一、基于JPEG2000的感觉编码研究(论文文献综述)
董武[1](2021)在《基于剪切波变换的图像质量评价方法研究》文中指出图像失真会使图像丢失信息,并使图像的质量下降,从而影响使用者的主观视觉感受。对于图像处理系统来说,进行图像质量的识别和客观量化评价是一项必不可少的工作。本文基于剪切波变换的特点并结合人眼视觉的感知特性,从四个方面对图像质量的评价进行了深入的研究。论文的主要工作如下:1.提出了一种在剪切波域中基于多尺度多方向感知差值(Multiscale and Multidirectional Perceptual Error,MMPE)的全参考自然图像质量评价方法,该方法能够解决现有的全参考方法中方向特征不明显的问题。该方法使用剪切波变换,并结合人眼的多个底层心理视觉特性,能够提高评价精度。首先,为了模拟人眼视觉的多通道机制,使用剪切波变换对图像进行分解,得到多个尺度和多个方向的子带。然后,在子带中定义局部方向带限对比度和视觉恰可感知差异门限。在处理视觉隐藏问题时,同时考虑了对比度隐藏效应和熵隐藏效应起到的作用。最后,把所有子带的多尺度多方向感知差值组合在一起作为图像质量的评价结果。实验结果表明,该方法比目前主流的评价方法具有更好的质量评价性能。2.提出了一种在剪切波域中基于子带结构相似性(Shearlet Transform Subband Structural similarity,STSS)的全参考自然图像质量评价方法,该方法能够解决严重失真的图像中空间结构特征受到破坏的问题。在该方法中,首先使用剪切波变换分别把参考图像和失真图像进行分解,得到多个不同尺度和不同方向的子带;然后,计算参考图像和失真图像每个子带之间的结构相似性;最后,根据人眼视觉的感知特性,对不同尺度和不同方向子带的结构相似性使用不同的权值进行加权求和,作为失真图像质量的评价结果。实验结果表明,此方法对于严重失真的自然图像具有更好的质量评价性能。3.提出了一种在剪切波域中基于区分归一化变换系数统计特征(Statistical Features of Divisive normalization transform coefficients in the Shearlet domain,SFDS)的部分参考自然图像质量评价方法,该方法能够解决现有的部分参考方法中线性变换子带系数之间存在着较强统计相关性的问题。首先,对图像剪切波域中子带的系数进行区分归一化变换,其目的是减少剪切波变换系数之间的统计相关性。然后,使用高斯分布近似描述归一化系数的统计分布,同时计算高斯分布和实际分布之间的差值,并把此差值和实际分布的统计特征作为图像子带的特征。最后,根据人眼的视觉感知特性,对不同尺度不同方向子带的特征设置不同的加权值,并把失真图像和参考图像在子带特征之间的相似性组合在一起,作为失真图像质量的评价结果。实验结果表明,该方法能够获得较好的质量评价效果。4.提出了一种基于分区域结构特征(Regionalized Structural Features based Evaluator,RSFE)的无参考屏幕内容图像质量评价方法,该方法能够解决屏幕内容图像中图像区域和文本区域具有不同特点的问题。首先,使用剪切波局部二值模式提取图像区域在剪切波域的多尺度多方向纹理特征,同时使用局部微分模式提取图像区域在空间域的纹理特征。对于图像区域,使用纹理特征作为它的结构特征,同时使用亮度特征作为它的辅助特征。对于文本区域,使用从多阶微分值中提取出来的方向梯度直方图作为它的结构特征。然后,把图像区域和文本区域各自的特征分别提供给支持向量回归,得到这两部分各自的质量评价结果。最后,使用活动性加权策略,把这两部分的质量评价结果组合在一起,作为屏幕内容图像整体内容质量的评价结果。实验结果表明,此方法比已有的屏幕内容图像评价方法获得了更好的质量评价效果。
