專(zhuān)利名稱(chēng)：基于分布式壓縮感知技術(shù)的信源編碼的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于分布式壓縮感知技術(shù)的信源編碼的方法，屬于視頻圖像數(shù)據(jù) 處理的技術(shù)領(lǐng)域。
背景技術(shù)：
首先，介紹視頻處理中的差值方法。視頻圖像的幀頻為25 30幀/秒，因此，視 頻圖像的每一幀數(shù)據(jù)之間的相關(guān)性很強(qiáng)。視頻的差值處理方法是先進(jìn)行相鄰或相近幀之 間的差值運(yùn)算，使得差值圖像的大部分像素?cái)?shù)據(jù)值都在零附近，再經(jīng)閾值量化后，將這些數(shù) 據(jù)值轉(zhuǎn)換為零，使得需要處理的數(shù)據(jù)大為減少。完成差值處理后，再對(duì)差值圖像進(jìn)行小波變 換。其原因主要有兩點(diǎn)一是使差值圖像的能量集中于更小的區(qū)域，進(jìn)一步縮減運(yùn)算量；二 是充分利用人眼對(duì)低頻信息敏感而對(duì)高頻信息不敏感的視覺(jué)特性，尤其對(duì)運(yùn)動(dòng)物體的邊緣 更加不敏感。由此把運(yùn)動(dòng)預(yù)測(cè)估計(jì)主要放在差值圖像小波變換后的低頻部分，而對(duì)高頻部 分的操作適當(dāng)降低要求。這個(gè)技術(shù)的具體實(shí)現(xiàn)過(guò)程如下步驟1、發(fā)送端執(zhí)行視頻圖像各幀間的差值算法將視頻圖像中的各幀按照每組 若干幀進(jìn)行分組，再計(jì)算每組中的第一幀與其后各幀間的差值并記錄之。步驟2、發(fā)送端按照下述步驟執(zhí)行視頻圖像的編碼操作(21)對(duì)視頻圖像中的每組第一幀進(jìn)行編碼先對(duì)每組第一幀圖像進(jìn)行小波變換， 在壓縮時(shí)保留其中的大部分信息，以便在接收端能夠?qū)崿F(xiàn)比較準(zhǔn)確的恢復(fù)。實(shí)驗(yàn)表明，每組 的第一幀圖像的恢復(fù)效果較好，則整體恢復(fù)效果也較好。(22)對(duì)視頻圖像中的每組的其余各幀分別進(jìn)行編碼對(duì)其余各幀圖像與第一幀 圖像的差值進(jìn)行小波變換后，進(jìn)行壓縮并傳輸。步驟3、接收端在接收到信號(hào)后按照下述步驟執(zhí)行視頻圖像的解碼操作(31)對(duì)每組中的第一幀圖像直接解碼；(32)對(duì)每組中除去第一幀以外的其余各幀分別進(jìn)行解碼，然后再與恢復(fù)后的第一 幀圖像處理結(jié)果相加，獲得最終恢復(fù)的原始圖像信號(hào)。上述方案實(shí)現(xiàn)時(shí)，要對(duì)數(shù)據(jù)源進(jìn)行奈奎斯特Nyquist采樣，以獲取大量原始數(shù) 據(jù)，這需要付出極大的采樣和存儲(chǔ)代價(jià)。然而，為了減小傳輸速率，在對(duì)信號(hào)進(jìn)行處理 后，通常只傳送幾個(gè)影響較大的數(shù)據(jù)而丟棄其他數(shù)據(jù)；該操作意味著付出很大代價(jià)利用 Nyquist采樣獲得的大量數(shù)據(jù)中的大部分采樣信息，都在處理后就丟棄了。因而，該方法在 獲取樣本過(guò)程中，采樣了大量不必要的數(shù)據(jù)，給存儲(chǔ)和傳輸都帶來(lái)很大負(fù)擔(dān)。而壓縮感知 CS(compressive sensing)技術(shù)可以很好地解決與處理這個(gè)問(wèn)題。下面簡(jiǎn)單介紹一下壓縮 感知CS技術(shù)。在傳統(tǒng)的數(shù)字信號(hào)處理領(lǐng)域，發(fā)送端設(shè)置的采樣率要遵從Nyquist采樣定律，以使 接收端能夠正確恢復(fù)數(shù)據(jù)。但是，隨著數(shù)字采樣技術(shù)的不斷發(fā)展，目前，這個(gè)傳統(tǒng)理論已經(jīng) 遭遇極大的挑戰(zhàn)。