积分商城

最新搜索： ide手册 Flash_Loader_Demonstrator gl3523 解密 蓝牙协议 中颖
您现在的位置是：首页 > 技术资料 > 视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究

更新时间：2019-12-24 03:04:38 大小：1M 上传用户：守着阳光1985查看TA发布的资源 标签：视频压缩感知 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

基于视频帧内图像的非局部相似性和帧间信号的相关性,本文提出了一种基于结构相似的帧间组稀疏表示重构算法(SSIM-Inter F-GSR),有效地提高了视频压缩感知的重构性能.在SSIM-Inter F-GSR算法中,提出以结构相似度(SSIM)作为相似块匹配准则,在当前帧和参考帧内搜索匹配块生成相似块组,以相似块组的稀疏性作为正则项重构当前帧.同时,还提出了阶梯递减匹配块个数调整方案用于SSIM-Inter F-GSR重构算法的迭代过程.仿真结果表明,相比于目前最好的视频压缩感知重构算法(Up-Se-AWEN-HHP),本文算法获得了更好的重构质量,最多可提升4~5dB.


部分文件列表

文件名 大小
视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究.pdf 1M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
3
Vol． 46 No． 3  
Mar． 2018  
第
期
电
子
学
报
2018  
3
ACTA ELECTRONICA SINICA  
年
月
视频压缩感知中基于结构相似的帧间组  
稀疏表示重构算法研究  
，
，
和志杰 杨春玲 汤瑞东  
(
，
510640)  
华南理工大学电子与信息学院 广东广州  
:
，
基于视频帧内图像的非局部相似性和帧间信号的相关性 本文提出了一种基于结构相似的帧间组稀疏  
摘
要
( SSIM-InterF-GSR) ， SSIM-InterF-GSR  
．
，
表示重构算法  
有效地提高了视频压缩感知的重构性能 在  
算法中 提出以结构相似  
作为相似块匹配准则 在当前帧和参考帧内搜索匹配块生成相似块组 以相似块组的稀疏性作为正则项重构  
SSIM-InterF-GSR  
( SSIM)  
，
，
度
．
，
．
，
当前帧 同时 还提出了阶梯递减匹配块个数调整方案用于  
重构算法的迭代过程 仿真结果表明 相比  
( Up-Se-AWEN-HHP) ， ，  
本文算法获得了更好的重构质量 最多可提升  
4 ～5dB．  
于目前最好的视频压缩感知重构算法  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
非局部相似性 视频压缩感知 组稀疏表示 相似块组  
:
TN919. 8  
:
A
:
0372-2112 ( 2018) 03-0544-10  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 03． 005  
文献标识码  
文章编号  
电子学报  
Research on Structural Similarity Based Inter-Frame Group  
Sparse Representation for Compressed Video Sensing  
HE Zhi-jie，YANG Chun-ling，TANG Rui-dong  
( School of Electronic and Information Engineering，South China University of Technology，Guangzhou，Guangdong 510640，China)  
Abstract: Based on the nonlocal similarity and the correlation among inter-frames in video sequences，this paper pro-  
poses an algorithm of structural similarity based inter-frame group sparse representation( SSIM-InterF-GSR) ，which effec-  
tively improves the reconstruction performance for compressed video sensing． In SSIM-InterF-GSR，the structural similarity  
( SSIM) is utilized as block matching criterion to generate the group of similar blocks from the current frame and reference  
frames． And then，the sparsity of the groups is used as the regularization term to reconstruct the current frame． Meanwhile，  
