2023/1/15compressionsampling壓縮視頻采樣幀內算法研究學號：111000408姓名：戴雪飛專業：通信工程導師：陳建老師2023/1/15主要研究內容一背景現狀和意義

二壓縮感知描述稀疏表示測量矩陣重構算法三基于塊的壓縮方案四基于變換域的重構方法2023/1/15一、背景現狀和意義資源浪費解決方案？？變換空間，建立新的信號描述和處理的理論框架，信息不損失，用遠低于奈奎斯特采樣定理要求的速率采樣信號，完全恢復信號

可壓縮圖像稀疏性重建信號壓縮感知Donoho、Candes及華裔科學家Tao等人首先提出壓縮感知(CompressiveSensing，CS)理論1.1壓縮感知理論1、背景現狀2023/1/15二、壓縮感知描述信號在某域上稀疏的或是可壓縮的找到一個與Ψ不相關，且滿足一定條件的觀測基Φ對Y采用最優化重構以Φ觀測信號，得到觀測值YM<<N主要解決的問題：1.信號的稀疏性2.觀測基的選取采樣3.重構算法的設計2、CS描述2.1稀疏表示信號稀疏性：信號的稀疏性是指信號可以用少數個特征向量的線性組合來表示。2.2測量矩陣觀測矩陣的設計目的：采樣得到M個觀測值，并保證能夠從中重構出原來長度為N的信號x觀測過程：利用M×N觀測矩陣的M個行向量對向量進行投影，得到M個觀測值，即2023/1/152、CS描述2.3重構算法求解方程y=Φ

*x將目標函數進行轉化，變為更容易求解的問題（1）將0范數問題轉化為1范數問題（2）采用光滑函數逼近1范數，從而將1范數問題轉化為光滑函數的極值問題2023/1/15三、基于塊的壓縮采樣方案3.1塊壓縮感知3.基于塊的壓縮感知方案塊采樣基于稀疏域的重構理論由于觀測數量M遠小于N，不能直接求解，在信號x可壓縮的前提下，求解病態方程組的問題轉化為最小0-范數問題：求解該最優化問題，得到稀疏域的系數，然后反變換即可以得到時域信號。2023/1/15四、基于變換域的重構4.1基于變換域稀疏性重構流程4.基于變換域的重構基于余弦域稀疏性的重構4.基于變換域的重構基于小波域稀疏性的重構4.基于變換域的重構基于梯度域稀疏性的重構不同采樣率重構質量4.基于變換域的重構不同采樣率重構圖像4.基于變換域的重構對barbara不同分塊重構4.基于變換域的重構基于小波域重構對lenna不同分塊重構4.基于變換域的重構Lenna用DWT重構4.基于變換域的重構分塊

32*32

PSNR=32.4907T=85.259s分塊

16*16

PSNR=32.1982T=43.661s分塊

16*32PSNR=32.3456T=56.925sLenna

subrate=0.3

Brabara用DWT重構4.基于變換域的重構分塊

16*16

PSNR=24.09T=43.560s分塊

16*32PSNR=24.34T=47.884s分塊

32*32

PSNR=24.80T=53.506sBarbarasubrate=0.3DWT4.基于不同變換域的重構DCT時間T212.587175.933169.943160.721130.853（s）PSNR32.454934.17235.75737.355739.1178(dB)DWT時間T84.11660.48252.40144.21940.262(s)PSNR32.888334.644836.221937.796539.5432(dB)TV時間T212.587175.933169.943160.721130.853（s）PSNR32.454934.172