秦鹏程[2](2020)在《高光谱遥感图像压缩自适应预测器优化研究》文中研究指明针对高光谱图像海量数据的存储和数据无损压缩比较低的问题,从三维数据的角度出发,提出一种对自适应预测器进行优化的高光谱遥感图像压缩算法。首先,计算各个波段之间的相关性,按照最优波段相关性建立参考波段索引表,依据最优参考波段索引表进行谱间预测,得到谱间预测后的残差图像。其次,依据图像自身的特征选择三维空间预测器或者谱空联合预测器对最优参考波段谱间预测后的残差图像数据再次进行预测处理,其中三维空间预测器与谱空联合预测器的选择是参考最优参考波段索引表的统计,在各个波段之间都处在较大的相关性时,表明数据在三维空间内存在较大的相关性,选择三维空间预测器,否则选择谱空联合预测器,这两种优化后的预测器兼顾了不同类型的数据压缩。最后,生成的残差图像中的信息熵相对原图已经有大幅度的降低,对残差图像进行算术编码,得到压缩后的数据。由实验分析可得,在优化的自适应预测器算法中的两个预测器得到的压缩效果差别不大,通过优化自适应预测器压缩算法得到的压缩效果,与普通的相类似压缩算法相比,压缩比有明显地提高,可以得出本文中的算法为有效的高光谱遥感图像无损压缩算法。该论文有图23幅,表11个,参考文献67篇。
孟磊[3](2020)在《基于自编码器的图像压缩算法研究与FPGA实现》文中提出图像不仅在网络传播中消耗着大量带宽,也在实际存储中占用着大量的存储空间,因此,压缩图像以便其传输和存储一直是人们研究的热点。近年来,神经网络在刷脸支付、智慧安防和自动驾驶等高层视觉领域取得了不错的效果,但在图像压缩这类低层视觉领域的效果还未达到足以成熟的压缩标准,研究神经网络在图像压缩领域的应用显得极为迫切。本文以自编码器这类神经网络为核心,研究分析了自编码器在有损图像压缩方向的压缩性能。本文首先分析了标准自编码器在端对端的有损图像压缩方面的可行性;其次,标准自编码器应用于图像压缩领域存在一些不利约束,包括仅适用于固定码率的压缩任务和无法适应任意分辨率的源图像,为解决上述缺点,本文采用了基于卷积神经网络和渐进传输思想的残差自编码器网络结构来修正标准自编码器的自身缺陷;最后,在同一测试集与合理压缩比率等条件下,将本文设计的码率可调的自编码器有损图像压缩网络与JPEG 2000图像压缩算法进行对比,实验结果表明本文的图像压缩网络在MS-SSIM(Multi-scale Structural Similarity)、PSNR、图像解码细节和算法通用性等方面都有一定的提升。本文设计的自编码器图像压缩网络是以卷积神经网络为核心,其运算过程包含不断重复的乘加法、移位和数据存取等操作,鉴于上述情况和FPGA在运算速度和功耗方面得天独厚的条件,进一步设计了自编码器压缩网络的硬件模块。首先,提取了网络的权重和偏置参数,并将浮点参数转定点参数以便于FPGA运算;其次,设计算法的硬件架构,其包含数据传输、数据存取、数据处理等模块,并使用Modelsim仿真软件对各模块进行了功能仿真;最后,在Altera DE2-115开发平台上进行了板级验证,其结果与功能仿真结果保持一致。
朱志强[4](2020)在《隧道视觉检测中的图像高压缩比算法研究》文中提出传统的隧道检修方法主要依靠经验丰富的检修工人搭载云梯车去完成,这种检修方法效率不高。随着智能制造技术的不断发展成熟,基于视觉的隧道检修方法逐渐成为一种新的趋势,并逐渐代替传统的人工检修方法。但是基于视觉的隧道检测系统往往会产生数以万计的隧道图像,导致巨大的图像存储空间开销。通用图像压缩方法未考虑隧道表面图像的特性,其压缩比还不够显着减少隧道图像存储开销。因此,本文针对此问题研究高压缩比的隧道图像压缩方法。论文的主要工作和创新点如下:(1)提出了一种基于稀疏编码方法的隧道图像高压缩比方法。分析了隧道图像一致性强和同质性高的特点,同时考虑隧道图像内容中不同图像块之间的差异性,设计了一种基于图像内容差异性的自适应编码算法,即对于包含图像内容丰富的纹理区域分配较多的编码系数,相反对于类似背景等区域则分配较少的编码系数。此外,针对稀疏编码系数本身设计了一种简单高效的非均匀量化方法,进一步提高编码效率。通过和现有的压缩方法相比,本文提出的隧道图像压缩方法实现了更好的压缩比以及更好的重构图像质量,尤其是在比特率低于0.05bpp时,本文提出的基于稀疏编码的隧道图像压缩方法获得了较JPEG和JPEG2000相比更高的峰值信噪比和更好的图像质量。(2)提出了一种基于变分自编码器的隧道图像压缩方法。该方法应用深度学习技术,首先,在编码阶段,将待压缩的隧道图像输入编码网络,然后经过一系列的卷积神经网络进行特征提取,不断的降低输入隧道图像的空间分辨率,得到隧道图像在隐空间的特征表示,最后利用量化技术得到压缩之后的数据。在解码阶段,首先将量化之后的数据进行反量化操作,然后将反量化之后的数据输入到解码网络,利用解码网络对特征图进行上采样操作,得到重构之后的图像。在实验阶段,通过将提出的基于变分自编码网络的隧道图像压缩方法和其他的图像压缩方法进行比较,验证提出方法的有效性。
