基于模式化压缩感知的帧定时同步研究

作为数据检测的必要前提,帧定时同步一直是通信领域的研究热点与难点。然而,现有非压缩感知帧同步方法必须满足奈奎斯特速率,导致过度功耗以及模拟-数字转换器（Analog-to-Digital Converter,ADC）设计难度;而采用压缩感知（Compressed Sensing,CS）帧同步方法的正确同步性能有待进一步提高。为此,将模式化压缩感知（Model-based Compressed Sensing）技术引入到帧定时同步中,提出了一种基于模式化压缩的采样匹配追踪（Compressive Sampling Matching Pursuit,CoSaMP）方法,用以重构压缩采样下的同步度量并完成帧同步。分析与仿真结果表明,相对于现已有的基于CS的帧定时同步方法,提出方法改善了帧定时同步的正确同步概率。     

基于加权非局部相似性的视频压缩感知多假设重构算法

分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)多假设重构算法将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中,改善了对视频序列的重构质量。在该算法中,大变化块采用本帧邻域块信息作为参考,而当本帧邻域块含有较多纹理和细节时,算法性能有待提高。为此,对非局部相似性的思想进行改进,提出基于加权非局部相似性的分布式视频压缩感知多假设重构算法。在该算法中,对大变化块中的纹理块采用加权非局部相似性在相邻已重构帧中寻找自相似块,最终生成辅助重构信息块;对于非纹理块,则简单利用加权非局部相似性生成相似块。对不同特点的视频序列的仿真实验结果表明,改进后的算法有效改善了视频序列的重构质量,具有较优的重构SSIM,PSNR指标,其中PSNR约提高1dB。     

无线传感器网络中DCS算法的研究与应用

分布式无线传感网络面临着数据采样和传输方面的发展瓶颈问题。本文研究分析了能较好地适应并解决这一问题的分布式压缩感知（Distributed Compressed Sensing,DCS）算法。从理论上重点研究了DCS算法中JSM （Joint Sparse Model,JSM）的三种模型JSM-1,JSM-2,JSM-3。通过仿真对CS和DCS算法性能进行了对比分析。结果表明：DCS算法相比CS算法能以更少的测量值实现对原始信号群的精确重建,降低了节点能耗,延长了网络的生命周期。     

压缩感知理论综述

信号采样是模拟的物理世界通向数字的信息世界之必备手。多年来,指导信号采样的理论基础一直是著名的Nyquist采样定理,但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing,CS）提出一种新的采样理论,它能够以远低于Nyquist采样速率采样信号。文章详述了压缩感知的基本理论,着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展,并从基础理论层面和实践层面详细探讨了现存的难点问题。     

压缩感知与动态纹理模型的视频信号分类

针对视频数据的动态纹理特性,提出结合视频压缩感知技术,首先通过压缩采样技术对视频数据进行采样,得到少量的采样数据;然后建立线性动态系统模型,通过少量的压缩采样数据直接估计出模型参数;最后通过计算模型间的马氏距离实现动态纹理视频数据的分类。实验结果表明,提出的压缩感知参数估计方法在20%的低采样率情况下,对交通视频数据的分类正确率达到87%以上。     

基于运动补偿估计的视频压缩感知编码与重构

针对传统视频编解码过程中计算量大,数据冗余的问题,利用新的压缩感知理论和运动补偿估计技术,提出了新的视频压缩处理过程。将视频帧分组,对关键帧采用压缩感知,对非关键帧利用运动补偿估计技术求残差,并对残差进行压缩感知,利用GPSR算法重构原始数据。实验仿真结果表明提出的模型能够利用较少的随机采样数据重构原始信息,达到较高的平均信噪比。     

基于压缩感知的无线传感网络数据压缩

无线传感器网络（Wireless Sensor Networks,WSN）负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知（Compressed Sensing,CS）理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。     

基于压缩感知理论的图像融合方法

基于压缩感知（Compressed Sensing,CS）理论,提出了一种采样点少且结构简单易实现的图像融合方法。对需要处理的两幅或多幅图像进行小波变换,分别对得到的小波系数进行稀疏处理得到稀疏矩阵,通过系数绝对值较大法进行融合,对融合后的系数矩阵通过随机观测获取压缩采样,而图像恢复则是对得到的压缩采样通过求解最优化的问题得到。由于对小波系数进行了稀疏处理,故该方法可以用少量的采样点来恢复图像。实验结果表明,在相同采样点下,该方法得到的图像质量（PSNR）明显优于传统的系数绝对值较大法融合;在少量采样点下,采用该方法也可以使融合的图像达到较好的效果。     

一种残差-预测重构的视频分布式压缩感知实现方法研究

为了降低计算成本并节约系统功耗,信号处理最新出现的理论-分布式压缩感知(Distributed Compressed Sensing,DCS)成为视频技术的应用焦点。为此,一种基于多假设预测的视频DCS(VDCS)方案被提出。在VDCS的解码端,当前帧的预测来自于以前重构的参考帧(CS帧),而残差作为重构条件用于改善视频的重构质量。实验结果表明,提出的残差-预测VDCS方法重构视频信号的峰值信噪比(PSNR)优于MH-BCS-SPL和传统的JSM-DCS处理方法。     

WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

一种高效的PPG压缩感知重构算法

首先阐述了压缩感知（CS）的理论框架,然后分析了光电容积脉搏波（PPG）信号的稀疏性,最后提出了基于CS理论PPG信号的压缩重构框架。基于此框架采用正交匹配追踪算法和改进的正交匹配追踪算法对已压缩的信号进行重构,实验结果表明,PPG信号长度的选取、压缩比的大小以及观测个数的多少都对重构性能有重要影响。     

基于线性动态系统的视频压缩感知自适应改进

线性动态系统的视频压缩感知(CS-LDS)是指从随机采样数据中直接估计出模型参数,然而对所有视频帧采取同样的采样方式,使得采样数据存在一定的时间冗余.针对这一问题,结合自适应压缩采样技术提出了一种自适应的改进算法.首先,对视频信号建立线性动态系统(LDS)模型;然后,通过自适应压缩采样方法得到视频信号的采样数据;最后,通过采样数据估计出系统模型参数,实现视频信号的重构.实验结果表明,在不影响视频重构质量的条件下,所提方法相对于CS-LDS算法,不仅能够节省统一测量过程中20%~40%的采样数据,而且平均每帧能够节省0.1~0.3 s的运行时间.改进后的算法降低了采样数目与算法运行时间.     

基于多重假设的视频压缩感知分层重建

为了改进视频压缩感知方案的性能,提出了一种基于多重假设的视频压缩感知分层重建方案。该重建方案以图像组为单位进行,首先独立重建关键帧,接下来对图像组中的每个非关键帧分配重建层级,并按照层级顺序由低至高逐层重建。每个非关键帧的重建过程逐块进行,需要其时域参考帧及当前帧中的空域数据集为每个重建块做混合多重假设预测,并通过求解全变分最小化问题重建预测残差,最后将预测值与预测残差相加得到重建图像。实验结果表明,在相同采样率下,本文提出的基于多重假设的分层重建方案比已有的方法可以获得最高约3.2dB的峰值信噪比增益。     

单比特压缩感知帧定时同步

相对于非压缩感知帧定时同步方法,压缩感知帧定时同步方法可以降低系统的能量消耗,降低模拟数字转换器的设计难度。相对于压缩感知技术,单比特压缩感知仅保留观测值的符号信息,可进一步降低系统的能量消耗,降低模拟数字转换器的设计难度。为此,将单比特压缩感知技术引入到帧定时同步中,提出了一种基于单比特压缩感知的帧定时同步方法。提出方法首先在帧定时变换域对接收信号进行单比特的压缩采样;随后,利用采样到的比特流重构出用于帧定时同步的定时度量;最后,根据相关法帧定时同步准则,搜索重构到的定时度量,找到帧定时同步的索引位置。分析与仿真结果表明,相对于压缩感知帧定时同步方法,在相同的比特开销情况下,提出方法可改善帧定时同步的正确同步概率;在相同的正确同步概率情况下,提出方法所需比特数更少。同时,提出方法的量化过程仅需要电平比较器,降低了模拟数字转换器设计难度。     

基于相关性分析的MVC比特分配算法

针对目前尚未深入研究多视点视频编码（Multi—view Video Coding,MVC）码率控制的问题,提出了一种基于相关性分析的多视点视频编码码率控制算法。该算法的核心是先根据视差预测和运动预测的结构关系,将所有图像分成6种类型的编码帧,并改进二项式率失真模型,然后根据多视点视频相关性分析在各个视点之间进行合理的码率分配,将码率控制分成4层结构进行多视点视频编码的码率控制。其中,帧层码率控制考虑分层B帧等因素分配码率,基本单元层码率控制根据宏块的内容复杂度采用不同的量化参数。实验结果表明该码率控制算法实际码率与目标码率平均误差能控制0．6％。     

分块可压缩传感的图像重构模型

可压缩传感或可压缩采样（Compressed Sensing或Compressive Sampling 简称CS）是数据采样同时实现压缩的新理论、新技术。分块CS（Block Compressed Sensing）的图像重构算法采用相同的采样算子以块×块的方式获取图像,解决了现有的CS方法中可压缩采样算子所需存储较大的问题,而且算法中应用线性算子、凸集投影法和Contourlet变换域的硬阈值法进一步优化恢复图像,能更有效捕获图像的复杂结构。实验结果表明分块CS的图像重构算法较现有的其他CS方法实现代价更低,且在相同CS观测数条件下,计算速度几乎相同的同时图像质量提高了3~4 dB。     

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.     

压缩传感理论在参数估计中的应用

参数估计是信号处理许多领域研究的热点,并有着广泛应用。通过引入压缩传感（Compressed Sensing,CS）理论的思想,提出了一种基于压缩传感理论的信号参数估计方法。它省略了抛弃大部分高速采样的数据来实现压缩的中间过程,通过使用少量非适应随机投影来完成。与匹配追踪（MP）算法相比,此算法在相同的低采样点数下有明显的优势。理论分析及计算机仿真结果证实了算法的有效性。     

DVC中基于DCT系数统计特性的量化算法

针对变换域分布式视频编码问题,提出一种自适应量化算法AQSC。根据视频帧离散余弦变换系数的分布特点,确定各子带的重要性,只对重要的子带进行量化及编解码,不重要的子带不进行量化及编码,且在译码时直接用边信息代替。实验结果表明,AQSC算法可提高分布式视频编码系统的率失真性能,减少译码码率,解码后视频序列的整体质量有所提高。