一、帧间差值的DCT压缩ECG数据的方法(论文文献综述)
赵晓龙[1](2021)在《基于复合混沌系统的视频加密技术研究》文中认为互联网技术的发展推动了视频技术的进步,商场里播放的大屏幕广告可以为消费者提供有效的购物信息,丰富了商场的设施。直播行业的兴起使得人们对视频清晰度的要求也有了很高要求,这也为视频技术的提高起到了推波助澜的作用。H.264/AVC编码标准于1995年提出来距今已经有25年的历史,旧的视频编码技术已经无法满足目前发展的需求,HEVC编码技术成为主流的视频编码技术,视频安全传输一直是一个十分重要问题,视频加密是保护视频安全的一种重要手段,因此研究HEVC视频加密技术是十分必要的[1]。前人针对视频安全传输已经提出了很多视频加密方法,有很多学者是基于H.264/AVC编码标准提出的视频加密技术[2],但是H.264/AVC编码标准已经难以适应现在互联网技术的发展和人们日常生活的需要,也有的学者是基于HEVC编码标准提出的视频加密方案[3],但是加密技术复杂,难以满足实时加密,会影响视频加密效率,因此本文提出了一种基于HEVC编码标准的复合混沌系统的视频加密技术,视频信息其实就是由一帧一帧的图像信息构成,因此考虑将图像加密技术与视频加密联系起来,提出了一种改进约瑟夫遍历与分段logistic映射的图像加密算法,将该加密算法与HEVC编码视频中的DCT变化系数和运动矢量过程结合起来,得到基于复合混沌系统的HEVC视频加密算法,利用仿真实验得出了视频加密的效果图,通过视频加密检测指标对本文加密算法进行了分析。本文首先介绍了混沌系统的基本理论知识以及密码学的基本知识,对图像加密算法进行研究提出复合混沌系统的设计思路,将原始图像通过约瑟夫置乱和分段logistic映射扩散得出二维伪随机序列,其次从HEVC编码的概述和结构方面入手介绍了HEVC编码技术的基础知识,介绍了HEVC编码的几个重要过程,通过分析选取了DCT变化系数和运动矢量选取适合的二值化方法进行语法元素加密,将图像加密与视频加密结合起来,仿真结果表明基于复合混沌系统的HEVC视频加密算法加密效果良好,视频加密算法中复合混沌系统采用低维的混沌映射,计算复杂程度低,可以实现实时加密,应用范围较广,而且加密时选择熵编码中的旁路编码作为加密通道,不会改变视频码流和视频压缩比,因此可以更好地实现实时加密。
孙海超[2](2021)在《基于HEVC的超高清视频压缩算法研究》文中研究表明随着社会的飞速发展和宇航技术的不断进步,对高清和超高清视频的需求量越来越大,产生的数据量也越来越多,这给视频传输及空间存储都带来了巨大的成本。所以高清和超高清视频压缩编码是必不可少的技术手段。同时视频压缩编码的性能和复杂度也直接影响着高清和超高视频的应用范围和潜力。因此在保持一定视频质量的情况下,提高视频编码的压缩比,降低视频编码的复杂度是亟需解决的问题。作为新一代高效视频编码标准,HEVC相比于上一代视频压缩编码H.264节省50%左右数据量。然而随着高清和超高清视频的发展和普及,分辨率越来越来大,数量越来越多,并且还要在具有高误码率、带宽有限等特点的空间通信系统中进行视频传输,无疑对视频编码性能和视频传输可靠性提出了更大的挑战。因此,研究如何提高视频压缩编码性能,以及在空间通信系统中进行可靠的视频传输具有很高的应用价值和研究价值。本文针对基于HEVC的视频压缩编码标准以及在空间通信系统中的视频传输进行了深入研究和分析,取得的主要研究成果如下:(1)针对在保证一定视频质量的情况下,需要降低压缩数据量以满足通信带宽有限的问题,本文从消除数据统计冗余的角度,提出了一种基于Bandelet变换的视频压缩算法。该算法通过拉格朗日方法,并结合四叉树划分,以获得DCT变换系数的最优Bandelet基,从而实现对变换系数的最佳稀疏表达,提高压缩比。仿真结果表明,本算法在保证视频质量不变的条件下,能够平均降低约8%的码流。(2)针对HEVC标准进行高清和超清视频的视频压缩时,计算复杂度大幅度增大的问题,本文提出了一种用于全I帧压缩模式的基于相关性的快速帧内预测的压缩算法和一种用于低延时压缩模式的混合编码框架的快速压缩算法。基于相关性的快速帧内预测的压缩算法利用当前编码单元和相邻单元的相关性去除小概率的预测深度,从而减少遍历预测深度的次数。同时通过建立帧内预测模式候选表,利用预测模式的相关性,提出了一种分层搜索的模式预测方法,从而减少遍历帧内预测模式的次数。仿真结果表明,该算法仅以损失约1.2%的视频质量为代价,减少了约34.2%的视频编码时间。混合编码框架的快速压缩算法结合了静态背景视频的特点,采用运动目标检测算法提取出背景区域和运动区域。运动区域采用已提出的快速帧内预测算法和标准的帧间预测方法,背景区域利用相邻帧的相关性进行帧内预测和帧间预测。仿真结果表明,改进的混合框架快速压缩算法也仅以损失约1.6%的视频质量为代价,减少了约44.6%的编码时间。同时本文利用运动目标检测算法提取的划分区域,采用不均等的量化阈值对不同区域进行视频压缩,以提升人们对感兴趣区域的高质量的视觉需求。(3)针对空间通信系统视频传输过程中数据包丢失或错误引起的失真的问题,本文利用极化码中每个比特通道的可靠度不同,提出了一种基于极化码的不均等差错保护算法。采用一种降维的搜索算法,实现近似最优的极化码构造,以提升极化码的性能。通过对不同重要程度的压缩数据采用可靠度不同的比特信道进行保护,以降低空间通信系统视频传输对视频失真的影响。仿真结果表明,在相同信道条件下与均等保护算法相比,能够获得更好的视频质量。
秦莉文[3](2021)在《鲁棒数字水印性能优化方法研究》文中研究说明近年来,随着互联网和多媒体技术的飞速发展,数字信息以图像、视频、文字等形式被广泛传播。多媒体数据易被非法获取和篡改,从而导致严重的信息安全问题,例如版权纠纷、数据泄露等。作为多媒体数据版权保护的一种有效方法,数字水印技术在不影响视觉效果的情况下,将标识信息嵌入到多媒体数据中,从而利用提取的嵌入信息确认版权。本文针对最广泛使用的多媒体数据载体,即图像和视频,研究了不同嵌入规则下的鲁棒盲水印方法,优化其在水印图像质量、水印提取准确率和实时性上的性能,取得的主要研究成果如下:(1)提出一种基于空域最小可觉差(Just-noticeable Difference,JND)模型的视觉优化图像水印方法,解决了水印图像的非纹理区域存在明显视觉失真的问题。首先,利用空域JND模型约束每个空域像素的改变,并引入差值图像方差约束相邻像素的改变,然后构建一个优化问题求解最优的水印嵌入强度,这与空域的人眼视觉特性相符。