基于压缩感知的分布式视频编码关键技术研究
基于压缩感知的分布式视频编码关键技术研究[20191213092539]
摘 要
分布式视频编码(DVC)是适应于低复杂度编码而出现的一种新的视频编码框架。压缩感知(CS)理论成功实现了信号采样与压缩的同步，突破了传统的奈奎斯特采样定理的限制。结合压缩感知和分布式视频编码的特点，近年来提出了一种分布式压缩感知(DCS)的概念。本文在分析DCS的基础上，重点对基于块的分布式压缩感知视频编码的重构算法进行了研究，主要研究内容为：对分布式视频编码(DVC)、压缩感知(CS)和基于压缩感知的分布式视频编码(DCVS)的基本理论、关键技术、应用以及现有的DCVS方案进行了分析，在此基础上, 首先对基于块的分布式压缩感知视频编码的重构算法(BCS)进行了研究，通过仿真实验分析了影响BCS重构效果的关键因素；进一步考虑到视频序列相邻帧之间的时间相关性和帧内的空间相关性，研究了基于时空相关性的多假设预测重构算法，并结合实验结果对不同的重构方案进行对比分析；最后考虑到视频帧本身的结构特性，提出了基于内容的多假设预测重构算法，通过边缘检测和相关性判断将视频帧块划分为不同类型块并利用不同的算法分别进行重构，再将重构块按顺序组合得到最终的重构视频帧。仿真实验表明提出的算法比BCS重构算法在PSNR上有很大的提高。
摘要………………………………………………………………………I
查看完整论文请+Q: 351916072
关键字:分布式视频编码；压缩感知；分布式压缩感知；DCVS；BCS；多假设预测重构
目 录
ABSTRACT.II
第1章 绪论 1
1.1 引言 1
1.2 课题的研究背景 1
1.2.1 分布式视频编码 2
1.2.2 压缩感知 2
1.2.3 基于压缩感知的分布式视频编码 3
1.3 论文的主要工作和章节安排 4
1.3.1论文的主要工作 4
1.3.2 论文的章节安排 4
第2章 相关理论分析及其技术发展 5
2.1 分布式视频编码理论及研究现状 5
2.1.1分布式视频编码的基础理论 5
2.1.2分布式视频编码的关键技术 7
2.1.3分布式视频编码的应用 10
2.2压缩感知基本理论及研究现状 11
2.2.1压缩感知的基本理论 11
2.2.2压缩感知的关键技术 12
2.2.3压缩感知技术的应用 15
2.3分布式压缩感知理论及其研究现状 16
2.3.1分布式压缩感知理论简介 16
2.3.2分布式压缩感知关键技术 18
2.3.3分布式压缩感知的应用 19
2.4本章小结 20
第3章 基于块的分布式压缩感知视频编码的研究 21
3.1基于压缩感知的分布式视频编解码系统方案 21
3.1.1分布式压缩视频感知系统(DCVS) 21
3.1.2基于压缩感知的无反馈WZ视频编码 23
3.1.3基于字典学习稀疏表示的DCVS框架 25
3.2基于块的压缩感知重构算法研究 26
3.2.1基于块的压缩感知重构算法原理 26
3.2.2 基于块的压缩感重构知算法实验及分析 27
3.3基于时空相关性的多假设预测重构算法研究 29
3.3.1 多假设预测重构算法原理 30
3.3.2 多假设预测重构算法相关实验及分析 31
3.4本章小结 34
第4章 基于内容的多假设预测算法研究 34
4.1帧内/帧间自适应判断多假设预测重构算法 34
4.2 基于区域划分的帧内/帧间自适应多假设预测重构算法 35
4.2.1 算法原理 36
4.2.2 实验及结论 39
4.3本章小结 41
第5章 总结与展望 42
5.1论文完成工作 42
5.2 未来展望 42
参考文献 44
致谢 46
附录 发表论文情况 47
论文翻译..49
任务书..67
第1章 绪论
1.1 引言
传统的通信方式在信息飞速发展的今天已经不能满足人们的需求。而视频通信以其直观性、可靠性等一系列优点，成为新的应用需求热点。由于视频数据在数字化后拥有海量性的特点，给视频传输和存储带来了相当大的困难，特别是在无线视频通信领域中，这个问题尤为突出。
