CN107707917B - 一种基于信息熵的视频自适应采样率设定方法 - Google Patents

一种基于信息熵的视频自适应采样率设定方法 Download PDF

Info

Publication number
CN107707917B
CN107707917B CN201710676928.5A CN201710676928A CN107707917B CN 107707917 B CN107707917 B CN 107707917B CN 201710676928 A CN201710676928 A CN 201710676928A CN 107707917 B CN107707917 B CN 107707917B
Authority
CN
China
Prior art keywords
key frame
frame
sample rate
video
block
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.)
Active
Application number
CN201710676928.5A
Other languages
English (en)
Other versions
CN107707917A (zh
Inventor
张登银
陆娇娇
丁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710676928.5A priority Critical patent/CN107707917B/zh
Publication of CN107707917A publication Critical patent/CN107707917A/zh
Application granted granted Critical
Publication of CN107707917B publication Critical patent/CN107707917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/172—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a picture, frame or field
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
    • H04N19/86—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving reduction of coding artifacts, e.g. of blockiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于图像信息熵的视频自适应采样率设定方法。在分块压缩感知(BCS，block CS)框架下，视频关键帧采用运用固定采样率进行分块CS采样压缩，并独立进行重构，将重构的关键数据再次反馈到采集端。非关键帧利用采集端预采样可得的测量值，同时结合关键帧的反馈信息计算各视频图像块的图像二维信息熵，再根据各块信息熵的比例自适应地调整采样率，为了满足预设的视频帧总采样值，采样率采用了动态设定块采样率的方案。本发明能够充分考虑帧内由于分块采样带来的块效应和时空相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有增加。该方法解决了现有基于方差进行自适应采样过程中未充分考虑视频帧内空时相关性的问题。

