一、基于DCT变换的渐进式图像编码方法(论文文献综述)
孙海超[1](2021)在《基于HEVC的超高清视频压缩算法研究》文中研究指明随着社会的飞速发展和宇航技术的不断进步,对高清和超高清视频的需求量越来越大,产生的数据量也越来越多,这给视频传输及空间存储都带来了巨大的成本。所以高清和超高清视频压缩编码是必不可少的技术手段。同时视频压缩编码的性能和复杂度也直接影响着高清和超高视频的应用范围和潜力。因此在保持一定视频质量的情况下,提高视频编码的压缩比,降低视频编码的复杂度是亟需解决的问题。作为新一代高效视频编码标准,HEVC相比于上一代视频压缩编码H.264节省50%左右数据量。然而随着高清和超高清视频的发展和普及,分辨率越来越来大,数量越来越多,并且还要在具有高误码率、带宽有限等特点的空间通信系统中进行视频传输,无疑对视频编码性能和视频传输可靠性提出了更大的挑战。因此,研究如何提高视频压缩编码性能,以及在空间通信系统中进行可靠的视频传输具有很高的应用价值和研究价值。本文针对基于HEVC的视频压缩编码标准以及在空间通信系统中的视频传输进行了深入研究和分析,取得的主要研究成果如下:(1)针对在保证一定视频质量的情况下,需要降低压缩数据量以满足通信带宽有限的问题,本文从消除数据统计冗余的角度,提出了一种基于Bandelet变换的视频压缩算法。该算法通过拉格朗日方法,并结合四叉树划分,以获得DCT变换系数的最优Bandelet基,从而实现对变换系数的最佳稀疏表达,提高压缩比。仿真结果表明,本算法在保证视频质量不变的条件下,能够平均降低约8%的码流。(2)针对HEVC标准进行高清和超清视频的视频压缩时,计算复杂度大幅度增大的问题,本文提出了一种用于全I帧压缩模式的基于相关性的快速帧内预测的压缩算法和一种用于低延时压缩模式的混合编码框架的快速压缩算法。基于相关性的快速帧内预测的压缩算法利用当前编码单元和相邻单元的相关性去除小概率的预测深度,从而减少遍历预测深度的次数。同时通过建立帧内预测模式候选表,利用预测模式的相关性,提出了一种分层搜索的模式预测方法,从而减少遍历帧内预测模式的次数。仿真结果表明,该算法仅以损失约1.2%的视频质量为代价,减少了约34.2%的视频编码时间。混合编码框架的快速压缩算法结合了静态背景视频的特点,采用运动目标检测算法提取出背景区域和运动区域。运动区域采用已提出的快速帧内预测算法和标准的帧间预测方法,背景区域利用相邻帧的相关性进行帧内预测和帧间预测。仿真结果表明,改进的混合框架快速压缩算法也仅以损失约1.6%的视频质量为代价,减少了约44.6%的编码时间。同时本文利用运动目标检测算法提取的划分区域,采用不均等的量化阈值对不同区域进行视频压缩,以提升人们对感兴趣区域的高质量的视觉需求。(3)针对空间通信系统视频传输过程中数据包丢失或错误引起的失真的问题,本文利用极化码中每个比特通道的可靠度不同,提出了一种基于极化码的不均等差错保护算法。采用一种降维的搜索算法,实现近似最优的极化码构造,以提升极化码的性能。通过对不同重要程度的压缩数据采用可靠度不同的比特信道进行保护,以降低空间通信系统视频传输对视频失真的影响。仿真结果表明,在相同信道条件下与均等保护算法相比,能够获得更好的视频质量。
贺康[2](2021)在《面向马赛克图像的新型编码算法研究》文中研究表明常规数字化相机采用“红-绿-蓝”单传感色彩滤波阵列实现对真实场景色彩信息的获取,以达到节约存储空间的目的,所获取的每个像素位置只能表征红(R)、绿(G)、蓝(B)颜色中的一种颜色值,以这种方式获取的图像通常被称为马赛克图像。马赛克图像必须超分辨重建才能恢复成RGB彩色图像,这一过程叫做图像去马赛克。对图像去马赛克会带来数据量的增加,如果再进行图像压缩,则会影响数据压缩效率。为了节约存储空间和传输带宽,在相机端对马赛克图像进行压缩编码是一种高效的数字图像压缩方法。为实现高效的马赛克图像压缩,本文设计了一种基于新型色彩空间转换的马赛克图像编码算法,并实现了色度压缩失真对亮度误差的修正调整,降低了压缩失真。此外,本文针对压缩马赛克图像质量增强和去马赛克联合优化实现问题,设计了端到端图像去马赛克联合图像去压缩效应网络。本文的研究内容如下:(1)设计了新型四通道色彩空间转换模型,通过降低亮度分量和色度分量的相关性,去除两种分量之间的相关性,达到降低编码码率的目的。(2)根据亮度、色度分量编码误差和总编码失真的关系,根据所设计的色彩空间转换模型,实现了亮度分量调整,降低了总的编码误差。以及在编码端使用色度失真先验信息来调节亮度分量达到减小整体失真的目的。(3)面向压缩失真的马赛克图像,设计了端到端图像去马赛克联合去压缩效应的卷积神经网络,特别是把面向压缩失真的去马赛克任务建模为图像增强和超分辨率联合的问题。网络包含特征提取单元、去压缩效应单元、上采样单元和特征融合单元,以及一种抑制压缩块效应的损失函数,在去压缩效应单元上约束网络更准确学习压缩失真的马赛克图像RGB全彩色图像之间映射关系。
孟磊[3](2020)在《基于自编码器的图像压缩算法研究与FPGA实现》文中研究表明图像不仅在网络传播中消耗着大量带宽,也在实际存储中占用着大量的存储空间,因此,压缩图像以便其传输和存储一直是人们研究的热点。近年来,神经网络在刷脸支付、智慧安防和自动驾驶等高层视觉领域取得了不错的效果,但在图像压缩这类低层视觉领域的效果还未达到足以成熟的压缩标准,研究神经网络在图像压缩领域的应用显得极为迫切。本文以自编码器这类神经网络为核心,研究分析了自编码器在有损图像压缩方向的压缩性能。本文首先分析了标准自编码器在端对端的有损图像压缩方面的可行性;其次,标准自编码器应用于图像压缩领域存在一些不利约束,包括仅适用于固定码率的压缩任务和无法适应任意分辨率的源图像,为解决上述缺点,本文采用了基于卷积神经网络和渐进传输思想的残差自编码器网络结构来修正标准自编码器的自身缺陷;最后,在同一测试集与合理压缩比率等条件下,将本文设计的码率可调的自编码器有损图像压缩网络与JPEG 2000图像压缩算法进行对比,实验结果表明本文的图像压缩网络在MS-SSIM(Multi-scale Structural Similarity)、PSNR、图像解码细节和算法通用性等方面都有一定的提升。本文设计的自编码器图像压缩网络是以卷积神经网络为核心,其运算过程包含不断重复的乘加法、移位和数据存取等操作,鉴于上述情况和FPGA在运算速度和功耗方面得天独厚的条件,进一步设计了自编码器压缩网络的硬件模块。首先,提取了网络的权重和偏置参数,并将浮点参数转定点参数以便于FPGA运算;其次,设计算法的硬件架构,其包含数据传输、数据存取、数据处理等模块,并使用Modelsim仿真软件对各模块进行了功能仿真;最后,在Altera DE2-115开发平台上进行了板级验证,其结果与功能仿真结果保持一致。
