基于多级SMVQ的图象编码算法

边缘匹配矢量量化器(SMVQ)是有限状态矢量量化器(FSVQ)的一个分支。该量化器适合于对图像块间相关性高的图像进行压缩编码,其优点是在比特率相近的情况下,编码质量高于传统的穷尽搜索矢量量化编码器,但其缺点是计算量大和比特率固定。本文提出了一种改进的边缘匹配矢量量化器。测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量得到提高。     

基于多级SMVQ的图象编码算法

边缘匹配矢量量化器(SMVQ)是有限状态矢量量化器(FSVQ)的一个分支.该量化器适合于对图像块间相关性高的图像进行压缩编码,其优点是在比特率相近的情况下,编码质量高于传统的穷尽搜索矢量量化编码器,但其缺点是计算量大和比特率固定.本文提出了一种改进的边缘匹配矢量量化器.测试结果表明,该算法是变比特率编码算法,它比边缘匹配矢量量化器的比特率低,编码速度快,编码质量得到提高.     

一种新颖的基于哈德码变换的码字搜索算法

针对图像矢量量化编码的复杂性,提出了一种新颖的快速最近邻码字搜索算法。该算法首先计算出每个码字和输入矢量的哈德码变换,然后为输入矢量选取范数距离最近的初始匹配码字,利用多控制点的三角不等式和两条有效的码字排除准则,把不匹配的码字排除,最后选取与输入矢量最匹配的码字。实验结果表明,新算法相比于其他算法,在保证编码质量的前提下,码字搜索时间和计算量均有了明显降低。     

一种基于ROI和多描述量化的图像传输方法

随着科学技术的进步和发展,图像已经成为了信息的一个重要来源,而图像中的重要信息往往只集中在部分区域。而且图像数据在信道中传输时,可能会发生数据包丢失或出错的问题。鉴于以上问题,在对图像ROI和多描述量化编码进行分析和综合的基础上,本文提出了一种结合图像感兴趣区域（ROI）提取和多描述量化,零树编码的图像传输方法。根据图像特征选定ROI区域,然后对ROI进行多描述量化编码,对其他区域进行普通的量化编码,试验表明此方法可以得到更好的重构图像。     

图像传输中多描述编码与差错隐藏的综合应用

多描述编码和后处理差错隐藏是差错复原的两种主要技术,通常它们是分别进行研究的,然而,只有较少描述用于重构图像时不能得到满意的图像。本文提出一种多描述编码与差错隐藏相结合的差错复原算法,仿真实验验证了该算法的有效性。     

一种新的图像地址矢量量化编码算法

提出一种新的图像矢量量化编码算法。该算法结合相关矢量量化编码算法与地址矢量量化编码算法,首先根据相邻块状态进行编码地址的相关预测,对相关预测失败的图像块采用地址码匹配编码,并采用自适应算术编码进行。测试结果表明,相对于无记忆矢量量化编码算法,比特率约下降３８％－６８％,相对于安平提出的矢量量化地址编码算法以及王卫等提出的相关矢量量化编码算法,比特率约下降２５％以上。     

基于P2 P流媒体的分层多描述编码

网络异构性与传输可靠性是视频通信存在的两大问题.在视频编码中,分层编码用来解决网络传输异构性问题,多描述编码是解决传输可靠性的有效手段,而分层多描述视频编码则是二者的结合.在分层编码技术的基础上,提出了基于像素空间分解的分层多描述编码,同时给出了提高用户节点视频服务质量的视频子层合成算法和像素估值算法;并通过对像素量化值与估值误差之间关系的分析,建立了一种分层多描述编解码数学模型.实验结果表明,所提出的方案在P2P网络的异构性上有较好的优越性,同时较好地解决了网络传输的可靠性.     

一种基于H.263的视频多描述编码方法

网络上传输图像与视频数据流所遇到的一个重要问题是信息包在传输过程中可能发生丢失或过度延时, 从而造成解码信号的视觉质量严重下降。多描述编码旨在通过对同一个信息源编码成多个具有一定相关性的比特流, 并在多个不同的信道上传输, 以改善不可靠信道上传输的图像与视频信号质量。提出了一种基于H. 263 的视频信号多描述编码方法, 实验结果显示了所提出方法的有效性。     

一种基于Tabu搜索的模糊学习矢量量化图象编码算法

模糊学习矢量量化算法 (FL VQ)虽然解决了硬的竞争学习对初始码本的依赖性问题 ,但收敛速度变慢 ,且仍无法克服陷入局部最小 .为此在分析模糊学习矢量量化图象编码原理的基础上 ,探讨了 FL VQ算法的几种优化途径 ,进而提出了一种基于 Tabu搜索 (TS)的模糊学习矢量量化的新算法 (TS- FL VQ) ,并给出了该算法的具体实现方法及步骤 .该算法首先利用 TS技术产生一个面向全局搜索的寻优列表 ,然后再进行模糊学习以得到最优解 .实验结果表明 ,该算法在收敛速度及编码效果上均较 FL VQ有较大的提高 .     

