CN110708549A - 一种压缩视频张量信号采集与重构系统及方法 - Google Patents

一种压缩视频张量信号采集与重构系统及方法 Download PDF

Info

Publication number
CN110708549A
CN110708549A CN201910854384.6A CN201910854384A CN110708549A CN 110708549 A CN110708549 A CN 110708549A CN 201910854384 A CN201910854384 A CN 201910854384A CN 110708549 A CN110708549 A CN 110708549A
Authority
CN
China
Prior art keywords
tensor
video
sparse
reconstruction
structured
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
Application number
CN201910854384.6A
Other languages
English (en)
Other versions
CN110708549B (zh
Inventor
戴文睿
李勇
邹君妮
熊红凯
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910854384.6A priority Critical patent/CN110708549B/zh
Publication of CN110708549A publication Critical patent/CN110708549A/zh
Application granted granted Critical
Publication of CN110708549B publication Critical patent/CN110708549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H04N19/126—Details of normalisation or weighting functions, e.g. normalisation matrices or variable uniform quantisers
    • 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
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提供了一种压缩视频张量信号采集与重构系统及方法，包括：结构化稀疏张量字典学习模块、张量传感模块和重构处理模块，其中：结构化稀疏张量字典学习模块首先利用子空间聚类的方法得到训练集，然后利用张量子空间学习方法以及基于块相关最小化的块稀疏张量字典学习方法得到字典，张量传感模块对视频张量信号以图像张量块的形式进行投影，所得的数据最后在重构处理模块中被解码重构。本发明提供压缩采样的同时还契合了视频采样过程的分布式渐进式的结构，对结构化稀疏字典矩阵的特殊构造也提升了重构的精确度和效率，提高了视频信号的采样效率，在不同的采样压缩率下相比其他方法取得了重构增益，同时也具备良好的可扩展性。

