基于结构化稀疏表示的压缩视频采样
发布时间：2024-02-25 23:26
对信号进行采样和重建是信号处理领域最基本也是最核心的研究任务。传统的信号处理理论体系建立在香农等人的经典基础工作之上,遵循先采样,再压缩的过程。然而,由于奈奎斯特采样定理的要求,采样频率应不小于信号带宽的两倍才能保证不失真的信号重构,使得信号的采样值存在巨大的冗余。在随后的变换压缩过程中,再对变换后的系数进行大量的舍弃。这一系列过程不仅带来了巨大的计算和存储资源的浪费,也对硬件成本和传输带宽等因素带来了巨大的挑战。作为稀疏的一种应用,压缩感知是一种有效的信号采样和重构框架。压缩感知直接把待采样信号随机地投影到一个极低维空间中以获取采样数据,然后尝试通过获取该信号的稀疏表示来重建信号,实现了采样和压缩的同步融合,也以极大概率保证了信号的完美重构。因此,压缩感知降低了采样端对资源的要求,采样频率远远低于奈奎斯特采样频率,计算负担也被转移到了解码端。鉴于此,压缩感知被广泛的应用于全息成像、医学成像、卫星多光谱成像、雷达成像等各种成像技术,图像视频处理、传感网络以及信道编码等领域。然而,传统的压缩感知理论是建立在一般性稀疏的假设前提下,对于高维信号的采样和重构,无法有效利用其内在的结构化信息。...
【文章页数】：176 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略语
第一章 绪论
1.1 研究背景
1.2 研究现状及难点
1.3 主要研究内容和文章结构
1.4 主要创新点
第二章 背景知识
2.1 引言
2.2 稀疏表示
2.2.1 一般性稀疏
2.2.2 结构化稀疏
2.3 采样矩阵的设计
2.4 CS重构算法
2.4.1 基于一般性稀疏的重构算法
2.4.2 基于结构化稀疏的重构算法
2.5 基于端到端的压缩感知
2.6 可伸缩视频编码
第三章 压缩视频采样:数据驱动子空间联合模型
3.1 前言
3.2 压缩视频采样技术概述
3.2.1 向量化的压缩视频采样技术概述
3.2.2 张量化的压缩视频采样技术概述
3.3 背景和驱动
3.3.1 单子空间模型
3.3.2 子空间联合模型
3.3.3 问题驱动
3.4 基于数据驱动子空间联合模型的压缩视频采样框架
3.4.1 框架描述
3.4.2 子空间聚类
3.4.3 线性子空间学习
3.4.4 稳定重构
3.5 UoDS模型的张量推广
3.5.1 广义问题陈述
3.5.2 稳定重构
3.5.3 基于广义模型的压缩视频采样框架
3.6 实验结果
3.6.1 实验设置
3.6.2 线性子空间结果
3.6.3 多线性子空间结果
3.6.4 计算复杂度
3.7 小结
第四章 压缩视频采样:块稀疏子空间学习框架
4.1 前言
4.2 背景及驱动
4.3 最优结构化稀疏表示
4.3.1 数据驱动的张量子空间联合模型
4.3.2 块稀疏下的最优性
4.4 结构化稀疏约束优化
4.4.1 块稀疏子空间学习
4.4.2 泛化的块稀疏子空间学习
4.5 实验结果
4.5.1 实验设置
4.5.2 线性子空间学习:BSSL
4.5.3 张量子空间学习:UoTS和 GBSSL
4.5.4 计算复杂度
4.6 本章小结
第五章 结构化稀疏可伸缩压缩视频采样方法
5.1 前言
5.2 背景及驱动
5.3 结构化稀疏可伸缩压缩视频采样方法(SS-CVS)
5.3.1 框架描述
5.3.2 可伸缩的压缩感知
5.3.3 稳定的可伸缩重构
5.4 质量可伸缩性:分层子空间学习
5.4.1 子空间聚类的层次结构
5.4.2 基矩阵派生的层次结构
5.4.3 基于块稀疏张量的SS-CVS(BT-SS-CVS)
5.5 实验
5.5.1 实验设置
5.5.2 结构化稀疏可伸缩视频采样:分层子空间学习
5.5.3 基于张量的扩展:BT-SS-CVS
5.5.4 计算复杂度
5.6 本章小结
第六章 大尺度优化问题的可分解迭代算法
6.1 前言
6.2 背景及驱动
6.2.1 联邦数据分析
6.2.2 二元逻辑回归
6.3 垂直网格逻辑回归学习
6.3.1 逻辑回归对偶优化问题的牛顿迭代算法
