楊春玲　劉璇

(華南理工大學(xué) 電子與信息學(xué)院, 廣東 廣州 510640)

?

基于壓縮感知的視頻信號(hào)采集觀測(cè)值漸進(jìn)量化算法*

楊春玲劉璇

(華南理工大學(xué) 電子與信息學(xué)院, 廣東 廣州 510640)

摘要:在基于壓縮感知的視頻信號(hào)采集中，觀測(cè)值的量化方法會(huì)對(duì)重構(gòu)質(zhì)量產(chǎn)生重大的影響.為了設(shè)計(jì)一種性能較優(yōu)的觀測(cè)值量化方法，根據(jù)視頻信號(hào)的幀間相關(guān)性和壓縮感知的視頻采集信號(hào)觀測(cè)值特性，提出了基于壓縮感知的視頻采集信號(hào)觀測(cè)值漸進(jìn)量化算法.該算法將非關(guān)鍵幀觀測(cè)值均勻量化后只傳輸若干不太重要的碼平面，在重構(gòu)端利用鄰近的已解碼幀通過(guò)運(yùn)動(dòng)估計(jì)生成該非關(guān)鍵幀的邊信息幀，再通過(guò)觀測(cè)得到該非關(guān)鍵幀觀測(cè)值的估計(jì)，結(jié)合接收到的不太重要碼平面信息，通過(guò)漸進(jìn)量化的逆量化得到精確的觀測(cè)值.實(shí)驗(yàn)結(jié)果表明：與均勻量化算法相比，文中算法在不增加編碼端復(fù)雜度和不降低視頻序列重構(gòu)質(zhì)量的基礎(chǔ)上，能大幅降低碼率；在相同碼率下，不同序列獲得的平均增益在0.5～2.0 dB之間，具有較高的率失真性能.

關(guān)鍵詞：漸進(jìn)量化;壓縮感知;視頻編碼

壓縮感知(CS)[1- 2]的核心思想是:當(dāng)信號(hào)具有稀疏特性時(shí),可以通過(guò)遠(yuǎn)小于信號(hào)長(zhǎng)度的少量觀測(cè)值來(lái)精確重構(gòu)原信號(hào).壓縮感知理論實(shí)現(xiàn)了信號(hào)采樣和壓縮的同步，利用該理論可大幅減小數(shù)據(jù)采集量、采樣時(shí)間、存儲(chǔ)及傳輸負(fù)擔(dān),因此該理論在信號(hào)處理、模式識(shí)別、雷達(dá)探測(cè)、圖像壓縮與重建等領(lǐng)域受到了廣泛的關(guān)注[3- 14].

隨著壓縮感知理論的發(fā)展,在圖像壓縮感知研究[8- 11]的基礎(chǔ)上,基于壓縮感知的視頻采集信號(hào)也逐漸成為國(guó)內(nèi)外研究的熱點(diǎn)[4- 5,12- 14],但現(xiàn)有算法大多沒(méi)有考慮觀測(cè)值量化方法對(duì)系統(tǒng)率失真性能的影響.在實(shí)際工程應(yīng)用中,信號(hào)在信道中以碼流形式傳輸,對(duì)觀測(cè)值進(jìn)行量化是必不可少的,然而量化必然會(huì)使傳輸?shù)街貥?gòu)端的觀測(cè)值精度下降,帶來(lái)一定程度的率失真性能損失.文獻(xiàn)[6- 7]分析了均勻量化應(yīng)用于壓縮感知觀測(cè)值的低效性,并證明了對(duì)隨機(jī)觀測(cè)值進(jìn)行均勻量化會(huì)給壓縮感知系統(tǒng)帶來(lái)較嚴(yán)重的性能損失.因此,如何根據(jù)壓縮感知的觀測(cè)值特性設(shè)計(jì)合適的量化方案以提升率失真性能,逐漸引起了學(xué)術(shù)界的關(guān)注.

