基于组稀疏的视频压缩感知重构算法研究

发布时间：2020-07-02 01:45

【摘要】：传统视频编码技术以奈奎斯特定理进行采样,即采样频率要大于或等于信号最高频率的两倍,再对大批采样后的信号去冗余完成压缩过程。这种视频压缩编码方法需要采样端具有较强的计算能力,并且会造成采样端资源的浪费,不适用于采样端资源受限的场合。压缩感知理论将采样和压缩过程结合,突破了奈奎斯特定理对采样频率的限制,在采样的同时完成了压缩,将计算复杂度从采样端转移到重构端。视频压缩感知是近年来压缩感知理论研究的重点,是基于压缩感知理论的一种新的视频采集方法,尤其适用于采样端资源匮乏,计算能力受限的场合。本文基于组稀疏思想对视频压缩感知重构算法展开研究,主要工作分为以下三个部分:1.通过研究已有的SSIM-InterF-GSR算法,在组稀疏表示中,提出了一种基于采样率的自适应阈值算法(AT-GSR)。仿真实验表明所提重构算法AT-GSR,对于运动不太剧烈的视频序列,相对于SSIM-InterF-GSR降低了算法复杂度,同时提高了重构性能,与目前性能较好的2sMHR算法和RRS算法相比,重构性能也有明显提升。2.针对AT-GSR算法阈值设置的局限性,提出了观测域帧分类的自适应阈值组稀疏重构算法(yMSE-CTP-GSR),将视频序列以帧为单位根据初始预测性能自适应设置合适的阈值,选择阈值递减方案;并提出一种基于帧运动的自适应参考帧方案。仿真结果表明,yMSE-CTP-GSR算法对所有快速运动序列、慢速运动序列和运动变化的序列都有较好的重构效果,平均提升1-2dB。3.针对AT-GSR算法低采样率重构效果差的问题,提出了基于结构相似性的组内优化块选择与恢复方案(OB-S/R)。该方案利用结构相似性的特点,将组内的块相似程度再度提高以增加组稀疏度,同时在帧重构时舍弃相似程度降低的块,增加重构帧精度。仿真实验表明,该方案在低采样率下对AT-GSR算法的重构效果有大幅度的提升,平均提升1-3dB。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN919.81
【图文】：

视频压缩,关键帧,残差,残差信号

10 argmin . .ii ii B ixx xs t y x （2-2）由于视频序列的重构也是逐帧重构的，且有很强的时间相关性，帧与帧之间相似程度较高，故非关键帧的重构是通过已重构帧中含有的信息与自身真实的观测值进行联合重构。不同的视频压缩感知重构算法在利用时间相关性上思路不同，2.2 中要介绍的预测-残差重构框架是利用已重构帧中的信息预测当前帧中的块，再利用残差信号比原信号具有更好的稀疏性来进行残差稀疏重构；2.3 中要介绍的加权残差稀疏模型是对预测过后的残差信号的变换域稀疏系数进行加权，使得残差更稀疏，在迭代中反复求解 l1范数最小化问题得到重构信号；2.4 中要介绍的组稀疏表示是在已重构帧和正在重构的当前帧中寻找相似程度高的块组在一起，利用自然图像的局部稀疏性和非局部自相似性使得组内稀疏性更好，从而不断的滤去噪声并在迭代中寻得最优解。总的来说，视频压缩感知的一般流程如图 2-1，图 2-1 中 CR1和 CR2分别代表关键帧和非关键帧的采样率，且1 2CR CR。

流程图,残差,流程,弹性网

块的权值置零，而弹性网则会将这一组假设块均分配大权值，充分利用有效信息进行预测。弹性网的求解需要使用 LARS-EN[47,48]算法，随采样率升高复杂度会指数型升高，整体的计算复杂度在三种多假设预测方法中最高。得到预测块,pret ix 之后，将对当前块进行重构，主要方法是使用 BCS-SPL 算法[49-51]进行残差重构，我们需对预测块进行观测，得到预测块的观测值,pret iy ，进而得到观测值的残差ry ，如式（2-12）所示。, , , ,pre prer t i t i t i B t iy y y y x（2-12）随后对残差ry 进行稀疏重构，得到块残差rx ，再加上预测块得到重构块, t ix ，如式（2-13）。, , ( )pret i t i rx x R y（2-13）其中 R( ) 为残差重构过程。预测-残差重构的基本流程如图 2-2。

【相似文献】