Description

一种基于信息熵的视频自适应采样率设定方法
技术领域
本发明属于视频图像处理技术领域，涉及一种基于信息熵的视频自适应采样率设定方法。
背景技术
目前，信息社会正朝着数字化、网络化和智能化方向快速发展，采用视频传感构建的无线传感器网络来实现现场实时视频感知的应用需求日益增加。由于视频信号复杂，信号传输过程流量大，并且通信资源有限，所以使得视频图像通信面临较大的挑战。
近年来，压缩感知(CS，Compressed Sensing)的出现突破了奈奎斯特采样定理的瓶颈，使以欠奈奎斯特速率采样信号仍可无失真复原信号。基于CS的图像采集即压缩成像(CI，Compressive Imaging)也随之出现，实现了在模拟域中采集图像的同时以降维的方式直接压缩图像，大大降低了采集图像成本，使之获得广泛关注。图像压缩感知目前面临着若干难题，主要包括计算负担大的重构过程和高存储量的随机测量矩阵。然而，在图像压缩感知的应用场合中，解码端经常是计算能力强大的基站，这使高计算复杂度的重构算法仍可“轻松”完成。但是，由于图像规模较大(成百上千万像素)，造成随机测量矩阵的存储量庞大，这不仅给图像重构带来困难，而且也使现实中实现随机测量耗费的代价过大f高延迟、高成本等)。为了减少随机测量的代价，提出了分块压缩感知(BCS，Block CS)，该框架运用相同的测量矩阵对每一个图像块进行采样。由于分块尺寸较小，存储测量矩阵所需空间和计算复杂度均会大大较低，这使基于分块的方案更符合工程实际且易于实现。但是分块方法也存在很大缺陷，主要是因为每个图像块具有相同的采样率，这样就忽略了各个块具有不同特征的实际，即获得相同的复原质量，细节复杂的块需要做较多的采样，细节简单的块则需要做较少的采样。为了克服该缺陷，提出利用图像块方差度量细节复杂度为各块设定不同的采样率，从而有效地捕获图像信息，改善图像重构质量。但是，为了计算图像块方差，需要首先获得原始数字图像，这严重背离了CS采集的同时直接压缩图像的基本精神。
发明内容
本发明目的在于提出了一种基于信息熵的视频自适应采样率设定方法，该方法能够有效地消除块效应，改善了重构图像质量，且优于使用固定采样率的方法。在分块压缩感知框架下，视频关键帧采用运用固定采样率进行分块CS采样压缩，并独立进行重构，将重构的关键数据再次反馈到采集端。非关键帧利用采集端预采样可得的测量值，同时结合关键帧的反馈信息计算各视频图像块的图像二维信息熵，再根据各块信息熵的比例自适应地调整采样率，为了满足预设的视频帧总采样值，采样率采用了动态设定块采样率的方案。本发明能够充分考虑帧内由于分块采样带来的块效应和时空相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有增加。该方法解决了现有基于方差进行自适应采样过程中未充分考虑视频帧内空时相关性的问题。为分布式视频压缩进一步提高视频重构质量、满足实时要求提供了可能。
本发明为解决上述技术问题所采取的技术方案为一种基于信息熵的视频自适应采样率设定方法，假设输入的视频序列帧xt有N＝Ic×Ir个像素，分成n个大小为B×B的块，第i个块的列向量形式记为xt,i，i＝1,...,n,n＝N/B2，分块尺寸：B×B，分块测量矩阵为ΦB，具体包含以下步骤：
(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧；
(2)在采集端，用结构化随机哈达玛矩阵(SRHM Structured Random Hadamardmatrix)作为测量矩阵Φ对关键帧和非关键帧进行CS测量；
(3)对于关键帧，采用固定的自适应分块采样率，假设对关键帧的采样率为a，视频帧的像素为N，可知总采样次数M＝aN；
(4)对于非关键帧，由于视频序列此前已经将关键帧解码重构，因此利用关键帧与非关键帧的差值将极大地减少编码端运算量，从而提高编码效率，提前预设图像总采样率，使总采样率与关键帧保持一致，则非关键帧图像总采样率也为a，可知总采样次数M，预采样率为d(a>d)；
(5)为步骤4中各块自适应设定测量率，设关键帧的重构矩阵为Y，非关键帧的预采样矩阵为X，则X的维数为M′
U′＝Y-X(M′＝d×N)
U′为其差值，其中的值表示该像素点灰度值变化量，由于差值范围在(-265,265)之间，因为不能直接对数据进行统计分析，所以将差值加256，
即U＝U′+256
保证了数据可以进行hash散列，由此得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配；
(6)由以上步骤得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配，由此每个图像块ai测量域的信息熵为
h(ai)＝Σ-pijlogpij
利用每块的信息熵占所有块熵值总和的比例，根据熵的比例计算出每块的测量次数：
(7)设定块的测量次数上界为upper＝0.9B2，找出超出上界的块，将其测量次数限定为upper，随后将剩余的测量次数均匀地分配给未越界的块，再次分配后可能又会出现越界的块，那么重复上述操作，直到所有块均不越界为止，如此就可得到最终的各块测量次数；
