论文部分内容阅读
多媒体和大数据是未来网络的主导业务,预计2018年移动数据业务将在2012年基础上增长12倍。由于多媒体数据的信息量大,在未来网络设计中该如何利用多媒体数据内在的冗余性或相干性,在维持信号可接受保真度的同时尽量减少需要传输的数据量,相关问题的研究无疑具有重要的理论和应用价值。作为近年来发展起来的一种新的信号处理理论,压缩感知能以远低于奈圭斯特采样频率的速率对信号进行采样,并且可以近乎精确地重建原始信号。由于压缩感知本身就把测量和压缩有机整合为一个整体,采用压缩感知技术对图像进行压缩采样后可以大幅度降低对传输带宽的要求,论文尝试结合压缩感知的低测量成本研究适合于无线通信传输要求的高质量图像传输的压缩传输技术方案。论文首先研究了基于低密度架构的贝叶斯压缩感知算法,该算法把测量和重构等效为LDPC码的编解码步骤。为了进一步改善重构质量,可以借鉴贝叶斯架构考虑稀疏系数的先验分布。通过引入图像处理中常用的GSM模型作为小波系数模型,并将GSM家族的Jeffreys和Laplace分布作为先验信息,论文分析和对比了不同的重构算法。论文的相关分析表明,将小波系数的GSM先验模型纳入低密度架构压缩感知SuPrEM重构算法能获得更优的重构性能,此外GSM先验分布比传统的广义高斯分布更适合运用于低密度架构下有扰信号的压缩重构。其次,论文研究了基于Contourlet变换的图像压缩传输方法,通过充分利用高频子带频域正交性,论文研究了基于高频方向子带重组的压缩感知算法,仿真验证了该算法的重构性能优于基于小波基的图像传输方案。最后,论文结合小波变换,通过改进了空间方向树的关联方式,研究了基于小波-Contourlet变换的SPIHT图像编解码算法。论文的相关验证结果表明,基于小波-Contourlet变换的SPIHT图像编解码算法在低码率下能获得更好的图像重构性能。论文的研究结果表明,基于压缩感知框架的图像压缩传输是可行的。基于低密度架构的压缩感知技术具有测量矩阵确定、重构性能好等优点,GSM中的Jeffreys和Laplace先验分布联合运用可以在低密度架构下进一步改进基于低密度架构的压缩感知传输性能。由于Contourlet变换能有效捕捉图像的轮廓特征,将Contourlet变换和Contourlet系数统计特征运用在压缩感知框架下的图像压缩传输中也能有效地提升和改进压缩传输性能。