为改善分布式压缩视频感知（distributed compressive video sensing，DCVS）系统的视频帧图像重构质量，以实时视频传输为应用场景，提出了一种基于双重稀疏模型的图像解码算法。解码端由相邻的已重构关键帧产生边信息（sideinformatio...为改善分布式压缩视频感知（distributed compressive video sensing，DCVS）系统的视频帧图像重构质量，以实时视频传输为应用场景，提出了一种基于双重稀疏模型的图像解码算法。解码端由相邻的已重构关键帧产生边信息（sideinformation，SI）；根据双重稀疏模型思想，分离样本图像小波域下不同尺度的子带，分别使用K均值奇异值分解（K-means singular value decomposition，K—SVD）算法得到具有多尺度特性的冗余字典，结合梯度投影稀疏重建（gradient pursuit for sparsereconstruction，GPSR）算法，完成对非关键帧的重构。仿真结果表明，在相同压缩率下，相比传统K—SVD字典训练方法，本文所提出的方法对应的视频帧图像重构峰值信噪比（peak signal to noise ratio，PSNR）可获得0．5～1．5dB以上的增益。展开更多
文摘为改善分布式压缩视频感知（distributed compressive video sensing，DCVS）系统的视频帧图像重构质量，以实时视频传输为应用场景，提出了一种基于双重稀疏模型的图像解码算法。解码端由相邻的已重构关键帧产生边信息（sideinformation，SI）；根据双重稀疏模型思想，分离样本图像小波域下不同尺度的子带，分别使用K均值奇异值分解（K-means singular value decomposition，K—SVD）算法得到具有多尺度特性的冗余字典，结合梯度投影稀疏重建（gradient pursuit for sparsereconstruction，GPSR）算法，完成对非关键帧的重构。仿真结果表明，在相同压缩率下，相比传统K—SVD字典训练方法，本文所提出的方法对应的视频帧图像重构峰值信噪比（peak signal to noise ratio，PSNR）可获得0．5～1．5dB以上的增益。