如何更有效地压缩视频数据，以最少的码字获得更准确的信息，一直是研究的重点。经过了50多年的发展，逐渐形成几个标准化组织和一系列视频编码标准。如ITU-T制定H.26x序列标准和ISO/IEC的MPEG标准。但这些传统的视频编码技术视频编码器的复杂度5至10倍于视频解码器端，已不再适用于一些应用场合，而作为一种视频编码的全新框架，编码设备相对简单，解码器拥有相对较高复杂的计算能力的分布式视频编码开始受到人们广泛的关注。分布式视频编码(DVC, Distributed video coding)[1]比较适用于便携式，低功耗，计算能力和带宽都受限的无线视频传输终端，对于未来的无线视频信号的编码和传输等领域的发展具有十分重要的意义。
Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。近年来基于信号稀疏性提出一种称为压缩感知[2](压缩传感,CS, Compressive Sensing, Compressed sensing)的新兴采样理论，成功实现了信号的同时采样与压缩，其特有的信号采样方式带来了信号采样理论的重大变革，对信号的直接采样使其具有巨大的吸引力和广阔的应用前景。在现代信号处理、应用数学、统计学、计算机科学以及通信工程等领域产生了极其重要的影响。
分布式压缩感知(DCVS, Distributed Compressive Video Sensing)[3]可以看成是对压缩感知理论的扩展，Dror Baron等指出具有相关信息的多个观测源采用联合重构算法可以获取更好的重构效果，其主要思想是利用联合稀疏模型在编码端实现独立的编码，而在解码端实现联合解码。由于联合稀疏模型通常比独立的稀疏模型更加有效，因此分布式压缩感知能够具有很好的压缩性能。
1.2 课题的研究背景
1.2.1 分布式视频编码
对DVC的理论研究开始于20世纪70年代的信息理论，即Slepian和Wolf的分布式无损编码理论[4]和Wyner-Ziv的利用解码端辅助信息建立的有损编码理论[5]。根据上述两大理论建立的机制被统称为分布式编码算法，其中Wyner-Ziv理论是分布式视频编码技术的主要理论依据。虽然这是在上个世纪70年代就提出的分布式编码算法的基础理论，然而直到最近几年才开始出现一些比较实用的分布式编码算法，并取得了很好的编码效果。
MPEG和H.26x等传统的视频编码标准在编码器端主要包括变换、量化、运动估计和运动补偿，以及熵编码等几个步骤。在分布式视频编码方案中同样具备了这些视频编码的要素，但具体的实现方法和结构却有着很大的不同。Wyner-Ziv编码器是由量化器和Slepian-Wolf编码器组合而成的，其中Slepian-Wolf编码器负责对量化后的符号进行编码，这类似于传统编码技术中的熵编码的作用。辅助信息(边信息)Y被传送到解码端，与己解码的信息一起辅助当前帧解码工作的进行。这种在编码端各帧独立进行编码，而在解码时利用辅助信息进行条件解码的方式对于移动视频设备的应用来说无疑是一个很大的优势，因为编码时只需要采用帧内编码方式即可，复杂度大大降低，而运动估计和运动补偿则被转移到解码端进行。
作为一项新兴的技术，分布式视频编码技术的各个环节都在飞速发展中。分布式编码在摄像机传感器网络的应用是目前的一个最新的关注热点。瑞士联邦工学院的Flierl分析了视频传感器网络的编码性能，Jagmohan和Zhu在相关研究中分别提出了用于相机阵列的分布式压缩算法[6][7]。Gehrig提出了一种基于计算机视觉plenoptic function的相机阵列分布式压缩算法[8]，美国加州大学的Song提出了另一种运用多视角计算机视觉Epipolar Geometry的分布式视频传感器网络压缩算法[9]。这些都是对分布式视频编解码算法在三维图像和视频应用中的初步探索，目前分布式编码在视频传感器网络应用的研究还在起步阶段，还有许多研究工作要去做。
1.2.2 压缩感知
CS理论是近年来信号处理领域诞生的一种新的信号处理理论，由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者)等人提出，自诞生之日起便极大地吸引了相关研究人员的关注。
