自从信息技术和互联网的出现,许多的视频以及图像信息信号不断发展,例如移动端手机网络视频,视频监控等。各类的多媒体数据大量增长,人类已然进入了大数据时代。其中增长速度最快的当属图像视频数据。因此,研究如何有效并且高效的处理视频图像数据是大数据处理的一个核心问题。故此,研究图像视频编码以及无线视频软播具有重大的意义。在传统的视频图像编码中,转换与量化是其关键技术。然后变换和量化造成了编解码中的不可逆损失,是一种有损编码。而且在无线传输的系统中,由于无线信道的存在,使这种有损编码的缺点进一步放大。悬崖效应就是其中的一种。由于传统的数字编码需要对不同带宽的用户分别进行针对性编码以及传输,如果在传输过程中受到了噪声的影响,将会导致了不能够解码。当用户的带宽高于预计带宽时,由于不能够接收到更多的信号,图像或视频的重建质量也不能得到提升。总体来说会造成用户带宽的浪费或者不佳的观看体验。软播是被提出来解决悬崖效应的。软播是一种数模混合无线传输模型,它用连续实数代替离散码流来表示视觉信号;该模型避免了熵编码、量化编码等非线性运算,整个系统采用线性计算,使得接收的图像质量随信道信噪比线性变化。同样的我们也在针对数模混合传输模型中的问题进行了研究,主要工作包括以下三个方面:第一,我们研究了无线视频软播中重建图像质量与信噪比保持线性关系的原理,确定,只要我们保持整个编解码系统输入与输出的连续性,就能够保持着这种解码端的重构图像与信道条件连续变化的特性。在此基础上,我们提出了基于非线性变换的数模混合传输模型,利用非线性函数对信源频域的数据进行变换,进一步的推导出传输时最优的能量分配系数与解码端相应的噪声估计系数。通过实验验证我们提出的方法确实能够取得更好的传输性能,并且取特殊函数的时候,原始的软播方案是我们非线性数模混合传输方案的一个特例。第二,一般图像视频编码过程中太过重视重建图像与原始图像的均方差失真,主要保持对位像素值的尽可能接近,而忽略了图像的边缘细节等高频信息。于是有人提出了视觉友好型的数模混合传输模型。这是一种基于梯度的数模混合传输模型,利用变换域的低频信息构建出基本图形,然后利用梯度信息进一步补充细节。这样得到的结果在主观感受上具有很大的优势。即在客观评价指标相近的情况下,能够得到更好的人眼识别体验。我们利用非线性函数对增强层的梯度信息进行处理,然后再通过信道进行传输。实验表明,经过非线性变换处理的梯度信息,能够更好的帮助基本层重构梯度信息。在重构图像中能够更好的体现出图像的边缘信息,人眼能够获得更好的视觉体验,即视觉友好型数模混合传输模型。第三,由于神经网络的快速发展,基于神经网络的编解码器也越来越多,应用越来越广泛。在数模混合传输过程中,使用神经网络也逐渐变得普遍。本征图的分解是把图像分解成相互独立的两种特征,然后更好的应用于分类识别等任务。我们把本征分解和神经网络编解码器结合起来,提出了基于本征分解的带宽自适应信源信道联合编码方案。我们把图像分解成表示图像物体固有特征的本征图和表示图像环境条件的亮度图。这两种特征分别进行编码以及传输。相对于直接处理,本征分解的结果能够更好的对抗信道的噪声,能够得到更好的重构图像。我们的实验结果也证明了这一点。