基于PCA稀疏描述的分布式视频编码

在研究视频信号的非局部稀疏模型的基础上,提出了一种适合分布式视频编码的视频信号稀疏描述算法.在解码端,对非关键帧解码时,首先由已重建的关键帧生成边信息SI,然后在这两帧中寻找非关键帧当前块的L个相似块,作为一个类,最后利用这个类生成PCA子字典,并将所有块的子字典集合起来构成非关键帧的字典,进行视频重建.通过与典型的信号稀疏描述方法进行对比,实验结果显示,重建的PSNR值平均提高2 dB,主观视觉质量也有较大的提高.     

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.     

基于快速稀疏编码与惊奇计算的视频异常检测方法

提出一种可用于视频中群体异常和个体异常检测的方法,即先用快速稀疏编码算法生成字典,再用字典表示测试特征样本,并以重构误差作为目标函数进行异常判别;对于群体异常,用块匹配运动估计代替耗时的整帧光流计算,生成多尺度运动直方图,有效地减少了计算复杂度;对于个体异常,提取HNF特征,若稀疏表达的重构误差超过阈值,则用惊奇计算进行二次检测,判断其是否为噪声导致的虚警,计算字典中已包含和未包含的不同特征描述子之间的差别,若判别出虚警,则更新字典减少后续检测中噪声干扰的虚警数.实验表明,算法有效地提高了检测率,降低了计算复杂度,且易于实现.     

CVS中基于多维度参考帧的双稀疏重构算法

为了提升视频压缩感知稀疏重构的准确性,得到更高质量的重构视频帧,基于视频信号在不同表示域具有不同的稀疏特性,文中提出了一种基于多维度参考帧的双稀疏重构算法(MRF-DSR).首先构建双稀疏重构模型,利用视频信号的组稀疏和拉普拉斯加权稀疏特性来刻画重构视频帧的稀疏特性;其次提出多维度参考帧的概念,引入基于时间维度参考帧的半像素和缩放维度参考帧,通过为当前帧的图像块提供更多的可能匹配块来获得稀疏度更高的匹配块组;最后提出菱形形状快速搜索算法,通过粗搜索和精细搜索过程确定时间维度参考帧最优相似块的位置,再在多维度参考帧的相同位置进行小范围的快速搜索,从而实现较低复杂度的大范围搜索.仿真实验结果表明,与现有最优视频压缩感知重构算法相比,MRF-DSR算法在主观和客观标准上都具有较好的重构性能.     

CVS中基于块分类的自适应阈值调整组稀疏重构

针对基于结构相似性的帧间组稀疏表示重构(SSIM-InterF-GSR)算法在重构平稳区域时未能充分利用高质量重构的关键帧信息,且稀疏化处理阈值的数值设置不合理的问题,提出了基于块分类的自适应阈值调整组稀疏重构(BC-ATA-GSR)算法。首先,根据块内物体运动状态分类图像块并分配合理的参考帧,以提高视频序列平稳区域的重构质量;然后,根据采样率以及图像块种类自适应设置稀疏化初始阈值,以保留足够的结构信息;最后,提出了迭代阈值梯度缩减方案,以便在提升迭代后期重构质量的同时也加快迭代收敛速度。与SSIM-InterF-GSR算法相比,BC-ATA-GSR算法取得了更好的重构质量,重构QCIF和CIF视频序列的平均PSNR分别最高提升了3.77、2.28 dB,时间复杂度最多下降了42.08%。     

基于二分K均值聚类和最近特征线的视频超分辨率重建方法

提出一种基于二分K均值聚类和最近特征线的视频超分辨率重建方法.该方法在生成图像块训练样本库阶段,为了解决传统K均值算法对图像块聚类时间复杂度较大的问题,设计一种基于二分K均值图像块聚类算法,用以实现快速构建初始训练样本库;在视频帧超分重建阶段,通过改进的最近特征线方法扩充样本库,并舍弃其中的不合适样本,提升样本库的表达能力.该视频超分辨率重建方法应用于基于关键帧的视频超分辨率重建,首先对时序上近邻的两个关键帧下采样并分块,然后使用图像块聚类算法构建初始训练样本库;对于这两个关键帧之间的低分辨率帧,使用改进的最近特征线方法扩充的训练样本库重建出对应的高分辨率帧.实验结果表明,提高了视频超分辨率重建的时间效率,同时也提升了每一帧重建图像的主客观质量,证明了算法的有效性.     

基于字典稀疏表示和梯度稀疏的图像盲去模糊

基于超完备字典稀疏表示的图像复原利用字典的冗余性能够有效地恢复出图像的结构特征,但由于使用字典稀疏表示时需要对整幅图像进行分块处理,导致复原后的图像块之间重构图像常出现"伪像"效应。针对这一问题,本文将图像梯度稀疏统计特性作为先验知识加入稀疏表示图像盲去模糊模型中,提出了一种基于字典稀疏表示和梯度稀疏的图像盲去模糊算法,同时分析了算法的整体优化求解方法。实验分析和结果表明,本文算法能在一定程度上去除图像块之间的"伪像"效应,保持图像的结构特征和整体平滑。本文算法的去模糊图像在峰值信噪比和视觉效果两方面均有显著提高。     

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。     

基于显著性稀疏表示的图像超分辨率算法

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比(PSNR)增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

基于显著性疏表示的图像超分辨率算法简

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比（PSNR）增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。