传统的信号获取和处理过程主要包括采样、压缩、传输和解压缩四个部分，其采样过程必须遵循奈奎斯特采样定率，这种方式采样数据量大，先采样后压缩，浪费了大量的存储空间和时间。压缩感知的核心思想是压缩和采样合并进行，并且测量值远小于传统采样方法的数据量，突破了传统采样定理的瓶颈，使高分辨率的信号采集成为可能。使其在信号处理领域有着突出的优点和广阔的应用前景。
压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性和非相干性，或者稀疏性和等距约束性。事实上，压缩感知理论的某些抽象结论源于Kashin创立的范函分析和逼近论[10]，最近由Candes[11]，Romberg[12],Tao[13]和Donoho[2]等人构造了具体的算法并且通过研究表明了这一理论的巨大应用前景。目前国内已经有科研单位的学者对其展开研究。
压缩感知关键要素包括：信号的稀疏表示、测量矩阵的构建和重构算法的设计。这些关键技术将会在后面详细介绍。压缩感知理论必将给信号采样方法带来一次新的革命。引入这一理论还在于它对应用科学的许多领域具有重要的影响，如统计学、信息论、编码等。目前，学者们已经在模拟-信息采样、合成孔径雷达成像、遥感成像、核磁共振成像、深空探测成像、无线传感器网络、信源编码、人脸识别、语音识别、探地雷达成像等诸多领域对压缩感知展开了广泛的应用研究。Rice大学已经成功设计出了一种基于压缩感知的新型单像素相机，在实践中为取代传统相机迈出了实质性的一步。
1.2.3 基于压缩感知的分布式视频编码
分布式压缩感知可以看成是对压缩感知理论的扩展,其主要思想是利用联合稀疏模型在编码端实现独立的编码，而在解码端实现联合解码。由于联合稀疏模型通常比独立的稀疏模型更加有效，因此分布式压缩感知具有很好的压缩性能。一个典型的分布式压缩感知的应用场景为：若干个传感器对同一事物进行信号采集（任何维的信号），每个传感器采集的信号在稀疏基下都可以稀疏表示，并且传感器与传感器之间具有相关性。每个传感器独立地将采集到的信号投影到随机测量矩阵上进行编码，然后把编码后的系数传输到同一个解码器进行解码。文献[3]中提出了并详细研究了3 种联合稀疏模型(JSM, joint sparsity model)，提出了多信号独立投影联合重构的算法，从信息论得到的 Slepian-Wolf定理出发，建立编码联合稀疏信号所需的的测量率的上限和下限。
1.3 论文的主要工作和章节安排
1.3.1论文的主要工作
本文的主要工作在对压缩感知理论、分布式视频编码理论和分布式压缩感知理论的学习、分析和研究的基础上，研究并仿真了基于压缩感知的分布式视频编码重构算法。通过已有的模型的分析和测试讨论了基于块的重构中影响重构图像的峰值性噪比(PSNR)的因素。
在此基础上，考虑到时空相关性的影响，分析了基于块多假设重构算法中不同重构方法对于运动剧烈程度不同序列的重构效果的影响。
考虑到图像的运动特性，提出了帧内/帧间自适应多假设重构方法。另外，通过考虑运动序列的图像边缘是影响图像重构质量的重要因素，在多假设预测重构基础上，提出了相应的改进。根据图像本身的特性，将图像分为边缘块和非边缘块分别进行自适应帧内/帧间重构，使图像具有更好的重构效果。
1.3.2 论文的章节安排
第一章主要介绍了本文工作的研究背景和意义以及本文的研究内容。
第二章综述了压缩感知理论、分布式视频编码技术、分布式压缩感知理论的框架及其关键技术和研究现状。
第三章主要分析了基于块的分布式压缩感知的基础理论，分析比较了影响基于块重构的图像的因素。然后通过已有的框架测试并分析了现有的多假设预测重构算法对运动程度不同序列的影响。
第四章在已有的多假设预测重构算法基础上，提出了帧内/帧间自适应多假设重构方法和基于内容的边缘提取重构算法，并分析了不同序列重构效果不同的原因。
第五章为本文最后一章，对本文的研究成果进行了概述，且提出了改进思想和对未来的展望。
摘 要
