论文部分内容阅读
近年来,随着云计算和云端储存的发展,人们会选择将图像、视频数据保存到云端。高效高速压缩云端存储的图像数据已成为一个重要的研究方向。为了充分利用图像集中图像之间相关性,进一步提高图像的压缩编码效率,学者们提出了群体图像编码算法。由于群体图像编码算法是对整个图像集进行压缩编码,虽然编码效率上比单张图像压缩要高,但其算法复杂度很高,编码速率大幅度降低。本文首先对现有的群体图像编码框架及大概原理进行介绍,然后对参考图像预处理过程提出新的方案,并针对编码结构确定模块中的物体检测算法提出相应的改进方案,以期能够在保证压缩编码效率的同时,降低编码复杂度,提高编码速率。首先,针对经过透视变换与光度变换的参考图像,提出基于参考图像合成的群体图像编码算法。该算法将同一张图像中的多张物体图像的参考图像合成到两张参考图像中,将物体相关信息尽可能集中在两张参考图像中;对于目标图像除去物体后的背景部分,将其所对应的多张背景参考图片合成为两张与目标图像相关性最强的参考图片,从而大大减少参考帧的数量,在基本上不损失压缩编码效率的情况下,大大提高编码速率。其次,通过对YOLO算法的进一步学习,发现YOLO-v3算法比YOLO-v1的精确度与速度提升较为明显,故引入YOLO-v3算法替代YOLO-v1算法,并做出适当的修改,输出物体在图片中的坐标。这里是通过改进实验手段的方式来提高编码速率。通过对改进和实现的方案进行实验仿真,仿真结果表明:首先,使用参考图像合成算法的编码效率与不采用该算法的编码效率相比基本相同,而编码速率上有大幅度的提升,同比特率下采用物体参考图像合成算法对目标图像编码时间降幅达38%-50%,采用背景参考图像合成算法降幅达20%-53%,采用物体和背景参考图像合成算法降幅达38%-70%,即在保证编码效率的前提下,大幅度提升了编码速率。对于图像背景越简单,含有可识别物体占比越多的图像集,对编码速率的提升越明显。其次,引入YOLO-v3算法替代YOLO-v1算法作为检测切割物体步骤时,整体编码效率与YOLO-v1算法相比基本相同,目标图像编码时间降幅达45%-50%,即在保证编码效率的同时,编码速率有极大的提升。