Description

一种压缩视频张量信号采集与重构系统及方法
技术领域
本发明涉及一种视频信号处理技术领域，具体是一种压缩视频张量信号采集与重构系统及方法。
背景技术
作为智能信息时代的主要载体，图像、视频等高维多媒体信号为人们的工作生活提供主要的信息内容，并占据越来越高的比重。视频信号的采集和编码(压缩)对于视频的存储和传输等应用至关重要。在这种传统的框架下，针对高维信号，特别是视频信号的压缩编码方案一直在发展。然而由臃肿的传统框架导致的信息冗余这个核心问题依然没有得到根本解决。而解决这个问题，需要突破传统框架中先采样后压缩的限制。为了进一步提高视频信号的采集效率，在采样的同时加入了一些信号处理技术，通过减少要采样的测量数量，可减轻视频编码器的负担。在解码器端，可采用基于稀疏表示的有效重构方法保证视频信号的恢复质量。
经过对现有技术的文献检索发现，S.Friedland与Q.Li等人在2014年的《IEEETransactions on Image Processing》(TIP)期刊上发表的“Compressive Sensingof Sparse Tensors”一文中提出了基于单张量子空间的信号采样理论，该理论给出了对于处在单张量子空间的张量信号采样所要满足的唯一性和稳定性的条件，但是该理论所假设的子空间集是由固定基张成的，不能提供更加有效的稀疏性和适应性。Y.Li和H.Xiong在2016年的《IEEE Data Compression Conference》(IEEE DCC)会议上发表的“CompressiveTensor Sampling with Structured Sparsity”一文中提出了基于数据驱动张量子空间集模型将压缩传感应用到视频采样上来，该方法在采样编码端直接对视频张量信号进行压缩采样，在解码端使用UoTS基作为稀疏基对张量信号进行重构，这种方法可以灵活有效地对张量信号进行稀疏表示以保证重构获得的视频的主观质量，但这种方法所使用的UoTS基没有考虑各张量个子空间之间的重叠性，表现在块间的相关性高以至不能得到结构紧凑的块稀疏性，进而导致效果降低。
这些不足促使我们在其基础上去寻找一种更加有效灵活地稀疏张量基去进行重构，充分利用视频信号张量块的特殊结构来提高重构结果的主客观质量。
发明内容
本发明针对现有技术的不足，提供了一种压缩视频张量信号采集与重构系统及方法，可以有效提高视频信号采集效率以及重构系统的主客观质量，并可作为一种通用的视频采集工具。
本发明是通过以下技术方案实现的：
根据本发明的第一方面，提供一种压缩视频张量信号采集与重构系统，包括：结构化稀疏张量字典学习模块、张量传感模块和重构处理模块，其中：
所述结构化稀疏张量字典学习模块对视频信号关键帧块，利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵，并将所述稀疏张量基矩阵输出到重构处理模块；
所述张量传感模块对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值，并将所述张量测量值输出到重构处理模块；
所述重构处理模块接收所述结构化稀疏张量字典学习模块输出的结构化稀疏张量基矩阵与所述张量传感模块输出的张量测量值，对视频张量信号进行重构。
可选地，所述的结构化稀疏张量字典学习模块，实现由在重构的关键帧的块集合利用张量子空间聚类的方法得到训练集用于生成结构化稀疏张量基矩阵。
可选地，所述结构化稀疏字典学习模块实现由结构化稀疏张量学习方法生成一种结构化稀疏张量基，所述结构化稀疏张量基适应性的表示出信号的内在结构。
可选地，所述结构化稀疏张量字典学习模块，实现由基于块相关最小化的块稀疏张量字典学习方法用于降低各个张量子空间之间的块相关性。
可选地，所述张量传感模块为一阶的数字微镜设备，用于模拟对视频张量信号在各个模式下的压缩传感。
可选地，所述重构处理模块通过凸松弛算法模型实现，找到的全局最优解乘以稀疏张量基得到重构的张量信号。
可选地，所述重构处理模块利用块稀疏约束得到具有块稀疏性的张量表示向量用于重构张量信号。
可选地，在编码端，张量传感模块对视频张量信号进行采样产生张量测量值；在解码端，结构化稀疏张量字典学习模块产生结构化稀疏张量基矩阵，所述结构化稀疏张量基矩阵与所述张量测量值进入重构处理模块，在重构处理模块中张量信号被重构生成视频张量信号。
根据本发明的第二方面，提供一种压缩视频张量信号采集与重构方法，包括：
对视频信号的关键帧块利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵；
对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值；
通过所述结构化稀疏张量基矩阵与所述张量测量值，对视频张量信号进行重构。
可选地，由在重构的关键帧的块集合利用张量子空间聚类的方法得到训练集用于生成结构化稀疏张量基矩阵。
本发明采用基于结构化稀疏字典学习的压缩张量采集与重构技术为视频信号的采集提供了通用的解决方案。本发明所使用的结构化稀疏张量基矩阵是通过在重构的关键帧中采用结构化稀疏张量字典学习的方法得到的，充分利用了视频帧张量块的独特结构，降低各个张量子空间的重叠，这样能够使得帧张量块信号具有适应性的更加紧凑的结构化稀疏表示，进而提高采样效率(降低精确重构所需的必要采样数)，有助于基于结构化稀疏字典学习的压缩张量采集与重构的性能及实用性的提升。
与现有技术相比，本发明具有如下的有益效果：