在圖像壓縮感知領(lǐng)域,文獻(xiàn)[8]將非均勻量化引入心電信號(hào)壓縮感知,高分辨率區(qū)域采用較小量化步長(zhǎng),低分辨率區(qū)域采用較大量化步長(zhǎng);文獻(xiàn)[9]把差分脈沖編碼調(diào)制(DPCM)量化方法用于圖像分塊壓縮感知,在觀測(cè)域?qū)Ξ?dāng)前塊進(jìn)行預(yù)測(cè),并對(duì)真實(shí)值與預(yù)測(cè)值的殘差做均勻量化;文獻(xiàn)[10]在文獻(xiàn)[9]的基礎(chǔ)上,把DPCM與非均勻量化相結(jié)合,根據(jù)殘差分布特性做非均勻量化.上述研究雖然在一定程度上提升了圖像壓縮感知系統(tǒng)的率失真性能,但增加了編碼端的計(jì)算復(fù)雜度,違背了壓縮感知編碼端簡(jiǎn)單的初衷.文獻(xiàn)[11]利用圖像壓縮感知隨機(jī)觀測(cè)值間的隱性相關(guān)特性,提出了漸進(jìn)量化方法.該方法在編碼端對(duì)均勻量化后的觀測(cè)值進(jìn)行分段,第1部分觀測(cè)值傳輸完整的量化符號(hào),第2部分觀測(cè)值只傳輸若干不重要的碼平面信息;在重構(gòu)端利用第1部分觀測(cè)值生成第2部分觀測(cè)值的估計(jì),再與接收到的第2部分觀測(cè)值的不重要碼平面信息結(jié)合生成第2部分觀測(cè)值的較精確估計(jì),最后把兩部分觀測(cè)值合并起來(lái)進(jìn)行壓縮感知重構(gòu).該量化方法與均勻量化方法的計(jì)算復(fù)雜度相同,但能有效降低碼率,提升率失真性能,是目前圖像壓縮感知中性能最優(yōu)的量化方法.

由于視頻信號(hào)的復(fù)雜性,目前研究基于壓縮感知的視頻采集信號(hào)量化方法的文獻(xiàn)較少.文獻(xiàn)[12]把矢量量化用于分布式壓縮感知,并設(shè)計(jì)了基于均方誤差(MSE)最小化的端到端最優(yōu)映射方法,但該方法增加了編碼端復(fù)雜度;文獻(xiàn)[13]分析了壓縮感知隨機(jī)觀測(cè)值的分布特性,并根據(jù)不同視頻序列的均值和方差平均值設(shè)計(jì)了高斯量化矩陣,但高斯量化不但計(jì)算復(fù)雜度高,而且對(duì)觀測(cè)值的分布特征有一定的限制,并不適用于所有的視頻序列.Liu等[14]研究了基于壓縮感知的視頻采集信號(hào)率失真、采樣率、量化精度之間的關(guān)系模型,提出了率失真性能優(yōu)化的自適應(yīng)視頻采集信號(hào)比特分配方法.該方法雖然具有一定的普適性,但編碼端需進(jìn)行兩次觀測(cè),具有編碼端復(fù)雜度高的缺陷.

鑒于圖像壓縮感知漸進(jìn)量化方法在編碼端只需要對(duì)觀測(cè)值進(jìn)行均勻量化并傳輸量化符號(hào)的一部分碼平面信息,在不增加編碼端復(fù)雜度的情況下能有效地提升壓縮率這一優(yōu)越性[11],文中通過(guò)分析視頻信號(hào)壓縮感知觀測(cè)值的特性,把圖像漸進(jìn)量化從圖像領(lǐng)域擴(kuò)展到視頻領(lǐng)域,提出了改進(jìn)的基于壓縮感知的視頻信號(hào)采集觀測(cè)值漸進(jìn)量化算法:非關(guān)鍵幀觀測(cè)值均勻量化后只傳輸最不重要的碼平面信息,重構(gòu)端利用鄰近的已解碼幀信息通過(guò)運(yùn)動(dòng)估計(jì)產(chǎn)生非關(guān)鍵幀的近似估計(jì)幀(即邊信息幀),再進(jìn)行觀測(cè)得到非關(guān)鍵幀觀測(cè)值的估計(jì),結(jié)合接收到的不重要碼平面信息,通過(guò)漸進(jìn)量化逆量化得到較精確的觀測(cè)值.