与经典的基于DCT域JND模型的图像水印方法相比,相同PSNR下,所提方法的水印图像和宿主图像之间的SSIM更高,水印图像视觉质量更高。(2)提出一种基于多尺度特征的鲁棒图像水印方法,该方法利用深度学习提高了水印图像质量以及水印提取准确率。首先,在水印嵌入网络中,冗余嵌入水印信息。然后,引入具有不同大小卷积核的Inception-Res Net网络,更好地融合水印信息和宿主图像。同时在水印提取网络中,利用Inception-Res Net网络获取多尺度的特征,提高水印提取准确率。最后,采用两阶段的训练方法,保证水印图像质量的同时增强鲁棒性。在COCO数据集上的实验证明,与经典的Hi DDe N方法相比,所提方法提高了抵抗攻击的鲁棒性,水印提取准确率平均提高6.4%。(3)提出一种基于帧差的高效视频水印方法,解决了当前视频水印方法难以抵抗几何攻击、实时性低的问题。首先,修改相邻视频帧U通道每个像素嵌入1比特数据,同时引入空域JND模型约束修改量以确保水印视频质量。该方法在不进行几何矫正的情况下,通过计算帧差对水印信息进行盲提取,降低了计算复杂度。在标准视频序列上的实验证明,该方法可以抵抗严重的几何攻击。而且,与变换域视频水印方法相比,在相同嵌入容量和PSNR下,所提方法对于1080p视频的水印嵌入和提取速度提高了3倍以上。
王叶斐[4](2021)在《多模型联合优化的图像视频编码关键技术研究》文中研究指明随着如4K直播,远程会议,监控视频系统等应用的快速发展,图像视频数据量的爆炸式增长,海量图像视频数据的高效存储和传输给编码压缩技术带来前所未有的挑战。因此,探索更高效的图像视频压缩技术,进一步提升压缩的效率,是图像视频编码的根本目标。而编码问题本质是一个率失真优化问题。传统的编码方法主要采用了混合编码框架,这种方法依据图像处理以及计算机视觉的相关经验,通过人工设计算法如预测编码算法,变换编码算法,以及熵编码算法等一步步去除视频图像中的信息冗余,从而实现压缩。并在每一步通过多个不同压缩模式的优选来解率失真优化问题。但这种方法存在两个问题,一方面它首先高度依赖人工设计算法和参数调优,由于人工经验的局限性,在一些复杂或特殊场景下,算法的效率往往较低。另一方面不同模块的优化都是独立的,而没有考虑每个模块之间的联动,理论上会导致率失真优化处于局部最优。本文针对过去编码框架中多模型应用过程中存在的问题,首先研究在传统编码框架下的精准模型设计与多模型组合优选算法;然后将端到端压缩方法和传统框架结合,研究基于集成学习的端到端压缩算法;最后在此基础上将多模型编码代价也引入多模型训练,研究多模型率失真的联合优化。论文主要的研究工作与贡献如下:(1)本文针对传统编码框架下多模型精度差的问题,研究面向复杂场景的精准模型设计和多模型组合优化算法。对全景视频中存在的复杂运动畸变,首先从数学理论推导的角度设计一种基于球坐标变换的帧间预测运动模型,该运动模型可以更好刻画全景视频中的运动畸变。随后设计新运动模型的帧间编码算法,包括运动补偿算法和运动估计算法,并通过一些巧妙的方法简化算法并将其集成到现有编码框架。最后将新模型与现有框架中的多种运动模型相互融合,实现多运动模型的组合和快速优选算法。实验表明新运动模型和多模型组合优化方法可以有效提升帧间预测精度,提高对全景视频的压缩率,并降低解码复杂度。(2)本文针对传统编码框架中模块间无法联合优化问题,尝试进一步突破传统框架,将端到端网络压缩方法与传统框架相结合,并借助传统框架多模型优选的率失真优化方法的思想,解决端到端网络模型自适应差,复杂度高的问题,从而提出一种基于集成学习的端到端图像压缩框架。该框架采用分块自适应模型优选,本文为此框架的模型设计了多种模型生成算法,并采用如改进的提升方法,几何自集成等模型生成方法解决模型训练代价过高的问题,并同时保证模型的多样性。实验表明,基于集成学习的端到端图像压缩方法可以在不增加解码复杂度的情况下,有效提升压缩效率,反过来也可以在保证压缩效率情况下,减小解码复杂度。进一步的实验还证明了本文的方法具有良好的泛化能力。(3)本文针对多模型训练中并没有考虑多模型编码代价的问题,尝试将模型编码代价引入多模型训练,提出一种多模型率失真的联合优化方法,应用场景面向深度神经网络图像环路滤波。首先采用一种多模型联合训练的方法训练多个滤波网络,随后设计了一种在不同码率约束下控制模型的编码码率的方法。并通过基于退火的训练方法,解决模型训练中的坍缩问题。进一步地,设计了依据失真幅度的模型组优选+模型优选的两步优选方法,从而实现了比仅仅采用模型优选更优的率失真性能。在解码端通过图像块级自适应的两步模型优选,完成整个深度神经网络环路滤波的框架的构建。实验表明,该方法可以有效实现对多模型的编码码率控制,并且有效抑制模型坍缩,提高多模型深度神经网络滤波的率失真性能。
周杨铭[5](2021)在《面向HEVC版权保护的鲁棒视频水印算法研究》文中提出随着信息技术的蓬勃发展和高效视频编码(High Efficiency Video Coding,HEVC)的普及,HEVC视频在人们生产和生活中的作用更为重要。然而,由于HEVC视频缺乏有效的版权保护措施,盗版视频流通猖獗,各种侵权问题和维权之争层出不穷。因此,针对HEVC视频的版权保护已迫在眉睫。鲁棒视频水印,是目前解决视频版权纠纷的一个重要技术手段。本文研究了两类鲁棒视频水印:原始视频水印和压缩域水印,完成的主要工作如下:(1)针对现有原始视频水印算法不可感知性不足、难以抵抗HEVC压缩攻击的问题,提出了一种基于帧间离散余弦变换(Discrete Cosine Transform,DCT)系数差和最小可觉差(Just Noticeable Difference,JND)的鲁棒视频水印算法。为使算法可抵抗基于帧的攻击,将视频帧分组嵌入水印。由于帧间DCT系数差具有稳定性,因此将其作为鲁棒特征。基于JND阈值修改嵌入帧的DCT系数,使嵌入帧系数均值与参考帧系数均值的差处于预设范围内以嵌入水印,在保证失真不可感知情况下具有良好的鲁棒性。在提取阶段,使用平均法后处理进一步提高算法的鲁棒性。以部分JCT-VC标准测试序列为实验对象,测试了算法的性能。实验结果表明,与现有基于DCT的视频水印相比,该算法取得了更高的平均感觉分(Mean Opinion Score,MOS),证明了算法具有更好的主观不可感知性。同时,该算法对HEVC压缩、噪声及基于帧的攻击的鲁棒性也优于现有算法,具有更低的误码率(Bit Error Rate,BER)和更高的归一化互相关(Normalized Cross Correlation,NCC)。