压缩感知简介.pdf

《压缩感知简介.pdf》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、基于压缩感知的分布式视频编码学习报告一报告人：xxx2014年6月20日1压缩感知理论目录2分布式压缩感知contents3分布式视频编码4分布式压缩视频感知(DCVS）一压缩感知理论核心思想：将信号在某个正交变换上的稀疏性作为先验信息，突破Nyquist采样定理的限制，从少量的压缩测量值中恢复原始信号。应用领域：图像采集与处理、模数转换、信道编码、信息安全分布式压缩感知关键技术：信号稀疏表示、压缩测量矩阵和重构算法一压缩感知理论1信号稀疏表示……公式1一压缩感知理论2信号稀疏表示对信号的压缩测量过程，是将维信号投影到一个低维空间，即?通过?×?的测量矩阵?=??，得到M个

2、测量值??=?，???=??=??=???=??……公式2其中?=??是?×?的矩阵，称为传感矩阵可以利用已有的稀疏分解算法，通过求解公式2的逆问题得到原信号的稀疏系数α再代入公式1中得到原信号x。要实现对稀疏信号的准确重构，测量值要尽可能的包含信号的主要信息，测量次数M也就是y的维数必须满足M=O(Kln(N))，并且传感矩阵必须满足约束等距性条件。一压缩感知理论3信号的重构基于已知信号的稀疏性和测量矩阵的RIP特性，可以将稀疏信号?的重构问题转化为求解最小ℓ?范数的优化问题。?=??????‖?‖??.??=??=????求解方法主要有：最小ℓ?范数法、贪婪追踪法、迭代阈

3、值法二分布式压缩感知核心思想：在对一组相关信号的压缩感知中，综合考虑单一信号内部的稀疏性和多个信号之间的相关性，从而实现更高的压缩效率和重构效果。分布式压缩感知的基本系统结基本结构：?1?1?1测量矩阵??.........联合重构??????测量矩阵??二分布式压缩感知典型应用：典型的应用场景是使用多个传感器对同一目标进行信息采集，各个传感器采集的信号之间具有一定的相关性，而且所有信号均可在某变换域上稀疏表示。将每个信号分别投影到合适的测量矩阵，得到各个信号的测量值，然后解码端对所有的测量值在同一解码器中联合重构出各个原始信号。常见模型：联合稀疏模型(JointSparsi

4、tyMode,JSM)JSM-1模型JSM-2模型JSM-3模型三分布式视频编码理论基础：建立在Slepian-Wolf理论和Wyner-Ziv理论基础上的分布式信源编码理论基本结构：反馈信道Slepian-wolfSlepian-wolf变换量化缓存器反量化逆变换WZ帧编码解码恢复的WZ帧帧间边信息内插/外插关键帧恢复的帧内编码帧内解码关键帧解码段编码段图为一种分布式视频编码基本框架三分布式视频编码主要优点：计算复杂度灵活分配容错性能好可利用多视角的相关性编码端能够独立实现可分级编码四分布式压缩视频感知(DCVS）基本原理：对于视频信号，其帧频一般为20帧/秒或者30帧/秒

5、，相近的帧图像之间一般具有很强的相关性，因此可以把连续的视频帧看作是不同的相关信号来处理。将连续的视频帧间相同的部分看作是其公共部分，不同的部分看作其各自的独有部分，这样就可以近似地认为视频帧之间符合分布式压缩感知JSM-1模型，从而可以将分布式压缩感知应用在视频编解码中。基本结构：?1CS?1...??......?1...??联合重构视频帧组（JSM-1）??CS基于JSM-1模型的视频编解码基本结构四分布式压缩视频感知(DCVS）CS帧压缩测量重构恢复的边信息CS帧GOF帧间内插恢复的关键帧压缩测量重构关键帧编码端解码端另外一种DCVS基本框架说明：上面两种方案都采用独

6、立编码和联合解码，利用相近视频帧之间的相关性，在达到重构效果的前提下，降低了系统所需的测量值的数量，实现降低编码端复杂度和提高压缩率的目标。