基于块分类的矿井视频图像DCVS重构算法

针对煤矿井下视频监控图像因数据量大而导致传输和存储困难等问题,引入压缩感知理论对视频图像进行编解码,提出一种新的分布式视频编解码(distributed compressed video sensing, DCVS)方案.为了获得更稀疏的表示和更普遍的适用性,提出一种基于块的自适应混合稀疏基方案.针对边信息获取过程中通常采用固定权值合成边信息而忽略不同图像块之间相关性的问题,提出一种块分类加权边信息生成方案.结果表明:与传统的视频编解码方案相比,基于块的分类编解码方案能充分利用帧间相关性,在不同采样率下视频重构的峰值信噪比均有所提高,视频帧重构的质量也得到有效提升.     

一种新的基于分块的视频压缩感知算法

提出了一种新的基于分块的视频压缩感知算法,可以将视频采集和压缩编码有机结合起来同时进行. 为利用视频时间轴上的冗余,对参考帧和非参考帧使用不同的采样策略:对于参考帧,先进行分块然后进行常规的压缩感知采样;对于非参考帧,将分块后和参考帧对应块作比较然后调整采样策略. 非参考帧的采样可以为参考帧提供更多的信息,使得在采样数目很少的情况下得到更高的视频质量. 同时算法可以根据视频帧内部的纹理复杂程度自适应地调整采样速率,优化资源配置. 实验结果表明,相对于一般的压缩采样算法,本算法使用比以往算法少20%以上的采样值,得到的结果既符合人眼观察又有最高的信噪比.      

基于压缩感知的视频编码技术研究

通过分析和比较基于传统视频编码架构和基于分布式视频压缩感知的视频压缩感知编码技术的主要特性,提出一种新的基于帧间模式决策的混合式视频压缩感知编码模型.针对不同的图像内容变化速率、感知帧测量率以及图像组尺寸等情况,分别进行算法的仿真实验.测试结果表明,所提出的混合式视频压缩感知编码技术能够在高保真重建视频序列的同时,兼顾编解码速度.     

基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。     

一种多视点立体视频分布式压缩感知编解码模型

立体视频信号处理一个非常重要的问题是高效编解码问题．结合分布式信源编码和压缩感知理论,提出了一种用于多视点立体视频编解码的分布式压缩感知模型,该模型可以在实现高效编码的同时将复杂度从编码端转移到解码端,从而满足低复杂度编码的应用场合．理论分析和相关算法实验数据表明该模型是可行并且有效的．     

联合结构预测和运动补偿的视频自适应压缩感知

视频压缩感知是解决无线多媒体网络中海量数据存储和传输问题的有效方法,但常规基于单帧处理的压缩重构质量较差,限制了应用效果。文中提出了基于BCS的结构预测和运动补偿的提高视频GOP序列重构质量的方法。对视频GOP序列,首先,利用分块压缩感知对关键帧和压缩帧分别进行压缩采样,并给出了一种视频稀疏性定量估算方法,实现了压缩采样率自适应选择;然后,基于迭代阈值投影重构算法,对关键帧和压缩帧分别进行压缩重构。在此基础上,利用视频帧区域块的结构相关性进行帧内结构预测,提高重构质量;最后,利用帧间的时间冗余性,通过运动估计和运动补偿进一步提高重构质量。仿真结果表明,结构预测和运动补偿能提高视频重构的峰值信噪比(PSNR)。该算法考虑了视频序列帧内和帧间相关性进行预测和补偿,提高了GOP序列的重构质量。     

自适应采样率分配的分布式压缩感知视频编码

提出了一种基于压缩感知理论的分布式视频编码方案,它是建立在压缩感知理论的基础上全新的具有动态测量率分配的分布式视频编码框架,具有编码端简单、抗误码能力强、编码效率较高的特点.在编码端,关键帧和非关键帧独立编码,关键帧采用高采样率的压缩感知测量,非关键帧采用自适应的压缩感知测量.在解码端,利用非局部稀疏模型和字典训练更新算法,关键帧和非关键帧联合进行压缩感知重建.实验结果表明,本文的编码算法能获得较好的率失真性能和主观图像质量.     

