基于非局部稀疏的圖像視頻壓縮算法的研究.pdf

1、無線多媒體傳感器網(wǎng)絡(luò)(wireless multimedia sensor networks，WMSNs)指通過大量?jī)r(jià)格低廉的傳感器節(jié)點(diǎn)以自組織的方式布置在應(yīng)用場(chǎng)景中，這些不同種類的多媒體數(shù)據(jù)傳感器節(jié)點(diǎn)可以不間斷的獲得應(yīng)用場(chǎng)景的多媒體信息，然后通過網(wǎng)關(guān)節(jié)點(diǎn)傳到互聯(lián)網(wǎng)上。它的出現(xiàn)已經(jīng)給我們帶來了很多智能化的應(yīng)用，如智能交通、智能監(jiān)控和智慧城市等，因此，被學(xué)術(shù)界和工業(yè)界廣泛研究。由于多媒體數(shù)據(jù)量巨大，需要進(jìn)行傳輸前的壓縮?，F(xiàn)有的多媒體壓縮標(biāo)

2、準(zhǔn)有著優(yōu)異的性能，但是這些標(biāo)準(zhǔn)對(duì)編碼端有著很高的要求。另一方面，WMSNs節(jié)點(diǎn)是資源受限的，即能量受限、內(nèi)存空間受限和運(yùn)算能力受限。因此，海量多媒體數(shù)據(jù)壓縮成為了WMSNs的一個(gè)重要挑戰(zhàn)。壓縮感知是一種新的采樣理論，只需要通過少量的非線性投影值來重構(gòu)出原始信號(hào)。一方面，壓縮感知可以通過遠(yuǎn)低于奈奎斯特定律所要求的采樣率去獲取數(shù)據(jù)，大大降低節(jié)點(diǎn)所需要傳輸?shù)臄?shù)據(jù)量，從而減小了節(jié)點(diǎn)存儲(chǔ)空間和網(wǎng)絡(luò)傳輸能力的負(fù)擔(dān)。同時(shí)，壓縮感知將采樣和壓縮過程合并

3、，只需要進(jìn)行非線性采樣。這樣既避免了存儲(chǔ)空間的資源浪費(fèi)，又降低了對(duì)編碼端的運(yùn)算能力的要求。因此，壓縮感知十分適合WMSNs中的壓縮。在壓縮感知的體系框架中，最重要的莫過于重構(gòu)算法。隨著對(duì)壓縮感知重構(gòu)算法的研究，研究者逐步意識(shí)到基于模型的重構(gòu)算法能給性能帶來大幅度提升。為了使得壓縮感知體系實(shí)用化，考慮更加符合圖像和視頻實(shí)際的模型是十分重要的。
　　因此，本文研究將壓縮感知應(yīng)用到WMSNs的圖像和視頻壓縮，并使用更加符合圖像和視頻實(shí)際

4、的非局部稀疏模型(non-local sparse model，NLM)。NLM是指利用圖像中廣泛存在相似塊之間的相關(guān)性去更加容易的找到圖像的稀疏算子。當(dāng)NLM應(yīng)用到圖像壓縮感知當(dāng)中，我們的第一個(gè)創(chuàng)新點(diǎn)是利用NLM來獲得更加稀疏的表示，第二個(gè)創(chuàng)新點(diǎn)為考慮圖像是一個(gè)可壓縮信號(hào)，即在重構(gòu)中考慮圖像細(xì)節(jié)的恢復(fù)。首先，我們提出將相似塊聚合成三維的組合，通過對(duì)相似塊組合進(jìn)行三個(gè)維度的小波變換，就可以充分利用相似塊之間的相關(guān)性，從而獲得更加稀疏的表

5、示。而在進(jìn)行稀疏近似的過程中，我們使用經(jīng)驗(yàn)維納濾波的權(quán)值矩陣，使得變換域中代表稀疏算子的大系數(shù)有較大權(quán)值，而代表細(xì)節(jié)的小系數(shù)也有一定權(quán)值，從而細(xì)節(jié)得以保存。所以在獲得良好重構(gòu)PSNR的同時(shí)，也有良好的圖像視覺效果。
　　在NLM應(yīng)用到視頻壓縮感知中，由于視頻是多視角視頻的一個(gè)特例，我們選擇多視角視頻作為研究對(duì)象。在該研究點(diǎn)中，我們有兩個(gè)創(chuàng)新點(diǎn)，分別是利用NLM來消除多視角視頻中的三個(gè)冗余（即時(shí)間、空間和視角冗余）和利用更加豐富的信

6、息保存更多的圖像細(xì)節(jié)。首先，使用NLM可以很容易的消除三個(gè)冗余，只需要尋找到足夠的相似塊，即既要包括同一幀中的不同相似塊，也要包括來自于同一視角的不同時(shí)刻和同一時(shí)刻的不同視角的相似塊。在尋找相似塊的時(shí)候，我們提出了聯(lián)合相似塊匹配法則，它能幫助我們?cè)谠肼暫艽蟮那闆r，找準(zhǔn)相似塊并提供足量的相似塊。在此基礎(chǔ)之上，我們提出對(duì)相似塊組合進(jìn)行聯(lián)合濾波。由于自適應(yīng)基能比固定基帶來更好的稀疏表示，我們?cè)O(shè)計(jì)了聯(lián)合稀疏基求解的優(yōu)化問題并最終得到自學(xué)習(xí)的聯(lián)合