本发明大大提高了重构性能，与传统的使用固定基GTCS以及UoTS基进行重构的压缩张量传感系统相比，由于本发明的重构采用的是适应性的全局最优的稀疏张量基因此在重构效果上均能够得到增强；对于其它多维张量信号，本发明通过适当的修改也可使用，具有较强的适应性；在重建时由于训练集的特殊构造以及考虑了降低块相关性的结构化稀疏张量字典学习，使得张量具有更紧凑的结构性稀疏表示，因此本发明在不降低视频的主观效果的情况下可以进一步提高采样效率，同时加快凸松弛重构算法的收敛速度，在不同的采样压缩率下相比其他方法取得了重构增益，同时也具备良好的可扩展性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的压缩视频张量信号采集与重构系统一实施例的结构框图；
图2为结构化稀疏张量字典学习模块的工作原理图；
图3为本发明的压缩视频张量信号采集与重构方法一实施例的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明的压缩视频张量信号采集与重构系统一实施例的结构框图，如图1所示，本发明一实施例的视频张量信号采集与重构系统100包括：结构化稀疏张量字典学习模块101、张量传感模块102和重构处理模块103。
结构化稀疏张量字典学习模块101利用结构化稀疏张量字典学习方法生成结构化稀疏张量基矩阵，并将结构化稀疏张量基矩阵输出到重构处理模块103。
张量传感模块102对视频张量信号的非关键帧以张量块的形式进行压缩投影，得到张量值测量值，并将张量值测量值输出到重构处理模块103。
重构处理模块103接收结构化稀疏张量字典学习模块101输出的结构化稀疏张量基矩阵与张量传感模块102输出的张量测量值，对视频张量信号进行重构
在编码端，张量传感模块102对视频张量信号进行采样产生张量测量值；在解码端，结构化稀疏张量字典学习模块101产生结构化稀疏张量基矩阵，结构化稀疏张量基矩阵与张量测量值进入重构处理模块103，在重构处理模块103中张量信号被重构。
在本发明一优选实施例中，结构化稀疏张量字典学习模块如图2所示，在整幅重建的关键帧块中做张量子空间聚类，其中：关键帧中的块集合X＝{x1,x2,…,xK}，利用子空间聚类方法把X分割成t个聚类X1,X2,…,Xt，每个聚类中的块都是相似的且同属于一个张量子空间。X1,X2,…,Xt对应于t个张量子空间S1,S2,…,St，那么任一N阶的视频帧张量块信号x都属于数据驱动张量子空间联合(UoTS)U＝∪Si，训练集的实现由张量子空间学习方法生成的一种标准正交基，张量子空间学习方法(如多线性主成分分析(MPCA))分别单独作用于不同的块组Xi,i＝1,...,t得到不同的张量基Ψi,i＝1,...,t，进而组成各个模式下的稀疏基矩阵
Figure BDA0002197884840000051
N为自然数。那么UoTS模型的基为
Figure BDA0002197884840000052
但是由于张量子空间的重叠导致块稀疏性不够紧凑，同时表现出比较高的块相关度，块相关度定义为
Figure BDA0002197884840000053
||·||F为F范数，为Ψi的转置。为了得到更加紧凑的块稀疏性，在一实施例中，在
Figure BDA0002197884840000055
的基础上采用基于块相关最小化的块稀疏张量字典学习方法用于降低各个张量子空间之间的块相关性以得到更紧凑的结构化稀疏张量表示：
Figure BDA0002197884840000056
得到稀疏张量基字典
Figure BDA0002197884840000057
其中这里
Figure BDA0002197884840000058
表示第i个簇组，其第n模式列向量每个列向量对应于张量
Figure BDA00021978848400000510
i∈[1,t],j∈[1,pi]，λ，ζ为取值范围在(0,1)的可调节参数。该稀疏基矩阵能够适应性的表示出视频帧张量块信号的内在结构，相对于固定基能更有效地稀疏表示视频张量信号，并且张量信号在此稀疏张量基矩阵上的稀疏表示
Figure BDA00021978848400000512
是具有块结构的，如图3所示。
在本发明一优选实施例中，张量传感模块是一种一阶的数字微镜投影设备(DMD)，它模拟了对视频张量信号的压缩传感
Figure BDA00021978848400000511
Φi为第i模式下的随机采样矩阵，这里N＝2。该发明首先对关键帧块进行压缩采样，采样率为0.9，然后对非关键帧张量块信号进行压缩张量采样，两个模式下的采样率都选取在0.4到0.8之间，基于视频帧张量块的采样提高了视频采样和重构的速率。
在本发明一优选实施例中，重构处理模块是通过一种凸松弛算法模型实现的，具体为：对于关键帧，找到l1范数最小的表示向量c使得y＝ΦΨc，其中Ψ为DCT基，得到的是一个全局最优解，用DCT基Ψ乘以这个全局最优解就可以得到所需重构的关键帧块信号；对于非关键帧，在各个n模式下，找到l2,I范数最小的θ使得y(n)＝ΦnD(n)θ，得到的是一个全局最优解，这里θ为稀疏表示张量Θ在第n模式下展开矩阵的列向量。最后用D乘以这个全局最优解Θ就可以得到所需重构的非关键帧张量块信号。其中，Φn为第n模式下的随机采样矩阵，l2,I范数为混合范数，
Figure BDA0002197884840000061
I为块结构中块组的下标。
在另一实施例中，如图3所示，本发明一实施例的压缩视频张量信号采集与重构方法，包括以下步骤：
执行步骤S01，对视频信号的关键帧块利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵。