1圖像壓縮感知漸進(jìn)量化

1.1漸進(jìn)量化編碼

在編碼端,把觀測(cè)值分為兩部分,分別表示為

1.2漸進(jìn)量化的逆量化

2視頻信號(hào)采集觀測(cè)值漸進(jìn)量化算法

將視頻序列劃分為長(zhǎng)度為p的圖像組(GOP),每個(gè)GOP的第1幀為關(guān)鍵幀,其余幀為非關(guān)鍵幀.文中提出的基于壓縮感知的視頻信號(hào)采集觀測(cè)值的漸進(jìn)量化及其逆量化框圖見(jiàn)圖1.用高斯隨機(jī)觀測(cè)矩陣Φ∈RM×N對(duì)關(guān)鍵幀進(jìn)行觀測(cè),得到關(guān)鍵幀觀測(cè)值Yip=ΦXip,用觀測(cè)矩陣Φ1(由Φ的前M1(M1≤M)行構(gòu)成)對(duì)非關(guān)鍵幀進(jìn)行觀測(cè),得到非關(guān)鍵幀觀測(cè)值Yj=Φ1Xj.

圖 1　文中算法的結(jié)構(gòu)框圖

(1)

2.1逆量化算法

(2)

(3)

Δ為均勻量化步長(zhǎng).以b=2為例,當(dāng)非關(guān)鍵幀觀測(cè)值的兩個(gè)最低有效位為10時(shí),備選集由黑色區(qū)域組成,如圖2所示.

圖2　最低有效位為10時(shí)的備選集Ω示意圖

Fig.2Schematic diagram of alternative setΩwhen the least bits is 10

2.2非關(guān)鍵幀觀測(cè)值漸進(jìn)量化的改進(jìn)

經(jīng)研究發(fā)現(xiàn),漸進(jìn)量化參數(shù)b的選取對(duì)逆量化質(zhì)量有重大的影響.實(shí)驗(yàn)中通常把b設(shè)置得較大以獲得較高的解碼質(zhì)量.但為了進(jìn)一步降低碼率,需要b盡可能小.

圖3　非關(guān)鍵幀的漸進(jìn)量化算法改進(jìn)前后碼平面?zhèn)鬏敱容^

3仿真實(shí)驗(yàn)及結(jié)果分析

3.1性能分析

實(shí)驗(yàn)序列為30 Hz QCIF的Foreman,GOP長(zhǎng)度為5,實(shí)驗(yàn)數(shù)據(jù)為一個(gè)GOP的結(jié)果.實(shí)驗(yàn)采用內(nèi)插邊信息生成方法[16],兩級(jí)運(yùn)動(dòng)估計(jì)分別為初次估計(jì)和二次細(xì)化,運(yùn)動(dòng)估計(jì)示意圖如圖4所示,第1、第6幀為關(guān)鍵幀,第2至第5幀為非關(guān)鍵幀.圖中的①、②、③為運(yùn)動(dòng)估計(jì)的先后順序.

圖4　GOP=5的運(yùn)動(dòng)估計(jì)示意圖

在仿真實(shí)驗(yàn)中,分塊大小為16×16,關(guān)鍵幀采樣率為0.7,圖像漸進(jìn)量化[11]的量化參數(shù)B=7、b1=5.由于一個(gè)GOP的中間幀與關(guān)鍵幀的距離較大,邊信息失真較嚴(yán)重,為了保證重構(gòu)質(zhì)量,該幀采樣率比其他非關(guān)鍵幀的采樣率稍高,文中選取為關(guān)鍵幀采樣率的1/3(0.23),其余非關(guān)鍵幀采樣率為0.005.原非關(guān)鍵幀漸進(jìn)量化算法和文中改進(jìn)的非關(guān)鍵幀漸進(jìn)量化算法參數(shù)B=7;b=1,2,…,7.壓縮感知重構(gòu)算法為BCS-SPL-DDWT[17].仿真實(shí)驗(yàn)結(jié)果如圖5所示,其中縱坐標(biāo)為第90幀至第95幀的平均PSNR值.由實(shí)驗(yàn)結(jié)果可見(jiàn),當(dāng)1≤b≤5時(shí),改進(jìn)的漸進(jìn)量化算法的重構(gòu)質(zhì)量明顯優(yōu)于原漸進(jìn)量化算法.這表明非關(guān)鍵幀觀測(cè)值的兩個(gè)最重要碼平面基本上能被正確恢復(fù),較重要碼平面所包含的正確信息對(duì)重構(gòu)質(zhì)量的貢獻(xiàn)更大,因此傳輸相同數(shù)目的碼平面時(shí),改進(jìn)的漸進(jìn)量化算法能夠獲得更高的視頻重構(gòu)質(zhì)量.

