CN103929649A - 一种视频压缩感知的重建方法 - Google Patents
一种视频压缩感知的重建方法 Download PDFInfo
- Publication number
- CN103929649A CN103929649A CN201410173962.7A CN201410173962A CN103929649A CN 103929649 A CN103929649 A CN 103929649A CN 201410173962 A CN201410173962 A CN 201410173962A CN 103929649 A CN103929649 A CN 103929649A
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- field picture
- value
- image
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 18
- 238000000205 computational method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种视频压缩感知的重建方法,首先在接收端接收各帧的测量值后独立重建各帧图像。其次在已重建图像之间进行基于块的运动估计和运动补偿操作,获得每帧的预测图像。接下来利用预测图像和测量值为每帧图像建立重建问题,并将其分解为单帧图像重建问题、残差图像重建问题、图像梯度变量重建问题、残差梯度变量重建问题以及图像正交基系数变量重建问题共5个子问题并进行交替迭代求解。在每次迭代求解完所述5个子问题后,采用双变量收缩门限法进一步提升图像重建质量。若达到内循环终止条件,则结束各帧图像的迭代求解过程;若达到外循环迭代次数上限,则结束本发明的重建流程。应用本技术能够有效改善图像重建的性能和效果。
Description
技术领域
本发明涉及压缩感知技术,特别设计压缩感知技术中一种视频压缩感知的重建方法。
背景技术
压缩感知(Compressed Sensing, CS)是近年在信号处理领域得到广泛重视的新兴理论体系。该理论指出,若某个待采样信号是稀疏的(或者在某个变换域是稀疏的),那么从其有限的不相关测量值中准确恢复出原始信号的可能性极高。CS理论的提出,极大地丰富和发展了信号获取理论,并为其他相关领域的研究提供了新的技术和新的思路。因为 CS的测量过程运算量较低,而重建过程则需要迭代求解复杂度相对较高的最优化问题,所以其理论结构特别适合各类分布式应用,例如无线多媒体传感器网络、无线视频监控等。在上述背景下,视频压缩感知(Compressed Video Sensing, CVS)方案应运而生。由于分布式应用中发送端的计算能力和电力受限,在此类方案中,对视频序列中的各帧独立测量;各帧的测量值被传送至接收端,由接收端统一重建。
视频序列的各帧图像之间具有较大冗余,若在接收端重建时能合理利用图像之间的相关性,则可以有效辅助图像重建过程,提升重建准确度,在相同的采样率下获得比独立重建更高的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)。
为了在重建时合理利用各帧图像之间的相关性,现有的方法有:
将图像序列划分为若干图像子集,以一个图像子集为单位进行联合重建。因为重建问题涉及的数据量较大,所以联合重建方法的计算复杂度非常高。另一方面,需要收到整个图像子集后才能解码,因此解码延时也较大。
以帧为单位进行重建,在重建时计算之前一帧已重建图像的KL变换基(Karhunen-Loeve Transform),并将该KL变换基作为当前重建帧的正交基。但是,此类方法并不能很好地应用时域相关性。
在相邻图像之间进行运动估计/运动补偿(Motion Estimation/ Motion Compensation, ME/MC),获取待重建图像的预测值,接下来计算测量残差值并对其进行重建。由于残差重建方法仅考虑时域相关性而忽略了图像本身的空域结构特征,若获取的预测值不准确,重建图像质量会有所下降。
综上,在接收端,为提升独立重建图像的质量,需要充分利用相邻帧之间的相关性;现有的方法的性能也有待进一步提升。
发明内容
有鉴于此,本发明的主要目的在于提供一种视频压缩感知的重建方法,能够克服传统方法在性能上的不足,在相同的采样率下可以获得更高质量的图像重建效果。
为达到上述目的,本申请采用如下技术方案:
一种视频压缩感知的重建方法,包括:
a、 接收各帧图像的测量值,并进行独立重建;
b、 对任一帧图像,在与其相邻帧的重建图像与当前重建的所述任一帧图像 之间,进行基于块的ME与MC操作,获取所述任一帧图像的预测值,其中i是帧序号;
