分布式视频编码的学习.docVIP

分布式视频编码的学习 传统的视频编码力一法为了获得良好的压缩效率，一方面通过墓于块的正交变换算法以去除视频序列的空间冗余度，另一方面通过先进的运动估计和运动补偿技术进行帧间预测编码，以去除视频序列的时间冗余度。因此，编码器需要完成变换、量化、熵编码、以及运动估计和运动补偿等大量的运算，这就使得编码端复杂度要远远高于解码端复杂度。尤其是帧间编码的运动估计和运动补偿占用了大量(50%一60%)的计算资源，使编码端的复杂度在解码端的5至10倍以上。这种复杂度的不对称性适用于一次编码、多次解码的应用场景，例如电视广播、VOD、流媒体点播等。但是随着技术的发展，小型视频采集设备得到越来越广泛的应用，比如无线摄像头、移动可视电话、无线视频监控传感器等，这些无线视频采集设备需要对采集的视频序列进行实时编码并传送到中心节点进行解码，如监控中心的处理器。这些应用场景的特点是编码设备简单且能量有限，而解码设备一般无能量限制且有较强的计算能力。在这种情况下，我们就需要一种编码端简单的视频编码方法。分布式视频编码技术就是在这种需求下产生的，它将运动估计与运动补偿预测从编码端转移到解码端进行，有效地降低了编码复杂度。 分布式视频编码技术的理论基础是Slepian-Wolf分布式无损编码理沦，以及使用解码端辅助信息的Wyner-Ziv有损编码理论。虽然这两个理论早在上个世纪70年代就已经被提出，但是直到近年来，才有研究者提出一些实际的分布式编码算法。 Slepian-Wolf分布式无损编码理论 所谓分布式编码是指，对两个或两个以上相关信源使用独立的编码器分别进行编码，所有的编码器都将其编码后的码流发送到同一个解码器，该解码器对所有输入的比特流进行联合解码。分布式编码的结构如图1所示。 Slepian-Wolf理论可简单描述如下：考虑两个统计相关的同分布随机序列X,Y，如果我们对它们进行独立编码、独立解码，则要无差错的恢复出X和Y，编码码率应满足RX=H(X)， RY=H(Y)，其中H(X)，H(Y)分别表示X和Y的信息熵。如果我们对X和Y进行联合解码（编码端仍然进行独立编码），则可以取得更好的压缩效果；并且当序列X，Y足够长时，恢复出的X和Y的错误率趋近于零。 图1 Slepian-Wolf无损分布式编码示意图 Slepian-Wolf理论给出的在独立编码、联合解码情况下理论上可达到的最小编码速率由下式所限定： RX+ RY = H(X,Y) RX= H(X|Y) RY= H(Y|X) 其中，H(X|Y)和H(Y|X)是两个信源之间的条件熵。从上式可以看出，虽然X和Y是独立编码的，但是总码率RX+ RY在理论上依然可以与联合编码时所能达到的最小码率相等，即min(RX+ RY) = H(X,Y)。图2给出了由上式确立的两个相关信源分布式编码的码率域。 图2 Slepian-Wolf理论确立的编码域 图中“极小的误差”区域表示，在X和Y的编码码率满足上述不等式的基础上，当X、Y落入这个区域时，我们可以以独立编码、联合解码的方式，以极小的错误概率恢复出原始信号X和Y；“无差错”区域表示当X和Y的编码码率落入这个区域时，无论采用何种编码方式(独立编码、联合解码或者独立编码、独立解码)，我们都可以无损的恢复出原始信号X和Y。 在分布式编码中，我们比较感兴趣的是解码端己知辅助信息(或称边信息)的情况(编码端未知辅助信息)。图2中的两个拐点A和B，就是在解码端已知边信息的无失真信源编码问题的理论编码码率极限。以A点为例，此时的分布式编码如图3所示： 图3 解码端已知边信息（编码端未知）的分布式编码 在图3中，对Y我们以RY=H(Y)进行编码，在编码端不知道边信息Y的情况下，相关信源X编码码率需满足RX= H(X|Y) 。 Slepian-Wolf理论只给出了编码码率的理论极限，并未给出具体的实现方法。研究者们发现信道编码方法与分布式编码有着天然的联系，分布式编码涉及的两个相关信源之一可以被看作是由另一个信源经过一个虚拟的“相关信道”传输后产生的，所以目前主要的分布式信源编码技术都是源自信道编码的思想。下面举一个简单的Slepian-Wolf编码实例来说明其编码过程。 假设X和Y均由三个等概率的二进制数组成，X,Y{0，1}3，它们之间最多只有一个位置的比特数值不同，则X和Y的熵为H(X) = H(Y) = 3bit。因为X和Y之间的汉明距离dH(X,Y) = 1，所以对于一个给定的Y，X有四个可能的数值，比如Y=000，则X{000,100,010,001}，因此在已知Y的情况下，X的条件熵H(X|Y) = 2bit。在联合编码和联合解码的情况下，我们需要3个比特传输Y，2个比特传输X，总共需要H(X,Y) = H(X) + H(X|Y) = 5bit