一种最佳线性估计与多假设结合的分布式视频压缩感知重构算法

针对分布式视频压缩感知系统存在编码端的低采样率易导致解码端重构效果不理想的问题,综合考虑视频帧间的时空相关性以及帧内不同图像块所具有的不同块特征,提出了一种最佳线性估计与多假设预测相结合的分布式视频压缩感知重构算法。算法在编码端采用分块压缩感知进行随机测量,在解码端增加了相似判别、测量值补充以及平滑判别三种机制。通过此三种机制对非关键帧块进行细化分类,并根据分类结果对不同的图像块采用不同的测量值补充及重构策略,进而提高重构质量。在标准视频序列集上的仿真实验结果表明,本文提出的算法重构视频信号的峰值信噪比(PSNR)比传统的多假设预测重构算法平均高出2~3 dB,尤其在编码端测量率低于0.2的情况下,PSNR高出4~5 dB。

一种视频分布式压缩感知技术的相关性模型与实现算法

视频采集和重构需要进行大量的数据处理,且精度有限。为此,基于基追踪(Basis Pursuit,BP)原理,提出一种新的相关性模型视频分布式压缩感知算法。通过运用稀疏滤波器进行相关性建模,该算法在编译码端为分布式压缩视频感知建立了完整的实现结构,并且在保证高质量重建原始信号的前提下,可以减少测量值的数目。实验结果验证了提出模型下算法的有效性。

一种残差-预测重构的视频分布式压缩感知实现方法研究

为了降低计算成本并节约系统功耗,信号处理最新出现的理论-分布式压缩感知(Distributed Compressed Sensing,DCS)成为视频技术的应用焦点。为此,一种基于多假设预测的视频DCS(VDCS)方案被提出。在VDCS的解码端,当前帧的预测来自于以前重构的参考帧(CS帧),而残差作为重构条件用于改善视频的重构质量。实验结果表明,提出的残差-预测VDCS方法重构视频信号的峰值信噪比(PSNR)优于MH-BCS-SPL和传统的JSM-DCS处理方法。

图像空间域压缩感知通用隐写分析方法

根据灰度图像的纹理特征,提出一种空域压缩感知通用隐写分析(Compressive Sensing Universal Steganalysis,CSUS)方法。首先,使用方向提升小波变换(Directional Lifting Wavelet Transform,DLWT)对图像进行稀疏表示,并对稀疏系数进行直方图统计;然后,结合广义高斯分布(Generalized Gaussian Distribution,GGD)模型设计压缩感知(Compressive Sensing,CS)测量矩阵,并运用该矩阵感知稀疏系数得到CS观测值,以此作为纹理特征量;最后,通过支持向量机(Support Vector Machine,SVM)实现图像隐写的分类判断。采用5种隐写算法对4种图像数据库的图像进行隐写,利用本文提出的CSUS方法与经典的隐写分析方法进行隐写分析与对比。实验结果表明,本文CSUS方法对空域隐写具有较高精度及较好的通用性,并能够降低感知特征的维数。

基于FFmpeg与CUDA的YUV与RGB色彩空间转换性能对比分析

多媒体的传输和显示涉及色彩空间的转换,转换的过程需要大量的数值计算。基于FFmpeg的色彩空间转换方法主要利用CPU进行计算,而大规模矩阵数值计算更适合在GPU中进行并行运算,分别基于FFmpeg和CUDA对YUV与RGB的色彩空间转换进行了仿真实验对比。实验分析了影响GPU转换效率的主要因素,实验结果表明基于CUDA的色彩空间转换在有IO限制的条件下仍具有比CPU更高的工作效率。

压缩感知在视频编解码中的发展与应用

由于传统视频编解码体系需要极高计算复杂度的编码端,因此很难适用于具有较低计算和存储能力的无线视频应用设备。压缩感知在信号处理方面具有的独特优势,使其在视频编解码领域被广泛地使用。着重介绍压缩感知在视频编解码领域的发展与应用。首先回顾了压缩感知理论,然后分别针对分布式视频压缩感知和基于深度学习的压缩感知视频重构方法进行了综述。

基于H5技术的交互课件设计与实现

基于新媒体技术的新兴教学辅助课件相较于传统教学课件具有趣味化、交互强、灵活度高等优点。文章基于H5、CSS和Javascript等技术设计并实现了一个交互式课件。该课件包括7个模块,每个模块都经过合理的内容安排与交互效果设计,在激发学生学习兴趣的同时,还可以提高学生的学习效果。