基于空-时域视觉敏感度的码率分配算法

新一代高效视频编码HEVC(High Efficiency Video Coding)标准中,λ域的码率控制采用自适应码率分配策略,其主要根据前一参考帧对应参考单元的码控参数来调整当前编码单元的码率分配参数。但是,这种码率分配策略下的编码结果不适合于人类视觉特性。提出一种基于空-时域视觉敏感度的码率分配策略,采用一种恰可感知失真JND(Just Noticeable Difference)模型来获取一帧图像空域上的最大视觉失真值。通过对最大失真值计算,得到每个编码树单元CTU(Coding Tree Unit)空域敏感度权重。利用相邻帧在时域上的变化,获取帧级的码率分配比例。根据帧间变化得到自下而上的视觉关注度,从而计算出每个编码树单元在时域上的敏感度权重。结合空域与时域的视觉敏感度,获得基于空-时域的码率分配权重,将码率按照视觉特性合理的分配到每个编码树单元。实验结果显示,该算法可以有效提高码控的主观质量,同时降低码率波动。     

基于移动agent的能量平衡环形路由算法

由于无线传感器网络(WSNs)自身的特点,将移动agent(MA)用于WSNs可以解决诸多网络问题.提出一种基于MA的能量平衡环形路由算法(EBRRMA),网络首先建立节点到sink节点的最小跳数链路,形成环状跳数梯度,为MA提供路由和工作空间;然后MA在梯度环内以记录迁移路径方式和最小延时策略完成环内巡游,融合节点数据并找到环内能量最多的节点;最后MA通过此节点与sink节点通信链路将融合信息回传并且休眠和等待下一次工作.该算法引入MA技术来降低网络能耗和时延,利用梯度环中能量最多的节点提供MA所需能量以及数据回传路径,以达到网络能量平衡.仿真表明,此路由算法可以有效地平衡网络能量,延长网络寿命.与DD路由相比,该路由算法节能效果显著.     

基于深度学习的视频多目标码率分配策略

在高效视频编码（HEVC）中,最新的λ域码率控制方案自适应地对每个像素分配比特数,在自适应分配比特数的过程中,不考虑目标对象的编码质量。针对该问题提出了基于深度学习的视频多目标码率分配方案。在该方案中,首先采用目标检测算法SSD来检测识别编码视频中的多目标对象,获取对象信息。然后在帧级码率分配过程中,根据帧间差异,采用自适应比特比率,为每帧视频分配合理的比特数。最后,以更小的量化参数（QP）来提升目标对象编码质量。实验结果表明,与HM16.9相比,改进的算法在码控精度几乎不变的情况下,对全局的平均质量提升0.15 dB, 目标区域的质量提升0.35 dB。     

WSNs中MA模式与C/S模式比较与分析

移动Agent(MA)模式是无线传感器网络(WSNs)计算模式之一,相对于C/S模式,MA模式具有很多优点。目前,对MA模式的研究主要从网络能耗、时延、数据冗余等方面进行。提出一种以跳数为标准的网络性能评判方法,通过建立网络模型,将网络数据抽象为数据包的形式,计算出2种模式下网络完成一次任务时所有数据包被转发的次数,推导出跳数公式,并以此对2种模式进行研究。结果表明:MA模式的总跳数主要受融合比例因子影响,但总体上性能优于C/S模式。     

基于图像增强处理的CDVS匹配算法

紧凑型视觉描述子（CDVS）的目标是针对移动端的图像检索以及匹配应用提供一套标准化的比特流语法。CDVS标准算法对于光照条件良好的图像具有很好的匹配效果,但是对于昏暗条件下拍摄的图像,匹配的准确度表现不足。因此提出一种基于直方图均衡化的CDVS匹配算法,对昏暗条件下的图像通过直方图均衡算法进行质量提升,增加关键点匹配数,然后再利用CDVS标准算法对图像进行匹配。另一方面,提出一种基于同态滤波的CDVS匹配算法,对昏暗图像进行频域变换,突出高频信号,抑制低频信号,增加图像对比度。实验对比了昏暗条件下图像匹配结果与处理之后图像匹配结果,验证了本算法的有效性。     

基于移动Agent的能量平衡螺旋形路由算法

针对节点均匀分布的无线传感器网络,提出一种基于移动Agent（MA）的能量平衡螺旋形路由（EBSRMA）算法.网络首先以定向扩散方式建立全网最小跳数梯度环.然后MA从最外环开始,以最短延时策略和优先访问外环策略为迁移原则,并通过访邻、标轨和找源3种方法完成网络的螺旋形路由.最后MA将迁移过程中收集的全网数据带回给Sink节点.仿真表明：EBSRMA可以有效平衡网络能量、延长网络寿命以及提高数据收集率.与定向扩散（DD）路由算法相比,该路由算法节能效果显著.     

基于CNN的λ域帧内码控最佳码率分配算法

在λ域帧内码控中，提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的帧内码控最佳码率分配算法。首先利用双曲线函数拟合编码树单元（Coding Tree Unit,CTU）的率失真（Rate Distortion, RD）特性。设计双分支卷积神经网络（Dual-Branch Convolutional Neural Network,DBCNN）预测率失真关键参数。然后根据帧级率失真优化（Rate Distortion Optimization,RDO），建立帧级目标码率与CTU码率分配等式关系，推导帧级拉格朗日参数λ。最后反演出最佳CTU码率分配。实验表明，该算法能够显著提高帧内码控编码性能，并具有较高码控精度。