基于深度神经网络的光场图像编码研究
发布时间：2021-09-05 22:56
随着科学技术的发展,视频图像等影像数据的清晰度越来越高,他们所需要的存储与传输资源也越来越多。为了缓解存储与网络传输的负担,所以我们需要对影像数据做一定的压缩处理。HEVC（High Efficiency Video Coding）标准就是图像编码方法中的一种,它有着非常不错的编码效率,可以尽可能的压缩图像文件的同时保证图像质量。HEVC编码标准通过对图像分块来进行图像的编码,利用已经编码过的图像块来预测相邻块,将它们之间的差值记录下来就可以达到编码图像的效果。目前,将深度神经网络用于图像编码十分的火热,很多图像编码网络模型都取得了不错的效果,本文中我分别采用了长短期记忆网络（LSTM,Long Short-Term Memory）模型和生成对抗网络（GAN,Generative Adversarial Networks）模型来进行光场图像的编码。LSTM模型利用了循环神经网络,LSTM模型一共包含三个主要部分,分别是编码器,二值化网络,解码器。利用大量图像数据训练网络,可以得到一个用于编码的权重参数。在编码过程中编码器会加载这些权值参数,图像经过编码器和二值化网络会生成编码文件。解码...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图１．２?ＨＥＶＣ编码块的划分方式??ＨＥＶＣ编码器会将图像划分成多个大小统一的编码树块，在将编码树块??，
硕士学位论文??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??（ｂ）是图１．３?（ａ）的四叉树划分示结构图，第０层表示四叉树的根节点，也??就是６４Ｘ６４大小的编码树块，然后再将整个编码数块划分成多个编码块。??在一整幅图像当中，每一个编码树块的扫描方式也是按照从左到右，从上到??下的顺序。但由于图像的尺寸不同，所以可能会出现边缘图像无法填满整个??编码树块的情况，这就需要编码树块进行四叉树分裂。??°?ＰＨ?咖．．．．．．．??－ｉＫｊ?１２??迦一?１５??（ａ）编码树块空间划分?（ｂ）编码树块的四叉树结构??图１．３编码树块的划分及其四叉树结构表示??在编码过程中编码块还可以进一步划分为预测块和变换块用于图像编码??的预测和变化。在ＨＥＶＣ标准中编码单元是预测单元和变换单元的基础，预??测单元是预测的最基本单元，变换单元则是变化的最基本单元。在预测过程??中，首先需要从帧间预测和帧内预测中选取合适的预测方式，对于同一编码??单元中的不同预测单元采用相同的预测方式。由于图像内部纹理的不同，所??以同一编码单元内的预测单元划分也不同。预测单元的最小尺寸是４Ｘ４，且??预测单元的划分相互独立，所以一个编码单元可以划分出多个不同的预测单??元。预测单元的划分一般分为三种模式，Ｓｋｉｐ模式，巾贞内模式，巾贞间模式。??Ｓｋｉｐ模式是一种特殊的帧间预测模式，它主要应用在相似度较高的块之??间。Ｓｋｉｐ模式下划分的预测单元尺寸和原编码单元一样，此时的编码单元被??认为和某个参考块的相似度较高。所以此预测块不需要通过运动估计来获得??预测值，只需要记录当前块与参照块的的运动矢量。由于Ｓｋｉｐ模式这一特殊??性，所以在图像编码
硕士学位论文??ＶｉＷ＾ｗｌ）?ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??变化单元的划分方式要比预测单元简单，它的划分为残差四叉树划分。??与四叉树划分的思路相似，变换单元的划分是利用在预测单元产生的残差数??据来进行划分，它的尺寸最大为６４Ｘ６４，最小为４Ｘ４。在同一个编码单元??中，预测单元的尺寸和变换单元的尺寸可以不相同，预测单元和变换单元的??划分互不影响。??１．３．４帧内预测模式??本文中我们主要研宄如何去除光场图像内部的冗余信息，这与ＨＥＶＣ标??准的帧内预测目的相同，所以这里我们主要介绍ＨＥＶＣ编码标准的帧内预测??模式。由于图像的纹理与色彩变化各不相同，所以为了更好的编码图像，??ＨＥＶＣ标准使用了基于块的多方向预测模式。为了满足不同的图像需求，达??到最好的编码效果，ＨＥＶＣ标准的帧内预测模式包括３３种不同的预测方向??以及平面预测和直流预测。图１．４为ＨＥＶＣ标准帧内预测模式的各种不同预??测角度。??闕??图１．?４?ＨＥＶＣ编码帧内预测的３３种不同角度??ＨＥＶＣ标准帧内预测模式分别是平面预测模式，直流预测模式和角度预??测模式。平面预测模式适用于颜色变化平滑的场景，若图像中某一区域纹理??和颜色变化趋势一致，则首先考虑使用平面预测模式。直流预测模式适用于??预测快内像素值平坦的区域，因为预测块内的像素值相似度很高，所以可以??对整个预测块使用同一个预测值。角度预测模式则适用于大部分的预测场景，??对于大部分图像来说，它们内部的纹理和色彩比较错综复杂，平面预测模式??和直流预测模式并不适用于这种情况，所以需要角度预测模式来进行预测。??７??