冯文钊[4](2020)在《无线传感器网络野外监测图像高效编码与传输方法》文中进行了进一步梳理无线图像传感器网络(WISNs)在远程、实时、精准信息监测领域有着广泛发展潜力。针对传感器功耗限制强、感知环境复杂、图像重要区域重构质量不高、图像传输缓慢且抗干扰能力弱等挑战,探索适合于大数据量、强噪声的野外监测图像高效编码与传输是解决问题的关键。以野生动物监测作为应用场景,本文以兼顾无线传感器网络模式下野生动物监测图像的重构质量、传输效率和能量消耗之间的平衡为目标,力图实现野生动物监测图像的高效编码与传输。研究基于改进直方图对比度的显着性目标检测方法,进而生成显着性目标区域的掩模图像,为提升图像中重要区域像素点的传输优先级提供参考依据;探索一种无线传感器网络模式下图像渐进式压缩编码算法以及分布式机制下图像数据分配的高效传输策略,保障了图像重点区域的重构质量以及网络资源的合理利用;提出一种基于改进自编码器的缺失图像自动恢复算法,提高复杂条件下图像样本的可利用性,为后续相关科学研究提供数据保障。(1)设计了基于WISNs远程监测系统,并对图像样本库进行建立,解决了野外环境信息获取滞后的问题。本文总共建立了包含马鹿、野猪、狍子、猞猁、貉、斑羚在内的10720张野生动物监测图像样本库,为后续开展算法实验提供了研究素材和数据保障。同时制作了野生动物区域的Ground truth真值图像,为后续野生动物显着性目标检测、压缩编码与传输等实验对比提供理论依据。(2)提出了基于改进直方图对比度的图像显着性目标检测算法,克服了野外监测图像背景复杂、数据量大、噪声干扰严重等问题。在传统的直方图对比度算法的基础上,本文结合图像主结构提取、边缘检测和位置显着图等策略,对图像显着性目标区域进行检测及提取,实现了图像纹理信息的平滑与图像噪声抑制。通过本文算法对野生动物监测样本库进行实验的平均Pr、Re和F-measure值分别达到了0.4895、0.7321、0.5300,相较于表现性能较好的HC和MC算法在每个评价指标方面分别提高了18.37%、19.53%、19.05%和6.42%、21.99%、8.74%。(3)探索了基于视觉感知的图像渐进式压缩编码算法,解决了WISNs图像压缩无法体现重要区域优先性的问题。本文在图像显着性目标检测结果的基础上,采用位平面提升和混合编码算法对野生动物监测图像进行分层渐进式压缩编码,分别实现了显着性目标区域的无损压缩和背景区域的有损压缩,保证了图像中重要区域信息的重构质量。本文算法在PSNR、SSIM方面的实验结果平均值分别为39.0365d B和0.9014,相较于EZW和DCT算法分别提高了21.11%、14.72%和9.47%、6.25%。(4)探索了基于分布式传输机制的图像数据分配策略,解决了由于WISNs自组织、多跳的传输模式造成的网络资源浪问题。通过对联合信号进行独立编码和联合解码的方法提出了一种显着性目标区域图像和背景区域图像分布式协同传输策略,其中显着性目标区域直接由簇头节点进行传输,而数据量相对较大的背景区域通过在同一传输级的簇内节点之间进行分配,实现了网络资源的合理利用。本文算法在PSNR和SSIM方面,与DCT和EZW相比,分别提高了7.47%、9.06%和16.98%、19.50%;在能量消耗方面,与多跳和单跳传输等单一模式相比,分别降低了29.96%和40.84%。(5)提出了基于改进自编码器的图像自动恢复算法研究,解决了由于外界环境干扰造成的WISNs图像内容缺失问题。本文针对不同区域图像间纹理信息的不同,通过将显着性目标区域和背景区域样本图像分开训练和测试的方法提出了一种基于改进自编码器的WISNs缺失图像自动恢复算法,实现了图像样本中重要缺失信息的自动恢复。实验结果表明,本文算法在PSNR和SSIM方面,相较于SPHIT和EZW算法,分别提升了7.93%、18.15%和7.01%、12.67%,保证了监测数据的可靠性,为后续相关科学研究提供素材保障。综上所述,本文针对大数据量、背景复杂的野外监测图像,提出了一种适用于WISNs的高效编码与传输方法,包括WISNs监测系统的设计、图像显着性目标检测、图像渐进式压缩编码与分布式传输策略以及图像缺失内容的自动恢复,为无线传感器网络在智能信息监测领域的推广提供了理论指导。
陈逸野[5](2020)在《压缩感知图像编码算法研究》文中认为图像数据的不断增加,对存储资源和带宽资源提出了更高的要求。压缩感知是一种可以突破奈奎斯特采样定理的新型采样方式,为数据的采集和存储提供了新的方向和思路,但采样数量的降低并不意味着存储空间减少。本文主要从采样率和比特率两个角度对图像压缩感知重建进行研究,作为采样方式的对比,还研究了基于图像内容的空间域自适应采样和重建算法。首先从采样率的角度对图像压缩感知重建算法进行研究,提出了一种联合图像先验的压缩感知重建算法。压缩感知初始退化图像核范数会明显增大,在基于稀疏表示的压缩感知重建模型基础上,引入图像降噪中基于非局部低秩的带权核范数最小化模型,借助于局部图像块的稀疏特性和非局部低秩特性,提出了联合图像先验的压缩感知重建算法。通过交替更新变量将联合先验模型分为多个子问题进行求解,实验结果验证了模型的有效性。空间域采样是一种经典的图像采样方式,但均匀采样在平坦区域采样冗余,细节区域采样不足。本文通过图像纹理边缘分析,提出了一种空间域自适应采样方案,利用迭代近邻插值和自适应滤波重建采样图像。在此基础上,提出基于联合先验的自适应采样重建模型,进一步提升图像的重建质量。现阶段对于压缩感知的研究集中于从采样率的角度考虑图像重建,而从数据存储角度考虑,采样维度的降低并不能带来实际存储效率的提高,因此本文从比特率的角度对压缩感知进行了研究。首先对压缩感知量化编码进行分析,对观测矩阵、量化方案和重建算法进行讨论。在此基础上,设计压缩感知量化编码结构,利用压缩感知部分观测值之间存在的隐性相关性对测量值进行预测,提出了分组渐进预测的压缩感知图像编码结构,提升了率失真性能。
杜德[6](2020)在《基于FLDCT-EZC的地形压缩绘制算法及优化》文中研究表明信息时代随着科学技术的快速发展,在3D游戏、城市规划、军事仿真等信息化领域,大规模地形实时绘制技术占有极其重要的作用。在地形绘制的过程中,海量地形数据的处理传输以及绘制的实时性对设备性能以及网络传输速率有较高的要求,但目前很多现有设备并不能很好的满足要求。因此,需要在数据处理阶段寻找一种压缩算法完成地形数据的压缩以及选择合适的优化绘制方案实现地形的大规模绘制,以此降低对设备和网速的要求,从而达到提升地形绘制速率的目的。本文在传统层式DCT算法及嵌入式零树编码算法的基础上,提出了一种快速层式DCT嵌入式零树编码压缩算法。同时结合LOD与GPU通用计算技术,利用GPU完成数据压缩后,根据视点与地形之间的距离,采用基于GPU的地形网格多分辨率绘制方案,实现大规模地形数据压缩解压及多分辨率地形模型的实时绘制。FLDCT-EZC压缩算法不仅具备小波变换和JPEG2000的优势,能够在数据变换之后直接生成切合人眼视觉感受的多分辨率特性的数据模型并且具有相对优异的压缩性能,而且改善了传统DCT的计算方法,采用了一种快速DCT计算方式,降低了对设备的要求和计算时间。