论文部分内容阅读
近年来,压缩感知(Compressive Sensing, CS)理论的提出突破了传统的信号采样定理,能够以远小于奈奎斯特采样速率进行信号的获取,并实现对信号的完美重构。由于CS理论将采样和压缩合二为一,所以大大降低了编码端的复杂度,在视频编码领域得到了应用并获得了迅速的发展。这种基于CS理论的视频编码方案,称为视频压缩感知(Compressive Video Sensing, CVS)方案。为了在相同采样率下提升视频重建质量,现有CVS方案主要从两个方面进行研究：一方面,在发送端主要研究如何对视频信号进行有效测量；另一方面,在接收端主要研究如何对测量信号进行有效重构。本文着重研究如何根据视频信号中各帧图像的复杂度自适应分配采样率,以获取高质量的重建图像,主要的工作和创新点如下：1、提出一种基于稀疏度自适应采样率CVS方案。在对各图像块分类判决时,首先判断图像块在离散余弦变换域的稀疏度,其次结合该图像块与相邻参考帧之间的时域相关性,确定图像块的分类。根据判定的图像块类别,白适应分配采样率。实验结果表明,与现有的白适应采样率分配方案相比,在相同的采样率下,该算法可获得0.5dB左右的峰值信噪比增益。2、为了进一步地提高现有自适应采样率CVS方案的重构质量,提出一种基于空时相关性的自适应采样率CVS方案。在该算法中,在对图像块分类判决时,综合运用视频序列中的空域-时域相关性,以提高图像块分类判决结果的可靠性。首先根据时域相关性利用阈值对当前图像块进行初次分类；其次利用空域相关性对初次分类结果进行校正,确定最终分类判决结果。实验结果表明,与现有自适应采样率方案相比,提出的方案可获得2dB左右的峰值信噪比增益。3、针对现有基于自适应采样率的CVS方案的单帧总采样率不可控的问题,提出了基于帧间相关性的自适应采样率分块CVS方案。首先对当前帧图像块进行固定预采样；其次,根据预采样的测量值来估计图像块的变化程度,并计算该图像块与当前帧图像的复杂度比例；接下来,根据复杂度比例分配图像块自适应采样率；并将固定预采样及自适应采样的测量值合并为最终测量值。实验结果表明,与固定采样率算法相比,提出的方案在相同采样率下可获得1dB左右的峰值信噪比增益。