(8)在重构端，利用梯度投影稀疏重构(GPSR Gradient Projection SparseReconstruction)算法重构出视频序列中的关键帧，利用边信息和采样得到非关键帧的信息重构出非关键帧。
作为优选，上述步骤1中关键帧的采样率固定为0.7。
作为优选，上述步骤3中非关键帧的总采样率设为0.7时，预采样率分别采用0.2，0.3，0.4，0.5，0.6；非关键帧的预采样率设为0.4时，总采样率取0.4，0.5，0.6，0.7，0.8。
作为优选，上述步骤5中优化后的差值为原像素差值加上265，保证了数据可以进行hash散列，由此得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配。
作为优选，上述步骤7中采样次数上界为upper＝0.9B2，分块大小B取32，使得各分块分配的采样数均不超过upper值。
与现有技术相比，本发明具有如下优点：
第一，在分块压缩感知(BCS，Block CS)框架下，视频关键帧采用运用固定采样率进行分块CS采样压缩，并独立进行重构，将重构的关键数据再次反馈到采集端。非关键帧利用采集端预采样可得的测量值，同时结合关键帧的反馈信息计算各视频图像块的图像二维信息熵，再根据各块信息熵的比例自适应地调整采样率，为了满足预设的视频帧总采样值，采样率采用了动态设定块采样率的方案。本发明能够充分考虑帧内由于分块采样带来的块效应和时空相关性，在相同的采样率下，能够提高重构视频序列帧质量，并且重构时间没有增加。
第二，本发明充分考虑稀疏性，根据非关键帧特性自适应调节采样率阈值，降低算法迭代次数，减少耗时，满足视频实时的要求。
附图说明
图1为本发明一种基于信息熵的视频自适应采样率设定方法的框架图。
图2为序列boat预采样率为0.4，不同总采样率下本发明方法与现有技术非关键帧重构图像的平均PSNR值随总采样率的变化情况。
图3为本发明方法与现有技术在总采样率为0.7，预采样率为0.4时重构出的boat第2帧的主观视觉对比图。
图4为本发明方法与现有技术在总采样率为0.7，预采样率为0.4时重构出的Football第59帧的主观视觉对比图。
具体实施方式
现结合附图，对本发明技术方案进行详细说明，具体实施例如下：
如图1所示，本发明提供了一种基于信息熵的视频自适应采样率设定方法，该方法具体步骤如下：
输入：视频序列帧xt有N＝Ic×Ir个像素，分成n个大小为B×B的块，第i个块的列向量形式记为xt,i，i＝1,...,n,n＝N/B2；
分块尺寸：B×B，B＝32,分块测量矩阵为ΦB；
(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧；
(2)在采集端，用结构化随机哈达玛矩阵(SRHM Structured Random Hadamardmatrix)作为测量矩阵Φ对关键帧和非关键帧进行CS测量；
(3)对于关键帧，由于其所包含的信息需为其后的非关键帧提供信息支持，所以，本文采用固定的自适应分块采样率。假设对关键帧的采样率为a，视频帧的像素为N，可知总采样次数M＝aN。
(4)对于非关键帧，由于视频序列此前已经将关键帧解码重构，因此利用关键帧与非关键帧的差值将极大地减少编码端运算量，从而提高编码效率。提前预设图像总采样率，使总采样率与关键帧保持一致。则非关键帧图像总采样率也为a，可知总采样次数M，预采样率为d(a>d)。
(5)为步骤(4)中各块自适应设定测量率。设关键帧的重构矩阵为Y，非关键帧的预采样矩阵为X，则X的维数为M′
U′＝Y-X(M′＝d×N)
U′为其差值，其中的值表示该像素点灰度值变化量。由于差值范围在(-265,265)之间，对不能直接对数据进行统计分析，所以将差值加256，
即U＝U′+256
保证了数据可以进行hash散列，由此得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配。
(6)由以上步骤得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配。由此每个图像块ai测量域的信息熵为
h(ai)＝Σ-pijlogpij
利用每块的信息熵占所有块熵值总和的比例，根据熵的比例计算出每块的测量次数：
(7)设定块的测量次数上界为upper＝0.9B2，找出超出上界的块，将其测量次数限定为upper，随后将剩余的测量次数均匀地分配给未越界的块，再次分配后可能又会出现越界的块，那么重复上述操作，直到所有块均不越界为止。如此就可得到最终的各块测量次数。
(8)在重构端，利用梯度投影稀疏重构(GPSR Gradient Projection SparseReconstruction)算法重构出视频序列中的关键帧，利用边信息和采样得到非关键帧的信息重构出非关键帧；
表1是本方法与现有技术显示了总采样率a固定为0.7时，各方案下重构视频非关键帧的PSNR值对比。可以看出，在相同的采样率下，本发明方法与现有方法比较，PSNR值最大，能够明显提高视频帧序列的重构质量。
表1
表2是本方法与现有技术在5个采样率下视频图像的平均重构时间，可以看出本发明方法非关键帧重构时间增加不明显。
表2
下面结合附图对本发明方法的效果做进一步说明：
以CIF格式(352×288)的标准测试序列boat、Football的前50帧作为测试序列帧测试上述方案，boat序列偶数帧为非关键帧，Football序列奇数帧为非关键帧。每种方案重构得出的重构视频非关键帧PSNR值均取5次测量的平均值。