该算法在攻击强度较高的情况下仍可提取水印,具有良好的版权证明能力,可有效证明视频版权归属。(2)为解决现有的HEVC压缩域水印算法无法同时实现无帧内失真漂移、抵抗重压缩及信号处理攻击的问题,提出了一种基于预测残差的无帧内失真漂移压缩域鲁棒视频水印算法。经研究发现,HEVC编码视频中预测像素与其8邻域像素的均值具有鲁棒关系。基于此发现,采用多系数修改方法将水印嵌入到亮度变换块(Luminance Transform Block,LTB)的帧内预测残差像素中,使水印算法在避免帧内失真漂移产生的同时仍可抵抗重压缩攻击。基于残差的水印嵌入,使算法可从被攻击后合并为8×8大小的块中提取水印信息,提高了算法的鲁棒性。此外,根据应用需求设置3个不同的阈值来提高水印算法的性能,进一步提高了算法的不可感知性和鲁棒性。以部分JCT-VC标准测试序列为对象进行实验,结果表明与现有算法相比,该算法具有更高的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和MOS,即不可感知性更好。此外,该算法在HEVC重压缩和噪声、滤波攻击测试中,比现有算法具有更低的BER和更高的NCC,证明该算法鲁棒性更好。同时,该算法在视频压缩过程中嵌入水印,所用计算资源少,适用于大规模分发视频时的盗版追踪场合。
杨昆[6](2021)在《基于学习的视频纹理分析和合成编码》文中认为随着电子技术的日益进步,高品质多媒体设备逐渐进入到人们的日常生活,高清和超高清数字视频内容也逐步得到普及,但是,海量的视频数据也随之出现,这给视频数据的存储和网络传输带来了巨大的压力。目前,高性能视频编码(High Efficiency Video Coding,HEVC)是采用最为广泛的新一代视频编码标准,该标准采纳了大量的新技术,相比于上一代视频编码标准(H.264/AVC),它能够在相同主观质量的情况下节省大约一半的码率。即便如此,现有技术的视频压缩率和视频压缩需求之间仍然存在着巨大的鸿沟。因此,如何设计更加高效的视频压缩方法是目前视频编码领域面临的严峻挑战。传统的视频编码方案通常采用基于预测/变换的混合编码框架,利用灵活的块划分技术将输入图像/视频划分为树形结构单元,并基于信号在该单元内是平稳信号的假设,以牺牲复杂度为代价从多种编码模式中选择最优模式对其进行压缩编码。数十年来,该编码方案一直是基于香农信息论,从信号处理的角度,不断对标准中的技术进行微调。然而,自然视频内容的统计特性十分复杂,它往往在纹理、边沿等内容处展现出非平稳的信号特性,传统编码方法无法高效地对其进行压缩,因此,该部分内容在编码中往往需要耗费大量的比特数。但是,另一方面,人眼通常对该部分内容并不敏感,其内容即使存在细微的差异也不会被察觉;与此同时,深度学习技术在众多计算机视觉任务中展现出了非常强大的学习能力,并且也在视频编码领域取得了巨大的成功。因此,本工作主要的研究内容是如何利用深度学习技术并结合传统的经典视频编码技术来进一步提高视频纹理内容的压缩效率。论文的主要工作和创新如下:(1)本文针对静态纹理内容提出了一种基于深度学习非线性变换的编码方案。首先,本文设计了一个基于深度学习的非线性变换神经网络模型,并将其成功集成到现有的帧内编码框架之中;其次,本文提出可以利用帧内预测信息去除帧内预测残差中的方向性信息,以此提高变换的性能;再次,本文提出利用变换增益作为神经网络的损失函数以及针对变换系数的TopK训练方法,提高变换系数的能量压缩效果,进而降低编码变换系数所需的比特数。实验结果表明,本文提出的基于深度学习的非线性变换方案相比传统方法可以明显提升视频中纹理内容区域的编码性能。(2)本文针对视频中的动态纹理内容提出了一种动态纹理检测方案。首先,本文提出了一种基于运动方向直方图的动态纹理检测算法,该方法简便快捷并已经成功集成到视频编码框架中;其次,本文基于动态纹理内容之间的时空相关性,提出了一种对动态纹理检测结果的优化方案,以此提高动态纹理检测结果的准确度。实验结果表明,本文提出的动态纹理检测方案能够在满足编码需求的情况下快速准确地检测出自然视频中的动态纹理内容。(3)本文针对视频中的动态纹理内容编码提出了一种基于动态纹理检测合成的视频编码方案。首先,本文设计了一种利用时空域信息来进行动态纹理合成的生成对抗网络模型,提出了利用空域判别网络和时域判别网络增强合成结果的空域真实性和时域连贯性的方法;其次,本文提出一种结合动态纹理检测以及动态纹理合成的视频编码方案,并将该编码方案成功集成到帧间编码模块中,大大提升了纹理内容视频的编码效率;最后,本文采集并构建了动态纹理视频训练(验证)数据集用于神经网络的训练,并建立了动态纹理编码测试序列视频数据集用于动态纹理内容编码的研究。实验结果表明,本文提出的基于动态纹理检测和合成的视频编码方案能够显着提升动态纹理视频内容的编码效率。
秦晗[7](2021)在《视频编码标准AV1的率失真优化技术研究》文中提出AV1是开源媒体联盟AOM在2018年推出的新一代视频编解码标准,旨在开发应用于互联网的开源、专利免费的视频编解码器。AV1作为开源媒体联盟的首个视频编解码标准,与上一代视频编解码标准H.265/HEVC以及谷歌公司的VP9相比,AV1在相同的高清视频序列和测试条件下,编码性能均得到了提高。本文主要针对AV1视频编码标准的率失真优化技术进行研究和分析,并以不同的模型和质量评价方式为基础进行改进,提升编码增益。本文的研究工作可以分为以下三点:(1)针对AV1的层次结构,从失真传播的角度出发,首先列出不同时域层级之间时域率失真优化问题,然后对不同时域层级的聚合失真进行估计,进而根据失真调节拉格朗日乘子完成时域率失真优化。在I帧及ARF(Alternative Reference Frame)优化层面,统计其参考利用率,提出对I帧块级QP的自适应优化。由于AV1默认采用两次编码,根据第一次编码记录的帧间信息对模型参数进行自适应调整。与AV1相比,该方法在亮度分量取得了平均2.00%的BD-Rate(PSNR)编码增益。(2)针对AV1的层次结构,从码率变化的角度出发,首先建立失真与码率变化的模型,进而将模型集成到率失真代价函数中,最终调节拉格朗日乘子完成时域率失真优化。在进行原始运动补偿误差的分析与计算时,考虑不同时域层级对应的参考帧,并进行自适应优化,同时根据第一次编码记录的帧间信息调整计算所需的阈值,最终提高编码效率。与AV1相比,该方法在亮度分量取得了平均1.50%的BD-Rate(PSNR)编码增益。(3)针对AV1在主观质量上的率失真优化问题,结合JND模型,从时域和空域的角度,分析并改进传统的JND模型,将时域缩放因子结合到模型中,以更好反映时域特性。在运动搜索方面,使用基于JND阈值的运动估计得到主观失真,并根据AV1编码结构增加对多参考帧的优化,进而调整以JND模型为基础的拉格朗日乘子,实现主观质量下的率失真优化。与AV1相比,该方法在亮度分量取得了平均1.18%的BD-Rate(SSIM)编码增益。