在本发明的一实施例中，具体地，由在重构的关键帧的块集合利用张量子空间聚类的方法得到训练集用于生成结构化稀疏张量基矩阵。
执行步骤S02，对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值。
执行步骤S03，通过结构化稀疏张量基矩阵与张量测量值，对视频张量信号进行重构。
实施效果
本发明上述实施例中关键参数的设置为：实验用视频序列来源于Akiyo_cif.yuv(352x288的4:2:0格式的YUV文件)，总共取300帧。每十帧为一个帧组，选取第一帧为关键帧，后九帧为非关键帧，张量块的尺寸选取为32×32像素。由于信号的灰度图集中了绝大部分能量，测试主要是在灰度图上完成的。
以下比较了采用本发明上述实施例中的基于结构化稀疏字典学习的压缩张量采集与重构的方法与S.Friedland等人在“Compressive Sensing of Sparse Tensors”论文中的方法以及Y.Li等人在“Compressive Tensor Sampling with Structured Sparsity”中的方法。本发明实施例所用每个张量子空间在两个模式下的维数为5，聚类产生的子空间的个数为10。
与之前两种方法相比，在压缩率为0.4时，本发明实施例的系统分别获得4.1dB，0.2dB的重构增益；在压缩率为0.5时，本发明实施例的系统分别获得3.8dB,0.3dB的重构增益；在压缩率为0.6时，本发明实施例的系统分别获得3.3dB,0.22dB的重构增益；在压缩率为0.7时，本发明实施例的系统分别获得3.5dB,0.29dB的重构增益；在压缩率为0.8时，本发明实施例系统分别获得2.3dB,0.34dB的重构增益。
上述实验表明，本发明实施例的基于结构化稀疏字典学习的压缩视频张量信号采集与重构系统重建出来的视频序列在重构质量上明显优于另外两种方法得到的视频序列。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种压缩视频张量信号采集与重构系统，其特征在于，包括：结构化稀疏张量字典学习模块、张量传感模块和重构处理模块，其中：
所述结构化稀疏张量字典学习模块对视频信号关键帧块，利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵，并将所述稀疏张量基矩阵输出到重构处理模块；
所述张量传感模块对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值，并将所述张量测量值输出到重构处理模块；
所述重构处理模块接收所述结构化稀疏张量字典学习模块输出的结构化稀疏张量基矩阵与所述张量传感模块输出的张量测量值，对视频张量信号进行重构。
2.根据权利要求1所述的压缩视频张量信号采集与重构系统，其特征是，所述的结构化稀疏张量字典学习模块，实现由在重构的关键帧的块集合利用张量子空间聚类的方法得到训练集用于生成结构化稀疏张量基矩阵。
3.根据权利要求2所述的压缩视频张量信号采集与重构系统，其特征是，所述结构化稀疏字典学习模块实现由结构化稀疏张量学习方法生成一种结构化稀疏张量基，所述结构化稀疏张量基适应性的表示出信号的内在结构。
4.根据权利要求1-3任一项所述的压缩视频张量信号采集与重构系统，其特征是，所述结构化稀疏张量字典学习模块，实现由基于块相关最小化的块稀疏张量字典学习方法用于降低各个张量子空间之间的块相关性。
5.根据权利要求1-3任一项所述的压缩视频张量信号采集与重构系统，其特征是，所述张量传感模块为一阶的数字微镜设备，用于模拟对视频张量信号在各个模式下的压缩传感。
6.根据权利要求1-3任一项所述的压缩视频张量信号采集与重构系统，其特征是，所述重构处理模块通过凸松弛算法模型实现，找到的全局最优解乘以稀疏张量基得到重构的张量信号。
7.根据权利要求6所述的压缩视频张量信号采集与重构系统，其特征是，所述重构处理模块利用块稀疏约束得到具有块稀疏性的张量表示向量用于重构张量信号。
8.根据权利要求1所述的压缩视频张量信号采集与重构系统，其特征是，在编码端，张量传感模块对视频张量信号进行采样产生张量测量值；在解码端，结构化稀疏张量字典学习模块产生结构化稀疏张量基矩阵，所述结构化稀疏张量基矩阵与所述张量测量值进入重构处理模块，在重构处理模块中张量信号被重构生成视频张量信号。
9.一种压缩视频张量信号采集与重构方法，其特征是，包括：
对视频信号的关键帧块利用结构化稀疏张量字典学习方法生成对应的结构化稀疏张量基矩阵；
对视频信号的非关键帧以张量块的形式进行投影，得到张量测量值；
通过所述结构化稀疏张量基矩阵与所述张量测量值，对视频张量信号进行重构。
10.根据权利要求9所述的压缩视频张量信号采集与重构方法，由在重构的关键帧的块集合利用张量子空间聚类的方法得到训练集用于生成结构化稀疏张量基矩阵。
CN201910854384.6A 2019-09-10 2019-09-10 一种压缩视频张量信号采集与重构系统及方法 Active CN110708549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910854384.6A CN110708549B (zh) 2019-09-10 2019-09-10 一种压缩视频张量信号采集与重构系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910854384.6A CN110708549B (zh) 2019-09-10 2019-09-10 一种压缩视频张量信号采集与重构系统及方法

