基于字典学习和低秩逼近的视频重构技术研究

• 作 者: 徐菁
• 出 处: 南昌大学
• 发表日期: 2018年期
• 关键词: 视频重构 时域压缩感知 低秩逼近 字典学习

在大数据洪流来袭的时代,视频信息在数据中占比逾半数,其采集方式的高效性,采集渠道的稳定性及其图像质量的优质性方面的要求日渐加深,保证海量视频的准确采集、高效传输日渐重要。传统的视频压缩方法是基于香农定理,采集信号频率需高于奈奎斯特采样率。压缩感知突破了香农理论的限制,实现了以低于奈奎斯特采样率的频率采集并还原数据,对视频数据的压缩处理具有重要现实意义。本文以压缩感知理论为基础,以字典学习方法为框架,结合视频帧间的多维相似性,重点研究编码孔径时域压缩系统下视频的快速压缩及重构方法,主要内容如下:1)介绍了压缩感知理论基础及基于字典的稀疏表达方法,描述了压缩感知在视频重构领域的应用,分析了时间维编码感知成像的数学模型,指出其在采样率和系统成本方面的优越性,及其在计算方法上的多样性。2)提出了双分辨率稀疏字典重构算法。对特定场景下的字典训练数据进行插值复制低分辨率副本,结合原有高分辨率训练数据,通过限制二者稀疏表达相同训练联合双分辨率字典,根据低分辨率字典估计待重构信号的稀疏表达,结合高分辨率字典恢复原始信号。将双分辨率字典算法分别用于二维图像去噪和三维视频重构实验,结果表明,本算法在两种应用下均可以保证稳定精确的重构信号质量。3)视频数据具有天然的多维结构,各帧图像具有非局部相似性且连续序列帧间具有较强的时空相关性。根据视频数据的结构特性,利用压缩感知充分挖掘数据的多维稀疏特性,提出一种针对多维视频数据的低秩重构方法。该方法提出了一种在线视频帧图像块聚类方法,通过构造低秩矩阵并对其进行低秩逼近,结合压缩感知字典学习算法,实现视频重构。数值仿真实验结果表明,该方法在较高时域压缩率下,对变化的场景内容有较高质量的重建效果。