程学理[8](2021)在《视频压缩多路并行控制与优化算法研究》文中认为泛娱乐产业发展如火如荼,视频压缩作为基础业务,发挥着极其重要的推动作用。视频压缩的核心技术不断更新,但人们对视频的要求不断提高,有限网络带宽与超高视频码率之间的矛盾仍是未来很长一段时期的研究热点。码率控制与率失真优化技术作为视频编码端优化技术,不可或缺。视频转码能力作为视频服务提供商的硬实力的象征,长期以来各大厂商不遗余力地研发提升。为此,本文围绕多路并行码率控制、率失真优化和视频转码三项内容展开研究工作。(1)研究基于I-帧周期并行机制下的时域分层恒定码率控制算法。首先根据AVS3参考软件支持的随机访问片段机制,构建并行编码实施方法,将I-帧周期并行条件转化为更为严格的短时限制条件。然后根据统计分析,建立新的率失真函数模型,并将其作为编码参数调节的技术保障。接着根据编码器特性,为编码的每个层级制定自适应码率分配策略。最后导出帧级量化参数,达到并行恒定码率控制的目的。(2)研究基于图像内容复杂度的率失真优化算法。首先通过下采样亮度分量的边缘纹理检测结果计算得到帧内复杂度。接着通过信源的运动估计计算得到帧间复杂度。然后融合帧内、帧间复杂度并将其映射到视觉熵域。最后通过经典的率失真模型导出编码单元级的拉格朗日乘子,提升编码客观和主观性能。(3)研究基于解码信息复用的快速转码方法。针对H.264/AVC向HEVC/H.265的转码任务,通过分析两项标准的块划分、帧内预测和帧间预测技术的异同,利用H.264/AVC码流解码信息,构建HEVC/H.265的快速块划分方法以及模式抉择策略。最终完成高效异构转码。所提出的并行时域分层恒定码率控制算法,能够自适应地适配不同编码器环境,达到优异的码率控制精度,为稳定的视频传输提供强有力的技术保障。所提出的基于内容复杂度的率失真优化算法在AVS3开源软件平台集成后,测试表明同时提升了客观和主观性能。所提出的基于解码信息复用的快速转码方法在HEVC参考软件HM平台上的集成测试表明显着提升编码速率。论文的部分工作已被中国音视频标准工作组采纳,形成专利技术,包含技术提案3份、国内专利6项和国际专利6项。
林正灵[9](2020)在《AVS2中基于编码预测块预测模式的QP值调整算法研究》文中指出二十一世纪,科技不断进步,多媒体技术日趋成熟,在多媒体服务中高清、实时成了最重要的指标。在越来越大的视频数据信息的存储和传输挑战下,视频编码技术、码率控制技术成为了最重要的研究技术点。当前AVS2编码标准中的码率控制方案是采用模糊逻辑码率控制法,有一定的局限性,没有考虑到视频不同帧图像的特殊性。在图像复杂度较低或者帧间相关性较大的帧图像中,可以通过适当地调整量化参数QP,进而对码率做出更进一步的压缩调整。本课题研究的量化参数调整方案主要是对AVS2视频编码过程中的编码块划分和编码块预测模式选择进行分析,通过一定的比例反馈,对每帧图像的量化参数QP进行调整,在细节上进一步加深视频图像复杂度和帧间相关性的码率控制影响。本课题在设计和技术实现上主要有下列两个创新点:第一,将AVS2编码标准的编码块划分过程进行细致的分析,利用不同尺寸块划分的比例情况,对图像复杂度进行反映,进而利用调整量化参数QP对码率进行适当压缩。第二,深入分析帧内/帧间预测过程,对块划分后的预测模式选择进行研究,利用采取帧间预测模式的像素所占比例对量化参数QP进行适当的调整,达到适当压缩码率的目的。本论文的主要工作有以下几项:1.AVS2编码平台搭建,主要包括虚拟机系统Linux的安装,FFmpeg多媒体处理框架的搭建,XAVS2代码运行环境构建。2.XAVS2代码的初始化和运行调整。3.原XAVS2块划分和码率控制相关部分的研究分析,在此基础上利用适当的调整方案对量化参数QP进行调整,并用通用测试序列进行测试,验证性能。从测试的结果可以看出,本方案的比特率失真比率(BD-Rate)获得了良好的增益效果,能够在原来码率控制的基础上进一步做到对码率的调控。
许佳琪[10](2020)在《Android平台下FFmpeg的AVS2视频播放器的设计与算法优化》文中研究表明随着移动通信技术的迅猛发展与手持移动终端设备的普及,传播与获取信息的媒介由文字向视频转移,人们对高清、超高清视频的需求日益提升。AVS2是我国自主知识产权的编解码标准,其主要的应用目标是超高清晰度视频,支持4K、高动态范围视频的高效压缩。目前市面上的移动终端中,能够支持AVS2标准的视频应用较少,在支持AVS2的视频应用中普遍存在两方面问题:第一,由于硬件性能普遍弱于PC端,手持移动终端在对高清、超高清AVS2视频进行解码播放的过程中的运算量很大以致影响实时解码播放;第二,通信信道的不可靠性会导致部分视频数据的丢失或损坏,H.264/AVC、H.265/HEVC等国际编解码标准针对此问题在解码端有较多的错误隐藏算法的研究与应用,但AVS2在此方面少有研究。针对于上述问题,本文设计了一款Android平台下FFmpeg的AVS2视频播放器,并针对播放器的解码算法中的IDCT算法和错误隐藏算法进行了优化。本文在AVS2视频播放器解码算法的优化中主要有以下三点创新:第一,针对AVS2解码过程中高频分量全0和有少数高频分量的TU提出了 IDCT优化算法,减少了 IDCT算法的运算量进而提升解码速度。第二,对LCU错误隐藏块划分算法进行了优化,针对AVS2中块划分的特性,将原MVC算法优化为MVEP算法,从而提升了错误隐藏的效果。第三,对PU的错误隐藏的运算顺序进行了优化,将原光栅扫描顺序优化为根据相邻块的权重图确定PU错误隐藏顺序,进而提升了整体错误隐藏效果。在完成本课题的过程中工程上的主要工作与成果包括以下四项:第一,对FFmpeg进行修改与裁剪,对所用到的核心层库与底层C/C++代码通过NDK进行交叉编译与移植。第二,对Android平台架构与播放器功能结构进行分析,设计了三层结构并对每层结构划分了功能模块,并根据设计将播放器进行了实现。第三,将所提出的IDCT优化算法在工程代码中进行实现,并对算法性能进行实验测试,结果显示对于多种分辨率不同内容的视频,该算法可提升6%~9%的解码速度。第四,将错误隐藏优化算法在RD17.0代码中进行实现与测试,结果显示该优化算法的PSNR相较于原算法有0.19~1.75dB的提升。
