压缩视频采样帧内算法研究材料.pptVIP

基于稀疏域的重构理论 * * * compression sampling 压缩视频采样帧内算法研究 学号： 111000408 姓名： 戴雪飞 专业 ：通信工程 导师 ：陈建老师 * 主要研究内容 一 背景现状和意义 二 压缩感知描述 稀疏表示 测量矩阵 重构算法 三 基于块的压缩方案 四 基于变换域的重构方法 * 一、背景现状和意义 资源浪费 解决方案？？ 变换空间，建立新的信号描述和处理的理论框架，信息不损失，用远低于奈奎斯特采样定理要求的速率采样信号，完全恢复信号 可压缩图像 稀疏性 重建信号 压缩感知 Donoho、Candes及华裔科学家Tao等人首先提出压缩感知(Compressive Sensing，CS)理论 1.1 压缩感知理论 1、背景现状 * 二、压缩感知描述 信号在某域上稀疏的或是可压缩的 找到一个与Ψ不相关，且满足一定条件的观测基 Φ 对Y采用最优化重构 以Φ观测信号，得到观测值Y MN 主要解决的问题： 1. 信号的稀疏性 2. 观测基的选取采样 3. 重构算法的设计 2、CS描述 2.1 稀疏表示 信号稀疏性：信号的稀疏性是指信号可以用少数个特征向量的线性组合来表示。 2.2 测量矩阵 观测矩阵的设计 目的：采样得到M个观测值，并保证能够从中重构出原来长度为N的信号x 观测过程：利用M×N观测矩阵的M个行向量对向量进行投影，得到M个观测值，即 * 2、CS描述 2.3 重构算法 求解方程y= Φ *x 将目标函数进行转化，变为更容易求解的问题 （1）将0范数问题转化为1范数问题 （2）采用光滑函数逼近1范数，从而将1范数问题转化为光滑函数的极值问题 * 三、基于块的压缩采样方案 3.1 块压缩感知 3.基于块的压缩感知方案 块采样 由于观测数量M远小于N ，不能直接求解，在信号x可压缩的前提下，求解病态方程组的问题转化为最小0-范数问题： 求解该最优化问题，得到稀疏域的系数，然后反变换即可以得到时域信号。 * 四、基于变换域的重构 4.1 基于变换域稀疏性重构流程 4.基于变换域的重构 基于余弦域稀疏性的重构 4.基于变换域的重构 基于小波域稀疏性的重构 4.基于变换域的重构 基于梯度域稀疏性的重构 不同采样率重构质量 4.基于变换域的重构 不同采样率重构图像 4.基于变换域的重构 对barbara不同分块重构 4.基于变换域的重构 基于小波域重构 对lenna不同分块重构 4.基于变换域的重构 Lenna用DWT重构 4.基于变换域的重构 分块 32*32 PSNR=32.4907 T = 85.259s 分块 16*16 PSNR=32.1982 T = 43.661s 分块 16*32 PSNR=32.3456 T = 56.925s Lenna subrate=0.3 Brabara用DWT重构 4.基于变换域的重构 分块 16*16 PSNR=24.09 T = 43.560s 分块 16*32 PSNR=24.34 T = 47.884s 分块 32*32 PSNR=24.80 T = 53.506s Barbara subrate=0.3 DWT 4.基于不同变换域的重构 DCT 时间T 212.587 175.933 169.943 160.721 130.853 （s） PSNR 32.4549 34.172 35.757 37.3557 39.1178 (dB) DWT 时间T 84.116 60.482 52.401 44.219 40.262 (s) PSNR 32.8883 34.6448 36.2219 37.7965 39.5432 (dB) TV 时间T 212.587 175.933 169.943 160.721 130.853 （s） P