摘要：传统视频压缩编码方案基于香农-奈奎斯特采样定理,对连续的视频信号首先以高于二倍信号最高频率的采样频率...传统视频压缩编码方案基于香农-奈奎斯特采样定理,对连续的视频信号首先以高于二倍信号最高频率的采样频率进行采样,然后通过复杂的压缩编码技术去除信号的冗余信息以减小码率。这种视频信号编码方案具有较高的采集复杂度,不适用于资源受限的视频采集设备,如无线视频监控、无线多媒体传感网络等。视频压缩感知(compressed video sensing,CVS)是基于压缩感知(compressed sensing,CS)理论的一种新颖的视频信号采集方案,在对信号采样的同时完成了压缩的过程。CVS特别适合于采集端资源受限的应用场景,一经提出,就受到了广泛的关注。视频压缩感知主要包括观测矩阵、稀疏表示、重构算法和量化方法四个方面的研究内容。本文在分析视频信号结构特征和CVS观测值特征的基础上,深入地研究了重构算法和量化方法两个关键技术。主要工作和研究成果如下:1.利用视频帧内图像的非局部相似性和帧间信号的相关性,本文提出了一种基于结构相似的帧间组稀疏表示重构算法(SSIM-InterF-GSR),有效地提升了视频压缩感知的重构性能。在SSIM-InterF-GSR算法中,提出以结构相似度(SSIM)作为相似块匹配准则,在当前帧和参考帧内搜索匹配块生成相似块组,以相似块组的稀疏性作为正则项重构当前帧。同时,还提出了阶梯递减匹配块个数调整方案用于SSIM-InterF-GSR重构算法的迭代过程。仿真结果表明,本文所提SSIM-InterF-GSR算法能够很好地利用视频信号的相关性,显著提高视频信号的重构质量。2.现有的视频压缩感知观测值量化方法大多基于固定量化深度的均匀标量量化,然而,CS观测值或观测值残差(视频序列当前帧观测值与前一参考帧量化后观测值的差)通常是非均匀分布的。本文在对CVS观测值残差特征分析的基础上,提出了视频压缩感知中基于帧间差分脉冲编码调制的非均匀量化方法(DPCM-NSQ)。此外,量化深度对率失真性能有很大的影响,本文在DPCM-NSQ量化方法的基础上,提出了自适应最优量化深度估计(AOBE)模型,在AOBE模型中,量化深度通过预测残差特征和采样率(SR)的函数计算得到。仿真结果表明,本文提出的AOBE模型与固定比特深度的量化方法相比,具有更好的率失真性能,同时几乎不增加采样端的复杂度。更多还原显示全部
