• 第2章 压缩感知与分布式视频编解码基本理论13-21
• 2.1 引言13
• 2.2 压缩感知理论基础13-17
• 2.2.1 信号的稀疏表示13-14
• 2.2.2 信号压缩原理14-15
• 2.2.3 信号重构算法15-16
• 2.2.4 压缩感知在图像压缩中的应用16-17
• 2.3 基于压缩感知的分布式视频编解码理论17-20
• 2.3.1 分布式视频编码17-19
• 2.3.2 分布式压缩感知19-20
• 2.4 本章小结20-21
• 第3章 CS重构算法原理21-34
• 3.1 引言21
• 3.2 常用CS重构算法21-26
• 3.2.1 正交匹配追踪算法（OMP）21-22
• 3.2.2 压缩采样匹配追踪算法（CoSaMP）22-23
• 3.2.3 子空间追踪算法（SP）23
• 3.2.4 迭代阈值算法（IHT）23-25
• 3.2.5 梯度投影稀疏重构算法（GPSR）25-26
• 3.3 实验对比与结果分析26-32
• 3.4 本章小结32-34
• 第4章 基于双密度双树复小波的结构化CS图像重构算法34-48
• 4.1 引言34
• 4.2 双密度双树复小波变换与小波树结构模型34-38
• 4.2.1 小波变换原理35
• 4.2.2 双树复小波变换35-36
• 4.2.3 双密度双树复小波变换36-37
• 4.2.4 小波树模型37-38
• 4.3 基于小波树模型的CS图像重构算法38-41
• 4.3.1 压缩分类选择算法39-40
• 4.3.2 DDDT-CWT-Tree-CoSaMP算法40-41
• 4.4 实验对比与结果分析41-46
• 4.5 本章小结46-48
• 第5章 基于DDDT-CWT的双重稀疏模型下的DCVS系统48-63
• 5.1 引言48
• 5.2 DCVS视频编解码系统48-52
• 5.2.1 DCVS系统编码端设计50
• 5.2.2 DCVS系统解码端设计50-52
• 5.3 基于DDDT-CWT的双稀疏小波域多尺度字典训练52-56
• 5.3.1 双重稀疏字典模型53
• 5.3.2 双稀疏模型下的小波域多尺度字典训练53-54
• 5.3.3 基于DDDT-CWT的小波域字典训练算法54-56
• 5.4 实验对比与结果分析56-62
• 5.5 本章小结62-63
• 结论63-64
• 参考文献64-69
• 攻读硕士学位期间发表的论文及其它成果69-71
• 致谢71

【共引文献】

中国期刊全文数据库 前10条

1 练秋生;肖莹;;基于小波树结构和迭代收缩的图像压缩感知算法研究[J];电子与信息学报;2011年04期

2 顾福飞;张群;梁颖;杨秋;孙凤莲;;基于压缩感知的地面运动目标成像方法[J];电波科学学报;2013年04期

3 王蓉芳;焦李成;刘芳;杨淑媛;;利用纹理信息的图像分块自适应压缩感知[J];电子学报;2013年08期

4 秦乙;朱卫纲;胡旭;舒奇泉;;宽带跳频信号的压缩采样与重构[J];国外电子测量技术;2013年09期

5 CAI Yun;LI Song;;Compressed data separation via dual frames based split-analysis with Weibull matrices[J];Applied Mathematics:A Journal of Chinese Universities(Series B);2013年04期

6 吕方旭;张金成;石洪君;王泉;王钰;;WSN中的分布式压缩感知[J];传感技术学报;2013年10期

7 徐艺萌;管桦;王国正;张群;周丽;;基于Chirplet变换和压缩感知的空中颤振目标稀疏成像[J];电讯技术;2013年10期

8 李然;干宗良;崔子冠;朱秀昌;;压缩感知图像重建算法的研究现状及其展望[J];电视技术;2013年19期

9 蒋国良;马永涛;赵宇;;基于稀疏信号结构信息的压缩检测算法[J];电子产品世界;2014年01期

10 孙虎;;利用ZC序列的OFDM同步及稀疏信道估计[J];电子科技;2013年11期

中国重要会议论文全文数据库 前7条

1 舒奇泉;胡旭;秦乙;;模拟信号压缩采样的自适应改进算法[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 郭伟佳;张春阳;王有政;;一种低信噪比环境下的压缩感知稀疏图像的重建方法[A];第九届卫星通信学术年会论文集[C];2013年

3 舒奇泉;胡旭;秦乙;;模拟信号压缩采样的自适应改进算法[A];第十八届全国青年通信学术年会论文集（上册）[C];2013年

4 胡晓宇;陈U，

本文编号：1013318