近幾年，出現(xiàn)一種新的采樣理論一壓縮采樣或壓縮感知CS (compressed sampling or compressive sensing)技術(shù)，推翻了采樣率必須大于Nyquist采樣率的要求。該方法是在采樣的同時(shí)，實(shí)現(xiàn)信號(hào)的壓縮，即在發(fā)送端以低于Nyquist速率的采樣率對(duì)信 號(hào)進(jìn)行采樣，而在接收端依然可以以極高的準(zhǔn)確率恢復(fù)原始信號(hào)，這樣就可以大大降低系 統(tǒng)在數(shù)據(jù)采樣和存儲(chǔ)方面的開(kāi)銷(xiāo)(參見(jiàn)《Compressed sensing》，刊于IEEE Transactions on InformationTheory, vol. 52, Apr.2006)。利用CS技術(shù)處理的信號(hào)必須具備稀疏性。例如，給定NXN維的矩陣Ψ = Ψ2|... I ΨΝ]，式中，ψ為N維空間中的一組基底，F(xiàn)i為這組基底中的一個(gè)元素，每個(gè)
長(zhǎng)度為自然數(shù)N的實(shí)數(shù)信號(hào)X都可以表示為= 淇中，Si為對(duì)應(yīng)基底^的系數(shù)，
/=1
如果這N個(gè)系數(shù)中有K個(gè)不為零，信號(hào)X就被稱(chēng)為K-稀疏信號(hào)。對(duì)于傳統(tǒng)信號(hào)處理技術(shù)， 信號(hào)的稀疏性是信號(hào)可壓縮性的前提，所以在傳統(tǒng)數(shù)字信號(hào)處理領(lǐng)域中，涉及的信號(hào)大都 在某個(gè)基底下具有稀疏的表示形式，即具有稀疏性，所以壓縮感知技術(shù)的應(yīng)用場(chǎng)景是與傳 統(tǒng)方法完全吻合的。實(shí)際上，人們?nèi)粘Ｉ钪械拇蟛糠中盘?hào)都具有稀疏性，這也提升了 CS 技術(shù)的實(shí)用性能。CS技術(shù)基于信號(hào)具有稀疏性，就對(duì)信號(hào)χ進(jìn)行欠采樣(即以低于Nyquist速率采 樣)，并在接收端根據(jù)采樣值恢復(fù)信號(hào)。實(shí)現(xiàn)時(shí)，將長(zhǎng)度為N的信號(hào)序列χ表示為一個(gè)NX 1 的列向量，通過(guò)引入ΜΧΝ(Κ<Μ<Ν)的測(cè)量矩陣Φ，并計(jì)算測(cè)量值y= Φχ，得到y(tǒng)= Φχ =ΦΨ8= s ；式中，y是由測(cè)量矩陣Φ與信號(hào)序列χ相乘得到的一個(gè)MXl的列向量；Ψ 是對(duì)χ進(jìn)行稀疏表示的基底Ψ = Ψ2|... |ψΝ] ；S是每個(gè)Vi對(duì)應(yīng)的系數(shù)S= [S1, s2，...，sN]T，T表示轉(zhuǎn)置矩陣。因?yàn)镸 < N，列向量y即為采樣并壓縮后的信號(hào)，又稱(chēng)為采樣 值。接收端先根據(jù)接收信號(hào)y恢復(fù)s，進(jìn)而恢復(fù)信號(hào)序列X。該恢復(fù)操作是在已知y、Φ與 Ψ的情況下求解s，其實(shí)質(zhì)是求解一個(gè)欠定方程組，因方程組的個(gè)數(shù)M少于未知變量的個(gè)數(shù) N。故Si的解有無(wú)窮多組。但是，因?yàn)橐謴?fù)的信號(hào)序列是稀疏的，所以信號(hào)序列的恢復(fù)問(wèn) 題可以等價(jià)為尋找上述方程的一個(gè)最稀疏的解。目前，已有很多文獻(xiàn)提出了根據(jù)低速采樣值恢復(fù)稀疏信號(hào)序列的方法，如Basis Pursuit 算法(參見(jiàn)((Compressed Sensing〉〉，干丨J 于 IEEE Transactions onlnformation Theory, vol. 52)、Orthogonal Matching Pursuit 算法(參見(jiàn)《SignalRecovery from Random Measurements via Orthogonal Matching Pursuit》，干丨J于 IEEE Transactions on Information Theory, vol. 53)等等。