论文部分内容阅读
分布式视频编码(DistributedVideoCoding，简称DVC)有别于传统的视频编码方式，它将具有复杂运算的模块(如运动估计、运动补偿等)从编码端转移到解码端。因此，它可以应用于编码端的计算能力、存储空间和功耗资源都受限的场景。目前，大多数的DVC采用信道编码实现信源的编解码，如低密度奇偶校验码(Low-DensityParity-Check，简称LDPC)。然而，LDPC在视频中常见的中短长度信源上表现不佳，且LDPC编解码时依赖于稀疏校验矩阵致使其编码结构过于复杂，这造成了DVC编码性能被抑制的问题。与此同时，尽管无反馈DVC由于不存在反馈信道而降低了网络时延，但它对码率估计的精度要求较高。除此之外，当压缩率受到限制时，帧预测往往不够准确，这将直接影响到DVC系统的解码质量。为了解决上述问题，本文开展如下的研究，旨在提高DVC编码效率，提升率失真性能，改善码率控制算法，降低编码器结构复杂度。
1)针对基于LDPC的DVC在中短长度信源上表现不佳的问题，本文提出基于分布式算术编码(DistributedArithmeticCoding，简称DAC)的DVC。经研究发现，诸如DAC之类的信源编码也能够用于相关信源压缩。尤其是对于视频中常见的中短长度信源，其压缩性能要优于LDPC。因此，本文以分布式信源编码为理论基础，采用DAC构造DVC编解码器，以解决DVC编码性能受到抑制的问题。
2)针对无反馈DVC码率控制问题，本文在上述DVC编解码器的基础上建立了码率估计模型。本文将DAC的区间重叠因子映射到信息熵，并根据信息熵与码率的数学关系，推导出码率与区间重叠因子之间的关系。然后模拟出三种函数关系模型，并进行实验选择恰当的函数模型。最后，利用该函数模型实现DVC的码率控制，以适用于复杂多变的视频流。
3)针对当压缩率受到限制时，帧预测不够准确的问题，本文提出基于神经网络的DVC帧预测。利用神经网络在图像分析和图形处理中的突出能力，本文将神经网络应用到DVC中，提出了基于神经网络的DVC帧预测。使用编码网络模块、二值化网络模块以及解码网络模块构建具有分阶网络结构的DVC神经网络模型。在低压缩率的条件下，实现了对关键帧和参考帧的预测。
本文针对基于信道编码的DVC存在的不足，提出了基于DAC的低复杂度视频编码器，以降低DVC编码器的算法复杂度，提升DVC系统的压缩性能。实验结果表明，基于DAC的DVC优于采用信道编码的DVC系统，能有效提升编解码性能。对于具有不同运动剧烈程度的视频，本文的码率估计模型都能自适应地计算出合适的DAC区间重叠因子，实现无反馈DVC的码率控制。同时，本文的DVC编码复杂度低于解码的19~25倍，能应用于编码端资源受限的场景。此外，在低压缩率的情况下，神经网络能高效地预测目标帧，在DVC领域有良好的应用前景。
1)针对基于LDPC的DVC在中短长度信源上表现不佳的问题，本文提出基于分布式算术编码(DistributedArithmeticCoding，简称DAC)的DVC。经研究发现，诸如DAC之类的信源编码也能够用于相关信源压缩。尤其是对于视频中常见的中短长度信源，其压缩性能要优于LDPC。因此，本文以分布式信源编码为理论基础，采用DAC构造DVC编解码器，以解决DVC编码性能受到抑制的问题。
2)针对无反馈DVC码率控制问题，本文在上述DVC编解码器的基础上建立了码率估计模型。本文将DAC的区间重叠因子映射到信息熵，并根据信息熵与码率的数学关系，推导出码率与区间重叠因子之间的关系。然后模拟出三种函数关系模型，并进行实验选择恰当的函数模型。最后，利用该函数模型实现DVC的码率控制，以适用于复杂多变的视频流。
3)针对当压缩率受到限制时，帧预测不够准确的问题，本文提出基于神经网络的DVC帧预测。利用神经网络在图像分析和图形处理中的突出能力，本文将神经网络应用到DVC中，提出了基于神经网络的DVC帧预测。使用编码网络模块、二值化网络模块以及解码网络模块构建具有分阶网络结构的DVC神经网络模型。在低压缩率的条件下，实现了对关键帧和参考帧的预测。
本文针对基于信道编码的DVC存在的不足，提出了基于DAC的低复杂度视频编码器，以降低DVC编码器的算法复杂度，提升DVC系统的压缩性能。实验结果表明，基于DAC的DVC优于采用信道编码的DVC系统，能有效提升编解码性能。对于具有不同运动剧烈程度的视频，本文的码率估计模型都能自适应地计算出合适的DAC区间重叠因子，实现无反馈DVC的码率控制。同时，本文的DVC编码复杂度低于解码的19~25倍，能应用于编码端资源受限的场景。此外，在低压缩率的情况下，神经网络能高效地预测目标帧，在DVC领域有良好的应用前景。