c、 根据所述任一帧图像的测量值 和当前的所述预测值,依次计算5个子问题、、、和的结果,并采用双变量收缩门限法对进行滤波;迭代执行步骤c,直到满足预设的内循环终止条件,令再执行步骤d;其中,k是迭代次数,初始值为1,在每次迭代之后自加一,是所述任一帧图像的测量值,为测量矩阵,为所述任一帧图像的第k+1次迭代结果,在第一次执行步骤c时取值为,为所述任一帧图像的残差变量的第k+1次迭代结果,在第一次执行步骤c时取值为,是的梯度值变量的第k+1次迭代结果,是的梯度值变量的第k+1次迭代结果,是的正交基系数变量的第k+1次迭代结果,在第一次执行步骤c时,、、均取值为0,、和分别为与、和对应的Bregman迭代变量的第k+1次迭代结果,在第一次执行步骤c时,、和均取值为0,是微分算子,是正交变换基,、、、、、、分别是预设的第一、第二、第三、第四、第五、第六和第七权衡因子;
d、 返回步骤b,直到达到预设的外循环终止条件,将当前重建的所述任一帧图像作为所述任一帧图像的重建结果。
较佳地,所述子问题的计算方法为 ;
所述子问题的计算方法为;
所述子问题的计算方法为 ;
所述子问题的计算方法为;
所述子问题的计算方法为;
其中,是由9/7小波变换进行5层分解产生的正交变换基, 代表收缩运算,、、、、、、。
较佳地,所述双变量收缩门限法采用双数复小波变换进行3层分解,收敛控制因子设置为1.5。
较佳地,所述内循环终止条件为:内循环迭代次数达到预设的内循环上限时,终止内循环;或者的相对变化值小于预设的门限值 时,终止内循环;其中为所述任一帧图像的第k+1次迭代结果。
较佳地,所述外循环终止条件为:外循环迭代次数达到预设的外循环上限时,终止外循环。
较佳地,所述内循环上限为150。
较佳地,所述内循环预设的门限值为。
较佳地,所述外循环上限为1。
由上述技术方案可见,本申请中,首先在接收端接收各帧的测量值后独立重建各帧图像。其次,在已重建图像之间进行基于块的ME/MC操作,获得每帧的预测图像。接下来,利用预测图像和测量值为每帧图像建立重建问题,并将其分解为单帧图像重建问题、残差图像重建问题、图像梯度变量重建问题、残差梯度变量重建问题以及图像正交基系数变量重建问题共5个子问题并进行交替迭代求解。在每次迭代的过程中,结合了双变量收缩门限法进一步提升图像重建质量。若达到内循环终止条件,则结束各帧图像的迭代求解过程;若达到外循环迭代次数上限,则结束本发明的重建流程。应用本申请,能够有效改善图像重建的性能和效果。
附图说明
图1为本发明所采用的视频压缩感知的重建方法流程图。
图2为测试序列“news”在5个采样率下的重建图像的PSNR比较。
图3为测试序列“football”在5个采样率下的重建图像的PSNR比较。
图4a为测试序列“news”在采样率为0.3的情况下采用独立重建方法得到的重建结果。
图4b为测试序列“news”在采样率为0.3的情况下采用残差重建方法进行重建后的结果。
图4c为测试序列“news”在采样率为0.3的情况下采用本发明方法进行重建后的结果。
图5a为测试序列“football”在采样率为0.3的情况下采用独立重建方法得到的重建结果。
图5b为测试序列“football”在采样率为0.3的情况下采用残差重建方法进行重建后的结果。
图5c为测试序列“football”在采样率为0.3的情况下采用本发明重建方法进行重建后的结果。
具体实施方式
为了使本申请的目的、技术手段和优点更加清楚明白,以下结合附图对本申请做进一步详细说明。
为解决现有技术中存在的问题,本发明提出一种全新的视频压缩感知的重建方法,即在接收端利用视频序列各帧之间的相关性以及图像本身的先验结构特性建立每帧的重建问题,并将建立的重建问题分解为5个子问题交替迭代求解的方法。首先在接收端接收各帧的测量值后独立重建各帧图像。其次,在已重建图像之间进行基于块的ME/MC操作,获得每帧的预测图像。接下来,利用预测图像和测量值为每帧图像建立重建问题,并将其分解为单帧图像重建问题、残差图像重建问题、图像梯度变量重建问题、残差梯度变量重建问题以及图像正交基系数变量重建问题共5个子问题并进行交替迭代求解。在每次迭代求解完所述5个子问题后,采用双变量收缩门限法进一步提升图像重建质量。若达到内循环终止条件,则结束各帧图像的迭代求解过程;若达到外循环迭代次数上限,则结束本发明的重建流程。
下面通过具体实施例说明本申请的具体实现。图1为本申请所采用的重建方法的具体流程图。如图1所示,该方法包括以下步骤:
步骤100:接收各帧图像的独立测量值,并对各帧图像进行独立重建。
具体地,发送端对各帧图像进行独立测量,接收端接收独立测量值并进行独立重建。其中,对各帧图像进行独立重建可以采用现有的多种方式,例如采用TV范数最小化进行独立重建,即求解TV范数最小化问题如下:
