论文部分内容阅读
本论文在深入分析DVC的理论基础和工作原理的基础上，重点针对相关噪声建模和量化这两个关键技术进行了研究和改进。
首先，对现有的相关噪声模型建模算法进行调研，针对残差分布与单纯使用Laplacian分布描述存在的偏差以及之前的研究存在的抗脏数据性能差的特点，提出一种基于K-Mediods的混合分布相关噪声模型（Hybrid Distribution Correlation Noise Model，HDCNM）及其参数估计算法。该混合模型利用K-Mediods聚类算法将AC子带的残差分为中心部分与尾部部分，中心部分用Laplacian分布拟合，尾部部分用Cauchy分布拟合。实验证明本文提出的HDCNM能较精确地拟合相关噪声分布，从而有效地提高了DVC系统的率失真性能。
变换域的分布式视频编码当中多采用量化矩阵的方式进行量化，以一个4×4的量化矩阵来对应各个系数带来进行量化，但是这样的方案是固定量化矩阵的，无法依据视频流的特点自适应调整。针对这个缺点，本文提出了一种自适应的量化方案（Adaptive Quantization，AQ）。在保证视频质量的前提下，该算法通过在编码端预估计简单的相关噪声模型计算阈值以达到自适应调节量化阶数的效果，提高了视频编解码的率失真性能，并且仍能保证分布式视频编码对编码端工作尽量简单的要求。
最后，在现有的DISCOVER视频编码架构的基础上，本文将第四章的改进的自适应量化算法和第三章的混合相关噪声模型建模算法分别添加到编码端和解码端当中，设计了一种改进的DVC系统。实验证明系统的整体率失真性能得到了提升，图像解码质量也有所好转，尤其对运动较为剧烈的场景，这样有利于监控系统的性能提升，较好地记录下突发事件的发生。
首先，对现有的相关噪声模型建模算法进行调研，针对残差分布与单纯使用Laplacian分布描述存在的偏差以及之前的研究存在的抗脏数据性能差的特点，提出一种基于K-Mediods的混合分布相关噪声模型（Hybrid Distribution Correlation Noise Model，HDCNM）及其参数估计算法。该混合模型利用K-Mediods聚类算法将AC子带的残差分为中心部分与尾部部分，中心部分用Laplacian分布拟合，尾部部分用Cauchy分布拟合。实验证明本文提出的HDCNM能较精确地拟合相关噪声分布，从而有效地提高了DVC系统的率失真性能。
变换域的分布式视频编码当中多采用量化矩阵的方式进行量化，以一个4×4的量化矩阵来对应各个系数带来进行量化，但是这样的方案是固定量化矩阵的，无法依据视频流的特点自适应调整。针对这个缺点，本文提出了一种自适应的量化方案（Adaptive Quantization，AQ）。在保证视频质量的前提下，该算法通过在编码端预估计简单的相关噪声模型计算阈值以达到自适应调节量化阶数的效果，提高了视频编解码的率失真性能，并且仍能保证分布式视频编码对编码端工作尽量简单的要求。
最后，在现有的DISCOVER视频编码架构的基础上，本文将第四章的改进的自适应量化算法和第三章的混合相关噪声模型建模算法分别添加到编码端和解码端当中，设计了一种改进的DVC系统。实验证明系统的整体率失真性能得到了提升，图像解码质量也有所好转，尤其对运动较为剧烈的场景，这样有利于监控系统的性能提升，较好地记录下突发事件的发生。