二、帧间差值的DCT压缩ECG数据的方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、帧间差值的DCT压缩ECG数据的方法(论文提纲范文)
(1)基于复合混沌系统的视频加密技术研究(论文提纲范文)
摘要 |
abstract |
1.绪论 |
1.1 课题研究的背景及意义 |
1.2 国内外相关领域的发展现状 |
1.3 视频加密的基本原则 |
1.4 论文结构安排 |
2.混沌系统的基本理论 |
2.1 密码学概述 |
2.2 混沌理论的基础知识 |
2.3 混沌系统的评价标准 |
2.4 混沌系统的特性 |
2.5 混沌加密算法的基本设计思路 |
2.6 加密算法性能分析 |
2.7 本章小结 |
3 复合混沌系统在图像加密中的应用 |
3.1 序列密码的基本原理 |
3.2 图像加密相关领域的发展现状 |
3.3 改进约瑟夫遍历与分段logistic映射的图像加密算法的设计 |
3.3.1 约瑟夫遍历 |
3.3.2 logistic映射 |
3.3.3 加密算法设计 |
3.3.4 仿真结果 |
3.3.5 相邻像素点的相关性 |
3.4 本章小结 |
4.HEVC编码的基础知识 |
4.1 HEVC编码的概述 |
4.2 HEVC编码结构 |
4.3 HEVC编码的帧内预测和帧间预测 |
4.4 HEVC编码的变换与量化 |
4.5 熵编码 |
4.6 视频加密的性能指标 |
4.7 本章小结 |
5.基于HEVC的复合混沌加密算法 |
5.1 视频加密元素的选取 |
5.2 基于 DCT 变化系数的加密方案设计 |
5.3 基于运动矢量的加密方案设计 |
5.4 基于复合混沌系统的视频加密系统的设计 |
5.5 仿真结果以及实验数据分析 |
5.5.1 视频质量分析 |
5.5.2 加密算法加密时间分析 |
5.5.3 密钥空间分析 |
5.5.4 安全性能分析 |
5.6 本章小结 |
6.总结与展望 |
参考文献 |
攻读博士(硕士)期间发表的论文及所取得的研究成果 |
致谢 |
(2)基于HEVC的超高清视频压缩算法研究(论文提纲范文)
摘要 |
abstract |
第1 章 绪论 |
1.1 课题研究背景及意义 |
1.2 HEVC视频压缩的研究现状 |
1.2.1 HEVC视频压缩算法的优化研究 |
1.2.2 视频传输的不均等差错保护技术研究 |
1.3 论文的主要工作和章节安排 |
第2 章 视频压缩及相关关键技术 |
2.1 视频压缩发展概述 |
2.2 HEVC视频压缩算法概述 |
2.2.1 四叉树划分 |
2.2.2 帧内预测技术 |
2.2.3 帧间预测技术 |
2.2.4 变换技术 |
2.2.5 量化技术 |
2.2.6 可分级视频编码 |
2.3 空间通信系统视频传输概述 |
2.4 实验与结果分析 |
2.5 本章小结 |
第3章 基于Bandelet变换的视频压缩算法 |
3.1 DCT变换 |
3.2 基于Bandelet变换的压缩算法 |
3.2.1 残差变换系数 |
3.2.2 Bandelet变换 |
3.2.3 算法流程 |
3.3 性能评估与分析 |
3.3.1 二次变换原理仿真验证与分析 |
3.3.2 基于Bandelet变换的压缩算法的仿真验证与分析 |
3.4 本章小结 |
第4 章 基于静态背景视频的压缩算法 |
4.1 基于静态背景视频的感兴趣区域的压缩算法 |
4.1.1 算法流程 |
4.1.2 系统实现和性能评估 |
4.2 基于静态背景视频的快速视频压缩算法 |
4.2.1 静态背景视频的相关性分析 |
4.2.2 快速视频压缩算法 |
4.2.2.1 基于相关性的快速帧内预测压缩算法 |
4.2.2.2 混合编码框架的快速压缩算法 |
4.3 性能评估与分析 |
4.3.1 快速帧内预测压缩算法的仿真验证与分析 |
4.3.2 混合编码框架快速压缩算法的仿真验证与分析 |
4.4 本章总结 |
第5 章 基于极化码的视频压缩不均等差错保护算法 |
5.1 极化码的编译码研究 |
5.1.1 信道极化现象和极化码编码 |
5.1.2 极化码译码 |
5.2 近似最优的极化码构造算法 |
5.2.1 信道模型 |
5.2.2 基于高斯近似的极化码构造 |
5.2.3 算法流程 |
5.3 基于极化码的不均等差错保护算法 |
5.3.1 失真模型分析 |
5.3.2 算法流程 |
5.4 性能评估与分析 |
5.4.1 近似最优的极化码构造算法的仿真验证与分析 |
5.4.2 基于极化码的不均等差错保护算法的仿真验证与分析 |
5.5 本章小结 |
第6 章 总结与展望 |
6.1 总结 |
6.2 未来展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(3)鲁棒数字水印性能优化方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于量化的图像水印方法 |
1.2.2 基于扩频的图像水印方法 |
1.2.3 基于深度学习的图像水印方法 |
1.2.4 原始域视频水印方法 |
1.2.5 压缩域视频水印方法 |
1.3 本文研究内容 |
1.4 论文结构安排 |
2 鲁棒数字水印方法 |
2.1 基本原理 |
2.2 常见的攻击类型及抵抗方法 |
2.2.1 常见的攻击类型 |
2.2.2 抵抗几何攻击的数字水印方法 |
2.2.3 抵抗其它攻击类型的数字水印方法 |
2.3 空域最小可觉差模型 |
2.4 评价标准 |
2.5 现有鲁棒数字水印方法存在的问题 |
2.6 本章小结 |
3 基于空域最小可觉差模型的视觉优化图像水印方法 |
3.1 问题分析 |
3.2 算法描述 |
3.2.1 水印嵌入 |
3.2.2 求解最优水印嵌入强度 |
3.2.3 水印提取 |
3.3 实验设置及评价标准 |
3.4 实验结果及分析 |
3.4.1 不可见性测试 |
3.4.2 鲁棒性测试 |
3.5 本章小结 |
4 基于多尺度特征的鲁棒图像水印方法 |
4.1 问题分析 |
4.2 基于多尺度特征的鲁棒图像水印网络结构 |
4.2.1 编码器 |