均值与矢量量化复合快速图像编码算法

矢量量化是一种有效的数据压缩技术,由于其算法简单,具有较高的压缩率,因而被广泛应用于数据压缩编码领域。通过对图像块灰度特征的研究,根据图像的平滑与否,提出了对图像进行均值和矢量量化复合编码算法,该算法对平滑图像块采用均值编码,对非平滑块采用矢量量化编码。这不仅节省了平滑码字的存储空间,提高了码书存储效率,并且编码速度大大提高。同时采用码字旋转反色（2R）压缩算法将码书的存储容量减少到1/8,并结合最近邻块扩展搜索算法（EBNNS）对搜索算法进行优化。在保证图像画质的前提下,整个系统的图像编码速度比全搜索的普通矢量量化平均提高约7.7倍。     

DCT子域辐射状分割的图像多描述编码算法

多描述编码（MDC）是有效提高不可靠网络中数据接收质量的一种新方法。结合JPEG编码中DCT子域系数的分布特点,在已有算法（MDBDS）的基础上提出了DCT子域辐射状分割系数的4描述图像MDC算法。该算法采用DC系数重复分配、缺失AC系数补零的方法获取较好的描述重构效果。实验证明,在相同压缩码率下,该算法的整体性能优于MDEZW、MDBDS等同类MDC算法。     

图像的多描述编码

图像的多描述编码(MDC)是针对单描述编码(SDC)而言,其编码方法是将图像编码为多个位流(描述),并使每个描述都能恢复可接受质量的图像。其恢复图像的质量只依赖描述的个数,即如果解码器接收到的描述越多,则由这些描述共同形成的图像质量就越高。在图像通信应用中,在无信道编码的情况下,用MDC方法可适应传输条件恶劣的信道,尤其是无线信道和网络信道。为了能在传输信道恶劣的条件下进行有效的图像传输,在对MDC的基本理论及其应用以及近几年MDC的研究现状进行概述和总结的基础上,提出了一种基于EZW编码的MDC方法。实验结果表明,此法简单、有效,其不仅实现了压缩图像传输的健壮性,同时兼顾了压缩效率。     

基于压缩域互补分割的视频多描述编码研究

鉴于数字视频在空间域及时间域上的信息相关性,提出在视频压缩过程中实现多描述编码的方法.算法以H.263为参考标准,在图块及运动估计的DCT域上进行系数划分,通过对少量重要信号的重复分配来保证单个描述的接收质量.同时,系数域的对角分割又使各个描述间具有较强的信号互补性.实验结果表明,算法具有描述冗余率低、编/解码直接快速、压缩率高等良好的MDC特性,是保障视频传输业务可靠性和实时性的有效方法.     

一种标准兼容的多描述图像编码分析及改进

多描述编码被证明是用于非优先级网络中传输多媒体数据的有效方法,而现有很多算法与图像标准不兼容,分析了一种与标准兼容的多描述图像编码算法,该算法可以提供灵活冗余插入,以提高丢包或误码环境下的图像传输性能。通过深入分析该算法在不同比特率下的表现,发现其在低比特率端性能与较高比特率下的表现迥异,结合区分对待的思想来改善了这一缺点,并利用JPEG2000的ROI特性证明其有效性。     

感兴趣区域的非线性变换多描述编码

介绍一种基于感兴趣区域的非线性变换的多描述图像编码,能够与目前的标准图像压缩算法兼容,对图像的感兴趣区域进行更好的保护。由感兴趣区域的非线性几何变换产生冗余,对图像进行采样形成多描述编码。通过仿真实验,证实当图像在差错信道下传输而丢失描述时,该算法能够使图像感兴趣区域得到更好的恢复。     

图像信号的多描述编码方法

鉴于数据在不可靠信道传输时，可能会发生数据包丢失或出错的问题，因此在图像与视频信号传输中如何解决由此而产生的图像质量严重下降问题已成为近年来的一个重要研究课题，而多描述编码作为一种可选的解决方案已开始受到关注。由于多描述编码是将信号分解为多个独立的码流，并通过不同的信道进行传输，因而可在较高压缩效率下增强信号的稳健性。在对目前的图像多描述编码文献进行分析和综合的基础上，首先阐述了多描述编码的历史和信息论背景；然后对图像多描述编码方法进行了分类，即分为基于量化、基于变换和基于空间扩展的多描述编码等几类，并对各种方法的数学模型以及适用情况等进行了讨论；最后给出了图像多描述编码的存在问题及研究展望。     

MDC融合多径路由的无线图像传输方法

针对具有时间约束图像的无线网络传输中的数据出错和丢失问题,提出一种多重描述编码(MDC)结合网状多径路由的图像传输方法。首先,源节点利用MDC将图像帧分成多个等同重要的描述;然后,利用提出的多径路由策略寻找多条边不相交路径,并选择出合适的中间合并点对描述进行合并,利用链接错误信息对受损描述进行中间修复;最后,目的节点利用2 2过滤器和像素错误概率权重进行解码,根据其空间邻居插补丢失或损坏的像素。实验结果表明,提出的方法能够有效提高无线信道的容错性能,实现高信噪比图像传输。     

联合边路和中路解码特征学习的多描述编码图像增强方法

提出一种联合边路和中路解码特征学习的多描述编码图像增强方法。该方法同时考虑了边路解码图像增强和中路解码图像增强的问题,因而可以通过联合学习优化中路解码和边路解码的特征来实现更好的网络训练。首先,考虑到多描述编码的边路独立解码和中路联合解码的特性,提出一种网络共享的边路低分辨率特征提取网络来有效地提取具有相同内容和差异细节的两个边路解码图像的特征,同时设计一种残差递归补偿网络结构并将其用于边路与中路低分辨率特征提取网络。其次,设计一种多描述边路上采样重建网络,该网络采用部分网络层参数共享策略,该策略能够减小网络模型参数量,同时提高网络的泛化能力。最后,提出一种多描述中路上采样重建网络,将两个边路低分辨率特征与中路低分辨率特征进行深层特征融合来实现多描述压缩图像的增强。大量的实验结果表明：在模型复杂度、客观质量和视觉质量评价方面,所提方法优于很多的图像增强方法如ARCNN、FastARCNN、DnCNN、WSR和DWCNN。