【参考文献】：
期刊论文
[1]基于小波变换与稀疏傅里叶变换相结合的光场重构方法[J]. 周广福,文成林,高敬礼. 电子学报. 2017(04)
[2]AVS2视频编码关键技术[J]. 周芸,郭晓强,王强. 广播电视信息. 2015(09)
博士论文
[1]生成对抗网络的改进方法与超分辨率图像重建研究[D]. 李艳春.华南理工大学 2019
[2]HEVC与3D-HEVC快速编码算法的研究[D]. 杨智尧.吉林大学 2017
本文编号：3386241
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图１．２?ＨＥＶＣ编码块的划分方式??ＨＥＶＣ编码器会将图像划分成多个大小统一的编码树块，在将编码树块??，
硕士学位论文??ＭＡＳＴＥＲ?Ｓ?ＴＨＥＳＩＳ??（ｂ）是图１．３?（ａ）的四叉树划分示结构图，第０层表示四叉树的根节点，也??就是６４Ｘ６４大小的编码树块，然后再将整个编码数块划分成多个编码块。??在一整幅图像当中，每一个编码树块的扫描方式也是按照从左到右，从上到??下的顺序。但由于图像的尺寸不同，所以可能会出现边缘图像无法填满整个??编码树块的情况，这就需要编码树块进行四叉树分裂。??°?ＰＨ?咖．．．．．．．??－ｉＫｊ?１２??迦一?１５??（ａ）编码树块空间划分?（ｂ）编码树块的四叉树结构??图１．３编码树块的划分及其四叉树结构表示??在编码过程中编码块还可以进一步划分为预测块和变换块用于图像编码??的预测和变化。在ＨＥＶＣ标准中编码单元是预测单元和变换单元的基础，预??测单元是预测的最基本单元，变换单元则是变化的最基本单元。在预测过程??中，首先需要从帧间预测和帧内预测中选取合适的预测方式，对于同一编码??单元中的不同预测单元采用相同的预测方式。由于图像内部纹理的不同，所??以同一编码单元内的预测单元划分也不同。预测单元的最小尺寸是４Ｘ４，且??预测单元的划分相互独立，所以一个编码单元可以划分出多个不同的预测单??元。预测单元的划分一般分为三种模式，Ｓｋｉｐ模式，巾贞内模式，巾贞间模式。??Ｓｋｉｐ模式是一种特殊的帧间预测模式，它主要应用在相似度较高的块之??间。Ｓｋｉｐ模式下划分的预测单元尺寸和原编码单元一样，此时的编码单元被??认为和某个参考块的相似度较高。所以此预测块不需要通过运动估计来获得??预测值，只需要记录当前块与参照块的的运动矢量。由于Ｓｋｉｐ模式这一特殊??性，所以在图像编码
硕士学位论文??ＶｉＷ＾ｗｌ）?ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??变化单元的划分方式要比预测单元简单，它的划分为残差四叉树划分。??与四叉树划分的思路相似，变换单元的划分是利用在预测单元产生的残差数??据来进行划分，它的尺寸最大为６４Ｘ６４，最小为４Ｘ４。在同一个编码单元??中，预测单元的尺寸和变换单元的尺寸可以不相同，预测单元和变换单元的??划分互不影响。??１．３．４帧内预测模式??本文中我们主要研宄如何去除光场图像内部的冗余信息，这与ＨＥＶＣ标??准的帧内预测目的相同，所以这里我们主要介绍ＨＥＶＣ编码标准的帧内预测??模式。由于图像的纹理与色彩变化各不相同，所以为了更好的编码图像，??ＨＥＶＣ标准使用了基于块的多方向预测模式。为了满足不同的图像需求，达??到最好的编码效果，ＨＥＶＣ标准的帧内预测模式包括３３种不同的预测方向??以及平面预测和直流预测。图１．４为ＨＥＶＣ标准帧内预测模式的各种不同预??测角度。??闕??图１．?４?ＨＥＶＣ编码帧内预测的３３种不同角度??ＨＥＶＣ标准帧内预测模式分别是平面预测模式，直流预测模式和角度预??测模式。平面预测模式适用于颜色变化平滑的场景，若图像中某一区域纹理??和颜色变化趋势一致，则首先考虑使用平面预测模式。直流预测模式适用于??预测快内像素值平坦的区域，因为预测块内的像素值相似度很高，所以可以??对整个预测块使用同一个预测值。角度预测模式则适用于大部分的预测场景，??对于大部分图像来说，它们内部的纹理和色彩比较错综复杂，平面预测模式??和直流预测模式并不适用于这种情况，所以需要角度预测模式来进行预测。??７??
【参考文献】：
期刊论文
[1]基于小波变换与稀疏傅里叶变换相结合的光场重构方法[J]. 周广福,文成林,高敬礼. 电子学报. 2017(04)
[2]AVS2视频编码关键技术[J]. 周芸,郭晓强,王强. 广播电视信息. 2015(09)
博士论文
[1]生成对抗网络的改进方法与超分辨率图像重建研究[D]. 李艳春.华南理工大学 2019
[2]HEVC与3D-HEVC快速编码算法的研究[D]. 杨智尧.吉林大学 2017
本文编号：3386241
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3386241.html