其中,代表第i帧图像,i为帧序号;是测量矩阵,在本实例中采用结构化随机矩阵(Structurally Random Matrices, SRM);代表第i帧图像的测量值。SRM为现有技术, TV范数最小化问题已有许多求解方法,在本实例中采用现有的TVAL3(TV minimization by Augmented Lagrangian and Alternating direction Algorithms)方法求解。
在独立重建各帧图像后,对每帧图像执行下述步骤进行相应帧的重建。这里,以对第i帧图像进行重建为例进行说明。
以下通过迭代过程对单帧图像进行重建,以优化重建结果。
步骤101:设n=1。
这里,n代表外循环的迭代次数,初始值为1。
步骤102:在已重建的第i帧图像和第i-1帧图像之间进行基于块的ME/MC操作,获取第i帧图像的预测值。
在本实例中假设视频序列中的第一帧为关键帧,对关键帧仅进行独立重建。
基于块的ME/MC方法为现有技术,为了获得精确的预测结果,在本实例中采取1/4像素精度的全搜索方法,分块大小选择为16×16,搜索范围设定为32。
步骤103:设k=1。
这里,k代表内循环的迭代次数,初始值为1。
步骤104:根据第i帧图像的独立测量值和当前预测值,建立重建问题,并将该问题划分为5个子问题依次求解。
具体地,根据第i帧图像的独立测量值和当前预测值,建立重建问题如下:
(1)
其中,和是预设的第一、第二权衡因子,用于权衡3类l 1范数、和;是微分算子,是正交变换基。从上式可看出,本申请建立的重建问题中,不仅将目标重建图像与当前预测值的残差变换到梯度域,从而利用了残差在梯度域的稀疏特性进行图像重建,同时将目标重建图像本身变换到梯度域和正交变换域,利用了重建图像本身的先验结构特征进行图像重建,能够进一步提高图像重建质量。
在本实施例中,为了获得最佳重建效果,取经验值为0.6,取经验值为1,由9/7小波变换进行5层分解产生。
为求解式(1),将式(1)转换成下述问题:
进一步地,把上述约束优化问题转化为无约束优化问题如下:
其中,所述为第i帧的残差图像变量;和是预设的第三权衡因子和第四权衡因子,在本实例中分别取经验值为9和0.5。
更进一步地,可引入图像梯度变量代替,图像正交变换系数变量代替,残差图像梯度变量代替,并将上述问题转化为无约束优化形式得到:
其中,、和分别为预设的第五、第六、第七权衡因子,在本实例中分别取经验值为0.02、0.05和1.5;、和分别为与、和对应的Bregman迭代变量的第k次迭代结果,按照Bregman迭代方法进行更新。Bregman迭代方法为现有技术,在此不再赘述。
更进一步地,将上述无约束优化问题分解为单帧图像重建问题、残差图像重建问题、图像梯度变量重建问题、残差梯度变量重建问题以及图像正交基系数变量重建问题。
在上述5个子问题中,初始化为第i帧图像的独立重建值;初始化为;、、、、、均初始化为0。
所述子问题的计算方法为 ;
所述子问题的计算方法为;
所述子问题的计算方法为 ;
所述子问题的计算方法为;
所述子问题的计算方法为。
其中, 代表收缩运算。收缩运算为现有技术,在此不再赘述。
步骤105:采用双变量收缩门限法对重建图像进行滤波。
双变量收缩门限法(bivariate-shrinkage-based thresholding)是现有技术,在此不再赘述。在本实施例中,为了获得最佳效果,采用双数复小波变换进行3层分解,收敛控制因子设置为1.5。
步骤106:判断是否满足内循环迭代终止条件,若是,则进入步骤107,并令;否则将k自加一并返回步骤104。
当下述任一条件满足时,内循环迭代终止条件满足:
A、迭代次数k到达内循环上限N。N可以根据实际需求设定,基于复杂度和算法性能的权衡考虑,在本实例中N取值为150;
B、的相对变化值过小,即:。其中代表第k次迭代下的更新值,是门限值,的具体取值可以根据实际需求设定,基于复杂度和算法性能的权衡考虑,在本实例中取值为。
步骤107:判断外循环终止条件是否满足,若是,则将第i帧图像的当前重建图像作为重建结果进行保存并结束本流程,否则,将n自加一并执行步骤102。
通过上述步骤102-106完成一次外循环的迭代过程。在单次外循环迭代过程中,第i帧图像的预测值保持不变。在下一次外循环的迭代初始,将根据上次外循环的重建图像结果,重新进行ME/MC以更新预测值。
在步骤107中,外循环终止条件可以根据实际需求设置,例如,可设置外循环迭代次数门限M,当外循环迭代次数n达到门限M时,则认为外循环终止条件满足。考虑到复杂度问题,本实施例中M取值为1。
需要进一步说明的是,本实施例中所述的视频压缩感知的重建方法只适用于基于压缩感知的,发送端对各帧图像进行独立测量的视频压缩感知技术。