the step-decreasing scheme for number of matching blocks is proposed during the iteration process of SSIM-InterF-GSR．  
Simulation results show that，compared to the state-of-the-art compressed video sensing reconstruction algorithm ( Up-Se-  
AWEN-HHP) ，the SSIM-InterF-GSR algorithm obtains a better reconstruction quality． The most gap is up to 4 ～ 5dB．  
Key words:  
similar blocks  
nonlocal similarity; compressed video sensing; group-based sparse representation; the group of  
，
采集与处理方法 它为视频采集与处理理论的发展提  
1
引言  
．
供了一个新方向  
［1，2］( Compressed Sensing，CS)  
压缩感知  
是一种新颖  
，
压缩感知的研究包括观测矩阵的构造 信号稀疏  
，
:
的信号采集理论 其核心思想是 在信号是稀疏的或者  
．
表示和重构算法 重构算法作为压缩感知理论的关键  
，
可压缩的条件下 我们能够以低于奈奎斯特的采样率  
，
技术之一 自从  
CS  
，
理论提出以来 它一直是国内外的  
，
进行采样 在重构端依然可以精确地重建原始信号  
． CS  
，
研究热点 特别是近几年对高维的图像信号压缩感知  
，
能同时完成对信号的采样和压缩 这一过程特别适合  
．
重构算法的研究有了长足的进步 图像压缩感知重构  
．
于采集端资源受限的数据采集系统 视频压缩感知  
:
，
，
算法主要有以下几类 凸优化算法 贪婪迭代算法 和迭  
( Compressed Video Sensing，CVS)  
CS  
．
代阈值算法 这些算法一般是利用图像的先验知识构  
是基于  
理论的视频  
: 2016-03-15;  
: 2016-10-07;  
:
收稿日期  
修回日期  
责任编辑 梅志强  
:
( No． 61471173) ;  
( No． 2016A030313455)  
基金项目 国家自然科学基金  
广东省自然科学基金  
545  
3
:
第
期
和志杰 视频压缩感知中基于结构相似的帧间组稀疏表示重构算法研究  
，
．
，MC-BCS-SPL  
造正则项 求解优化问题 属于凸优化算法的基追踪  
三维稀疏变换重构算法  
在保证重构质量  
( Basis Pursuit，BP)  
ing，BPDN)  
( Basis Pursuit DeNois-  
．
的同时减少了计算复杂度 为了进一步提高预测图像  
和基追踪去噪  
，
，
［17］  
模型可以分别通过线性规划和二阶锥规划  
质量 以增强残差信号的稀疏度 文献 提出了多假  
求解［3］ 但是这两种解法计算复杂度高 特别是在处理  
( Multi-Hypothesis predictions BCS-SPL，MH-BCS-  
，
，
设预测  
SPL)  
．
，
高维图像和视频时更是如此 为了减小计算复杂度 梯  
，
重构算法 每个当前块的多假设预测集是来自于  
BPDN  
，
问题 如可分离逼近稀疏重  
度下降法被用于求解  
( Sparse Reconstruction by Separable Approximation，  
，
Tikhonov  
一个或者多个已重构的参考帧 通过  
正则化  
构
，
，MH  
重构算法  
得到预测块 然后残差重构得到当前帧  
SpaRSA) ［4］  
，
( Gradient Projection for  
［12］  
梯度投影稀疏重构  
Sparse Reconstruction，GPSR) ［5］  
．
［11］  
得到了更高的重构效率 文献 及本实验室研究  
．
等 正交匹配追踪  
thogonal Matching Pursuits，OMP) ［6］  
( Or-  
MH  
，
，
在
的基础上 各提出了一种假设集优化方案 可以  
提高多假设预测精度增强重构质量同时减少预测算法  
SPL  
，
压缩采样匹配追踪  
( Compressive Sampling Matching Pursuit，CoSaMP) ［7］  
等
．
复杂度 以上视频压缩感知重构算法都是基于  
实
［14］  
， GSR  
现的 在  
CS  
，
重构 相比于凸优化算法  
，
贪婪迭代算法也被用于  
，X． Gao  
等利用视频序列的非  
的基础上  
，
贪婪迭代算法计算复杂度显著降低 但是图像重构质  
，
局部相似性 提出了一种基于时空分层帧的视频压缩  
( Hierarchical frame based spatial-temporal re-  
．