在相同碼率下,改進(jìn)的漸進(jìn)量化算法在重構(gòu)端能獲得精度更高的觀測(cè)值,從而獲得更高質(zhì)量的重構(gòu)視頻信號(hào).

圖5　兩種漸進(jìn)量化算法的性能比較

Fig.5Comparison of performance between two progressive quantization algorithms

3.2實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證文中所提算法的有效性,文中給出了30和15 Hz視頻序列的實(shí)驗(yàn)結(jié)果,并與文獻(xiàn)[15]的實(shí)驗(yàn)結(jié)果進(jìn)行了比較.

3.2.130 Hz視頻序列的實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)序列為30 Hz QCIF的Coastguard、Foreman和30 Hz CIF的News、Hall,實(shí)驗(yàn)數(shù)據(jù)為前150幀,GOP為5,運(yùn)動(dòng)估計(jì)方法與3.1節(jié)相同,QCIF和CIF視頻序列的分塊大小分別為16、32.

文中改進(jìn)的漸進(jìn)量化算法(VPQ)、均勻量化算法(SQ)及文獻(xiàn)[15]量化算法的率失真(RD)性能曲線如圖6所示.均勻量化算法的率失真性能是遍歷多種采樣率和量化深度選出的最優(yōu)值,不同序列的均勻量化參數(shù)選取基本一致:采樣率SR為0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8時(shí),其量化深度B分別取為5、6、6、6、7、7、7、7.文中漸進(jìn)量化算法的采樣率和量化深度的選取與均勻量化算法一致,其率失真性能是在固定采樣率SR和量化深度B下遍歷b(非關(guān)鍵幀傳輸?shù)拇a平面?zhèn)€數(shù))的所有取值選出的最優(yōu)值.實(shí)驗(yàn)中關(guān)鍵幀采樣率為0.1～0.8,采用圖像漸進(jìn)量化[11]和幀內(nèi)獨(dú)立重構(gòu),b1=B-2;非關(guān)鍵幀采樣率為0.005,GOP中間幀的采樣率為關(guān)鍵幀采樣率的1/3,采用非關(guān)鍵幀漸進(jìn)量化和殘差重構(gòu)[17];所有幀重構(gòu)算法為BCS-SPL-DDWT.經(jīng)大量實(shí)驗(yàn)發(fā)現(xiàn):B的選取與關(guān)鍵幀采樣率有關(guān),b的選取與非關(guān)鍵幀采樣率有關(guān),且B和b隨采樣率的降低而降低;m的選取與視頻單幀復(fù)雜度有關(guān),復(fù)雜度越高,最優(yōu)的m越大.但目前還沒(méi)有找到能準(zhǔn)確選擇最優(yōu)參數(shù)的方法,實(shí)驗(yàn)中的量化參數(shù)都是基于遍歷的最優(yōu)經(jīng)驗(yàn)值.不同采樣率下各序列參數(shù)m的取值見(jiàn)表1.