同时能够很好的与LOD相结合,并利用GPU优秀的计算能力完成数据变换以及实现最后的地形绘制方案,整体上实现了对设备低要求、高压缩性能和高绘制效率的目标。主要工作具体如下:1、深入了解了一系列相关的图像压缩技术及编码方法,充分研究学习了传统层式DCT算法和嵌入式零树编码的算法流程及算法原理,同时采用了一种DCT的快速计算方法,并掌握了其快速算法的基本计算流程及原理,提出了一种FLDCT-EZC压缩算法。2、深入学习了地形模型构建的一系列方法以及实时绘制的相关技术,对经过FLDCT-EZC压缩算法处理后的地形数据,采用一种基于视点的动态LOD多分辨率地形绘制模型,根据视点与地形之间的距离,采用不同分辨率的地形模型,从而减少地形网格构建的复杂程度,从而加快地形构建的绘制速度。3、针对提出的结合FLDCT-EZC算法和基于视点的动态LOD算法实现地形的压缩绘制,采用一种基于GPU的大规模地形网格多分辨率模型构建方案,将原始图像数据通过GPU压缩之后,按照基于视点的调度方案将压缩后的地形数据直接调入GPU,使用GPU解压地形数据并完成地形网格构建。充分利用了GPU优秀的计算处理能力,优化了地形的构建方案,提高了绘制速率。
高硕[7](2020)在《基于深度学习的三维高分辨率脑图像压缩》文中提出随着生物显微成像技术的快速发展,单神经元分辨率级的三维全脑成像技术取得了很大进展,其产生的三维脑图像具有很高的分辨率,可以清晰地显示脑神经元的胞体、树突和轴突等结构,对于神经元形态和结构的研究以及人工智能的发展有重要意义。然而,如此高分辨率的三维图像为存储和传输带来了巨大挑战,因此寻找三维高分辨率脑图像的高效压缩方法成为了一项迫切任务。目前三维医学图像压缩方法大多采用基于小波变换的方法,其中JP3D方法是JPEG2000压缩标准的三维扩展,它可以实现对高位深三维图像进行较高效的压缩。但是该方法有两个缺点,首先,经过该方法解码后的图像中存在失真效应,且压缩率越大,失真效应越明显,这些失真会对脑图的研究造成影响。其次,JP3D的熵编码算法EBCOT没有利用子带间的相关性信息,导致熵编码效率较低。近年来,基于深度学习的二维自然图像压缩方法实现了高效的压缩性能,其压缩性能优于现有的传统图像压缩方法,如BPG、JPEG2000、JPEG。虽然基于深度学习的二维图像压缩方法已经取得了很大进展,但是目前基于深度学习的三维图像压缩方法的研究还很少。本文旨在运用深度学习的方法提高三维高分辨率脑图像的压缩效率,使得在相同码率下可以获得质量更高的解码图像。受基于深度学习的二维图像压缩方法的启发,本文做了两方面的工作:1.研究基于深度学习的JP3D压缩方法的改进。一方面,为了减少压缩图像中的失真效应,本文提出了一个基于神经网络的三维脑图像压缩后处理方法,运用卷积神经网络提取三维脑图中每个维度的特征,同时引入三维残差模块以加速网络收敛,实验结果表明该方法显着减轻了压缩脑图像的失真效应,且在三维高动态范围脑图像上也有很好的效果。另一方面,本文将基于3D PixelCNN和RNN模型的熵编码算法与JP3D相结合,利用三维小波变换系数的子带间相关性提高熵编码效率。2.研究基于深度学习的三维图像压缩方法。本文提出了一个基于神经网络的三维端到端图像压缩方法,该模型采用自编码器将三维输入图像变换为维度较低的隐空间,然后利用超先验模型和条件上下文模型作为熵编码模型,共同估计隐空间的概率分布以提高编码效率。同时,本文引入三维非局部注意力模型以利用输入图像的全局相关性,且为了降低模型的复杂度,采用基于3D ConvLSTM的上下文熵编码模型,将隐空间特征沿通道维度展成序列依次对其进行编码,以提取通道间的因果相关性。压缩框架中的每个模块通过一个率失真损失函数进行优化。实验结果表明,相比于最优的基于深度学习的二维图像压缩方法,本文提出的三维图像压缩方法在压缩性能上有显着优势,且实验结果表明本文的方法性能优于JP3D及HEVC方法,尤其在较低码率点。
刘多强[8](2020)在《高速图像压缩存储系统关键技术研究与实现》文中研究指明在航空航天、工业等领域,高速视觉测量仪器通过高速相机对快速运动目标实现高精度实时测量,从而产生海量图像数据。高速图像在传输和存储过程中,系统的传输带宽、存储容量以及系统的可靠性面临严峻的挑战。为了解决高速风洞试验中海量图像数据的实时压缩和存储难题,对其关键技术开展研究。首先阐述了课题研究背景和意义,并针对高速图像压缩和存储问题的国内外研究现状进行了分析。其次根据系统技术指标,采用自顶向下设计思想,将整个系统按照功能进行模块划分,完成了高速图像压缩存储系统总体架构设计。然后针对系统中的JPEG压缩算法和SATA存储技术进行了分析,为系统设计提供了理论基础和技术路线。最后,以Virtex-7 690t FPGA作为系统开发核心器件,采用并行流水处理和乒乓操作等技术,创新性地设计了高度并行处理的DCT处理器、量化器、熵编码器以及JFIF头文件单元,有效提高了系统吞吐率,能完成高速图像实时JPEG编码。基于SATA3.0协议,采用RAID 0存储技术,设计了SATA读写控制器和文件管理模块,可完成高速图像的并行SSD阵列存储。为了使系统便于灵活调整图像压缩比和实现系统功能切换,采用软硬件协同设计方法,设计了可配置接口,实现上位机的命令和参数传递。测试结果表明,本文设计的高速图像压缩存储系统能实现吞吐率不低于2GB/s的图像实时JPEG压缩和SSD阵列存储,达到了系统指标。系统满足高吞吐率和低时延处理需求,并且具备较好的灵活性和可扩展性。
尹文斌[9](2020)在《基于学习的图像编码与视频软播技术研究》文中提出随着现代信息技术的飞速发展,以互联网和移动终端为支撑的网络视频、社交网络、视频监控等新型应用不断涌现,象征着人类已经进入了大数据时代。各类媒体数据急剧增长,而图像视频数据异军突起,以更高的数量级增长。研究高效的图像视频存储与传输的方法成为大数据处理的核心问题。因此,图像编码和无线视频软播作为图像存储和视频传输领域的典型应用,具有重要的研究意义。变换是传统图像编码与视频软播框架中的核心技术,然而,固定线性变换不能自适应图像视频特性,因此无法实现图像视频紧致表达;同时,基于反变换的解码结构限制了先验知识的利用,导致图像的重建质量和编码效率较低。稀疏表示和卷积神经网络分别采用冗余基和非线性模型来自适应图像视频特性,能够实现信号的高效紧致表示;同时,灵活的表达结构可以高效地整合先验知识,进一步提升图像视频信号的重建质量。为此,针对无线视频广播问题和图像压缩问题,本文将稀疏表示理论和卷积神经网络引入传统的图像编码和视频软播框架中,从利用基于学习的方法提高图像编码和视频软播性能的角度开展研究,具体研究内容包括如下四方面:第一,提出了一种基于字典学习的无线视频软播方案。在传统的无线视频软播框架中,固定变换不能自适应图像视频特性,无法高效表示视频信号,在低带宽条件下性能受限明显;同时,基于反变换的解码结构无法利用先验知识进一步提升解码质量。压缩感知方法可利用信号稀疏特性,基于少量观测数据,采用优化方法几乎精确地重构信号。为此,本文利用稀疏编码和重建代替无线视频软播方案中传统的变换和反变换过程,提出了一种基于压缩感知和层次帧结构的无线视频软播方案。在编码端,在有限带宽条件下,建立层次帧结构,合理分配观测率,最大限度获取视频信号的有效信息。特别是,利用同等重要的观测数据具有天然的抗丢包能力,降低了信道保护代价。在解码端,利用视频信号的局部稀疏性和非局部自相似性以及时域相关性等先验信息,提出了基于组的稀疏表示优化重建模型及高效的模型求解算法,实现了视频软播的高精度和鲁棒解码。实验结果表明,本文提出的方案具有良好视频广播可伸缩性的同时显着提高了编码压缩效率。第二,提出了一种基于低秩逼近的行扫描视频软播方案。在传统无线视频软播方案中,预测环节缺失导致编码效率低下,若加入闭环预测则会引发误差漂移问题;同时,以块或帧为编码单元导致其必须获得足够规模的行数据才可进行编码和传输,从而造成行扫描视频传输高延迟问题。分布式编码理论指出,当解码端具有边信息时信源可以被高效压缩,并且对误差传递具有鲁棒性。低秩表示本质上结构化的稀疏表示,在图像视频的低秩表示框架下,图像视频中相关性隐含在一个低秩矩阵形式中,低秩表示为图像视频的高精度逼近提供了途径。为此,本文利用分布式编码的典型技术陪集编码代替无线视频软播中的变换编码,提出了一种基于低秩矩阵填充的行扫描视频软播方法。在编码端,无须等待若干行数据采集,实时对采集的视频行进行陪集编码压缩,降低了编码端计算代价。在解码端,在分析视频时空域相关性基础上,利用模板匹配技术,提出了基于低秩逼近的边信息生成算法。通过高精度的边信息,提高了陪集解码准确性和重建视频质量。实验结果表明,本文提出的方案在多种信道条件下均取得优于传统视频软播方案的性能。第三,提出了一种基于卷积神经网络的视频软播后处理方案。传统视频软播方案采用了基于块的离散余弦变换压缩图像中的冗余信息。当带宽受限时,需要丢弃一定数目的变换系数,同时信号在传输中不可避免地受到噪声干扰,解码端接收到的数据中包含了编码和传输环节的噪声。然而,在解码端,在经过反变换的解码图像中,编码与传输噪声依然存在。事实上,稀疏表示和卷积神经网络网络可以自适应图像特性,实现降质图像的高精度重建。为此,本文基于稀疏表示和卷积神经网络,提出了一种基于卷积神经网络的鲁棒的视频广播方案。该方案将编码视为图像降质过程,编码端根据带宽条件控制降质程度。在解码端,将图像解码转化为降质图像的复原问题,利用视频帧的局部稀疏性和非局部自相似性,建立组稀疏表示模型,针对降质过程,提出了基于组稀疏表示模型的视频帧复原方法。在此基础上,利用卷积神经网络的强大的非线性特性,进一步减轻编码和传输噪声所产生的影响。实验结果表明,本文提出的方案不仅具有良好的视频广播可伸缩性,而且可以减轻编码和传输中的噪声,与传统视频软播相比,提供了视觉友好的主客观质量。第四,提出了一种基于深度神经网络的端到端相关图像压缩方法。传统图像编码方法采用固定的线性变换,固定变换基无法自适应于图像特性,线性的表达方式难以刻画图像复杂纹理与结构;同时,独立优化设计的编解码端,限制了压缩性能的提升。自编码器利用多层网络将高维数据表示为低维的特征,并由低维特征最大限度地恢复原始数据;其利用非线性模型获得优于线性变换的紧致特征表示。同时,灵活的编解码结构和编解码的协同优化为图像高效压缩提供了可能。为此,本文在多路自编码器基础上,对各个层次特征施加互参考约束,建立了基于互参考结构的关联图像编解码方案。采用二值化器量化图像特征,利用图像内容特征生成重要性图,以指导量化特征的码率分配。将编码的率失真优化代价作为网络的优化目标,通过可微的二值化器保证了网络训练的可行性。本文提出的方法通过端到端的自编码器结构实现了图像编解码的联合优化,通过多路的互参考的结构实现了相关图像的高效编码。实验结果表明,对于相关图像压缩问题,本文提出的方法能够获得优于传统图像编码方法的主客观质量。
孙怀波[10](2019)在《面向图像的数据隐藏和恢复技术研究》文中指出随着信息时代的到来,人们对信息安全日益关注,这使得图像安全成为信息安全领域的一个重要研究方向。在智能手机和社交平台普及的当下,分享随手拍摄的照片变得越来越便利,然而平台的开放性和各类图片分析处理工具加大了图片中隐私被泄露的风险,需要利用图像马赛克等图像安全技术实现图像隐私区域的安全保护。在保护隐私区域信息的过程中,为抵抗针对被保护隐私区域的攻击,一般把表达图像可视信息的像素数据隐藏到非隐私区域。在这种异地保护策略下,首先必须解决隐私数据的最佳隐藏位置以及可保护隐私区域的最大尺寸问题,才能在保证图像信息安全的同时实现保护区域最大化;其次,良好的数据隐藏编码方案可以提升载密区域PSNR(峰值信噪比)并提供较大的隐藏容量,因而设计PSNR可控的编码方案是提升信息保护质量的重要方面;另外,图像保护的真正目的是为了让图像访问者得到与其权限水平对应的图像信息,因此,根据访问者的权限水平恰当地恢复相应的图像信息,也是保障图像信息安全必不可少的工作。针对上述问题,本文提出了一系列新方法和新模型:(1)针对图像异地保护时的最大保护尺寸和最佳载体位置选择问题,证明了异地保护时保护区域的上界,提出了基于粗糙度改变量(CR)的最佳载体选择方案,理论分析和实验结果表明,该方案在基于可逆马赛克的图像数据隐藏与恢复中,能在满足用户对载体区域PSNR要求的前提下取得最大保护尺寸,并能有效还原图像马赛克。(2)针对载体区域PSNR可控的隐私数据编解码问题,提出了一种新的待隐数据变换方法,证明了该编码方案可以保证明密数据之差不超过1,而且可以保证隐私数据的无失真恢复。实验结果表明,基于该编码方案的数据嵌入与抽取方法,在保障PSNR的同时,支持可变的隐藏容量,从而自动适配长度不同的待隐信息群。(3)为解决按用户权限水平实现差异化图像恢复的问题,提出了 一种基于用户属性的选择式图像恢复技术。通过在用户属性基础上引入属性偏好度和票决属性,重新设计了基于属性的权限计算方法,实现了具有快速权限计算能力的选择式图像信息恢复。实验结果表明,采用本文提出的策略计算方法,实现了快捷的权限水平计算,准确的局部图像恢复。(4)针对基于用户属性的渐进式图像恢复问题,提出了改进的CP-ABE系统,通过重新设计加密方案和私钥分发模式得到了较短的定长密文,解密时只需计算1个双线性对的CP-ABE。同时,基于大气散射模型,实现了时空复杂度较小的无失真渐进地恢复图像。理论分析和实验结果表明,在含有双线性对计算的CP-ABE算法中,本文算法的密文长度和双线性对个数优于其他算法,并且算法的解密时间和最高级别恢复图像的PSNR也都有明显改善。
二、基于DCT变换的渐进式图像编码方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于DCT变换的渐进式图像编码方法(论文提纲范文)
(1)基于HEVC的超高清视频压缩算法研究(论文提纲范文)
摘要 |
abstract |
第1 章 绪论 |
1.1 课题研究背景及意义 |
1.2 HEVC视频压缩的研究现状 |
1.2.1 HEVC视频压缩算法的优化研究 |
1.2.2 视频传输的不均等差错保护技术研究 |
1.3 论文的主要工作和章节安排 |
第2 章 视频压缩及相关关键技术 |
2.1 视频压缩发展概述 |
2.2 HEVC视频压缩算法概述 |
2.2.1 四叉树划分 |
2.2.2 帧内预测技术 |
2.2.3 帧间预测技术 |
2.2.4 变换技术 |
2.2.5 量化技术 |
2.2.6 可分级视频编码 |
2.3 空间通信系统视频传输概述 |
2.4 实验与结果分析 |
2.5 本章小结 |
第3章 基于Bandelet变换的视频压缩算法 |
3.1 DCT变换 |
3.2 基于Bandelet变换的压缩算法 |
3.2.1 残差变换系数 |
3.2.2 Bandelet变换 |
3.2.3 算法流程 |
3.3 性能评估与分析 |
3.3.1 二次变换原理仿真验证与分析 |
3.3.2 基于Bandelet变换的压缩算法的仿真验证与分析 |
3.4 本章小结 |
第4 章 基于静态背景视频的压缩算法 |
4.1 基于静态背景视频的感兴趣区域的压缩算法 |
4.1.1 算法流程 |
4.1.2 系统实现和性能评估 |
4.2 基于静态背景视频的快速视频压缩算法 |
4.2.1 静态背景视频的相关性分析 |
4.2.2 快速视频压缩算法 |
4.2.2.1 基于相关性的快速帧内预测压缩算法 |
4.2.2.2 混合编码框架的快速压缩算法 |
4.3 性能评估与分析 |
4.3.1 快速帧内预测压缩算法的仿真验证与分析 |
4.3.2 混合编码框架快速压缩算法的仿真验证与分析 |
4.4 本章总结 |
第5 章 基于极化码的视频压缩不均等差错保护算法 |
5.1 极化码的编译码研究 |
5.1.1 信道极化现象和极化码编码 |
5.1.2 极化码译码 |
5.2 近似最优的极化码构造算法 |
5.2.1 信道模型 |
5.2.2 基于高斯近似的极化码构造 |
5.2.3 算法流程 |
5.3 基于极化码的不均等差错保护算法 |
5.3.1 失真模型分析 |
5.3.2 算法流程 |
5.4 性能评估与分析 |
5.4.1 近似最优的极化码构造算法的仿真验证与分析 |
5.4.2 基于极化码的不均等差错保护算法的仿真验证与分析 |
5.5 本章小结 |
第6 章 总结与展望 |
6.1 总结 |
6.2 未来展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(2)面向马赛克图像的新型编码算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究历史与现状 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 马赛克图像压缩与去马赛克基础 |
2.1 图像压缩 |
2.1.1 色彩空间转换与色度下采样 |
2.1.2 分块进行离散余弦变换 |
2.1.3 量化、扫描、编码 |
2.1.4 马赛克图像压缩与全彩色图像压缩 |
2.2 马赛克图像压缩方法 |
2.2.1 去马赛克优先的马赛克图像压缩方法 |
2.2.2 压缩优先的马赛克图像压缩方法 |
2.3 图像去马赛克方法 |
2.3.1 无损马赛克图像的去马赛克方法 |
2.3.2 端到端去失真与去马赛克联合方法 |
2.4 评价标准 |
2.4.1 PSNR/CPSNR-bpp曲线 |
2.4.2 BDPSNR-P指标 |
2.5 本章小结 |
第三章 新型马赛克图像压缩方法 |
3.1 新型色彩空间转换模型 |
3.2 亮度分量调整 |
3.3 本章实验 |
3.3.1 新型色彩空间转换矩阵获取 |
3.3.2 压缩性能验证 |
3.4 本章小结 |
第四章 面向压缩马赛克图像的重建算法 |
4.1 去马赛克与质量增强联合的卷积神经网络架构 |
4.2 网络构建 |
4.2.1 特征提取单元 |
4.2.2 去压缩效应单元 |
4.2.3 上采样单元 |
4.2.4 特征融合单元 |
4.2.5 抑制块效应的BEF损失函数 |
4.3 实验结果及分析 |
4.3.1 实现细节 |
4.3.2 实验结果 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)基于自编码器的图像压缩算法研究与FPGA实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 传统图像压缩算法的研究现状 |
1.2.2 自编码器应用于图像压缩的研究现状 |
1.2.3 图像压缩算法硬件实现的研究现状 |
1.3 本文研究内容及章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
2 图像压缩和自编码器的理论基础 |
2.1 图像压缩的基本原理 |
2.1.1 图像冗余 |
2.1.2 量化 |
2.1.3 熵编码 |
2.2 自编码器的相关理论 |
2.2.1 神经网络的基础理论 |
2.2.2 自编码器的数据压缩原理 |
2.3 图像压缩性能的衡量指标 |
2.3.1 压缩比率 |
2.3.2 峰值信噪比 |
2.3.3 多尺度结构相似性 |
2.4 本章小结 |
3 基于自编码器的图像压缩算法研究 |
3.1 网络结构 |
3.1.1 码率固定的自编码器图像压缩网络 |
3.1.2 码率可调的自编码器图像压缩网络 |
3.2 网络实现细节 |
3.2.1 二值量化 |
3.2.2 反卷积 |
3.3 网络训练 |
3.3.1 数据集处理 |
3.3.2 训练细节 |
3.4 实验结果分析 |
3.5 本章小结 |
4 自编码器图像压缩算法的FPGA实现 |
4.1 自编码器压缩网络的硬件架构 |
4.2 网络参数的转换 |
4.3 人机交互模块 |
4.4 数据存取 |
4.4.1 SD卡模块 |
4.4.2 SDRAM模块 |
4.5 数据处理 |
4.5.1 卷积运算模块 |
4.5.2 二值量化模块 |
4.5.3 激活函数模块 |
4.5.4 控制模块 |
4.6 板级验证 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
(4)无线传感器网络野外监测图像高效编码与传输方法(论文提纲范文)
摘要 |
ABSTRACT |
1.绪论 |
1.1. 选题背景及意义 |
1.2. 国内外研究现状 |
1.2.1. WISNs监测系统研究现状 |
1.2.2. 图像压缩编码研究现状 |
1.2.3. 视觉感知目标检测研究现状 |
1.2.4. WISNs图像传输研究现状 |
1.2.5. 图像恢复研究现状 |
1.3. 本文的研究内容及研究路线 |
1.3.1. 研究内容 |
1.3.2. 研究路线 |
2.基于WISNs的远程监测系统设计及图像样本库建立 |
2.1. 样本图像采集区域概况 |
2.2. WISNs远程监测系统设计 |
2.2.1. 监测系统架构分析 |
2.2.2. 终端节点设计分析 |
2.2.3. 协调节点设计分析 |
2.3. 图像样本数据库建立 |
2.3.1. 监测图像样本获取 |
2.3.2. 监测图像人工标注 |
2.4. 本章小结 |
3.基于改进直方图对比度的图像显着性目标检测算法 |
3.1. 直方图对比度显着性检测理论 |
3.2. 基于改进HC的图像显着性目标检测算法 |
3.2.1. 基于窗口总变差的图像主结构提取 |
3.2.2. 基于直方图对比度的图像显着性检测 |
3.2.3. 图像边缘完整性检测算法 |
3.2.4. 基于汉宁窗理论的图像显着图优化 |
3.3. 实验结果与分析 |
3.4. 本章小结 |
4.基于显着性感知的图像渐进式压缩编码算法 |
4.1. 图像小波变换Mallat分解与重构 |
4.2. 显着性目标区域小波系数掩模标记 |
4.3. 显着性目标区域系数位平面提升 |
4.3.1. 一般位移法 |
4.3.2. 交错平面位移法 |
4.3.3. 最大位移法 |
4.4. 基于小波变换的图像混合编码算法 |
4.4.1. 显着性目标区域图像编码算法 |
4.4.2. 背景区域图像编码算法 |
4.5. 实验结果与分析 |
4.6. 本章小结 |
5.基于分布式传输机制的数据分配策略 |
5.1. 分布式图像压缩编码理论 |
5.1.1. Slepian-Wolf无损分布式编码理论 |
5.1.2. Wyner-Ziv有损分布式编码理论 |
5.2. WISNs分布式图像传输模型的建立 |
5.2.1. 传统WISNs图像分布式传输策略 |
5.2.2. WISNs图像分布式数据分配策略 |
5.3. 基于压缩感知的图像压缩算法 |
5.3.1. 信号稀疏表示 |
5.3.2. 信号线性测量 |
5.3.3. 信号重构过程 |
5.4. 分布式图像压缩感知算法 |
5.4.1. 联合稀疏信号模型建立 |
5.4.2. 重构端联合解码算法实现 |
5.5. 实验结果与分析 |
5.5.1. 图像重构质量评价 |
5.5.2. 网络能量消耗分析 |
5.6. 本章小结 |
6.无线传感器网络监测图像自动恢复算法 |
6.1. 深度学习网络结构特征学习模式 |
6.1.1. 监督学习训练模式 |
6.1.2. 无监督学习训练模式 |
6.1.3. 半监督学习训练模式 |
6.2. 传统自编码器神经网络算法概述 |
6.2.1. 自编码器神经网络结构 |
6.2.2. 变分自编码器网络结构 |
6.2.3. 深度自编码器神经网络结构 |
6.3. 基于改进自编码器的无监督图像自动恢复算法 |
6.3.1. 基于跳跃层短连接的自编码神经网络 |
6.3.2. 损失函数设计 |
6.4. 实验结果与分析 |
6.4.1. 图像恢复质量分析 |
6.4.2. 图像恢复可靠性分析 |
6.5. 本章小结 |
7.结论与展望 |
7.1. 结论 |
7.2. 展望 |
参考文献 |
个人简介 |
导师简介 |
获得成果目录 |
致谢 |
(5)压缩感知图像编码算法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1.绪论 |
1.1 研究背景与意义 |
1.2 压缩感知研究现状 |
1.2.1 信号的稀疏表示 |
1.2.2 观测矩阵设计 |
1.2.3 压缩感知重构算法 |
1.3 压缩感知与图像编码 |
1.3.1 图像压缩与压缩感知图像编码 |
1.3.2 图像压缩感知编码研究现状 |
1.4 本文内容安排 |
1.4.1 内容安排 |
1.4.2 主要创新点 |
2.联合先验的压缩感知重建算法 |
2.1 图像稀疏表示和非局部低秩特性 |
2.1.1 压缩感知稀疏表示模型 |
2.1.2 图像的低秩特性 |
2.2 联合先验的压缩感知重构模型 |
2.2.1 联合先验模型 |
2.2.2 低秩子问题求解 |
2.2.3 自适应稀疏子问题求解 |
2.2.4 重建子问题求解 |
2.3 联合先验的空间域自适应采样和重建 |
2.3.1 基于纹理边缘的图像空间域自适应采样 |
2.3.2 基于迭代近邻插值和自适应滤波的重建算法 |
2.3.3 联合先验的自适应采样重建算法 |
2.4 联合先验模型的实验结果与分析 |
2.4.1 不同采样方式重建实验 |
2.4.2 压缩感知重建实验 |
2.5 本章小结 |
3.基于压缩感知的图像编码研究 |
3.1 图像采样和压缩 |
3.2 QDAMP压缩感知编码算法 |
3.2.1 结构随机观测矩阵 |
3.2.2 DAMP重构算法 |
3.2.3 量化编码方案 |
3.3 分组渐进预测编码结构设计 |
3.3.1 测量值渐进预测 |
3.3.2 分组渐进预测并行编码结构 |
3.3.3 分组渐进预测串行编码结构 |
3.4 实验结果与分析 |
3.5 本章小结 |
4.总结与展望 |
4.1 总结 |
4.2 展望 |
参考文献 |
作者攻读硕士学位期间的科研工作 |
(6)基于FLDCT-EZC的地形压缩绘制算法及优化(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 研究内容与组织结构 |
第二章 地形图像压缩绘制相关理论 |
2.1 图像数据压缩理论基础 |
2.1.1 图像压缩技术实现 |
2.1.2 图像压缩编码方法 |
2.1.3 图像压缩技术评价 |
2.2 离散余弦变换 |
2.2.1 一维DCT定义 |
2.2.2 二维DCT定义 |
2.3 地形绘制多分辨率模型 |
2.3.1 地形模型概念 |
2.3.2 多分辨率地形模型及分类 |
2.4 本章小结 |
第三章 结合FLDCT-EZC和动态LOD的地形压缩绘制算法 |
3.1 FLDCT-EZC压缩算法总述 |
3.2 层式DCT嵌入式零树编码算法原理 |
3.2.1 层式DCT原理 |
3.2.2 对抽样后的变换数据按照零树框架执行编码操作 |
3.3 快速DCT实现原理 |
3.3.1 快速DCT算法及流程图 |
3.3.2 无乘法的整数DCT的基本原理 |
3.3.3 无乘法的整数DCT快速算法实现流程 |
3.4 基于视点的动态LOD多分辨率地形绘制 |
3.4.1 地形分块策略 |
3.4.2 视景体裁剪 |
3.4.3 地形多分辨率等级选择 |
3.5 本章小结 |
第四章 基于GPU的压缩绘制算法的优化加速 |
4.1 GPU直接编程技术 |
4.1.1 GPU计算特性 |
4.1.2 基于GPU的通用计算 |
4.2 基于GPU的大规模地形快速绘制技术途径 |
4.2.1 基于GPU的大规模地形快速调度机制 |
4.2.2 基于GPU的大规模地形简化机制 |
4.3 基于GPU大规模地形快速绘制的一般流程 |
4.4 基于GPU构建地形数据多分辨率模型的方法 |
4.4.1 基于FLDCT-EZC数据压缩和多分辨率模型表示方法 |
4.4.2 基于GPU的地形数据多分辨率表示方法 |
4.5 本章小结 |
第五章 优化后的压缩绘制算法的实验结果分析 |
5.1 实验说明 |
5.2 压缩性能的比较 |
5.3 分块变换后渲染效果比较 |
5.4 本章小结 |
第六章 论文总结与展望 |
6.1 论文总结 |
6.2 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
(7)基于深度学习的三维高分辨率脑图像压缩(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究内容 |
1.3 国内外研究现状 |
1.3.1 三维医学图像压缩 |
1.3.2 图像压缩后处理 |
1.3.3 基于深度学习的图像压缩 |
1.4 论文工作和安排 |
第2章 图像压缩及神经网络简介 |
2.1 数字图像概念及压缩原理 |
2.1.1 数字图像格式 |
2.1.2 图像压缩原理 |
2.2 图像压缩标准方法 |
2.2.1 JPEG压缩标准 |
2.2.2 JPEG2000压缩标准 |
2.2.3 三维图像压缩标准JP3D |
2.3 卷积神经网络 |
2.3.1 卷积层 |
2.3.2 非线性激活函数 |
2.3.3 损失函数 |
2.4 循环神经网络 |
2.4.1 长短时记忆网络 |
2.4.2 卷积长短时记忆网络 |
2.5 图像质量评价标准 |
2.6 本章小结 |
第3章 基于深度学习的JP3D压缩方法的改进 |
3.1 三维图像压缩后处理网络 |
3.1.1 脑图像数据 |
3.1.2 三维卷积神经网络 |
3.1.3 网络结构设计 |
3.1.4 实验结果及分析 |
3.2 基于深度学习的三维熵编码模型 |
3.2.1 基于三维PixelCNN的子带内熵编码 |
3.2.2 引入RNN的子带间熵编码 |
3.2.3 实验结果及分析 |
3.3 本章小结 |
第4章 基于深度学习的三维端到端脑图像压缩 |
4.1 三维端到端图像压缩框架 |
4.2 三维非局部注意力机制 |
4.2.1 三维非局部模块 |
4.2.2 三维非局部注意力模型结构 |
4.3 熵编码模型 |
4.3.1 超先验熵编码模型 |
4.3.2 基于3D ConvLSTM的上下文熵编码模型 |
4.3.3 熵参数网络 |
4.4 实验结果及分析 |
4.4.1 网络训练 |
4.4.2 测试数据 |
4.4.3 三维端到端图像压缩性能 |
4.4.4 消融实验结果及分析 |
4.5 本章小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(8)高速图像压缩存储系统关键技术研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题的研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 高速图像JPEG压缩 |
1.2.2 高速数据存储技术 |
1.3 论文研究内容与结构安排 |
1.4 本章小结 |
2 高速图像压缩存储系统方案设计 |
2.1 系统技术指标 |
2.2 图像处理常用实现平台 |
2.3 系统总体架构设计 |
2.4 系统实现平台 |
2.5 本章小结 |
3 系统关键算法与技术分析 |
3.1 JPEG压缩算法分析 |
3.1.1 JPEG压缩概述 |
3.1.2 2D-DCT算法研究 |
3.1.3 量化 |
3.1.4 zig-zag扫描 |
3.1.5 熵编码 |
3.2 JPEG文件交换格式研究 |
3.2.1 JFIF文件格式语法 |
3.2.2 JFIF文件格式说明 |
3.3 基于SATA3.0的SSD阵列存储技术分析 |
3.3.1 SATA3.0 协议分析 |
3.3.2 SSD阵列存储技术研究 |
3.4 本章小结 |
4 基于FPGA的系统设计与实现 |
4.1 系统结构设计 |
4.2 高速并行DCT设计实现 |
4.2.1 图像分块缓存设计 |
4.2.2 并行DCT架构设计 |
4.2.3 DCT处理器设计 |
4.3 并行量化设计实现 |
4.3.1 量化器设计方案 |
4.3.2 量化器设计实现 |
4.4 并行熵编码设计实现 |
4.4.1 RLE编码设计 |
4.4.2 Huffman编码设计 |
4.4.3 定长码流整合设计 |
4.5 JFIF文件格式输出设计实现 |
4.5.1 JFIF头文件生成器设计 |
4.5.2 Out Mux模块设计 |
4.6 图像存储与管理设计实现 |
4.6.1 存储管理结构设计 |
4.6.2 文件管理设计 |
4.6.3 SSD阵列存储控制设计 |
4.7 本章小结 |
5 系统测试与结果分析 |
5.1 测试平台及方法 |
5.2 高速JPEG编码器测试与分析 |
5.2.1 主要模块测试 |
5.2.2 测试结果分析 |
5.3 SATA存储测试与分析 |
5.3.1 SATA读写性能测试 |
5.3.2 测试结果分析 |
5.4 系统性能测试与分析 |
5.5 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得的研究成果 |
(9)基于学习的图像编码与视频软播技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 图像编码 |
1.2.1 图像编码研究内容 |
1.2.2 图像源编码问题 |
1.2.3 JPEG图像编码标准 |
1.2.4 JPEG2000图像编码标准 |
1.3 无线视频广播 |
1.3.1 无线视频广播研究内容 |
1.3.2 矢量信道最优编码问题 |
1.3.3 无线视频软播Soft Cast |
1.4 论文的主要研究内容及章节安排 |
第2章 国内外研究现状 |
2.1 图像编码研究现状 |
2.1.1 基于变换的图像编码 |
2.1.2 基于分析合成的图像编码 |
2.1.3 基于学习的图像编码 |
2.2 无线视频广播研究现状 |
2.2.1 基于数字的视频广播方法 |
2.2.2 基于软播的视频广播方法 |
本章小结 |
第3章 基于字典学习的无线视频软播 |
3.1 引言 |
3.2 相关工作 |
3.2.1 压缩感知概述 |
3.2.2 基于压缩感知的编码方法 |
3.3 基于字典学习的无线视频软播 |
3.3.1 DLCast编解码框架 |
3.3.2 层次帧结构 |
3.3.3 基于块的压缩感知编码 |
3.3.4 DLCast数据打包与传输 |
3.3.5 DLCast解码端初始化 |
3.3.6 基于图像组的稀疏表示模型 |
3.3.7 基于自适应字典学习的压缩感知重建 |
3.4 实验结果 |
3.4.1 实验设置 |
3.4.2 实验结果及分析 |
3.5 本章小结 |
第4章 基于低秩逼近的行扫描视频软播 |
4.1 引言 |
4.2 相关工作 |
4.2.1 基于行的编码 |
4.2.2 分布式编码 |
4.3 基于低秩逼近的行扫描视频软播 |
4.3.1 LRALine Cast编解码框架 |
4.3.2 基于行的一维变换 |
4.3.3 陪集编码 |
4.3.4 LRALine Cast能量分配与传输 |
4.3.5 LRALine Cast解码端初始化 |
4.3.6 基于低秩逼近的边信息生成方法 |
4.4 带宽情况分析 |
4.5 实验结果 |
4.5.1 实验设置 |
4.5.2 实验结果及分析 |
4.6 本章小结 |
第5章 基于卷积神经网络的无线视频软播后处理 |
5.1 引言 |
5.2 相关工作 |
5.2.1 图像去块效应 |
5.2.2 深度神经网络 |
5.3 基于卷积神经网络的无线视频软播后处理 |
5.3.1 CNNCast编解码框架 |
5.3.2 基于块的二维变换 |
5.3.3 CNNCast能量分配与数据传输 |
5.3.4 基于LLSE的解码端初始化 |
5.3.5 基于稀疏表示模型的视频复原 |
5.3.6 基于卷积神经网络的视频复原 |
5.4 实验结果 |
5.4.1 实验设置 |
5.4.2 实验结果及分析 |
5.5 本章小结 |
第6章 基于深度神经网络的相关图像端到端编码 |
6.1 引言 |
6.2 相关工作 |
6.2.1 图像后处理 |
6.2.2 自编码器(Auto Encoder) |
6.2.3 基于深度学习的图像压缩 |
6.2.4 SIFT描述子 |
6.3 基于深度神经网络的相关图像端到端编码 |
6.3.1 基于图的相关图像样本提取 |
6.3.2 多路自编码器编码框架 |
6.3.3 图像块样本的生成 |
6.3.4 基于卷积神经网络的编码器与解码器 |
6.3.5 二值化器 |
6.3.6 重要性图 |
6.3.7 基于卷积神经网络的熵编码器 |
6.3.8 模型描述 |
6.4 实验结果 |
6.4.1 实验设置 |
6.4.2 实验结果及分析 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的学术论文及研究成果 |
致谢 |
个人简历 |
(10)面向图像的数据隐藏和恢复技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及研究意义 |
1.2 国内外研究现状与研究问题 |
1.3 研究内容和主要贡献 |
1.4 本文的章节安排 |
第二章 相关研究工作 |
2.1 图像信息保护技术的相关研究 |
2.2 数据隐藏技术的相关研究 |
2.3 图像信息恢复技术的相关研究 |
2.4 本章小节 |
第三章 基于可逆马赛克的图像保护技术研究 |
3.1 引言 |
3.2 基本概念与基本公式 |
3.3 图像保护规模计算 |
3.3.1 影响保护规模的因素 |
3.3.2 保护规模上界的存在性 |
3.3.3 可保护BROI个数计算方法 |
3.4 隐私数据抽取与压缩 |
3.4.1 隐私数据抽取 |
3.4.2 隐私数据压缩 |
3.5 载体区域选择 |
3.5.1 基于粗糙度的载体选择 |
3.5.2 基于OPAP的载体数据改善 |
3.5.3 载体区域选择算法 |
3.6 基于可逆马赛克的图像信息保护方案 |
3.6.1 图像隐藏流程 |
3.6.2 图像恢复流程 |
3.6.3 算法分析 |
3.7 实验结果与分析 |
3.7.1 实验准备工作 |
3.7.2 保护能力验证及分析 |
3.7.3 基于粗糙度的载体选择性能验证与分析 |
3.7.4 OPAP对载密区域的改善能力验证与分析 |
3.7.5 算法性能比较分析 |
3.8 本章小节 |
第四章 信噪比可控的数据隐藏算法 |
4.1 引言 |
4.2 基本概念 |
4.3 数据隐藏编码方案的理论分析 |
4.3.1 不同编码方式对PSNR的影响 |
4.3.2 D_(max)可控的编解码方案 |
4.4 数据隐藏和抽取算法 |
4.5 实验验证及性能分析 |
4.5.1 实验环境 |
4.5.2 算法调控性能验证与分析 |
4.5.3 抗隐写识别能力验证及分析 |
4.5.4 算法性能比较分析 |
4.6 本章小节 |
第五章 基于用户属性的图像恢复技术 |
5.1 引言 |
5.2 基础知识 |
5.2.1 属性基加密 |
5.2.2 访问结构 |
5.3 基于CP-ABE的选择式图像恢复 |
5.3.1 用户属性模型 |
5.3.2 对恢复因子的加密 |
5.3.3 权限计算方法 |
5.3.4 图像恢复算法 |
5.4 基于用户属性的渐进式图像恢复 |
5.4.1 数学基础 |
5.4.2 系统模型、安全模型及系统架构 |
5.4.3 改进的CP-ABE系统及算法 |
5.4.4 改进CP-ABE系统的正确性和安全性分析 |
5.4.5 基于改进CP-ABE的渐进式图像恢复算法 |
5.5 仿真和性能分析 |
5.5.1 实验准备工作 |
5.5.2 选择式恢复类型的仿真及分析 |
5.5.3 渐进恢复类型的仿真与分析 |
5.6 本章小节 |
第六章 总结与展望 |
参考文献 |
致谢 |
攻读博士学位期间发表的学术论文及参与的科研项目 |
四、基于DCT变换的渐进式图像编码方法(论文参考文献)
- [1]基于HEVC的超高清视频压缩算法研究[D]. 孙海超. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [2]面向马赛克图像的新型编码算法研究[D]. 贺康. 电子科技大学, 2021(01)
- [3]基于自编码器的图像压缩算法研究与FPGA实现[D]. 孟磊. 西安理工大学, 2020(01)
- [4]无线传感器网络野外监测图像高效编码与传输方法[D]. 冯文钊. 北京林业大学, 2020
- [5]压缩感知图像编码算法研究[D]. 陈逸野. 浙江大学, 2020(02)
- [6]基于FLDCT-EZC的地形压缩绘制算法及优化[D]. 杜德. 太原理工大学, 2020(07)
- [7]基于深度学习的三维高分辨率脑图像压缩[D]. 高硕. 中国科学技术大学, 2020(01)
- [8]高速图像压缩存储系统关键技术研究与实现[D]. 刘多强. 西南科技大学, 2020(08)
- [9]基于学习的图像编码与视频软播技术研究[D]. 尹文斌. 哈尔滨工业大学, 2020(01)
- [10]面向图像的数据隐藏和恢复技术研究[D]. 孙怀波. 北京邮电大学, 2019(01)