最近提出的一種 GPSR(Gradient projection for sparse reconstruction)算法的重建復(fù)雜度低，運(yùn)行速度快，本發(fā)明是利用GPSR算法進(jìn)行 稀疏信號(hào)的恢復(fù)(參見(jiàn)〈〈Gradient projection forsparse reconstruction !application to compressed sensing and other inverseproblems〉〉，干丨J于 IEEE Journal of Selected Topics in Signal Processing，vol. 1)0在CS技術(shù)的不斷完善過(guò)程中，出現(xiàn)一種適用于分布式信源、可降低系統(tǒng)整體測(cè)量 值數(shù)量的新技術(shù)-分布式壓縮感知DCS (distributed compressive sensing)。傳統(tǒng)的CS 技術(shù)在處理視頻信號(hào)時(shí)，無(wú)法利用連續(xù)各幀之間的相關(guān)性。分布式壓縮感知技術(shù)則考慮了 多維信號(hào)中可能存在的多種形式的稀疏性，在分布式信源編碼、MIMO通信和視頻編碼等領(lǐng) 域中可以大大提升CS技術(shù)的處理效果(參見(jiàn)《Distributed Compressive Sensing》)。DCS 技術(shù)研究了多個(gè)連續(xù)信號(hào)之間存在的聯(lián)合稀疏性，通過(guò)在編碼端對(duì)多個(gè)信號(hào)的分別采樣， 再在接收端充分利用信號(hào)之間的相關(guān)性，采取聯(lián)合恢復(fù)的方式(參見(jiàn)圖2)，獲得在低采樣率基礎(chǔ)上相比CS技術(shù)更為優(yōu)異的處理性能。考慮到不同信號(hào)間可能存在多種形式的相關(guān) 性，((Distributed Compressive Sensing》提出幾種較為常見(jiàn)的信號(hào)模型，并對(duì)每個(gè)模型提 出了改進(jìn)的DCS恢復(fù)算法，大大提升了這一技術(shù)的實(shí)用價(jià)值。總之，原有的CS技術(shù)已經(jīng)被運(yùn)用到圖像處理領(lǐng)域中，并取得了一些成果，但是，因 CS技術(shù)沒(méi)有利用信號(hào)之間的相關(guān)性，所以在將其應(yīng)用到視頻信號(hào)(尤其是運(yùn)動(dòng)圖像)處理 的領(lǐng)域時(shí)，并沒(méi)有收到很好的改善效果。為此，業(yè)內(nèi)科技人員對(duì)此展開(kāi)了新的研究與探索。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的目的是基于分布式壓縮感知DCS技術(shù)，考慮到連續(xù)信號(hào)間的 相關(guān)性和自然圖像與視頻數(shù)據(jù)具有稀疏性的特點(diǎn)，以及對(duì)視頻信號(hào)的差值操作可以增大信 號(hào)的稀疏程度，提供一種基于分布式壓縮感知技術(shù)的信源編碼的方法。該方法將視頻信號(hào) 處理中的差值算法與DCS技術(shù)相結(jié)合，能夠進(jìn)一步提升系統(tǒng)對(duì)視頻信號(hào)的恢復(fù)效果，另外， 還降低了系統(tǒng)的采樣率。