圖6　3種算法對(duì)30 Hz序列的率失真性能比較

從圖6可知:在相同碼率下,文中算法對(duì)Coastguard、Foreman、News、Hall序列進(jìn)行漸進(jìn)量化并重構(gòu)的PSNR值較文獻(xiàn)[15]的實(shí)驗(yàn)結(jié)果分別提升了6.0、8.5、8.0、9.5 dB,這是因?yàn)槲墨I(xiàn)[15]采用了殘差量化的方法,在編碼端觀測(cè)完成后,關(guān)鍵幀獨(dú)立量化,對(duì)非關(guān)鍵幀觀測(cè)值與關(guān)鍵幀觀測(cè)值之間的殘差進(jìn)行量化,傳輸量化符號(hào),該方法雖然在一定程度上挖掘了幀間相關(guān)性,通過(guò)縮小量化范圍來(lái)提升量化精度,但編解碼的殘差計(jì)算不太合理,從而導(dǎo)致了較大的誤差累加,使得最終性能不佳;在相同碼率下,文中算法對(duì)Coastguard、Foreman、News、Hall序列進(jìn)行漸進(jìn)量化并重構(gòu)的PSNR值較均勻量化算法提升了1.5、1.0、1.0、2.0 dB,表明文中所提算法具有較優(yōu)的率失真性能.這是因?yàn)槲闹兴惴ㄔ趯?duì)觀測(cè)值均勻量化后,只傳輸非關(guān)鍵幀觀測(cè)值在重構(gòu)端不能被準(zhǔn)確估計(jì)的較重要碼平面信息,在重構(gòu)端利用視頻幀間相關(guān)性,通過(guò)運(yùn)動(dòng)估計(jì)生成非關(guān)鍵幀的邊信息,從而得到觀測(cè)值的估計(jì),并結(jié)合接收到的觀測(cè)值信息精確地估計(jì)出缺失碼平面,節(jié)省了重構(gòu)端能準(zhǔn)確估計(jì)的碼平面所占用的資源,因此有效地降低了傳輸碼率,取得較好的率失真性能.

表1不同采樣率下各序列量化參數(shù)m的取值

Table 1Values of quantization parametermfor different sequences with different sampling rates

SRmNewsHallForemanCoastguardSuzieMother-daughterCity0.180.050.080.080.080.080.080.00.295.025.040.040.040.040.040.00.396.716.726.740.026.726.726.70.472.512.520.050.020.020.020.00.558.010.016.040.016.016.016.00.648.38.313.361.713.313.313.30.741.47.111.452.911.411.411.40.836.36.310.046.310.010.010.0

3.2.215 Hz視頻序列的實(shí)驗(yàn)結(jié)果

與30 Hz的視頻序列相比,15 Hz的視頻序列幀間相關(guān)性減小,運(yùn)動(dòng)程度更為劇烈.為了進(jìn)一步驗(yàn)證文中漸進(jìn)量化算法的有效性,采用15 Hz QCIF的Suzie、Foreman、City、Mother-daughter序列的前150幀進(jìn)行實(shí)驗(yàn).Suzie及Mother-daughter序列的GOP=8,City及Foreman序列的GOP=4,其他條件均與3.2.1節(jié)實(shí)驗(yàn)相同.兩種算法的率失真性能如圖7所示.

圖7　兩種量化算法對(duì)15 Hz序列的率失真性能比較

從圖7可知,在相同碼率下,文中算法對(duì)Suzie、Foreman、City、Mother-daughter序列進(jìn)行漸進(jìn)量化并重構(gòu)的PSNR值較均勻量化算法分別提升了0.5、1.0、1.2、1.3 dB,具有較好的率失真性能.文中漸進(jìn)量化算法能利用視頻信號(hào)的時(shí)間相關(guān)性來(lái)降低碼率,從而提升系統(tǒng)的整體率失真性能,且在視頻序列幀間相關(guān)性不太強(qiáng)的情況下,文中算法的性能仍優(yōu)于均勻量化算法.

為充分證明文中漸進(jìn)量化算法的優(yōu)越性,文中使用結(jié)構(gòu)相似度(SSIM)來(lái)對(duì)重構(gòu)視頻序列的質(zhì)量進(jìn)行綜合評(píng)測(cè),兩種算法重構(gòu)Foreman和Mother-daughter序列的SSIM值如圖8所示.從圖中可知,在相同碼率下,文中算法對(duì)Foreman、Mother-daughter序列進(jìn)行漸進(jìn)量化并重構(gòu)的SSIM值較均勻量化算法分別提升了0.025、0.030,系統(tǒng)的率失真性能提升非常明顯.

圖8　兩種算法對(duì)15 Hz序列的平均SSIM比較

Fig.8Comparison of average SSIM of different 15 Hz sequences between two quantization algorithms

Mother-daughter序列第82幀在均勻量化算法和文中漸進(jìn)量化算法下的主觀重構(gòu)質(zhì)量見(jiàn)圖9，其中非關(guān)鍵幀采樣率為0.005.由圖9可見(jiàn),兩種算法對(duì)Mother-daughter序列第82幀(非關(guān)鍵幀)的重構(gòu)質(zhì)量基本一致,碼率卻大幅下降.這表明與均勻量化算法相比,文中算法能夠大幅降低碼率,且對(duì)最終重構(gòu)質(zhì)量不會(huì)產(chǎn)生太大的影響.