Publications (2)

Publication Number Publication Date
CN110708549A true CN110708549A (zh) 2020-01-17
CN110708549B CN110708549B (zh) 2021-06-01

Family

ID=69194590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910854384.6A Active CN110708549B (zh) 2019-09-10 2019-09-10 一种压缩视频张量信号采集与重构系统及方法

Country Status (1)

Country Link
CN (1) CN110708549B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104243986A (zh) * 2014-09-15 2014-12-24 上海交通大学 基于数据驱动张量子空间的压缩视频采集与重构系统
CN105721869A (zh) * 2016-01-26 2016-06-29 上海交通大学 基于结构化稀疏的压缩张量采集与重构系统
US20170257629A1 (en) * 2001-02-13 2017-09-07 Realtime Data Llc Video Data Compression Systems
US9854221B2 (en) * 2014-09-26 2017-12-26 Xerox Corporation Hyperspectral imaging devices using hybrid vector and tensor processing
CN107845117A (zh) * 2017-10-19 2018-03-27 武汉大学 基于块稀疏表达模式和结构字典的高光谱图像压缩方法
US20180198992A1 (en) * 2016-08-30 2018-07-12 Shenzhen University Infrared image reconstruction method based on block-sparse compressive sensing and system thereof
CN108305297A (zh) * 2017-12-22 2018-07-20 上海交通大学 一种基于多维张量字典学习算法的图像处理方法
CN108399608A (zh) * 2018-03-01 2018-08-14 桂林电子科技大学 基于张量字典及全变分的高维图像去噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170257629A1 (en) * 2001-02-13 2017-09-07 Realtime Data Llc Video Data Compression Systems
CN104243986A (zh) * 2014-09-15 2014-12-24 上海交通大学 基于数据驱动张量子空间的压缩视频采集与重构系统
US9854221B2 (en) * 2014-09-26 2017-12-26 Xerox Corporation Hyperspectral imaging devices using hybrid vector and tensor processing
CN105721869A (zh) * 2016-01-26 2016-06-29 上海交通大学 基于结构化稀疏的压缩张量采集与重构系统
US20180198992A1 (en) * 2016-08-30 2018-07-12 Shenzhen University Infrared image reconstruction method based on block-sparse compressive sensing and system thereof
CN107845117A (zh) * 2017-10-19 2018-03-27 武汉大学 基于块稀疏表达模式和结构字典的高光谱图像压缩方法
CN108305297A (zh) * 2017-12-22 2018-07-20 上海交通大学 一种基于多维张量字典学习算法的图像处理方法
CN108399608A (zh) * 2018-03-01 2018-08-14 桂林电子科技大学 基于张量字典及全变分的高维图像去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONG LI; WENRUI DAI; HONGKAI XIONG: "《2015 Data Compression Conference》", 6 July 2015 *

Also Published As

Publication number Publication date
CN110708549B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN108960333B (zh) 基于深度学习的高光谱图像无损压缩方法
CN110933429B (zh) 基于深度神经网络的视频压缩感知与重构方法和装置
US20160292589A1 (en) Ultra-high compression of images based on deep learning
CN105721869B (zh) 基于结构化稀疏的压缩张量采集与重构系统
CN111147862B (zh) 一种基于目标编码的端到端图像压缩方法
CN111464881B (zh) 基于自优化机制的全卷积视频描述生成方法
CN104301728B (zh) 基于结构化稀疏字典学习的压缩视频采集与重构系统
WO2015135493A1 (zh) 一种局部特征描述子压缩方法、装置及存储介质
Nguyen et al. Deep learning sparse ternary projections for compressed sensing of images
CN115880762B (zh) 面向人机混合视觉的可伸缩人脸图像编码方法、系统
CN116233445B (zh) 视频的编解码处理方法、装置、计算机设备和存储介质
CN116361256B (zh) 基于日志解析的数据同步方法及系统
CN103517079A (zh) 基于数据驱动子空间集的压缩视频采集与重构系统
CN106599903A (zh) 基于相关性的加权最小二乘字典学习的信号重构方法
CN115396669A (zh) 一种基于兴趣区域增强的视频压缩方法及装置
CN115052147A (zh) 基于生成模型的人体视频压缩方法、系统
Fang et al. Sketch assisted face image coding for human and machine vision: a joint training approach
CN110708549B (zh) 一种压缩视频张量信号采集与重构系统及方法
CN117061760A (zh) 一种基于注意力机制的视频压缩方法和系统
CN116543339A (zh) 一种基于多尺度注意力融合的短视频事件检测方法及装置
CN104243986B (zh) 基于数据驱动张量子空间的压缩视频采集与重构系统
CN110719473B (zh) 基于结构化稀疏的可伸缩压缩视频采集与重构系统
Li et al. Revisiting Learned Image Compression With Statistical Measurement of Latent Representations
CN115361556A (zh) 一种基于自适应的高效视频压缩算法及其系统
CN110620927B (zh) 基于结构化稀疏的可伸缩压缩视频张量信号采集与重构系统

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