图2是序列boat预采样率为0.4，不同总采样率下各方案的重构质量PSNR值比较。比表1更直观地显示了非关键帧重构图像的平均PSNR值随采样率的变化情况。展示了预采样率固定为0.3，当总采样率a降低时，对boat序列的重构质量所造成的影响。可看出，随着a值降低，不同采样率下的视频重构PSNR值也不断降低。这是因为总采样次数过低，即便经过自适应分配采样，部分分块仍然无法获得足够的采样信息，因此PSNR值提高不明显。
图3为本发明方法与现有技术在总采样率为0.7，预采样率为0.4时，重构出的boat第2帧的主观视觉对比图。本发明方法本文方案比基于方差的自适应方案PSNR值提高0.8db。观察各重构视频帧，明显本方法具有最好的主观视觉质量。
图4为本发明方法与现有技术在总采样率为0.7，预采样率为0.4时，重构出的Football第59帧的主观视觉对比图。本发明方法重构PSNR值为31.23dB，其他方法重构PSNR值最高为30.26dB，本发明方法提高了1.03dB，观察各重构视频帧，明显本方法具有最好的主观视觉质量。
本发明方法针对已有的传统分块压缩感知和基于方差的自适应压缩感知，提出一种自适应采样率分配方案，利用预采样得出的视频图像的信息熵分配非关键帧采样率。重构出的非关键帧的质量更高，且由于采用hash算法使得算法复杂度低于基于方差的方案，可以获得更好的主观视觉效果，从而证明了本文方案的有效性。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于信息熵的视频自适应采样率设定方法，假设输入的视频序列帧xt有N＝Ic×Ir个像素，分成n个大小为B×B的块，第i个块的列向量形式记为xt,i，i＝1,...,n,n＝N/B2，分块尺寸：B×B，分块测量矩阵为ΦB，其特征在于，包含以下步骤：
(1)将原始视频流拆分为关键帧和非关键帧，奇数帧为关键帧，偶数帧为非关键帧；或者偶数帧为关键帧，奇数帧为非关键帧；
(2)在采集端，用结构化随机哈达玛矩阵作为测量矩阵Φ对关键帧和非关键帧进行CS测量；
(3)对于关键帧，采用固定的自适应分块采样率，假设对关键帧的采样率为a，视频帧的像素为N，可知总采样次数M＝aN；
(4)对于非关键帧，由于视频序列此前已经将关键帧解码重构，因此利用关键帧与非关键帧的差值将极大地减少编码端运算量，从而提高编码效率，提前预设图像总采样率，使总采样率与关键帧保持一致，则非关键帧图像总采样率也为a，可知总采样次数M，预采样率为d，a>d；
(5)为步骤4中各块自适应设定测量率，设关键帧的重构矩阵为Y，非关键帧的预采样矩阵为X，则X的维数为M′
U′＝Y-X，M′＝d×N
U′为其差值，其中的值表示该像素点灰度值变化量，由于差值范围在(-265,265)之间，因为不能直接对数据进行统计分析，所以将差值加256，
即U＝U′+256
保证了数据可以进行hash散列，由此得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配；
(6)由以上步骤得出每块测量域的预采样像素变化量的概率pij，进而进行预测估计和采样率分配，由此每个图像块ai测量域的信息熵为
h(ai)＝∑-pijlogpij
利用每块的信息熵占所有块熵值总和的比例，根据熵的比例计算出每块的测量次数：
(7)设定块的测量次数上界为upper＝0.9B2，找出超出上界的块，将其测量次数限定为upper，随后将剩余的测量次数均匀地分配给未越界的块，再次分配后可能又会出现越界的块，那么重复上述操作，直到所有块均不越界为止，如此就可得到最终的各块测量次数；
(8)在重构端，利用梯度投影稀疏重构算法重构出视频序列中的关键帧，利用边信息和采样得到非关键帧的信息重构出非关键帧。
2.根据权利要求1所述的一种基于信息熵的视频自适应采样率设定方法，其特征在于：步骤3中关键帧的采样率固定为0.7。
3.根据权利要求1所述的一种基于信息熵的视频自适应采样率设定方法，其特征在于：步骤4中非关键帧的总采样率设为0.7时，预采样率分别采用0.2，0.3，0.4，0.5，0.6；非关键帧的预采样率设为0.4时，总采样率取0.4，0.5，0.6，0.7，0.8。
4.根据权利要求1所述的一种基于信息熵的视频自适应采样率设定方法，其特征在于：步骤7中采样次数上界为upper＝0.9B2，分块大小B取32，使得各分块分配的采样数均不超过upper值。
CN201710676928.5A 2017-08-09 2017-08-09 一种基于信息熵的视频自适应采样率设定方法 Active CN107707917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710676928.5A CN107707917B (zh) 2017-08-09 2017-08-09 一种基于信息熵的视频自适应采样率设定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710676928.5A CN107707917B (zh) 2017-08-09 2017-08-09 一种基于信息熵的视频自适应采样率设定方法