4結(jié)論

文中提出了基于視頻信號(hào)幀間相關(guān)性和壓縮感知的視頻采集信號(hào)觀測(cè)值漸進(jìn)量化算法.該算法對(duì)非關(guān)鍵幀觀測(cè)值均勻量化后只傳輸若干不太重要的碼平面信息;在重構(gòu)端利用鄰近的已解碼幀通過(guò)運(yùn)動(dòng)估計(jì)產(chǎn)生該非關(guān)鍵幀的邊信息幀,再通過(guò)觀測(cè)得到非關(guān)鍵幀觀測(cè)值的估計(jì),并結(jié)合接收到的不太重要碼平面信息,通過(guò)漸進(jìn)量化的逆量化得到精確的觀測(cè)值.實(shí)驗(yàn)結(jié)果表明,在保持均勻量化復(fù)雜度和視頻序列重構(gòu)質(zhì)量的基礎(chǔ)上,文中算法能大幅降低碼率,獲得較高的率失真性能.由于基于壓縮感知的視頻采集信號(hào)觀測(cè)值漸進(jìn)量化的準(zhǔn)確程度十分依賴于邊信息幀的質(zhì)量,因此文中算法暫不適用于運(yùn)動(dòng)程度較劇烈的場(chǎng)景.進(jìn)一步改進(jìn)漸進(jìn)量化算法以適用于運(yùn)動(dòng)程度較劇烈的基于壓縮感知的視頻采集信號(hào),以及尋找一個(gè)較優(yōu)化的量化參數(shù)(B、b、m)的選取方法,是后續(xù)研究工作的重點(diǎn).

圖9　兩種量化算法對(duì)Mother-daughter序列第82幀的主觀重構(gòu)質(zhì)量比較

Fig.9Comparison of subjectively reconstructed quality of the 82nd frame in mother-daughter sequence between two quantization algorithms

參考文獻(xiàn)：

[1]DONOHO D L.Compressed sensing [J].IEEE Transactions on Information Theory,2006,52(4):1289- 1306.

[2]CANDES E J,ROMBERG J,TAO T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information [J].IEEE Transactions on Information Theory,2006,52(2):489- 509.

[3]朱江,廖桂生,朱圣棋.基于塊稀疏的空間碎片群目標(biāo)成像方法 [J].電子與信息學(xué)報(bào),2015(3):587- 593.ZHU Jiang,LIAO Gui-sheng,ZHU Sheng-qi.Space group debris imaging based on block-sparse method [J].Journal of Electronics & Information Technology,2015(3):587- 593.[4]常侃,覃團(tuán)發(fā),唐振華.基于聯(lián)合總變分最小化的視頻壓縮感知重建算法 [J].電子學(xué)報(bào),2014,42(12):2415- 2421.

CHANG Kan,QIN Tuan-fa,TANG Zhen-hua.Reconstruction algorithm for compressed sensing of video based on joint total variation minimazation [J].Acta Electronica Sinica,2014,42(12):2415- 2421.

[5]李然,干宗良,崔子冠,等.聯(lián)合時(shí)空特征的視頻分塊壓縮感知重構(gòu) [J].電子與信息學(xué)報(bào),2014(2):285- 292.LI Ran,GAN Zong-liang,CUI Zi-guan,et al.Block compressed sensing reconstruction of video combined with temporal-spatial characteristics [J].Journal of Electronics and Information Technology,2014(2):285- 292.

[6]BOUFOUNOS P,BARANIUK R.Quantization of sparse representations [C]∥Proceedings of 2007 Data Compression Conference.Snowbird:IEEE,2007:378.[7]GOYAL V K,FLETCHER A K,RANGAN S.Compressive sampling and lossy compression [J].Signal Processing Magazine IEEE,2008,25(2):48- 56.

