WMSN中基于压缩感知的分布式视频编解码研究

发布时间：2024-01-20 16:09

　　传统的视频编解码技术(如H.264x/MPEG-4等)需要在编码端完成复杂的运动估计和运动补偿等过程,这些过程使得编码端的计算复杂度增高。因此,这种编码方案不适用编码端资源紧缺的应用场景,如无线多媒体传感器网络(WMSN)设备。目前,分布式压缩视频感知(DCVS)系统是解决这一问题最有效的方案。该方案是在分布式视频编码(DVC)技术的基础上融合了压缩感知(CS)技术,不仅实现了将压缩和采样同时进行,还将计算复杂的运动估计、运动补偿等从编码端转移到了解码端,控制了编码端的计算量。因此,DCVS系统非常适用编码端资源紧缺的WMSN设备。本文通过分析目前DCVS系统中的重构算法在视频序列重构质量方面所面临重大挑战的基础上,以改善重构算法对运动较剧烈的视频序列重构率失真性能不佳的问题为研究目标,对视频序列相邻帧之间的结构特征以及CS观测值预测残差特征进行了深入分析,从而对DCVS系统中的重构算法和量化方法提出改进措施,主要工作和研究成果如下:(1)针对目前DCVS系统中的重构算法对运动缓慢的视频序列重构质量较好,对运动较剧烈的视频序列重构质量却不理想的问题,本文在图像组稀疏表示重构算法(GSR...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
        1.1.1 WMSN简介
        1.1.2 基于压缩感知的分布式视频编解码技术
    1.2 基于压缩感知的分布式视频编码关键技术研究现状
        1.2.1 压缩感知研究现状
        1.2.2 分布式压缩视频感知系统研究现状
        1.2.3 压缩感知中量化方法研究现状
        1.2.4 分布式压缩视频感知中量化方法研究现状
    1.3 论文研究内容及结构安排
2 图像压缩感知重构算法与经典的量化方法性能分析
    2.1 引言
    2.2 块图像压缩感知重构算法
        2.2.1 多假设预测重构算法
        2.2.2 组稀疏表示重构(GSR)算法
    2.3 图像压缩感知中的量化方法
        2.3.1 均匀量化
        2.3.2 DPCM非均匀标量量化(DPCM-NSQ)
    2.4 仿真结果及分析
        2.4.1 两类重构算法的仿真结果与分析
        2.4.2 量化方法仿真结果与分析
    2.5 本章小结
3 DCVS中基于扩展梯度结构相似度的GSR算法
    3.1 引言
    3.2 基于E-GSSIM的 GSR算法描述
        3.2.1 E-GSSIM-InterF-GSR算法整体框架
        3.2.2 E-GSSIM-InterF-GSR重构算法
        3.2.3 基于E-GSSIM的非关键帧相似块组选择
        3.2.4 非关键帧相似块组的匹配准则
        3.2.5 最优相似块个数调整方案
    3.3 仿真结果及分析
        3.3.1 无量化仿真结果与分析
        3.3.2 采集端帧间残差DPCM量化仿真结果及分析
        3.3.3 时间复杂度分析
    3.4 本章小结
4 DCVS中自适应最优量化深度模型
    4.1 引言
    4.2 改进的帧间DPCM非均匀量化方法
        4.2.1 观测值预测残差分布概率分析
        4.2.2 改进的帧间DPCM非均匀量化模型
    4.3 基于帧间预测残差特征的自适应最优量化深度模型
        4.3.1 预测残差幅值分布与采样率的关系
        4.3.2 基于帧间预测残差特征的最优量化深度模型
        4.3.3 自适应最优量化深度模型
    4.4 仿真结果与分析
        4.4.1 率失真性能和视频序列重构质量的对比
        4.4.2 时间复杂度分析
    4.5 本章小结
5 结论
    5.1 工作总结
    5.2 今后工作展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3881152