分布式视频编码(DVC)是适应于低复杂度编码而出现的一种新的视频编码框架。压缩感知(CS)理论成功实现了信号采样与压缩的同步，突破了传统的奈奎斯特采样定理的限制。结合压缩感知和分布式视频编码的特点，近年来提出了一种分布式压缩感知(DCS)的概念。本文在分析DCS的基础上，重点对基于块的分布式压缩感知视频编码的重构算法进行了研究，主要研究内容为：对分布式视频编码(DVC)、压缩感知(CS)和基于压缩感知的分布式视频编码(DCVS)的基本理论、关键技术、应用以及现有的DCVS方案进行了分析，在此基础上, 首先对基于块的分布式压缩感知视频编码的重构算法(BCS)进行了研究，通过仿真实验分析了影响BCS重构效果的关键因素；进一步考虑到视频序列相邻帧之间的时间相关性和帧内的空间相关性，研究了基于时空相关性的多假设预测重构算法，并结合实验结果对不同的重构方案进行对比分析；最后考虑到视频帧本身的结构特性，提出了基于内容的多假设预测重构算法，通过边缘检测和相关性判断将视频帧块划分为不同类型块并利用不同的算法分别进行重构，再将重构块按顺序组合得到最终的重构视频帧。仿真实验表明提出的算法比BCS重构算法在PSNR上有很大的提高。
摘要………………………………………………………………………I
查看完整论文请+Q: 351916072
关键字:分布式视频编码；压缩感知；分布式压缩感知；DCVS；BCS；多假设预测重构
目 录
ABSTRACT.II
第1章 绪论 1
1.1 引言 1
1.2 课题的研究背景 1
1.2.1 分布式视频编码 2
1.2.2 压缩感知 2
1.2.3 基于压缩感知的分布式视频编码 3
1.3 论文的主要工作和章节安排 4
1.3.1论文的主要工作 4
1.3.2 论文的章节安排 4
第2章 相关理论分析及其技术发展 5
2.1 分布式视频编码理论及研究现状 5
2.1.1分布式视频编码的基础理论 5
2.1.2分布式视频编码的关键技术 7
2.1.3分布式视频编码的应用 10
2.2压缩感知基本理论及研究现状 11
2.2.1压缩感知的基本理论 11
2.2.2压缩感知的关键技术 12
2.2.3压缩感知技术的应用 15
2.3分布式压缩感知理论及其研究现状 16
2.3.1分布式压缩感知理论简介 16
2.3.2分布式压缩感知关键技术 18
2.3.3分布式压缩感知的应用 19
2.4本章小结 20
第3章 基于块的分布式压缩感知视频编码的研究 21
3.1基于压缩感知的分布式视频编解码系统方案 21
3.1.1分布式压缩视频感知系统(DCVS) 21
3.1.2基于压缩感知的无反馈WZ视频编码 23
3.1.3基于字典学习稀疏表示的DCVS框架 25
3.2基于块的压缩感知重构算法研究 26
3.2.1基于块的压缩感知重构算法原理 26
3.2.2 基于块的压缩感重构知算法实验及分析 27
3.3基于时空相关性的多假设预测重构算法研究 29
3.3.1 多假设预测重构算法原理 30
3.3.2 多假设预测重构算法相关实验及分析 31
3.4本章小结 34
第4章 基于内容的多假设预测算法研究 34
4.1帧内/帧间自适应判断多假设预测重构算法 34
4.2 基于区域划分的帧内/帧间自适应多假设预测重构算法 35
4.2.1 算法原理 36
4.2.2 实验及结论 39
4.3本章小结 41
第5章 总结与展望 42
5.1论文完成工作 42
5.2 未来展望 42
参考文献 44
致谢 46
附录 发表论文情况 47
论文翻译..49
任务书..67
第1章 绪论
1.1 引言
传统的通信方式在信息飞速发展的今天已经不能满足人们的需求。而视频通信以其直观性、可靠性等一系列优点，成为新的应用需求热点。由于视频数据在数字化后拥有海量性的特点，给视频传输和存储带来了相当大的困难，特别是在无线视频通信领域中，这个问题尤为突出。