在Matlab平台中进行仿真,分别采用本实施例中的重建方法与独立重建方法、残差重建方法对视频压缩感知的测量值进行重建。在独立重建方法中,针对每个视角图像,采用TVAL3算法独立求解TV范数最小化问题。采用的测试序列为“news”与“football”,分辨率为352×288。
图2和图3展示了两个测试序列在5个采样率下的重建图像的PSNR比较。对于两种测试序列,本发明方法的重建图像PSNR值都明显高于独立重建方法和残差重建方法。
图4和图5给出了在采样率为0.3的情况下,“news”和“football”测试序列的重建结果主观质量比较。具体地,图4a为测试序列“news”在采样率为0.3的情况下,采用独立重建方法进行重建后的结果,PSNR为29.62dB;图4b为测试序列“news”在采样率为0.3的情况下,采用残差重建方法进行重建后的结果,PSNR为31.78dB;图4c为测试序列“news”在采样率为0.3的情况下,采用本发明方法进行重建后的结果,PSNR为33.85dB;图5a为测试序列“football”在采样率为0.3的情况下,采用独立重建方法进行重建后的结果,PSNR为26.62dB;图5b为测试序列“football”在采样率为0.3的情况下,采用残差重建方法进行重建后的结果,PSNR为 28.31dB;图5c为测试序列“football”在采样率为0.3的情况下,采用本发明方法进行重建后的结果,PSNR为30.32dB;
从图4a和图5a中可以看出,独立重建方法的结果中,产生了较多不规则噪点,图像边缘模糊;从图4b和图5b中可以看出,残差重建方法的结果中,在静态区域噪声较小,但是运动区域产生的噪声较为明显;从图4c和图5c中可以看出,采用本实施例中的重建方法,有明显的主观质量提升,边缘和细节信息更为清晰。
总之,采用本申请所述的方法,能够充分利用相邻帧图像间的相关性和图像本身的结构特征,克服传统独立重建方法、残差重建方法的不足,大幅度提升重建图像质量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种视频压缩感知的重建方法,其特征在于,该方法包括:
接收各帧图像的测量值,并进行独立重建;
对任一帧图像,在与其相邻帧的重建图像与当前重建的所述任一帧图像 之间,进行基于块的ME与MC操作,获取所述任一帧图像的预测值,其中i是帧序号;
根据所述任一帧图像的测量值 和当前的所述预测值,依次计算5个子问题、、、和的结果,并采用双变量收缩门限法对进行滤波;迭代执行步骤c,直到满足预设的内循环终止条件,令再执行步骤d;其中,k是迭代次数,初始值为1,在每次迭代之后自加一,是所述任一帧图像的测量值,为测量矩阵,为所述任一帧图像的第k+1次迭代结果,在第一次执行步骤c时取值为,为所述任一帧图像的残差变量的第k+1次迭代结果,在第一次执行步骤c时取值为,是的梯度值变量的第k+1次迭代结果,是的梯度值变量的第k+1次迭代结果,是的正交基系数变量的第k+1次迭代结果,在第一次执行步骤c时,、、均取值为0,、和分别为与、和对应的Bregman迭代变量的第k+1次迭代结果,在第一次执行步骤c时,、和均取值为0,是微分算子,是正交变换基,、、、、、、分别是预设的第一、第二、第三、第四、第五、第六和第七权衡因子;
返回步骤b,直到达到预设的外循环终止条件,将当前重建的所述任一帧图像作为所述任一帧图像的重建结果。
2.根据权利要求1所述的方法,其特征在于,所述计算
包括
;
所述计算,包括:;
所述计算,包括: ;
所述计算,包括:;
所述计算,包括:;
其中,代表单位矩阵,是由9/7小波变换进行5层分解产生的正交变换基, 代表收缩运算。
3.根据权利要求1所述的方法,其特征在于,所述第一、第二、第三、第四、第五、第六、第七权衡因子的取值分别为、、、、、、。
4.根据权利要求1所述的方法,其特征在于,所述双变量收缩门限法采用双数复小波变换进行3层分解,收敛控制因子设置为1.5。
5.根据权利要求1所述的方法,其特征在于,所述内循环终止条件为:内循环迭代次数达到预设的内循环上限时,终止内循环;或者的相对变化值小于预设的门限值 时,终止内循环;其中为所述任一帧图像的第k+1次迭代结果。
6.根据权利要求1所述的方法,其特征在于,所述外循环终止条件为:外循环迭代次数达到预设的外循环上限时,终止外循环。
7.根据权利要求5所述的方法,其特征在于,所述内循环上限为150。
8.根据权利要求5所述的方法,其特征在于,所述内循环预设的门限值为。