采用Transformer架构的长跨度视频压缩感知重构方法

深度学习的快速发展给视频压缩感知重构提供了新思路。受网络模型限制,现有的基于深度学习的压缩感知重构方法不能充分利用视频的空时特征,且对于超过16帧的视频段重构效果不够理想。采用Transformer网络构建压缩感知重构网络,利用Transformer网络在序列信号处理方面的优势构建空时注意力提取模块,学习视频帧间的空时注意力特征,更好地实现对视频连续帧的建模,从而解决长跨度视频段压缩感知重构问题。实验结果表明：所提方法在处理32张视频帧的视频分段时,能达到30 dB以上的重构精度,在处理96张视频帧的视频分段时,仍能达到27 dB以上的良好性能。     

基于运动检测与H.264的智能监控系统设计与实现

针对远程智能监控的应用,基于H.264视频编解码与运动检测标识技术,在由小型工控机与计算机组建的客户机/服务器系统上设计并实现了实时运动检测视频监控系统。系统对采集的视频帧进行H.264规范的压缩编码并传输,在保证图像质量前提下降低了带宽与存储开销。运动检测算法在Kalman动态背景更新的基础上,采用了加权方式的图像差分法。通过实际试验表明,该系统能稳定的压缩传输视频流,并在不增加虚警的情况下,提高了系统的检测准确度。     

基于加权L1最小化的图像小波域压缩感知重构

压缩感知理论因为能以少量的采样精确地重构原始信号而得到广泛关注.通过在压缩感知的框架下研究小波域图像重构问题,提出了一类小波域的加权l1最小化方法.该方法不仅利用了信号稀疏性的先验信息,而且在重构模型中,通过对不同小波子带上的系数施加不同的权重,从而整合了图像小波域的结构信息,与经典的压缩感知算法相比具有更好的信号可恢复性.仿真实验结果表明,选用该方法能够以更少的采样得到同等精度的重构图像,验证了该方法的有效性.     

基于CMOS图像传感器的压缩感知成像算法

近年来提出的压缩感知理论将信号采样和压缩同时进行,突破了奈奎斯特采样定理的限制,为低采样高分辨率成像提供了可能.为此,提出了一种基于CMOS图像传感器的压缩感知成像算法,采用并行处理策略对CMOS图像传感器A/D转换前的模拟像素矩阵进行压缩采样,减轻了A/D转换模块的负担,大大降低了CMOS图像传感器的功耗,并且该算法实现电路简单.仿真结果表明,所提算法能快速有效地进行测量值的获取,利用TVAL3算法重构的图像主客观质量较好.     

基于压缩感知的图像自适应编码算法

利用压缩感知理论对图像进行固定采样率的压缩并重构时,由于图像各个块的稀疏程度不同,低采样率很难保证图像各块都具有较高的重构质量,而高采样率又会造成资源的浪费.为了解决上述问题,提出了一种基于压缩感知的图像自适应编码算法,该算法首先判断图像各块在DCT域的稀疏度,然后根据判断结果对图像各块进行自适应的压缩采样,从而确保图像在较低采样率下能获得较高的重构质量.实验结果表明,运用所提自适应编码算法在采样率平均值为44%时,重构图像的平均PSNR值可达到35,dB以上,并且重构图像所有块的PSNR值分布比较集中,从而使得图像具有较好的主观质量.     

一种差分分布式压缩感知视频编解码器

分析了分布式信源编码理论和分布式压缩感知理论,应用差分编码思想到分布式压缩感知视频编解码器,采用差分联合稀疏模型(DJSM),设计并实现了一种差分分布式压缩感知视频编解码器(DDCS-VC);它具有结构简洁,实现复杂度较低,码流可分级传输等特点,可广泛应用与无线传感网或泛在网络中的多点分布式视频应用场合。     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于结构化压缩感知方法的管道检测应用研究

根据压缩感知(CS)理论及管道泄漏信号特征,提出管道泄漏信号结构化测量矩阵部分重构(SRMPR)的压缩采样和检测定位方法。该方法以远低于Nyquist采样率对管道泄漏信号同步实现压缩采样,并在部分重构过程中实现泄漏检测定位。与传统相关定位法的仿真实验比较的结果表明,当信号长度为4096时,SRMPR方法比传统相关定位方法精确度提高0.34%;当压缩采样比为5%时,重构信噪比达到30.44dB。本文所提方法能够重构管道泄漏信号重要特征,具有可行性和有效性,可以满足管道泄漏信号实时检测定位的需求。     

基于对抗样本的深度学习图像压缩感知方法

压缩感知是研究数据采样压缩与重构的信号处理新理论,近年来研究人员将深度学习运用到图像压缩感知算法中,显著提高了图像重构质量.然而,图像信息常与隐私关联,高质量的重构图像在方便人们观赏的同时,带来了隐私保护的问题.本文基于深度学习理论,提出一种对抗的图像压缩感知方法.该方法将压缩理论和对抗样本技术统一于同一个压缩感知算法,通过设计损失函数,联合重构误差和分类误差来训练压缩感知深度神经网络,使得压缩感知重构样本同时也是一个对抗样本.因此,重构图像在保证重构质量的同时,也能对抗图像分类算法,降低其识别率,达到保护图像隐私的效果.在Cifar-10和MNIST图像集上进行的实验结果表明,和已有的压缩感知方法相比,我们提出的对抗压缩感知方法以损失仅10%的图像重构质量为代价,使得图像分类精度下降了74%,获得了很好的对抗性能.     

基于运动对齐预测模型的分布式视频压缩感知重构

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.