基于压缩感知理论的图像/视频编解码技术研究

变换是信号实现时域和变换域映射关系的运算，当信号在变换域无损或近似无损时，反变换方法是信号重建的最优方法，然而，当信号在变换域存在较大的噪声时，反变换方法不一定是最优的重建方法。近年来出现的压缩感知（Compressive Sensing，CS)理论表明：通过对k-Sparse稀疏信号较少的采样可以获得至少与k项逼近相同精度的重建结果。实验结果表明：在有些条件下，CS方法可以获得比反变换更好的重建效果，然而目前该现象还没有得到系统深入的研究。本课题以图像/视频编码作为应用背景，拟系统地研究CS稀疏重建以丰富反变换方法：针对图像/视频信号在变换域的稀疏特征，基于基本的CS理论框架，研究稀疏信号的感知优化模型及优化模型的求解方法；利用该方法实现一种适用于现有的图像/视频编码系统的一致解决方案，以达到对图像/视频信号更高效重建的目的。该研究的突破将会极大丰富信号的频率分析理论和方法。

现有图像视频混合编码方法是以变换技术为核心，在解码端根据量化的变换系数,采用反变换方法重建图像视频信号,当量化噪声较大时，图像的解码质量显著下降，同时解码过程和码流结构是严格约定的,进一步限制了解码的灵活性和鲁棒性。压缩感知理论表明稀疏信号只需要少量的采样，可以应用优化方法精确重建。压缩感知理论为图像视频信号灵活鲁棒的解码提供了一个有效途径。. 本项目以将压缩感知方法引入传统的混合编码框架为契机，研究图像视频信号的观测、稀疏表示、压缩感知重建模型和重建模型的求解算法；探索压缩感知的关键技术及压缩感知与混合码框架的融合方法，以实现基于压缩感知的高效的优化解码。项目取得的主要研究成果包括：. 提出了基于自回归（AR）稀疏模型、基于多空间冗余基稀疏模型和基于图像纹理特性的自回归稀疏模型等，进一步增强了编码端提取有效信息的能力。. 提出了基于均衡化量化噪声的压缩感知重建模型、基于小波域的结构稀疏重建模型和基于自适应AR模型表示的重建模型等。上述重建模型较为复杂，经典的压缩感知求解算法无法有效求解，为此，针对上述模型,采用算子分裂、Primal Dual 和proximal等优化手段，提出了高精度的求解算法。应用重建模型实现了图像视频信号的高效鲁棒的重建，大幅度地改善图像视频信号的解码性能。. 研究混合编码框架下变换与压缩感知理论框架下观测之间的联系,提出了将图像视频信号的二维变换转化为等价的一维信号的观测的方法，确定了压缩感知重建方法替代反变换方法的条件，实现压缩感知方法和传统反变换方法的融合。. 基于上述技术，以压缩感知理论为指导，实现了图像视频信号鲁棒灵活的解码，显著提高了混合编码框架的解码性能。. 经过三年的努力，已经成功地完成了各年度任务。在国际期刊发表论文10篇，其中 SCI源刊8篇; 在本领域主流国际会议上发表论文13篇，其中在顶级会议INFOCOM2012上发表1篇;申请国家发明专利18项，其中授权11项;向国际标准化组织MPEG & ITU的联合工作组JCT-VC提交技术提案7项。该项目资助培养硕士博士研究生9名。