Publications (2)

Publication Number Publication Date
CN107707917A CN107707917A (zh) 2018-02-16
CN107707917B true CN107707917B (zh) 2019-10-29

Family

ID=61170983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710676928.5A Active CN107707917B (zh) 2017-08-09 2017-08-09 一种基于信息熵的视频自适应采样率设定方法

Country Status (1)

Country Link
CN (1) CN107707917B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111629261B (zh) * 2019-02-28 2022-04-22 阿里巴巴集团控股有限公司 信息处理方法、装置、电子设备及计算机可读存储介质
CN112344979B (zh) * 2019-08-07 2023-06-30 杭州海康威视数字技术股份有限公司 传感器的检出稳定性调节方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618903A (zh) * 2013-12-10 2014-03-05 天津大学 高速低功耗无线传感网络视频压缩采样方法及装置
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
CN105451019A (zh) * 2015-11-25 2016-03-30 中国地质大学（武汉） 一种面向无线视频传感器网络的图像压缩传输方法
CN106385584A (zh) * 2016-09-28 2017-02-08 江苏亿通高科技股份有限公司 基于空域相关性的分布式视频压缩感知自适应采样编码方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618903A (zh) * 2013-12-10 2014-03-05 天津大学 高速低功耗无线传感网络视频压缩采样方法及装置
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
CN105451019A (zh) * 2015-11-25 2016-03-30 中国地质大学（武汉） 一种面向无线视频传感器网络的图像压缩传输方法
CN106385584A (zh) * 2016-09-28 2017-02-08 江苏亿通高科技股份有限公司 基于空域相关性的分布式视频压缩感知自适应采样编码方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BLOCK COMPRESSED SENSING OF NATURAL IMAGES;Lu Gan等;《IEEE explore》;20071231;全文 *
分布式压缩视频感知中重构算法的研究;张舒;《中国优秀硕士学位论文全文数据库》;20170331;全文 *
基于变采样率压缩感知的视频压缩研究;李如春等;《计算机技术与应用》;20131231;全文 *
基于多尺度的自适应采样图像分块压缩感知算法;殷长涛等;《图像与多媒体》;20161231;全文 *

Also Published As

Publication number Publication date
CN107707917A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN107197260B (zh) 基于卷积神经网络的视频编码后置滤波方法
CN105451019B (zh) 一种面向无线视频传感器网络的图像压缩传输方法
CN104093021B (zh) 一种监控视频压缩方法
Liu et al. Maximum frame rate video acquisition using adaptive compressed sensing
CN106941609B (zh) 基于自适应分块压缩感知的视频压缩方法
Martini et al. Image quality assessment based on edge preservation
US20160050440A1 (en) Low-complexity depth map encoder with quad-tree partitioned compressed sensing
CN108347612B (zh) 一种基于视觉注意机制的监控视频压缩与重构方法
CN101710993A (zh) 基于块的自适应超分辨率视频处理方法及系统
KR20130095278A (ko) 압축 샘플링 측정치를 이용하는 임의의 해상도 비디오 코딩 방법 및 장치
CN102630011A (zh) 一种视频传感器网络中的压缩感知编解码方法及系统
CN102387365B (zh) 一种基于压缩传感的图像自适应编码方法
US8958642B2 (en) Method and device for image processing by image division
CN110505472A (zh) 一种h.265超高清视频质量评价方法
CN107211145A (zh) 几乎视觉无损的视频再压缩
CN107707917B (zh) 一种基于信息熵的视频自适应采样率设定方法
CN103024328B (zh) 一种提高数字视频录像机抓图质量的方法
CN110689498B (zh) 一种基于对非关注点部分分级模糊的高清视频优化方法
Liu et al. CG-Cast: Scalable wireless image SoftCast using compressive gradient
CN105825530B (zh) 基于感兴趣区域的海岸带高光谱图像分布式有损编码和解码方法
CN110740316A (zh) 数据编码方法及装置
CN103581687A (zh) 一种基于压缩感知的自适应深度图像编码方法
Li et al. A scalable coding approach for high quality depth image compression
JP2005064679A (ja) 画像特徴量抽出方式および画質評価方式
CN103475875A (zh) 一种基于压缩感知的图像自适应测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant