联合时空特征的视频分块压缩感知重构

为了提高视频压缩感知(CS)重构算法的率失真性能,该文提出利用视频的时空特征进行联合重构。为了不引入过多的复杂度,采集端以固定采样率对帧内各块进行测量;重构端则在最小全变差(TV)重构模型的基础上,分别加入利用时空自回归(AR)模型和多假设(MH)模型所形成的正则化项,以提高预测-残差重构的性能。另外,考虑到视频源的统计特性在时空域中是动态变化的,讨论了5种不同的帧间预测模式对重构精度和重构计算复杂度的影响。仿真实验表明,所提出的重构算法能够以一定的计算复杂度为代价有效地改善视频重构质量,且在关键帧采样率高于非关键帧的情形下,帧间预测模式的改善也可一定程度上提高视频重构质量。     

自适应邻域选取的邻域嵌入超分辨率重建算法

在邻域嵌入超分辨率重建算法中,训练和重建过程均在特征空间进行的,因此,特征选择对算法的性能具有较大的影响。另外,大多数基于邻域嵌入算法对训练得到的样本库未经测试直接使用,使得邻域选择具有“盲目”性。考虑到特征选择的重要性以及避免邻域选择的盲目性,本文提出了一种新的邻域嵌入超分辨率重建算法。第一步:利用专家矢量场模型估计出输入图像的全局图像;第二步:利用邻域嵌入算法重建残差图像。在重建残差图像的过程中,首先将图像分成若干子块并利用线性滤波器提取特征;然后,将训练图像分成两组,第一组训练得到高、低分辨率重建样本库,第二组对重建样本库测试,得到邻域选择库;最后,自适应的选择输入图像子块的邻域数目,并利用重建样本库重建。仿真实验结果表明,相比其他基于邻域嵌入算法,提出算法可以重建更多的细节信息和锐利的边缘,重建得到的高分辨率图像具有较高的主客观质量。      

H.264图像复杂度自适应的I帧码率控制算法

该文针对H.264帧内编码码率控制(RC)效果不佳的问题,提出了一种新颖的图像复杂度自适应I帧RC算法。首先用Sobel算子检测I帧亮度像素的梯度,建立44块的边缘方向直方图,得到每个44块最可能的帧内预测模式和相应重构块,最终获得与实际编码相近的残差图像。用残差的平均绝对值表达I帧编码复杂度,并提出了一种经验型码率-量化(R-Q)模型,同时考虑缓冲区状态和序列特性为I帧分配合适的目标比特,最后为每一个图像组(GOP)得到了合适的I帧量化参数(QP)。实验结果表明,该文算法能更准确地控制I帧输出码率,有效阻止缓冲区溢出和跳帧,得到更加平稳的视频质量,序列PSNR波动减少了60%以上。     

基于结构相似的H.264主观率失真性能改进机制

H.264以客观失真作为失真准则进行码率控制(RC)和率失真优化(RDO)模式选择,无法得到最优的主观质量。该文在作者之前研究成果的基础上将基于结构相似(SSIM)的主观失真用于指导H.264基于RDO的帧间模式选择,进一步提出了宏块(MB)层自适应的分析型拉格朗日(Lagrange)乘子来更好地平衡码率和SSIM失真。实验结果表明:在给定目标码率下,该文算法相比基于客观质量的编码算法及基于SSIM的RC算法(但未进行基于SSIM的RDO帧间预测)更有效地编码了图像结构信息,得到了更好的主观率失真性能和主观图像质量。     

非局部相似性去马赛克算法

单传感器数码相机得到的色彩图像在每一个像素点处只有一种色彩值,为了得到一幅全彩色图像,需要在每一个像素位置上估计出另外两个缺失的色彩值。现有主要算法都是利用像素的相关性进行估计和插值,在那些边缘色彩跳变处和色彩高饱和度处容易估计失误,出现所谓的马赛克失真。为了克服这类马赛克现象,本文提出了一种利用图像的非局部相似性,即利用处于图像中不同位置处的像素点往往表现出很强的相关性这一特点,结合图像内容的局部平坦度自适应去马赛克的插值算法。该算法,首先根据相似度函数搜索与被插像素最相似的像素,然后利用区域水平和垂直方向的梯度组算子来计算区域的平坦度,从而根据相似程度和平坦度自适应地选择图像块进行插值。实验结果表明,相对于传统插值算法,该算法提高了图像的峰值信噪比,锐化了图像的纹理和边缘,减少了虚假色和锯齿现象,改善了图像的视觉效果。      

图像分块压缩感知中的自适应测量率设定方法

传统的图像分块压缩感知(BCS, block compressed sensing)以相同的测量率对各块进行测量,但由于图像的空间特性不同,在重构图像时出现了块效应。通过自适应为各块设定不同的测量率,该问题可得到有效的解决。然而,已有的自适应测量率设定法需要在采集端获得原始数字图像,这在实际的压缩成像(CI, compressive imaging)设备中无法实现。为了克服这一缺陷,提出了一种更易于通过硬件实现的自适应测量率设定法。该方法利用在采集端可获得的CS测量值直接在测量域中估计各图像块的样本方差,再根据各块样本方差自适应地为每块设定测量率并实现码率控制。仿真实验结果表明,该方案重构图像的质量优于非自适应方案,但由于测量域估计块样本方差存在偏差,使其与直接利用块样本方差真实值的自适应方案相比,仍具有一定差距。     

压缩感知图像重建算法的研究现状及其展望

压缩感知(Compressive Sensing,CS)理论是在已知信号具有稀疏性或可压缩性的条件下,对信号数据进行采集、编解码的新理论.将压缩感知应用于图像压缩具有潜在的应用价值,压缩感知图像重建算法是该领域的热点问题.在对目前压缩感知重建算法的文献进行分析和综合的基础上,首先阐述了压缩感知的基本原理及其各项关键技术,然后简要总结了当前流行的压缩感知图像重建算法,给出了各种图像重建算法的仿真结果及分析,最后对影响压缩感知图像重建算法几个关键问题进行剖析和展望.     

基于2D-PCA特征描述的非负权重邻域嵌入人脸超分辨率重建算法

在基于邻域嵌入人脸图像的超分辨率重建算法中,训练和重建均在特征空间进行,因此,特征选择对算法性能具有较大影响。另外,算法模型对重建权重未加限定,导致负数权重出现而产生过拟合效应,使得重建人脸图像质量衰退。考虑到人脸图像的特征选择以及权重符号限定的重要作用,该文提出一种基于2维主成分分析(2D- PCA)特征描述的非负权重邻域嵌入人脸超分辨率重建算法。首先将人脸图像分成若干子块,利用K均值聚类获得图像子块的局部视觉基元,并利用得到的局部视觉基元对图像子块分类。然后,利用2D-PCA对每一类人脸图像子块提取特征,并建立高、低分辨率样本库。最后,在重建过程中使用新的非负权重求解方法求取权重。仿真实验结果表明,相比其他基于邻域嵌入人脸超分辨率重建方法,所提算法可有效提高权重的稳定性,减少过拟合效应,其重建人脸图像具有较好的主客观质量。     

基于空时域特征的视觉显著度图生成算法

本文提出了一种新的计算图像空时域显著图的方法,该算法首先用lucas-kanade金字塔算法求绝对运动矢量,用8参数透视模型计算背景运动矢量,再用二者的差值求时域显著图;然后利用颜色对比度和纹理信息计算空域显著图;最后,融合空时域并设置阈值得到总的图像显著图。实验结果表明,新算法能比已有算法更有效的提取视频图像的显著性区域。     

Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform

In order to enhance the contrast of low-light images and reduce noise in them, we propose an image enhancement method based on Retinex theory and dual-tree complex wavelet transform (DT-CWT). The method first converts an image from the RGB color space to the HSV color space and decomposes the V-channel by dual-tree complex wavelet transform. Next, an improved local adaptive tone mapping method is applied to process the low frequency components of the image, and a soft threshold denoising algorithm is used to denoise the high frequency components of the image. Then, the V-channel is rebuilt and the contrast is adjusted using white balance method. Finally, the processed image is converted back into the RGB color space as the enhanced result. Experimental results show that the proposed method can effectively improve the performance in terms of contrast enhancement, noise reduction and color reproduction.