[8]CRAVEN D,MCGINLEY B,KILMARTIN L,et al.Effects of non-uniform quantization on ECG acquired using compressed sensing [C]∥Proceedings of 2014 EAI the 4th International Conference on Wireless Mobile Communication and Healthcare.Athens:IEEE,2014:79- 82.

[9]MUN S,FOWLER J E.DPCM for quantized block-based compressed sensing of images [C]∥Proceedings of the 20th European Signal Processing Conference.Bucharest:IEEE,2012:1424- 1428.

[10]QIAN C,ZHENG B,LIN B.Nonuniform quantization for block-based compressed sensing of images in differential pulse-code modulation framework [C]∥Proceedings of the 2nd International Conference on Systems and Informatics.Shanghai:IEEE,2014:791- 765.

[11]WANG L,WU X,SHI G.Binned progressive quantization for compressive sensing [J].IEEE Transactions on Image Processing,2012,21(6):2980- 2990.[12]SHIRAZINIA A,CHATTERJEE S,SKOGLUND M.Distri-buted quantization for compressed sensing [C]∥Procee-dings of IEEE International Conference on Acoustics,Speech & Signal Processing.Florence:IEEE,2014:6439- 6443.[13]BAIG Y,LAI E M K,LEWIS J P.Quantization effects on compressed sensing video [C]∥Proceedings of IEEE International Conference on Telecommunications.Doha:IEEE,2010:935- 940.

[14]LIU H,SONG B,TIAN F,et al.Joint sampling rate and bit-depth optimization in compressive video sampling [J].IEEE Transactions on Multimedia,2014,16(6):1549- 1562.

[15]MUN S,FOWLER J E.Residual reconstruction for block-based compressed sensing of video [C]∥Proceedings of 2011 Data Compression Conference.Snowbird:IEEE,2011:183- 192.[16]ASCENSO J,PEREIRA F.Hierarchical motion estimation for side information creation in Wyner-Ziv video coding [C]∥Proceedings of the 2nd International Conference on Ubiquitous Information Management and Communication.Suwon:ACM,2008:347- 352.[17]MUN S,FOWLER J E.Block compressed sensing of images using directional transforms [C]∥Proceedings of 2010 Data Compression Conference.Snowbird:IEEE,2010:547.

收稿日期:2015- 10- 19

*基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61471173);廣東省自然科學(xué)基金資助項(xiàng)目(2016A030313455)

Foundation items: Supported by the National Natural Science Foundation of China(61471173) and the Natural Science Foundation of Guangdong Province(2016A030313455)

作者簡(jiǎn)介:楊春玲(1970-),女,博士,教授,主要從事圖像/視頻壓縮研究、圖像質(zhì)量評(píng)價(jià)研究.E-mail:eeclyang@scut.edu.cn

文章編號(hào):1000- 565X(2016)05- 0015- 07

中圖分類號(hào)：TN 919.8

doi：10.3969/j.issn.1000-565X.2016.05.003

Progressive Quantization Algorithm for Video Signal Acquisition Based on Compressed Sensing

YANGChun-lingLIUXuan

(School of Electronic and Information Engineering,South China University of Technology,Guangzhou 510640,Guangdong,China)

Abstract:In the video signal acquisition process on the basis of compressed sensing,the quantization method of measured values influences the reconstructed quality remarkably.In order to design a high-performance quantization method of measured values,a progressive quantization algorithm for compressed video sensing measurements named VPQ (Video Progress Quantization) is proposed on the basis of the inter-frame correlation of videos and the characteristics of measured compressed video sensing signals.In this algorithm, the measured non-key frames are quantized and only some bitplanes with less importance are transmitted.At the decoder,neighbor reconstructed frames are applied to motion estimation to generate the side information of non-key frames,and then the non-key frame measurements are estimated by measuring the side information frame.Finally,in combination with the bitplanes with less importance transmitted from the encoder,accurate measurements are obtained via the inverse quantization of progressive quantization.Experimental results show that,in comparison with uniform scalar quantization,the proposed VPQ algorithm helps greatly decrease the code rate without additional complexity and reconstruction quality degradation;and that it is of higher rate-distortion performance,with a gain ranging from 0.5 to 2.0 dB for different sequences.

Key words:progressive quantization;compressed sensing;video coding