9.根据权利要求6所述的方法,其特征在于,所述外循环上限为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173962.7A CN103929649B (zh) | 2014-04-28 | 2014-04-28 | 一种视频压缩感知的重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410173962.7A CN103929649B (zh) | 2014-04-28 | 2014-04-28 | 一种视频压缩感知的重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103929649A true CN103929649A (zh) | 2014-07-16 |
CN103929649B CN103929649B (zh) | 2017-04-26 |
Family
ID=51147707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410173962.7A Expired - Fee Related CN103929649B (zh) | 2014-04-28 | 2014-04-28 | 一种视频压缩感知的重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103929649B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104822063A (zh) * | 2015-04-16 | 2015-08-05 | 长沙理工大学 | 一种基于字典学习残差重建的压缩感知视频重建方法 |
CN105007487A (zh) * | 2015-05-27 | 2015-10-28 | 华南理工大学 | 一种基于块匹配压缩感知的视频采样复原算法 |
CN105049870A (zh) * | 2015-08-05 | 2015-11-11 | 南京邮电大学 | 一种基于稀疏度估计的分布式视频压缩感知快速重建方法 |
CN107424119A (zh) * | 2017-04-12 | 2017-12-01 | 广西大学 | 一种单图像的超分辨率方法 |
CN108235020A (zh) * | 2018-01-05 | 2018-06-29 | 东华大学 | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 |
CN108257191A (zh) * | 2018-03-24 | 2018-07-06 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN109040757A (zh) * | 2018-07-20 | 2018-12-18 | 西安交通大学 | 一种压缩感知多层残差图像编码方法 |
CN109309513A (zh) * | 2018-09-11 | 2019-02-05 | 广东石油化工学院 | 一种电力线通信信号自适应重构方法 |
CN110505479A (zh) * | 2019-08-09 | 2019-11-26 | 东华大学 | 时延约束下逐帧相同测量率的视频压缩感知重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133508A1 (en) * | 1997-03-17 | 2006-06-22 | Shunichi Sekiguchi | Video encoder, video decoder, video encoding method, video decoding method, and video encoding and decoding system |
CN101742313A (zh) * | 2009-12-10 | 2010-06-16 | 北京邮电大学 | 基于压缩感知技术的分布式信源编码的方法 |
CN102045118A (zh) * | 2010-10-22 | 2011-05-04 | 清华大学 | 基于伪逆相乘的压缩感知重建算法 |
CN102163338A (zh) * | 2011-04-08 | 2011-08-24 | 哈尔滨工业大学 | 一种压缩感知系统中的高效重建方法 |
JP2012124851A (ja) * | 2010-12-10 | 2012-06-28 | Canon Inc | 動き補償符号化装置、動き補償符号化方法、及びプログラム |
-
2014