6.3.2 垂直网格逻辑回归学习
6.3.3 基于固定海森矩阵的垂直网格逻辑回归
6.4 块稀疏张量的交替方向乘子法
6.5 实验
6.5.1 实验:垂直网格逻辑回归算法
6.5.2 实验:块稀疏张量的交替方向乘子法
6.6 本章小结
第七章 总结和展望
7.1 全文总结
7.2 未来工作展望
附录 A附录A定理3.3 的证明
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
攻读学位期间申请的专利
本文编号：3910996
【文章页数】：176 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略语
第一章 绪论
1.1 研究背景
1.2 研究现状及难点
1.3 主要研究内容和文章结构
1.4 主要创新点
第二章 背景知识
2.1 引言
2.2 稀疏表示
2.2.1 一般性稀疏
2.2.2 结构化稀疏
2.3 采样矩阵的设计
2.4 CS重构算法
2.4.1 基于一般性稀疏的重构算法
2.4.2 基于结构化稀疏的重构算法
2.5 基于端到端的压缩感知
2.6 可伸缩视频编码
第三章 压缩视频采样:数据驱动子空间联合模型
3.1 前言
3.2 压缩视频采样技术概述
3.2.1 向量化的压缩视频采样技术概述
3.2.2 张量化的压缩视频采样技术概述
3.3 背景和驱动
3.3.1 单子空间模型
3.3.2 子空间联合模型
3.3.3 问题驱动
3.4 基于数据驱动子空间联合模型的压缩视频采样框架
3.4.1 框架描述
3.4.2 子空间聚类
3.4.3 线性子空间学习
3.4.4 稳定重构
3.5 UoDS模型的张量推广
3.5.1 广义问题陈述
3.5.2 稳定重构
3.5.3 基于广义模型的压缩视频采样框架
3.6 实验结果
3.6.1 实验设置
3.6.2 线性子空间结果
3.6.3 多线性子空间结果
3.6.4 计算复杂度
3.7 小结
第四章 压缩视频采样:块稀疏子空间学习框架
4.1 前言
4.2 背景及驱动
4.3 最优结构化稀疏表示
4.3.1 数据驱动的张量子空间联合模型
4.3.2 块稀疏下的最优性
4.4 结构化稀疏约束优化
4.4.1 块稀疏子空间学习
4.4.2 泛化的块稀疏子空间学习
4.5 实验结果
4.5.1 实验设置
4.5.2 线性子空间学习:BSSL
4.5.3 张量子空间学习:UoTS和 GBSSL
4.5.4 计算复杂度
4.6 本章小结
第五章 结构化稀疏可伸缩压缩视频采样方法
5.1 前言
5.2 背景及驱动
5.3 结构化稀疏可伸缩压缩视频采样方法(SS-CVS)
5.3.1 框架描述
5.3.2 可伸缩的压缩感知
5.3.3 稳定的可伸缩重构
5.4 质量可伸缩性:分层子空间学习
5.4.1 子空间聚类的层次结构
5.4.2 基矩阵派生的层次结构
5.4.3 基于块稀疏张量的SS-CVS(BT-SS-CVS)
5.5 实验
5.5.1 实验设置
5.5.2 结构化稀疏可伸缩视频采样:分层子空间学习
5.5.3 基于张量的扩展:BT-SS-CVS
5.5.4 计算复杂度
5.6 本章小结
第六章 大尺度优化问题的可分解迭代算法
6.1 前言
6.2 背景及驱动
6.2.1 联邦数据分析
6.2.2 二元逻辑回归
6.3 垂直网格逻辑回归学习
6.3.1 逻辑回归对偶优化问题的牛顿迭代算法
6.3.2 垂直网格逻辑回归学习
6.3.3 基于固定海森矩阵的垂直网格逻辑回归
6.4 块稀疏张量的交替方向乘子法
6.5 实验
6.5.1 实验:垂直网格逻辑回归算法
6.5.2 实验:块稀疏张量的交替方向乘子法
6.6 本章小结
第七章 总结和展望
7.1 全文总结
7.2 未来工作展望
附录 A附录A定理3.3 的证明
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
攻读学位期间申请的专利
本文编号：3910996
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3910996.html