4.2.2 噪声层 |
4.2.3 解码器 |
4.2.4 判别器 |
4.3 实验设置及评价标准 |
4.4 实验结果及分析 |
4.4.1 无噪声层训练的网络性能测试 |
4.4.2 单个噪声层训练的网络性能测试 |
4.4.3 多个噪声层训练的网络性能测试 |
4.4.4 消融实验 |
4.5 本章小结 |
5 基于帧差的高效视频水印方法 |
5.1 问题分析 |
5.2 算法描述 |
5.2.1 基于相邻帧色度通道的水印嵌入 |
5.2.2 基于帧差的水印提取 |
5.3 实验设置及评价标准 |
5.4 实验结果及分析 |
5.4.1 不可见性测试 |
5.4.2 鲁棒性测试 |
5.4.3 实时性测试 |
5.5 本章小结 |
6 总结及展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(4)多模型联合优化的图像视频编码关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 简介 |
1.1 研究背景和意义 |
1.2 研究历史与现状 |
1.3 论文主要工作和内容安排 |
第2章 视频图像编码与深度学习基础 |
2.1 图像与视频编码的概念与框架 |
2.2 传统图像视频编码框架 |
2.2.1 JPEG |
2.2.2 JPEG 2000 |
2.2.3 HEVC标准 |
2.3 深度学习编码 |
2.3.1 深度学习基础 |
2.3.2 深度学习编码 |
2.4 集成学习基础 |
2.4.1 提升法 |
2.4.2 装袋法 |
第3章 面向全景视频的多运动模型联合优化 |
3.1 全景视频压缩概述 |
3.1.1 全景视频压缩概述 |
3.1.2 现有方法 |
3.1.3 本章贡献 |
3.2 算法框架 |
3.3 基于球坐标变换的运动模型 |
3.3.1 经纬图投影格式与球坐标变换 |
3.3.2 球坐标变换运动模型的推导与构建 |
3.4 球坐标变换运动模型的帧间预测算法 |
3.4.1 运动补偿算法 |
3.4.2 运动估计算法 |
3.4.3 合并模式算法 |
3.5 组合优化加速算法 |
3.6 编码与语法设计 |
3.7 实验 |
3.7.1 实验配置 |
3.7.2 测试结果分析 |
3.7.3 实验总结 |
3.8 本章小结 |
第4章 基于集成学习的端到端图像压缩 |
4.1 端到端图像压缩概述 |
4.1.1 动机 |
4.1.2 现有方法 |
4.1.3 本章贡献 |
4.2 框架 |
4.3 基于改进提升法的多模型训练 |
4.3.1 模型的多样性 |
4.3.2 基于改进提升法的模型生成方法 |
4.4 几何自集成 |
4.5 四叉树块划分 |
4.6 多概率分布模型 |
4.7 集成融合和模式选择 |
4.8 实验 |
4.8.1 实验设置 |
4.8.2 总体性能 |
4.8.3 消融实验 |
4.8.4 简化模型实验 |
4.8.5 计算复杂度分析 |
4.8.6 讨论 |
4.8.7 实验总结 |
4.9 本章小结 |
第5章 多模型率失真联合优化的深度神经网络图像环路滤波 |
5.1 研究背景 |
5.1.1 动机 |
5.1.2 现有方法 |
5.1.3 本章贡献 |
5.2 框架 |
5.3 多模型联合训练方法 |
5.4 基于退火思想的模型训练 |
5.5 基于残差幅度块级自适应模型组优选 |
5.6 实验 |
5.6.1 实验设置 |
5.6.2 实验结果与分析 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 本文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(5)面向HEVC版权保护的鲁棒视频水印算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景与研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 原始视频水印算法 |
1.2.2 压缩域水印算法 |
1.3 论文主要工作与组织结构 |
第2章 HEVC编码及视频水印技术 |
2.1 HEVC编码简介 |
2.1.1 HEVC编码框架 |
2.1.2 编码单元 |
2.1.3 帧内预测 |
2.1.4 变换和量化 |
2.2 视频水印技术 |
2.2.1 视频水印基本模型 |
2.2.2 视频水印的特性 |
2.2.3 视频水印的评价指标 |
2.2.4 本文所用测试视频序列 |
第3章 基于帧间DCT系数差和JND的视频水印算法 |
3.1 水印嵌入 |
3.1.1 水印帧提取 |
3.1.2 DCT |
3.1.3 JND模型 |
3.1.4 Arnold变换 |
3.1.5 基于帧间系数差的水印嵌入 |
3.2 水印提取 |
3.2.1 基于帧间系数差的水印提取 |
3.2.2 水印后处理 |
3.3 实验结果与分析 |
3.3.1 嵌入系数位置测试 |
3.3.2 不可感知性测试 |
3.3.3 鲁棒性测试 |
3.4 本章小结 |
第4章 基于预测残差的无失真漂移HEVC压缩域水印算法 |
4.1 基于残差像素的水印嵌入方法 |
4.1.1 存在的问题及分析 |
4.1.2 HEVC压缩域鲁棒特征分析 |
4.2 水印嵌入 |
4.3 水印提取 |
4.4 实验结果与分析 |
4.4.1 阈值参数设置 |
4.4.2 不可感知性测试 |
4.4.3 鲁棒性测试 |
4.4.4 BIR测试 |
4.5 本章小结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
附录 |
参考文献 |
致谢 |
攻读学位期间发表的学术成果和参加的科研项目 |
学位论文评阅及答辩情况表 |
(6)基于学习的视频纹理分析和合成编码(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究历史和现状 |
1.2.1 静态纹理内容压缩 |
1.2.2 动态纹理内容分析与合成 |
1.3 论文主要工作及内容安排 |
第二章 数字视频基础知识 |
2.1 视频压缩原理及主要技术 |
2.1.1 视频压缩原理 |
2.1.2 视频压缩主要技术 |
2.2 HEVC简介 |
2.2.1 HEVC编码框架 |
2.2.2 块划分 |
2.2.3 帧内预测 |
2.2.4 帧间预测 |
2.2.5 变换 |
