一种最佳线性估计与多假设结合的分布式视频压缩感知重构算法

针对分布式视频压缩感知系统存在编码端的低采样率易导致解码端重构效果不理想的问题，综合考虑视频帧间的时空相关性以及帧内不同图像块所具有的不同块特征，提出了一种最佳线性估计与多假设预测相结合的分布式视频压缩感知重构算法。算法在编码端采用分块压缩感知进行随机测量，在解码端增加了相似判别、测量值补充以及平滑判别三种机制。通过此三种机制对非关键帧块进行细化分类，并根据分类结果对不同的图像块采用不同的测量值补充及重构策略，进而提高重构质量。在标准视频序列集上的仿真实验结果表明，本文提出的算法重构视频信号的峰值信噪比(PSNR)比传统的多假设预测重构算法平均高出2~3 dB，尤其在编码端测量率低于0.2的情况下，PSNR高出4~5 dB。

通信技术的不断进步推动了多媒体技术的迅速发展，无线视频监控系统、移动可视电话和无线多媒体传感器网络等视频应用得到了广泛的应用。这些应用都具有共同的特点，即编码端计算和存储能力有限，但解码端计算资源丰富，而传统的视频编解码标准下的编码端对计算复杂度的要求较高，这使得传统的视频编码标准已经不再适合此类应用。

2009 年T.T. DO 等人首次把分布式视频编码(Distributed Video Coding, DVC)理论[1] [2] [3] [4]与压缩感知理论[4]相结合提出了分布式视频压缩感知(Distributed video Compressed Sensing, DISCOS)框架[5]。由于DISCOS 在编码端引入了压缩感知技术，因此只需少量的测量值就可在解码端高概率重构出原信号，其将编码端的大量计算转移到了解码端，使得视频编解码系统具备了较低复杂度的编码特性，很好的适应了这些新兴的视频应用。目前，分布式视频压缩感知的研究主要集中在两方面：一是如何权衡编码端的计算复杂度与编码效率；二是如何有效利用帧间的相关信息提高重构算法效率和重构质量。重构算法的设计一直是分布式视频压缩感知研究的一个重点，算法的好坏决定着重构质量的高低。传统的单帧图像重构算法如OMP、GPSR、StOMP、SpaRSA 等[6] [7] [8]在视频重构中没有考虑视频帧间的时空相关性以及视频帧所包含的不同局部特征，如何在重构算法中有效的利用这些特性成为了分布式视频压缩感知的一个研究热点[9] [10]。文献[5]将传统的多假设预测(Multiple Hypotheses, MH)运动估计思想引入到了重构算法中，在解码端，其首先对当前帧进行基于块的多假设预测生成边信息，然后利用边信息的测量值与CS 帧的测量值进行全局的残差重构。E.W. Tramel 等人基于Tikhonov 正则化提出了分块压缩感知(Block Compressed Sensing, BCS) 平滑投影Landweber