- 2014-04-28 CN CN201410173962.7A patent/CN103929649B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060133508A1 (en) * | 1997-03-17 | 2006-06-22 | Shunichi Sekiguchi | Video encoder, video decoder, video encoding method, video decoding method, and video encoding and decoding system |
CN101742313A (zh) * | 2009-12-10 | 2010-06-16 | 北京邮电大学 | 基于压缩感知技术的分布式信源编码的方法 |
CN102045118A (zh) * | 2010-10-22 | 2011-05-04 | 清华大学 | 基于伪逆相乘的压缩感知重建算法 |
JP2012124851A (ja) * | 2010-12-10 | 2012-06-28 | Canon Inc | 動き補償符号化装置、動き補償符号化方法、及びプログラム |
CN102163338A (zh) * | 2011-04-08 | 2011-08-24 | 哈尔滨工业大学 | 一种压缩感知系统中的高效重建方法 |
Non-Patent Citations (4)
Title |
---|
图像视频信号的压缩采样与稀疏重建;尹宝才;施云惠;丁文鹏;胡永利;李敬华;《中国科学》;20131230;全文 * |
基于多重假设的视频压缩感知分层重建;常侃;覃团发;唐振华;《数据采集与处理》;20131130;全文 * |
尹宝才;施云惠;丁文鹏;胡永利;李敬华: "图像视频信号的压缩采样与稀疏重建", 《中国科学》 * |
常侃;覃团发;唐振华: "基于多重假设的视频压缩感知分层重建", 《数据采集与处理》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104822063B (zh) * | 2015-04-16 | 2017-09-15 | 长沙理工大学 | 一种基于字典学习残差重建的压缩感知视频重建方法 |
CN104822063A (zh) * | 2015-04-16 | 2015-08-05 | 长沙理工大学 | 一种基于字典学习残差重建的压缩感知视频重建方法 |
CN105007487A (zh) * | 2015-05-27 | 2015-10-28 | 华南理工大学 | 一种基于块匹配压缩感知的视频采样复原算法 |
CN105049870A (zh) * | 2015-08-05 | 2015-11-11 | 南京邮电大学 | 一种基于稀疏度估计的分布式视频压缩感知快速重建方法 |
CN105049870B (zh) * | 2015-08-05 | 2018-05-01 | 南京邮电大学 | 一种基于稀疏度估计的分布式视频压缩感知快速重建方法 |
CN107424119B (zh) * | 2017-04-12 | 2020-07-24 | 广西大学 | 一种单图像的超分辨率方法 |
CN107424119A (zh) * | 2017-04-12 | 2017-12-01 | 广西大学 | 一种单图像的超分辨率方法 |
CN108235020A (zh) * | 2018-01-05 | 2018-06-29 | 东华大学 | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 |
CN108235020B (zh) * | 2018-01-05 | 2021-07-02 | 东华大学 | 一种面向量化分块压缩感知的螺旋式逐块测量值预测方法 |
CN108257191A (zh) * | 2018-03-24 | 2018-07-06 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN108257191B (zh) * | 2018-03-24 | 2021-06-15 | 信阳师范学院 | 一种节能的压缩感知图像编码方法 |
CN109040757A (zh) * | 2018-07-20 | 2018-12-18 | 西安交通大学 | 一种压缩感知多层残差图像编码方法 |
CN109040757B (zh) * | 2018-07-20 | 2020-11-10 | 西安交通大学 | 一种压缩感知多层残差图像编码方法 |
CN109309513B (zh) * | 2018-09-11 | 2021-06-11 | 广东石油化工学院 | 一种电力线通信信号自适应重构方法 |
CN109309513A (zh) * | 2018-09-11 | 2019-02-05 | 广东石油化工学院 | 一种电力线通信信号自适应重构方法 |