如何更有效地压缩视频数据，以最少的码字获得更准确的信息，一直是研究的重点。经过了50多年的发展，逐渐形成几个标准化组织和一系列视频编码标准。如ITU-T制定H.26x序列标准和ISO/IEC的MPEG标准。但这些传统的视频编码技术视频编码器的复杂度5至10倍于视频解码器端，已不再适用于一些应用场合，而作为一种视频编码的全新框架，编码设备相对简单，解码器拥有相对较高复杂的计算能力的分布式视频编码开始受到人们广泛的关注。分布式视频编码(DVC, Distributed video coding)[1]比较适用于便携式，低功耗，计算能力和带宽都受限的无线视频传输终端，对于未来的无线视频信号的编码和传输等领域的发展具有十分重要的意义。
Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。近年来基于信号稀疏性提出一种称为压缩感知[2](压缩传感,CS, Compressive Sensing, Compressed sensing)的新兴采样理论，成功实现了信号的同时采样与压缩，其特有的信号采样方式带来了信号采样理论的重大变革，对信号的直接采样使其具有巨大的吸引力和广阔的应用前景。在现代信号处理、应用数学、统计学、计算机科学以及通信工程等领域产生了极其重要的影响。
分布式压缩感知(DCVS, Distributed Compressive Video Sensing)[3]可以看成是对压缩感知理论的扩展，Dror Baron等指出具有相关信息的多个观测源采用联合重构算法可以获取更好的重构效果，其主要思想是利用联合稀疏模型在编码端实现独立的编码，而在解码端实现联合解码。由于联合稀疏模型通常比独立的稀疏模型更加有效，因此分布式压缩感知能够具有很好的压缩性能。
1.2 课题的研究背景
1.2.1 分布式视频编码
对DVC的理论研究开始于20世纪70年代的信息理论，即Slepian和Wolf的分布式无损编码理论[4]和Wyner-Ziv的利用解码端辅助信息建立的有损编码理论[5]。根据上述两大理论建立的机制被统称为分布式编码算法，其中Wyner-Ziv理论是分布式视频编码技术的主要理论依据。虽然这是在上个世纪70年代就提出的分布式编码算法的基础理论，然而直到最近几年才开始出现一些比较实用的分布式编码算法，并取得了很好的编码效果。
MPEG和H.26x等传统的视频编码标准在编码器端主要包括变换、量化、运动估计和运动补偿，以及熵编码等几个步骤。在分布式视频编码方案中同样具备了这些视频编码的要素，但具体的实现方法和结构却有着很大的不同。Wyner-Ziv编码器是由量化器和Slepian-Wolf编码器组合而成的，其中Slepian-Wolf编码器负责对量化后的符号进行编码，这类似于传统编码技术中的熵编码的作用。辅助信息(边信息)Y被传送到解码端，与己解码的信息一起辅助当前帧解码工作的进行。这种在编码端各帧独立进行编码，而在解码时利用辅助信息进行条件解码的方式对于移动视频设备的应用来说无疑是一个很大的优势，因为编码时只需要采用帧内编码方式即可，复杂度大大降低，而运动估计和运动补偿则被转移到解码端进行。
作为一项新兴的技术，分布式视频编码技术的各个环节都在飞速发展中。分布式编码在摄像机传感器网络的应用是目前的一个最新的关注热点。瑞士联邦工学院的Flierl分析了视频传感器网络的编码性能，Jagmohan和Zhu在相关研究中分别提出了用于相机阵列的分布式压缩算法[6][7]。Gehrig提出了一种基于计算机视觉plenoptic function的相机阵列分布式压缩算法[8]，美国加州大学的Song提出了另一种运用多视角计算机视觉Epipolar Geometry的分布式视频传感器网络压缩算法[9]。这些都是对分布式视频编解码算法在三维图像和视频应用中的初步探索，目前分布式编码在视频传感器网络应用的研究还在起步阶段，还有许多研究工作要去做。
1.2.2 压缩感知
CS理论是近年来信号处理领域诞生的一种新的信号处理理论，由D. Donoho(美国科学院院士)、E. Candes(Ridgelet, Curvelet创始人)及华裔科学家T. Tao(2006年菲尔兹奖获得者)等人提出，自诞生之日起便极大地吸引了相关研究人员的关注。