2.2.6 量化 |
2.2.7 熵编码 |
2.3 深度学习基础 |
2.3.1 卷积神经网络 |
2.3.2 生成对抗神经网络 |
2.4 人类视觉系统和质量评价准则 |
2.4.1 人类视觉系统 |
2.4.2 质量评价 |
第三章 基于深度学习的静态纹理高效变换编码 |
3.1 研究简介 |
3.1.1 研究动机 |
3.1.2 主要贡献 |
3.2 基于深度学习的静态纹理高效变换编码框架 |
3.3 网络结构 |
3.3.1 方向信息模块 |
3.3.2 变换模块 |
3.4 网络训练 |
3.4.1 损失函数 |
3.4.2 模型训练 |
3.5 实验结果及其分析 |
3.5.1 实现及实验配置 |
3.5.2 编码性能实验结果及分析 |
3.5.3 验证实验结果及分析 |
3.5.4 实验结果总结 |
3.6 本章小结 |
第四章 基于运动方向直方图的动态纹理的检测技术 |
4.1 动态纹理分析概述 |
4.1.1 研究动机 |
4.1.2 动态纹理检测技术 |
4.1.3 本章贡献 |
4.2 动态纹理检测技术框架及其在编码中的应用 |
4.2.1 动态纹理检测技术框架 |
4.2.2 基于动态纹理检测的编码框架 |
4.3 基于运动方向直方图的动态纹理的检测技术 |
4.4 实验结果 |
4.4.1 动态纹理检测实验结果 |
4.4.2 动态纹理检测在视频编码中的验证 |
4.5 实验结果总结 |
4.6 本章小结 |
第五章 基于动态纹理分析与合成的动态纹理编码 |
5.1 动态纹理分析与合成的动态纹理编码技术概述 |
5.1.1 研究动机 |
5.1.2 现有的动态纹理分析与合成的动态纹理编码技术 |
5.1.3 本章贡献 |
5.2 动态纹理分析与合成的动态纹理编码框架 |
5.3 动态纹理分析与合成的动态纹理编码技术 |
5.3.1 网络结构 |
5.3.2 生成网络 |
5.3.3 判别网络 |
5.3.4 损失函数设计 |
5.4 基于动态纹理分析和合成的编码方案的集成 |
5.5 实验结果及分析 |
5.5.1 数据集 |
5.5.2 网络训练 |
5.5.3 损失函数和网络结构验证 |
5.5.4 压缩性能 |
5.5.5 主观实验 |
5.5.6 实验小结 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 未来展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(7)视频编码标准AV1的率失真优化技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 H.26X系列 |
1.2.2 MPEG系列 |
1.2.3 AVS系列 |
1.2.4 VP系列 |
1.2.5 AV1 系列 |
1.3 本文的主要贡献与创新 |
1.4 本论文的结构安排 |
第二章 视频编码标准AV1 概述 |
2.1 引言 |
2.2 视频编码标准AV1 |
2.2.1 AV1 编码框架 |
2.2.2 AV1 编码标准关键技术 |
2.2.3 AV1 编码结构 |
2.3 本章小结 |
第三章 AV1 视频编码标准下的时域率失真优化技术 |
3.1 引言 |
3.2 率失真优化技术研究 |
3.3 信源失真传播模型 |
3.3.1 AV1 的层次编码结构 |
3.3.2 层次结构下的率失真优化 |
3.3.3 不同时域层级子问题求解 |
3.3.4 失真分析及拉格朗日乘子的估计 |
3.3.5 I帧及ARF帧优化 |
3.3.6 参数自适应调整 |
3.3.7 实验结果及分析 |
3.4 基于码率增量的帧间依赖模型 |
3.4.1 模型分析 |
3.4.2 拉格朗日乘子的估计 |
3.4.3 实现细节 |
3.4.4 实验结果及分析 |
3.5 本章小结 |
第四章 AV1 视频编码标准下基于JND模型的率失真优化技术 |
4.1 引言 |
4.2 视觉感知特性及JND模型 |
4.2.1 亮度对比度 |
4.2.2 掩蔽效应 |
4.2.3 JND模型 |
4.3 基于像素域JND模型的率失真优化技术 |
4.4 实现细节 |
4.5 实验结果及分析 |
4.6 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(8)视频压缩多路并行控制与优化算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 编码标准的发展 |
1.2.2 行业发展现状 |
1.3 主要贡献与创新 |
1.4 论文的结构安排 |
第二章 编码理论基础 |
2.1 视频图像特性 |
2.2 性能与评价 |
2.2.1 客观评价指标 |
2.2.2 主观评价指标 |
2.3 编码参考结构 |
2.4 混合编码框架 |
2.4.1 块划分技术 |
2.4.2 帧内预测 |
2.4.3 帧间预测 |
2.4.4 变换量化 |
2.4.5 滤波技术 |
2.4.6 熵编码 |
2.5 小结 |
第三章 时域分层多路并行码率控制 |
3.1 并行码率控制编码机制 |
3.1.1 AVS3 并行编码机制 |
3.1.2 码率控制策略 |
3.2 码率控制理论与模型 |
3.2.1 分类 |
3.2.2 控制理论 |
3.2.3 控制模型 |
3.2.4 符号系统 |
3.3 码率-量化参数模型 |
3.3.1 经典R-Q模型 |
3.3.2 指数R-S-Q模型 |
3.4 时域分层恒定码率控制算法 |
3.4.1 比特分配 |
3.4.2 量化参数确定 |
3.4.3 编码更新 |
3.4.4 初始量化参数设定 |
3.5 算法流程 |
3.6 测试与分析 |
3.6.1 测试环境 |
3.6.2 并行加速比分析 |
3.6.3 初始量化参数对比分析 |
3.6.4 码率控制精度及BD-RATE性能分析 |
3.6.5 缓冲区状态对比 |
3.7 小结 |
第四章 基于内容复杂度的率失真优化 |
4.1 率失真优化技术理论 |
4.2 内容复杂度分析 |
4.2.1 帧内复杂度 |
4.2.2 帧间复杂度 |
4.2.3 复杂度的融合 |
4.3 率失真优化 |
4.3.1 视觉熵映射 |
4.3.2 拉格朗日乘子调节 |
4.4 算法流程 |
4.5 测试与分析 |
4.6 小结 |
第五章 异构平台快速转码 |
5.1 转码基础 |
5.2 异构转码分析 |
5.2.1 H.264/AVC架构分析 |
