基于非局部稀疏的圖像視頻壓縮算法的研究.pdf

1、無線多媒體傳感器網(wǎng)絡(luò)(wireless multimedia sensor networks，WMSNs)指通過大量價格低廉的傳感器節(jié)點以自組織的方式布置在應(yīng)用場景中，這些不同種類的多媒體數(shù)據(jù)傳感器節(jié)點可以不間斷的獲得應(yīng)用場景的多媒體信息，然后通過網(wǎng)關(guān)節(jié)點傳到互聯(lián)網(wǎng)上。它的出現(xiàn)已經(jīng)給我們帶來了很多智能化的應(yīng)用，如智能交通、智能監(jiān)控和智慧城市等，因此，被學術(shù)界和工業(yè)界廣泛研究。由于多媒體數(shù)據(jù)量巨大，需要進行傳輸前的壓縮?，F(xiàn)有的多媒體壓縮標

2、準有著優(yōu)異的性能，但是這些標準對編碼端有著很高的要求。另一方面，WMSNs節(jié)點是資源受限的，即能量受限、內(nèi)存空間受限和運算能力受限。因此，海量多媒體數(shù)據(jù)壓縮成為了WMSNs的一個重要挑戰(zhàn)。壓縮感知是一種新的采樣理論，只需要通過少量的非線性投影值來重構(gòu)出原始信號。一方面，壓縮感知可以通過遠低于奈奎斯特定律所要求的采樣率去獲取數(shù)據(jù)，大大降低節(jié)點所需要傳輸?shù)臄?shù)據(jù)量，從而減小了節(jié)點存儲空間和網(wǎng)絡(luò)傳輸能力的負擔。同時，壓縮感知將采樣和壓縮過程合并

3、，只需要進行非線性采樣。這樣既避免了存儲空間的資源浪費，又降低了對編碼端的運算能力的要求。因此，壓縮感知十分適合WMSNs中的壓縮。在壓縮感知的體系框架中，最重要的莫過于重構(gòu)算法。隨著對壓縮感知重構(gòu)算法的研究，研究者逐步意識到基于模型的重構(gòu)算法能給性能帶來大幅度提升。為了使得壓縮感知體系實用化，考慮更加符合圖像和視頻實際的模型是十分重要的。
　　因此，本文研究將壓縮感知應(yīng)用到WMSNs的圖像和視頻壓縮，并使用更加符合圖像和視頻實際

4、的非局部稀疏模型(non-local sparse model，NLM)。NLM是指利用圖像中廣泛存在相似塊之間的相關(guān)性去更加容易的找到圖像的稀疏算子。當NLM應(yīng)用到圖像壓縮感知當中，我們的第一個創(chuàng)新點是利用NLM來獲得更加稀疏的表示，第二個創(chuàng)新點為考慮圖像是一個可壓縮信號，即在重構(gòu)中考慮圖像細節(jié)的恢復。首先，我們提出將相似塊聚合成三維的組合，通過對相似塊組合進行三個維度的小波變換，就可以充分利用相似塊之間的相關(guān)性，從而獲得更加稀疏的表

5、示。而在進行稀疏近似的過程中，我們使用經(jīng)驗維納濾波的權(quán)值矩陣，使得變換域中代表稀疏算子的大系數(shù)有較大權(quán)值，而代表細節(jié)的小系數(shù)也有一定權(quán)值，從而細節(jié)得以保存。所以在獲得良好重構(gòu)PSNR的同時，也有良好的圖像視覺效果。
　　在NLM應(yīng)用到視頻壓縮感知中，由于視頻是多視角視頻的一個特例，我們選擇多視角視頻作為研究對象。在該研究點中，我們有兩個創(chuàng)新點，分別是利用NLM來消除多視角視頻中的三個冗余（即時間、空間和視角冗余）和利用更加豐富的信

6、息保存更多的圖像細節(jié)。首先，使用NLM可以很容易的消除三個冗余，只需要尋找到足夠的相似塊，即既要包括同一幀中的不同相似塊，也要包括來自于同一視角的不同時刻和同一時刻的不同視角的相似塊。在尋找相似塊的時候，我們提出了聯(lián)合相似塊匹配法則，它能幫助我們在噪聲很大的情況，找準相似塊并提供足量的相似塊。在此基礎(chǔ)之上，我們提出對相似塊組合進行聯(lián)合濾波。由于自適應(yīng)基能比固定基帶來更好的稀疏表示，我們設(shè)計了聯(lián)合稀疏基求解的優(yōu)化問題并最終得到自學習的聯(lián)合