為了達(dá)到上述發(fā)明目的，本發(fā)明提供了一種基于分布式壓縮感知DCS技術(shù)的信源 編碼的方法，其特征在于基于視頻圖像數(shù)據(jù)源的稀疏性，在對(duì)視頻圖像信號(hào)源進(jìn)行編碼 時(shí)，先利用差值算法增強(qiáng)信號(hào)的稀疏性，再利用幀間與幀內(nèi)數(shù)據(jù)的相關(guān)性，結(jié)合DCS技術(shù)， 按照下述步驟對(duì)視頻圖像數(shù)據(jù)進(jìn)行壓縮與恢復(fù)處理，以便節(jié)省采樣資源消耗和在傳輸后獲 得更好的圖像恢復(fù)效果編碼時(shí)，先用差值算法處理視頻圖像數(shù)據(jù)，再用壓縮感知CS技術(shù)對(duì)數(shù)據(jù)幀的差值 信號(hào)執(zhí)行低速率采樣，替代傳統(tǒng)信源編碼的高速數(shù)據(jù)采樣與小波變換；解碼時(shí)，基于幀間和幀內(nèi)數(shù)據(jù)的相關(guān)性，利用分布式壓縮感知DCS技術(shù)的稀疏重 構(gòu)算法替代傳統(tǒng)信源編碼中的小波逆變換，以便利用很少的測(cè)量數(shù)據(jù)重建視頻圖像源，降 低系統(tǒng)的采樣速率和存儲(chǔ)負(fù)擔(dān)，同時(shí)增強(qiáng)系統(tǒng)性能和獲得更好的圖像恢復(fù)效果。本發(fā)明的技術(shù)創(chuàng)新是在處理視頻信號(hào)時(shí)，通過(guò)差值算法增強(qiáng)信號(hào)的稀疏性，同 時(shí)，利用連續(xù)幀之間的相關(guān)性以及幀內(nèi)數(shù)據(jù)的相關(guān)性，應(yīng)用DCS技術(shù)對(duì)數(shù)據(jù)進(jìn)行壓縮后再 進(jìn)行傳輸，從而獲得較現(xiàn)有方法更好的恢復(fù)效果。本發(fā)明方法的優(yōu)點(diǎn)是壓縮感知CS技術(shù)具有操作簡(jiǎn)單、計(jì)算復(fù)雜度低、容易實(shí)現(xiàn)， 以及顯著降低數(shù)據(jù)采樣與相應(yīng)處理工作量和所需存儲(chǔ)空間的許多優(yōu)點(diǎn)。分布式壓縮感知 DCS技術(shù)是在上述特性基礎(chǔ)上，針對(duì)更為復(fù)雜的視頻圖像信號(hào)處理，進(jìn)一步改善和提高CS 技術(shù)的性能，同時(shí)其分布式編碼和聯(lián)合解碼的處理方法也適用于生活中多種信號(hào)的處理， 從而大大提升該技術(shù)的實(shí)用性。此外，本發(fā)明在CS和DCS技術(shù)基礎(chǔ)上，采用差值算法能夠進(jìn)一步提升CS與DCS技 術(shù)的恢復(fù)效果。本發(fā)明可以根據(jù)不同的信源實(shí)際情況分別優(yōu)選采用相應(yīng)的編碼方法。因此， 本發(fā)明的推廣應(yīng)用前景看好。


圖1 (A)、⑶分別是發(fā)送端與接收端在處理信號(hào)時(shí)分別采用傳統(tǒng)方法與壓縮感知 CS方法的處理步驟示意圖。圖2是采用DCS方法對(duì)稀疏信號(hào)序列X = [xi; x2, ... , Xj]t(Xj是相關(guān)的)進(jìn)行壓縮處理與稀疏重構(gòu)的示意圖。圖3是JSMl (Joint Sparsity Model 1)對(duì)稀疏信號(hào)整體進(jìn)行劃分的示意圖。圖4是本發(fā)明基于分布式壓縮感知技術(shù)的信源編碼方法操作流程示意圖。圖5是本發(fā)明方法試驗(yàn)時(shí)采用的第一種分布式信源編碼方法示意圖。圖6是本發(fā)明方法試驗(yàn)時(shí)采用的第二種分布式信源編碼方法示意圖。圖7是本發(fā)明方法試驗(yàn)時(shí)采用的第三種分布式信源編碼方法、即本發(fā)明基于分布 式壓縮感知技術(shù)的信源編碼的方法示意圖。圖8(A)、(B)、(C)是采用 JSMl (Joint Sparsity Modell)將圖像(A)劃分為(B) 和(C)兩種分類(lèi)的實(shí)施例示意圖。圖9 (A)、⑶分別是使用CS方法和DCS方法(對(duì)應(yīng)圖7 (C)的實(shí)施例)對(duì)實(shí)施例 圖像(圖7(A))的恢復(fù)結(jié)果圖像。