5.2.2 HEVC/H.265 架构分析 |
5.2.3 率失真抉择过程 |
5.3 解码信息复用 |
5.3.1 划分深度快速方法 |
5.3.2 模式抉择快速方法 |
5.4 快速转码实施流程 |
5.5 测试与分析 |
5.6 小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
(9)AVS2中基于编码预测块预测模式的QP值调整算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 视频编码标准发展现状 |
1.2.2 我国视频压缩标准AVS的制定与发展 |
1.2.3 码率控制的发展及现状 |
1.3 论文主要研究内容 |
1.4 论文工作及章节安排 |
1.5 本章小结 |
第二章 视频编码相关理论和技术 |
2.1 视频编码技术 |
2.1.1 压缩编码 |
2.1.2 预测编码 |
2.1.3 图像基本切割单元 |
2.1.4 码率控制和量化参数 |
2.2 AVS2视频编码技术 |
2.2.1 AVS2编码框架 |
2.2.2 深度优先CU划分过程 |
2.2.3 多假设帧间预测 |
2.3 码率控制的相关技术 |
2.3.1 模糊逻辑码率控制 |
2.3.2 PID反馈码率控制 |
2.4 本章小结 |
第三章 AVS2编码平台搭建 |
3.1 AVS2编码平台需求分析 |
3.2 VM虚拟机 |
3.3 Linux系统介绍 |
3.4 FFmpeg多媒体处理框架 |
3.5 本章小结 |
第四章 AVS2量化参数QP值调整策略 |
4.1 AVS2码率控制局限性 |
4.2 图像复杂度估计和帧间相关性判断 |
4.3 量化参数QP值调整方案 |
4.4 测试环境与结果分析 |
4.4.1 测试环境 |
4.4.2 结果分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 后续工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(10)Android平台下FFmpeg的AVS2视频播放器的设计与算法优化(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景 |
1.2 论文研究价值 |
1.3 国内外研究发展与现状 |
1.4 论文研究的关键问题 |
1.5 论文工作与章节安排 |
第二章 视频编解码相关理论和技术 |
2.1 AVS2视频文件的解析 |
2.2 AVS2编解码标准 |
2.2.1 AVS2标准与解码框架 |
2.2.2 AVS2的层次结构与IDCT变换 |
2.2.3 参考帧和图像间顺序 |
2.3 错误隐藏算法 |
2.3.1 时域错误隐藏算法 |
2.3.2 空域错误隐藏算法 |
2.4 FFmpeg多媒体处理框架与图像格式转换 |
2.5 Android平台框架与NDK交叉编译 |
2.5.1 Android架构与开发平台 |
2.5.2 JNI技术与NDK |
2.6 本章小结 |
第三章 IDCT解码算法优化 |
3.1 问题的提出 |
3.2 变换单元的大小与零分布分析 |
3.2.1 变换单元的划分与大小分布 |
3.2.2 变换单元零占比分析 |
3.3 IDCT优化算法的提出 |
3.3.1 AVS2中的IDCT变换 |
3.3.2 本文IDCT优化算法 |
3.3.3 算法复杂度分析 |
3.4 优化算法的集成与测试 |
3.4.1 代码结构分析与IDCT优化算法的集成 |
3.4.2 优化算法的测试结果与分析 |
3.5 本章小结 |
第四章 AVS2中错误隐藏优化算法 |
4.1 问题的提出 |
4.2 已有MVE与块划分算法 |
4.2.1 MVE算法与基于重叠面积的MVE算法 |
4.2.2 基于残差与PU融合的块划分算法 |
4.3 错误隐藏算法的优化 |
4.3.1 LCU错误隐藏块划分算法的优化 |
4.3.2 PU错误隐藏算法顺序的优化 |
4.3.3 算法的框图与描述 |
4.4 算法集成与结果分析 |
4.4.1 算法的集成与实验环境 |
4.4.2 客观结果分析 |
4.4.3 主观结果分析 |
4.5 本章小结 |
第五章 播放器的设计与实现 |
5.1 Android端播放器的设计 |
5.1.1 Android端视频播放器功能需求分析 |
5.1.2 Android端视频播放器架构设计 |
5.2 C/C++核心层的编译与移植 |
5.2.1 C/C++核心层的库文件 |
5.2.2 FFmpeg中定义的冲突与修改 |
5.2.3 程序的交叉编译 |
5.2.4 移植编译后的库文件 |
5.3 JNI连接层与Application应用层的实现 |
5.3.1 JNI连接层的功能设计与实现 |
5.3.2 Application层的功能设计与实现 |
5.4 本章小结 |
第六章 论文工作总结 |
6.1 论文工作总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
四、帧间差值的DCT压缩ECG数据的方法(论文参考文献)
- [1]基于复合混沌系统的视频加密技术研究[D]. 赵晓龙. 中北大学, 2021(09)
- [2]基于HEVC的超高清视频压缩算法研究[D]. 孙海超. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [3]鲁棒数字水印性能优化方法研究[D]. 秦莉文. 北京交通大学, 2021(02)
- [4]多模型联合优化的图像视频编码关键技术研究[D]. 王叶斐. 中国科学技术大学, 2021(09)
- [5]面向HEVC版权保护的鲁棒视频水印算法研究[D]. 周杨铭. 山东大学, 2021
- [6]基于学习的视频纹理分析和合成编码[D]. 杨昆. 中国科学技术大学, 2021(09)
- [7]视频编码标准AV1的率失真优化技术研究[D]. 秦晗. 电子科技大学, 2021(01)
- [8]视频压缩多路并行控制与优化算法研究[D]. 程学理. 电子科技大学, 2021(01)
- [9]AVS2中基于编码预测块预测模式的QP值调整算法研究[D]. 林正灵. 北京邮电大学, 2020(05)
- [10]Android平台下FFmpeg的AVS2视频播放器的设计与算法优化[D]. 许佳琪. 北京邮电大学, 2020(05)