分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)多假设重构算法将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中,改善了对视频序列的重构质量。在该算法中,大变化块采用本帧邻域块信息...分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)多假设重构算法将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中,改善了对视频序列的重构质量。在该算法中,大变化块采用本帧邻域块信息作为参考,而当本帧邻域块含有较多纹理和细节时,算法性能有待提高。为此,对非局部相似性的思想进行改进,提出基于加权非局部相似性的分布式视频压缩感知多假设重构算法。在该算法中,对大变化块中的纹理块采用加权非局部相似性在相邻已重构帧中寻找自相似块,最终生成辅助重构信息块;对于非纹理块,则简单利用加权非局部相似性生成相似块。对不同特点的视频序列的仿真实验结果表明,改进后的算法有效改善了视频序列的重构质量,具有较优的重构SSIM,PSNR指标,其中PSNR约提高1dB。展开更多
为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,仅利用稀疏先验知识不能很好地保护视频帧的边缘与纹理细节,本文提出利用视频非局部相似性形成正则化项融入联合重构模型以有效去除边缘与纹理区...为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,仅利用稀疏先验知识不能很好地保护视频帧的边缘与纹理细节,本文提出利用视频非局部相似性形成正则化项融入联合重构模型以有效去除边缘与纹理区域的模糊和块效应现象。仿真实验表明,本文所提出的联合重构算法可有效地改善主客观视频重构质量,能以一定计算复杂度为代价提高分布式视频压缩感知系统的率失真性能。展开更多
为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知(Compressive Sensing,CS...为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知(Compressive Sensing,CS)捕获信息的效率。在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果。仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量。展开更多
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
基金Supported by National Natural Science Foundation of China（61170147） Major Cooperation Project of Production and College in Fujian Province（2012H61010016） Natural Science Foundation of Fujian Province（2013J01234）
文摘分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)多假设重构算法将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中,改善了对视频序列的重构质量。在该算法中,大变化块采用本帧邻域块信息作为参考,而当本帧邻域块含有较多纹理和细节时,算法性能有待提高。为此,对非局部相似性的思想进行改进,提出基于加权非局部相似性的分布式视频压缩感知多假设重构算法。在该算法中,对大变化块中的纹理块采用加权非局部相似性在相邻已重构帧中寻找自相似块,最终生成辅助重构信息块;对于非纹理块,则简单利用加权非局部相似性生成相似块。对不同特点的视频序列的仿真实验结果表明,改进后的算法有效改善了视频序列的重构质量,具有较优的重构SSIM,PSNR指标,其中PSNR约提高1dB。
文摘为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,仅利用稀疏先验知识不能很好地保护视频帧的边缘与纹理细节,本文提出利用视频非局部相似性形成正则化项融入联合重构模型以有效去除边缘与纹理区域的模糊和块效应现象。仿真实验表明,本文所提出的联合重构算法可有效地改善主客观视频重构质量,能以一定计算复杂度为代价提高分布式视频压缩感知系统的率失真性能。
文摘为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知(Compressive Sensing,CS)捕获信息的效率。在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果。仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量。
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。