量会有一定的损失 贪婪迭代算法的一种替代算法是  
感知编 码  
，
迭代阈值算法 它通过连续投影和阈值处理来实现重  
covery for video compressive sensing coding，Hi-STG-  
SR) ［18］  
，
．
，
， ，  
构 其优点在于不仅能够降低算法复杂度 而且还可以  
方案 获得了较好的重构效果 但是 这一方案  
(
Wiener  
)
滤波 来提高图像重构  
结合额外的优化准则 如  
( Iterative Hard-Thresholding，IHT) ［8］  
: ( 1)  
; ( 2)  
欧氏距离  
存在以下缺点  
分层帧观测结构复杂  
，
质量 迭代硬阈值  
是一种经典的迭代阈值重构算法 在此基础上提出的  
CS  
Landweber( Block-based CS sampling  
，
作为相似块匹配准则 不能很好的反映块之间的结构  
; ( 3)  
，
相似性  
由于质量越差的带噪图像结构细节信息越  
基于块  
平滑投影  
，
，
少 固定匹配块个数的相似块组构造方法 不能很好的  
and Smoothed Projected Landweber，BCS-SPL) ［9］  
算法具  
有高质量的重构效果且计算复杂度低 得到了广泛的  
．
适应重构算法  
，
，
基于以上分析 本文提出了一种基于结构相似的  
关注和应用［10 ～ 12］ 最近 基于图像非局部相似性的压缩  
．
，
( an algorithm of  
帧间组稀疏表示视频压缩感知重构算法  
Structural Similarity based Inter-Frame Group Sparse Rep-  
(
［13，14］) ． ［13］  
感知重构算法被提出 如文献 文献 利用  
，
图像的非局部相似性对图像块进行聚类 把相似块组  
3D-DCT，3D-DWT)  
resentation，SSIM-InterF-GSR) ．  
，
在重构非关键帧时 同时  
(
在三维空间 如  
项以实现图像重构 文献  
( Group Based Sparse Representation  
的稀疏性作为正则  
［14］  
提出了一种基于组稀疏  
利用帧内图像的非局部相似性和帧间信号的相关性构  
．
，
造相似块组 再利用相似块组的稀疏性构造正则项重  
表示的图像重构算法  
for Image Restoration，GSR) ，  
． ，  
构当前帧 为了寻找更好的匹配块 本文提出使用更加  
即把非局部相似块组作为  
稀疏表示的基本单元 通过高效的自适应稀疏字典学  
． GSR  
( Human Visual System，HVS)  
符合人眼视觉系统  
( Structural SIMilarity，SSIM)  
的结构  
作为相似块匹配准  
，
相似度  
，
习 实现了图像的重构  
算法的图像重构性能优于  
． ，  
则 另外研究中我们发现随着重构算法的迭代 重构视  
SPL，  
是当前性能最  
目前主流的图像压缩感知重构算法  
，
，
频图像质量不断提高 细节信息增加 帧内图像块之间  
．
好的图像压缩感知重构算法  
． ，  
的相似性变小 基于这一理论 本文提出了阶梯递减匹  
视频压缩感知重构算法是在图像压缩感知重构算  
［15］ CS  
直接推广到  
SSIM-InterF-GSR  
配块个数调整方案用于本文所提的  
重
．
法基础上的研究 文献  
将二维图像  
，
构算法 这一方案比固定匹配块个数方案得到了更高  
CS， ，  
对视频的每一帧独立观测 然后利用二维稀疏  
视频  
．
精度的重构效果  
(
2D-DCT，2D-DDWT)  
．
，
变换 如  
广没有利用到视频帧间的时间相关性 为了增强信号  
［16］  
重构 但是 这个简单的推  
2
GSR  
SSIM  
重构算法及  
．
，
，
的稀疏性 文献 利用视频时间上的冗余信息 用三  
2． 1  
图像压缩感知中组稀疏表示重构算法  
(
维稀疏变换 如  
3D-DWT)  
，
重构 得到了比二维稀疏变换  
( 1)  
:
的一般形式  
信号压缩感知的求解可以表示为式  
． ，  
更好的重构效果 但是 三维稀疏变换重构计算复杂度  
1
2
argmin  
x － y  
Φ
+
( x)  
( 1)  
λΓ  
x
2
， ［10］  
高 内存需求量大且重构性能不高 文献 将传统视  
．
2
M × N  
频压缩算法中的运动估计和运动补偿技术应用到视频  
，y  
，x  
，
R
其中 为观测值 是待重构信号 Φ∈  
是观测矩  
，
压缩感知中 利用补偿残差信号比原始信号更稀疏的  
1
2
．
x － y  
Φ
2
， ( x)  
范数约束的数据保真项 Γ 是根  
阵
是
2
2
，
( Motion  
原理 提出了一种基于块的视频压缩感知残差  
Compensated BCS-SPL，MC-BCS-SPL)  
，
据图像先验信息所加的正则项 λ 是正则化权重因子  
．
．
重构算法 相比于  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号