圖10是本發(fā)明實(shí)施例中的CS差值算法與CS算法的性能對(duì)比示意圖。圖11是分別使用傳統(tǒng)方法和本發(fā)明方法恢復(fù)的兩個(gè)實(shí)施例圖像的效果圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明 作進(jìn)一步的詳細(xì)描述。由于視頻圖像信號(hào)源往往呈現(xiàn)一定的稀疏性，例如信號(hào)在DCT域和小波域的某個(gè) 變換域具有稀疏表示的結(jié)構(gòu)特性，因而其具備利用CS技術(shù)的基出。但是，采用基于DCT變 換域的傳統(tǒng)信源編碼方法時(shí)，要對(duì)數(shù)據(jù)源進(jìn)行Nyquist采樣獲取大量原始數(shù)據(jù)，這就要付 出極大的采樣和存儲(chǔ)代價(jià)，然后在進(jìn)行DCT變換操作時(shí)，又要丟棄大多數(shù)的采樣數(shù)據(jù)，造成 存儲(chǔ)和傳輸?shù)睦速M(fèi)，如圖I(A)所示。本發(fā)明方法的機(jī)理是按照前述理論分析，對(duì)傳統(tǒng)CS技術(shù)的處理方法進(jìn)行改進(jìn) (參見(jiàn)圖1(B))在處理視頻信號(hào)時(shí)，不僅考慮每一幀圖像內(nèi)的數(shù)據(jù)相關(guān)性，同時(shí)利用各幀 間圖像數(shù)據(jù)之間的相關(guān)性。雖然CS方法有效節(jié)約了采樣資源與存儲(chǔ)空間，但是沒(méi)有利用連 續(xù)幀數(shù)據(jù)間的相關(guān)性?；诜植际綁嚎s感知DCS技術(shù)的聯(lián)合稀疏模型JSMl (參見(jiàn)圖2和圖 3)較好地展示了視頻圖像連續(xù)幀的數(shù)據(jù)經(jīng)過(guò)差值處理后的情況，在對(duì)JSMl模型進(jìn)行DCS恢 復(fù)時(shí)，就能夠很好地利用連續(xù)幀圖像數(shù)據(jù)間的相關(guān)性，其恢復(fù)的圖像效果也比原來(lái)的CS方 法更好。本發(fā)明基于分布式壓縮感知DCS技術(shù)的信源編碼的方法，是基于視頻圖像數(shù)據(jù)源 的稀疏性，在對(duì)視頻圖像信號(hào)源進(jìn)行編碼時(shí)，先利用差值算法增強(qiáng)信號(hào)的稀疏性，再利用幀 間與幀內(nèi)數(shù)據(jù)的相關(guān)性，結(jié)合DCS技術(shù)，按照下述步驟對(duì)視頻圖像數(shù)據(jù)進(jìn)行壓縮與恢復(fù)處 理，以便節(jié)省采樣資源消耗和在傳輸后獲得更好的圖像恢復(fù)效果編碼時(shí)，先用差值算法處理視頻圖像數(shù)據(jù)，再用壓縮感知CS技術(shù)對(duì)數(shù)據(jù)幀的差值 信號(hào)執(zhí)行低速率采樣，替代傳統(tǒng)信源編碼的高速數(shù)據(jù)采樣與小波變換；解碼時(shí)，基于幀間和幀內(nèi)數(shù)據(jù)的相關(guān)性，利用分布式壓縮感知DCS技術(shù)的稀疏重 構(gòu)算法替代傳統(tǒng)信源編碼中的小波逆變換，以便利用很少的測(cè)量數(shù)據(jù)重建視頻圖像源，降 低系統(tǒng)的采樣速率和存儲(chǔ)負(fù)擔(dān)，同時(shí)增強(qiáng)系統(tǒng)性能和獲得更好的圖像恢復(fù)效果。下面具體說(shuō)明本發(fā)明方法的具體操作步驟