传统的信号获取和处理过程主要包括采样、压缩、传输和解压缩四个部分，其采样过程必须遵循奈奎斯特采样定率，这种方式采样数据量大，先采样后压缩，浪费了大量的存储空间和时间。压缩感知的核心思想是压缩和采样合并进行，并且测量值远小于传统采样方法的数据量，突破了传统采样定理的瓶颈，使高分辨率的信号采集成为可能。使其在信号处理领域有着突出的优点和广阔的应用前景。
压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性和非相干性，或者稀疏性和等距约束性。事实上，压缩感知理论的某些抽象结论源于Kashin创立的范函分析和逼近论[10]，最近由Candes[11]，Romberg[12],Tao[13]和Donoho[2]等人构造了具体的算法并且通过研究表明了这一理论的巨大应用前景。目前国内已经有科研单位的学者对其展开研究。
压缩感知关键要素包括：信号的稀疏表示、测量矩阵的构建和重构算法的设计。这些关键技术将会在后面详细介绍。压缩感知理论必将给信号采样方法带来一次新的革命。引入这一理论还在于它对应用科学的许多领域具有重要的影响，如统计学、信息论、编码等。目前，学者们已经在模拟-信息采样、合成孔径雷达成像、遥感成像、核磁共振成像、深空探测成像、无线传感器网络、信源编码、人脸识别、语音识别、探地雷达成像等诸多领域对压缩感知展开了广泛的应用研究。Rice大学已经成功设计出了一种基于压缩感知的新型单像素相机，在实践中为取代传统相机迈出了实质性的一步。
1.2.3 基于压缩感知的分布式视频编码
分布式压缩感知可以看成是对压缩感知理论的扩展,其主要思想是利用联合稀疏模型在编码端实现独立的编码，而在解码端实现联合解码。由于联合稀疏模型通常比独立的稀疏模型更加有效，因此分布式压缩感知具有很好的压缩性能。一个典型的分布式压缩感知的应用场景为：若干个传感器对同一事物进行信号采集（任何维的信号），每个传感器采集的信号在稀疏基下都可以稀疏表示，并且传感器与传感器之间具有相关性。每个传感器独立地将采集到的信号投影到随机测量矩阵上进行编码，然后把编码后的系数传输到同一个解码器进行解码。文献[3]中提出了并详细研究了3 种联合稀疏模型(JSM, joint sparsity model)，提出了多信号独立投影联合重构的算法，从信息论得到的 Slepian-Wolf定理出发，建立编码联合稀疏信号所需的的测量率的上限和下限。
1.3 论文的主要工作和章节安排
1.3.1论文的主要工作
本文的主要工作在对压缩感知理论、分布式视频编码理论和分布式压缩感知理论的学习、分析和研究的基础上，研究并仿真了基于压缩感知的分布式视频编码重构算法。通过已有的模型的分析和测试讨论了基于块的重构中影响重构图像的峰值性噪比(PSNR)的因素。
在此基础上，考虑到时空相关性的影响，分析了基于块多假设重构算法中不同重构方法对于运动剧烈程度不同序列的重构效果的影响。
考虑到图像的运动特性，提出了帧内/帧间自适应多假设重构方法。另外，通过考虑运动序列的图像边缘是影响图像重构质量的重要因素，在多假设预测重构基础上，提出了相应的改进。根据图像本身的特性，将图像分为边缘块和非边缘块分别进行自适应帧内/帧间重构，使图像具有更好的重构效果。
1.3.2 论文的章节安排
第一章主要介绍了本文工作的研究背景和意义以及本文的研究内容。
第二章综述了压缩感知理论、分布式视频编码技术、分布式压缩感知理论的框架及其关键技术和研究现状。
第三章主要分析了基于块的分布式压缩感知的基础理论，分析比较了影响基于块重构的图像的因素。然后通过已有的框架测试并分析了现有的多假设预测重构算法对运动程度不同序列的影响。
第四章在已有的多假设预测重构算法基础上，提出了帧内/帧间自适应多假设重构方法和基于内容的边缘提取重构算法，并分析了不同序列重构效果不同的原因。
第五章为本文最后一章，对本文的研究成果进行了概述，且提出了改进思想和对未来的展望。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/2245.html
