發(fā)布時(shí)間：2018-02-14 00:48

  本文關(guān)鍵詞： H.265 圖像壓縮 BP神經(jīng)網(wǎng)絡(luò) 編碼單元?jiǎng)澐?壓縮感知 圖像重構(gòu)　出處：《北京交通大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著多媒體通信技術(shù)的不斷發(fā)展,在遙感衛(wèi)星、網(wǎng)絡(luò)以及數(shù)字電視領(lǐng)域,高清甚至超高清視頻圖像的應(yīng)用日益占據(jù)主流。新的圖像編碼算法要在保證圖像傳輸質(zhì)量的同時(shí),有更好的實(shí)時(shí)性。新一代高效率視頻編碼標(biāo)準(zhǔn)H.265很好的提高了高清視頻圖像編碼中的壓縮率、實(shí)時(shí)性以及魯棒性等問題。 本文詳細(xì)介紹了H.265標(biāo)準(zhǔn)的編碼框架以及該標(biāo)準(zhǔn)中的各項(xiàng)新技術(shù),分析了H.265的編碼單元?jiǎng)澐謴?fù)雜度。第三章提出了基于BP神經(jīng)網(wǎng)絡(luò)分類器的編碼單元快速?zèng)Q策算法。該算法根據(jù)輸入的編碼圖像特征值,利用BP分類器的自學(xué)習(xí)特性得到不同量化步長下各特征值權(quán)重以及編碼單元?jiǎng)澐珠撝邓鶎?duì)應(yīng)的參照表W1、W2、W3以及TBP。將已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器加載到H.265編碼模型HM中,根據(jù)量化步長的不同對(duì)分類器進(jìn)行初始化,即設(shè)定不同的特征值權(quán)重以及劃分閾值,接著進(jìn)行編碼單元的劃分。在低時(shí)延配置和隨機(jī)接入配置下分別對(duì)不同的圖像序列進(jìn)行仿真,仿真數(shù)據(jù)表明該算法在保證圖像壓縮率及編碼質(zhì)量基本不變的前提下,可以降低算法復(fù)雜度,有效縮短編碼時(shí)間。衛(wèi)星圖像在航天軍事等領(lǐng)域均有廣泛應(yīng)用,這些領(lǐng)域要求衛(wèi)星圖像有較高的清晰度。因此,第四章提出了基于壓縮感知的圖像重構(gòu)算法。該算法對(duì)H.265中DCT變換后的宏塊做基于壓縮感知的SAMP重構(gòu)以得到更高質(zhì)量的重構(gòu)圖像。采用單幅圖像以及圖像序列進(jìn)行仿真,結(jié)果表明,基于壓縮感知的H.265圖像重構(gòu)算法在圖像重構(gòu)中表現(xiàn)更優(yōu)。
[Abstract]:With the development of multimedia communication technology , the application of high definition and high definition video image is becoming the main stream in remote sensing satellite , network and digital TV . The new image coding algorithm has better real - time performance while ensuring image transmission quality . The new generation of high efficiency video coding standard H.265 has improved the compression rate , real - time performance and robustness in HD video coding . This paper introduces the coding framework of H.265 standard and the new techniques in this standard , analyzes the coding unit partition complexity of H.265 . In chapter 3 , we propose a fast decision algorithm for coding units based on BP neural network classifier .

【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN919.81

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 吐熱尼古麗;張曉帆;;基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[J];長春師范學(xué)院學(xué)報(bào);2006年02期

2 胡劍策;吳國平;;基于K-L變換的BP神經(jīng)網(wǎng)絡(luò)遙感圖像分類[J];測繪科學(xué);2009年03期

3 賈永紅;人工神經(jīng)網(wǎng)絡(luò)在多源遙感影像分類中的應(yīng)用[J];測繪通報(bào);2000年07期

4 劉仁釗,廖文峰;遙感圖像分類應(yīng)用研究綜述[J];地理空間信息;2005年05期

5 張友水,馮學(xué)智,阮仁宗;基于GIS的BP神經(jīng)網(wǎng)絡(luò)遙感影像分類研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年06期

6 潘建剛,趙文吉,宮輝力;遙感圖像分類方法的研究[J];首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

7 賈永紅,張春森,王愛平;基于BP神經(jīng)網(wǎng)絡(luò)的多源遙感影像分類[J];西安科技學(xué)院學(xué)報(bào);2001年01期

，

本文編號(hào)：1509491