步驟1，執(zhí)行視頻圖像各幀間的分組和差值算法將視頻圖像中連續(xù)的N幀分為一 組，并保留第一幀圖像數(shù)據(jù)，再分別計(jì)算第一幀圖像與其后各幀圖像的數(shù)據(jù)差值并保留結(jié) 果；其中，自然數(shù)N為每組的圖像幀數(shù)，其取值范圍是[2，15]，以便充分利用連續(xù)各幀之間 的相關(guān)性，并避免因幀數(shù)過(guò)多而相關(guān)性下降。步驟2，執(zhí)行CS技術(shù)低速率采樣的編碼操作發(fā)送端對(duì)步驟1獲得的分組和差值 計(jì)算結(jié)果執(zhí)行CS技術(shù)低速率采樣操作，并在獲得采樣數(shù)據(jù)后進(jìn)行發(fā)送。該步驟包括下列操 作內(nèi)容(21)用CS技術(shù)的較高采樣率單獨(dú)對(duì)每組視頻圖像的第一幀進(jìn)行采樣，以保證恢 復(fù)后的圖像質(zhì)量；(22)用CS技術(shù)的較低采樣率分別對(duì)每組視頻圖像中的其余各幀進(jìn)行采樣，以達(dá) 到更好的壓縮效果；(23)將獲得的采樣率高的每組視頻圖像中的第一幀數(shù)據(jù)和采樣率低的其余各幀 數(shù)據(jù)發(fā)送出去。步驟3，執(zhí)行DCS技術(shù)的解碼操作，以恢復(fù)信號(hào)接收端收到采樣數(shù)據(jù)與測(cè)量矩陣 后，對(duì)每組圖像數(shù)據(jù)采用DCS技術(shù)恢復(fù)算法進(jìn)行聯(lián)合恢復(fù)，即將求解欠定方程組的問(wèn)題轉(zhuǎn) 化為求解滿(mǎn)足設(shè)定條件的線性規(guī)劃問(wèn)題，再對(duì)線性規(guī)劃問(wèn)題求解，以較大概率準(zhǔn)確恢復(fù)原 來(lái)的圖像采樣數(shù)據(jù)。該步驟包括下列操作內(nèi)容(31)對(duì)每組圖像中的第一幀采樣數(shù)據(jù)采用CS技術(shù)進(jìn)行恢復(fù)，獲得恢復(fù)后的首幀 圖像數(shù)據(jù)；(32)對(duì)每組圖像中的其余各幀的采樣數(shù)據(jù)采用DCS技術(shù)進(jìn)行恢復(fù)，獲得該組中除 去首幀以外的其余各幀的差值數(shù)據(jù)。步驟4，獲取原始視頻圖像信號(hào)將恢復(fù)后的各組視頻圖像的第一幀采樣數(shù)據(jù)與 該組內(nèi)其余各幀的采樣數(shù)據(jù)分別相加，以獲取該組內(nèi)的其余各幀的原始圖像數(shù)據(jù)，并與每 組視頻的第一幀圖像數(shù)據(jù)共同組成最終的原始視頻圖像信號(hào)。本發(fā)明用DCS技術(shù)對(duì)視頻壓縮數(shù)據(jù)進(jìn)行恢復(fù)處理的原理是因?yàn)槎鄠€(gè)連續(xù)信號(hào)之 間既有彼此相關(guān)部分，也有各自獨(dú)立部分，如果將該兩部分混合考慮，很難進(jìn)行信號(hào)分析， 故采用聯(lián)合稀疏模型JSM(Joint Sparsity Model)分析多個(gè)連續(xù)信號(hào)時(shí)，就將多個(gè)連續(xù)稀 疏信號(hào)中的每個(gè)信號(hào)都視為由稀疏的的共有部分ζ。和稀疏的的特有部分Zj兩部分之和組 成；對(duì)視頻信號(hào)進(jìn)行差值處理后，就將視頻信號(hào)視為由上述稀疏的兩部分組成，以便采用 JSM模型中的JSMl模型對(duì)其進(jìn)行分析；這樣，經(jīng)過(guò)矩陣變換后，就能夠?qū)?duì)每個(gè)信號(hào)的采 樣，轉(zhuǎn)化為采用傳統(tǒng)CS技術(shù)對(duì)多個(gè)連續(xù)信號(hào)的共有部分ζ。和每個(gè)信號(hào)的特有部分Zj的分 別采樣和處理；再在恢復(fù)算法中，只要改變線性規(guī)劃問(wèn)題的目標(biāo)函數(shù)，就能夠利用DCS恢復(fù) 算法恢復(fù)所有信號(hào)的共有部分以及每個(gè)信號(hào)的獨(dú)有部分，進(jìn)而恢復(fù)出原始信號(hào)，達(dá)到改善 圖像信號(hào)恢復(fù)效果的功能。