CN110505479A (zh) * | 2019-08-09 | 2019-11-26 | 东华大学 | 时延约束下逐帧相同测量率的视频压缩感知重构方法 |
CN110505479B (zh) * | 2019-08-09 | 2023-06-16 | 东华大学 | 时延约束下逐帧相同测量率的视频压缩感知重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103929649B (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103929649A (zh) | 一种视频压缩感知的重建方法 | |
CN104247422B (zh) | 用于改进帧内预测的新的角度表的方法和装置 | |
CN102123278A (zh) | 基于分布式压缩感知技术的信源编码的方法 | |
CN104159112A (zh) | 基于双重稀疏模型解码的压缩感知视频传输方法及系统 | |
CN104199627B (zh) | 基于多尺度在线字典学习的可分级视频编码系统 | |
CN104539949B (zh) | Hevc屏幕编码中基于边缘方向的快速分块的方法及装置 | |
CN103327325A (zh) | 基于hevc标准的帧内预测模式快速自适应选择方法 | |
CN110933429A (zh) | 基于深度神经网络的视频压缩感知与重构方法和装置 | |
CN105554502A (zh) | 基于前景背景分离的分布式压缩感知视频编解码方法 | |
CN105847800A (zh) | 基于全相位离散正弦双正交变换的图像压缩方法及系统 | |
CN104427349A (zh) | 一种Bayer图像压缩方法 | |
CN104937934A (zh) | 图像边界邻域中的自回归像素预测 | |
CN102316323B (zh) | 一种快速的双目立体视频分形压缩与解压缩方法 | |
CN102595112B (zh) | 视频编码中编码和重建图像块的方法 | |
CN104702959A (zh) | 一种视频编码的帧内预测方法及系统 | |
CN102801982A (zh) | 一种应用于视频压缩且基于块积分的快速运动估计方法 | |
CN103295249B (zh) | 一种多视角压缩感知图像的重建方法 | |
CN113284202A (zh) | 一种基于内容自适应的可伸缩网络的图像压缩感知方法 | |
CN101951521B (zh) | 针对扩展可变块的视频图像运动估计方法 | |
Xu et al. | An adaptive distributed compressed video sensing algorithm based on normalized Bhattacharyya coefficient for coal mine monitoring video | |
CN104125459B (zh) | 基于支撑集和信号值检测的视频压缩感知重构方法 | |
CN106231307A (zh) | 一种图像压缩帧内编码预测方法及其硬件实现 | |
CN106954070B (zh) | 一种滑动像素块整数dct核心矩阵变换运动补偿器及方法 | |
CN102625109B (zh) | 一种基于多核处理器实现的mpeg-2至h.264的转码方法 | |
CN105227959A (zh) | 用于视频编码的多编码点混编流水方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20181224 Address after: 530004 No. 150 High-tech Avenue, Xixiangtang District, Nanning City, Guangxi Zhuang Autonomous Region and No. 5 Building, Rhine Luhu, No. 2 Unit 2902 Patentee after: Guangxi Xinghongyuan Technology Co.,Ltd. Address before: 530004 100 East University Road, Nanning, the Guangxi Zhuang Autonomous Region Patentee before: Guangxi University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170426 |