资源描述：
《基于改进量化约束集法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第31卷第1期计算机应用Vo.l31No.12011年1月JournalofComputerApplicationsJan.2011文章编号:1001-9081(2011)01-0151-03do:i10.3724/SP.J.1087.2011.00151基于改进量化约束集的压缩视频超分辨率重建算法曾强宇,何小海,陈为龙(四川大学电子信息学院,成都610064)(yukizqy@sina.com)摘要:超分辨率技术是使用低分辨率图像序列来重建高分辨率图像的技术。在压缩视频的超分辨率重建中,量化约束集(QCS)作为编码模型的先验信息被广泛采用。根据窄量化约束集(NQCS)理论
2、,利用量化误差的统计特性,提出了一种改进量化约束集(AQCS)。根据离散余弦变换(DCT)后块边界特性,提出了平滑约束集。通过对量化约束集和平滑约束集的投影进行超分辨率重建。实验结果表明,提出的基于改进量化约束集的压缩视频超分辨率重建算法较传统的量化约束集,在峰值信噪比(PSNR)和主观图像质量上有不同程度的提高,适合压缩视频的应用。关键词:压缩视频;凸集投影;超分辨率重建;量化约束集;平滑约束集中图分类号:TP391文献标志码:ACompressedvideosuperresolutionreconstructionbasedonadaptivequantizationc
3、onstrainsetZENGQiangyu,HEXiaoha,iCHENWeilong(CollegeofElectronicsandInformationEngineering,SichuanUniversity,ChengduSichuan610064,China)Abstract:SuperresolutiontechniqueisreconstructingHighResolution(HR)imagefromasequenceofLowResolution(LR)images.QuantizationConstrainSet(QCS)waswidelyus
4、edasprioriinformationaboutthecodingprocessinsuperresolutionreconstructionofcompressedvideo.AnAdaptiveQuantizationConstrainSet(AQCS)wasproposedbyusingstatisticalpropertyofquantizationerrorsbasedontheoryofprojectionontotheNarrowQuantizationConstrainSet(NQCS).AnewSmoothConstrainSet(SCS)waspropo
5、sedbyusingthepropertyofDCTtransformedblockedge.TheprojectionontoAQCSandSCSwasutilizedtoreconstructtheHRmiage.TheexpermientalresultsshowthattheproposedAQCSoutperformstraditionalQCSinbothPeakSignaltoNoiseRatio(PSNR)andsubjectivemiagequality,anditisapplicabletocompressedvideo.Keywords:compressed
6、video;projectionontoconvexset;superresolutionreconstruction;quantizationconstrainset;smoothconstrainset本思路是根据压缩图像的先验信息构造出一系列的闭合的凸0引言集,通过对这些凸集进行求交,构成SR(SuperResolution)重[8]随着视频压缩技术的发展,当前压缩视频已经成为视频建问题的解空间。3)迭代反向投影(IterativeBack传输的主要手段。各种视频应用如流媒体、无线可视电话和Projection,IBP)法的基本思路是:先用观测图像的一个初始估HDTV都
7、是基于视频压缩技术。图像超分辨率重建是将一系计作为当前结果投影到LR图像上以获取模拟误差,再将模列的低分辨率图像重建为质量更好的高分辨率图像。在实际拟误差反向投影到HR图像上,并依此不断更新当前估计。[9-10]应用中由于成像条件、图像压缩等原因,人们获得的图像信号4)基于小波的压缩视频超分辨率重建算法,基本思路是的分辨率不能达到人们对高清晰度的要求,因此超分辨率图通过最优化能量函数获取HR图像,特点是通过少量的训练像的重建是图像领域的研究热点。压缩视频的超分辨率重建样本就可以获