下面舉例具體說(shuō)明用JSMl模型對(duì)兩個(gè)信號(hào)的兩部分分別進(jìn)行采樣的過(guò)程先用傳統(tǒng)CS技術(shù)對(duì)兩個(gè)信號(hào)分別采樣，即多個(gè)信號(hào)數(shù)J = 2 :Xl和X2時(shí)，這兩個(gè)信 號(hào)的分別采樣過(guò)程為…=ΦΛ, y2 = Φ2χ2，式中，準(zhǔn)備進(jìn)行CS處理的兩個(gè)序列長(zhǎng)度均為 N的原始信號(hào)X1與X2是NX 1維向量，O1與Φ2均為MXN維的測(cè)量矩陣(Μ < N)，yi與y2 分別是X1和X2經(jīng)過(guò)采樣后的采樣數(shù)據(jù)，也是兩個(gè)序列長(zhǎng)度為MXl的向量。將兩個(gè)信號(hào)序列分別進(jìn)行采樣的過(guò)程進(jìn)行整體表示的公式為矩陣相乘的形式采樣后，再對(duì)該公式進(jìn)行矩陣變換，得到下列各式
權(quán)利要求
1.一種基于分布式壓縮感知DCS技術(shù)的信源編碼的方法，其特征在于基于視頻圖像 數(shù)據(jù)源的稀疏性，在對(duì)視頻圖像信號(hào)源進(jìn)行編碼時(shí)，先利用差值算法增強(qiáng)信號(hào)的稀疏性，再 利用幀間與幀內(nèi)數(shù)據(jù)的相關(guān)性，結(jié)合DCS技術(shù)，按照下述步驟對(duì)視頻圖像數(shù)據(jù)進(jìn)行壓縮與 恢復(fù)處理，以便節(jié)省采樣資源消耗和在傳輸后獲得更好的圖像恢復(fù)效果編碼時(shí)，先用差值算法處理視頻圖像數(shù)據(jù)，再用壓縮感知CS技術(shù)對(duì)數(shù)據(jù)幀的差值信號(hào) 執(zhí)行低速率采樣，替代傳統(tǒng)信源編碼的高速數(shù)據(jù)采樣與小波變換；解碼時(shí)，基于幀間和幀內(nèi)數(shù)據(jù)的相關(guān)性，利用分布式壓縮感知DCS技術(shù)的稀疏重構(gòu)算 法替代傳統(tǒng)信源編碼中的小波逆變換，以便利用很少的測(cè)量數(shù)據(jù)重建視頻圖像源，降低系 統(tǒng)的采樣速率和存儲(chǔ)負(fù)擔(dān)，同時(shí)增強(qiáng)系統(tǒng)性能和獲得更好的圖像恢復(fù)效果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于所述方法包括下列操作步驟(1)執(zhí)行視頻圖像各幀間的分組和差值算法將視頻圖像中連續(xù)的N幀分為一組，并保 留第一幀圖像數(shù)據(jù)，再分別計(jì)算第一幀圖像與其后各幀圖像的數(shù)據(jù)差值并保留結(jié)果；其中， 自然數(shù)N為每組的圖像幀數(shù)，且N彡2 ；(2)執(zhí)行CS技術(shù)低速率采樣的編碼操作發(fā)送端對(duì)步驟(1)獲得的分組和差值計(jì)算結(jié) 果執(zhí)行CS技術(shù)低速率采樣操作，并在獲得采樣數(shù)據(jù)后進(jìn)行發(fā)送；(3)執(zhí)行DCS技術(shù)的解碼操作，以恢復(fù)信號(hào)接收端收到采樣數(shù)據(jù)與測(cè)量矩陣后，對(duì)每 組圖像數(shù)據(jù)采用DCS技術(shù)恢復(fù)算法進(jìn)行聯(lián)合恢復(fù)，即將求解欠定方程組的問(wèn)題轉(zhuǎn)化為求解 滿(mǎn)足設(shè)定條件的線性規(guī)劃問(wèn)題，再對(duì)線性規(guī)劃問(wèn)題求解，以較大概率準(zhǔn)確恢復(fù)原來(lái)的圖像 采樣數(shù)據(jù)；(4)獲取原始視頻圖像信號(hào)將恢復(fù)后的各組視頻圖像的第一幀采樣數(shù)據(jù)與該組內(nèi)其 余各幀的采樣數(shù)據(jù)分別相加，以獲取該組內(nèi)的其余各幀的原始圖像數(shù)據(jù)，并與每組視頻的 第一幀圖像數(shù)據(jù)共同組成最終的原始視頻圖像信號(hào)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于所述步驟(1)中，N的取值范圍是[2， 14]，以便充分利用連續(xù)幀間的相關(guān)性，并避免因幀數(shù)過(guò)多而相關(guān)性下降。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于所述步驟(2)進(jìn)一步包括下列操作內(nèi)容(21)用CS技術(shù)的較高采樣率單獨(dú)對(duì)每組視頻圖像的第一幀進(jìn)行采樣，以保證恢復(fù)后 的圖像質(zhì)量；(22)用CS技術(shù)的較低采樣率分別對(duì)每組視頻圖像中的其余各幀進(jìn)行采樣，以達(dá)到更 好的壓縮效果；(23)將獲得的采樣率高的每組視頻圖像中的第一幀數(shù)據(jù)和采樣率低的其余各幀數(shù)據(jù) 發(fā)送出去。
5.根據(jù)權(quán)利要求2所述的方法，其特征在于所述步驟(3)進(jìn)一步包括下列操作內(nèi)容(31)對(duì)每組圖像中的第一幀采樣數(shù)據(jù)采用CS技術(shù)進(jìn)行恢復(fù)，獲得恢復(fù)后的首幀圖像 數(shù)據(jù)；(32)對(duì)每組圖像中的其余各幀的采樣數(shù)據(jù)采用DCS技術(shù)進(jìn)行恢復(fù)，獲得該組中除去首 幀以外的其余各幀的差值數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于所述用DCS技術(shù)對(duì)視頻壓縮數(shù)據(jù)進(jìn)行恢 復(fù)處理的原理是因?yàn)槎鄠€(gè)連續(xù)信號(hào)之間既有彼此相關(guān)部分，也有各自獨(dú)立部分，所以對(duì)視 頻信號(hào)進(jìn)行差值處理后，就將每幀的視頻信號(hào)視為由稀疏的共有部分ζ。與稀疏的特有部分Zj兩部分組成，以便采用JSM模型中的JSMl模型對(duì)其進(jìn)行分析；這樣，經(jīng)過(guò)矩陣變換后，就 能夠?qū)?duì)每個(gè)信號(hào)的采樣，轉(zhuǎn)化為采用傳統(tǒng)CS技術(shù)對(duì)多個(gè)連續(xù)信號(hào)的共有部分Z。和每個(gè) 信號(hào)的特有部分~的分別采樣和處理；再在恢復(fù)算法中，只要改變線性規(guī)劃問(wèn)題的目標(biāo)函 數(shù)，就能夠利用DCS恢復(fù)算法恢復(fù)所有信號(hào)的共有部分以及每個(gè)信號(hào)的獨(dú)有部分，進(jìn)而恢 復(fù)出原始信號(hào)，達(dá)到改善圖像信號(hào)恢復(fù)效果的功能。
全文摘要
一種基于分布式壓縮感知DCS技術(shù)的信源編碼的方法，是基于視頻圖像數(shù)據(jù)源的稀疏性和差值信號(hào)更為稀疏的特點(diǎn)，在對(duì)視頻圖像信號(hào)源編碼時(shí)，先利用CS技術(shù)對(duì)數(shù)據(jù)幀的差值信號(hào)進(jìn)行低速率采樣操作，以替代傳統(tǒng)信源編碼的高速數(shù)據(jù)采樣與小波變換操作；解碼時(shí)基于幀間和幀內(nèi)數(shù)據(jù)的相關(guān)性，利用DCS技術(shù)的稀疏重構(gòu)算法替代傳統(tǒng)信源編碼中的小波逆變換，以便節(jié)省采樣資源消耗，利用很少的測(cè)量數(shù)據(jù)重建視頻圖像源，降低系統(tǒng)的采樣速率和存儲(chǔ)負(fù)擔(dān)，同時(shí)增強(qiáng)系統(tǒng)性能，在傳輸后獲得更好的圖像恢復(fù)效果。
文檔編號(hào)H04N7/26GK102123278SQ20101059537
公開(kāi)日2011年7月13日 申請(qǐng)日期2010年12月10日 優(yōu)先權(quán)日2010年12月10日
發(fā)明者孫健行, 徐文波, 牛凱, 賀志強(qiáng) 申請(qǐng)人:北京郵電大學(xué)