董瑞[5](2020)在《基于深度学习优化的图像压缩框架研究》文中提出随着互联网联网的发展,人们越来越多的在网络上使用图片和视频交流,每天都产生海量的数据,给传输和存储设备带来了巨大的压力。图像压缩技术通过去除图像中存在的冗余信息,用更高效的方式表示数据,可以降低存储和传输图像所需要的空间。但现有的图像压缩技术已经难以满足海量的图像数据的压缩需要,迫切的需要新的高效的压缩技术的出现。使用人工神经网络的深度学习方法近几年来呈现爆发式发展,在包括计算机视觉、语音识别、自然语言处理等许多领域取得了超过传统方法的效果。应用深度学习解决问题已经成为很多研究人员的优先选择。在图像压缩领域,基于深度学习的方法也取得了许多进展。在重建质量上,基于深度学习的编码方法已经能够超过传统的编码方法。考虑到深度学习模型如此强大的表达能力,探索使用深度学习的方法来解决图像压缩问题是十分有必要的。基于深度学习的图像压缩主要有两个研究方向:深度学习与传统编码框架相结合的方法和完全使用深度神经网络的方法。本文对这两个方向分别做了探索,主要的贡献如下:本文首先提出了一种深度学习和传统编码相结合的压缩框架,仅仅使用一个神经网络对输入传统压缩编码框架的图像进行前处理,就能达到更好地重建效果。本文方法并不取决于特定的传统编码器,后端可以使用任意的传统压缩编码框架。相比较其他的使用两个或者更多神经网络的方法,本文提出的方法不需要用户使用的解码端进行特别的改动,更容易推广使用。由于传统编码器编解码的过程不可微,无法通过反向传播训练。为了让神经网络能够有效的学习到传统编码产生的损失,我们特别设计了专门的损失函数。随后我们用几种传统编码框架作为后端进行了实验,结果表明我们的方法能够有效的提高图像重建的质量。随后,本文提出了一种基于多尺度结构的完全使用神经网络的压缩方法。本文方法在编码端将图像转换为一系列特征图,再将这些特征图下采样到多个不同的尺度,用以获取图像在不同尺度下的特征信息。在解码端,这些不同尺度的特征图被上采样到同一个尺度,通过密集连接的Dense Block提取图像的特征。最后完成重建。端到端联合优化过程中,神经网络通过对图像的不同尺度的下采样,能够获得不同分辨率下的图像特征信息,更好的重建图像。与其它基于自动编码器的方法面对不同的压缩比特率限制需要使用不同的训练好的模型不同,本文方法中通过对于编码器使用的下采样分支数量的选择,能够用单一的模型实现压缩过程中比特率的可变。最后进行了实验,与几种其他压缩编码方法做了对比。证明了本文提出的压缩编码框架的有效性。
鲁国[6](2020)在《视频压缩编码及其质量增强的优化技术研究》文中研究指明近年来,随着多媒体技术的蓬勃发展,视频作为重要的信息传递媒介,其应用需求和数量规模迎来了爆发式的增长。更为重要的是,消费者对高分辨率、高帧率的高品质视频需求也日益强烈,这对视频传输系统的压缩效率和质量增强提出了更高的要求。本文从视频编码系统整体优化的角度出发,围绕提高视频压缩效率和提升压缩视频质量这两个关键问题展开深入研究,创新性地提出了一个基于深度学习的完整视频压缩编码系统,从而显着提升了视频压缩效率。同时本文分别从视频编码预处理和解码后处理入手,结合视频编码特性,提出了内置帧率上变换的高效视频编码系统和压缩视频复原算法,从而提升了压缩视频的质量。本论文的研究工作针对整个编码系统,实现了高效率的视频压缩以及高品质的压缩视频重建,增强了终端的视频质量并减少了视频的传输带宽。本文的主要研究内容及创新归纳如下:围绕高帧率视频的产生与编码问题,本文提出了在编码器中内置视频帧率上变换,并与视频压缩编码联合优化的方案。为了在编码端产生高质量的高帧率重建视频,并且减少高帧率视频传输带来的带宽消耗,本文给出了一个视频压缩编码和帧率上变换的联合优化模型,从而能够根据率失真策略对帧率上变换进行优化。这种新架构的关键是把帧率上变换功能嵌入编码器环路中,并在原有的运动估计和运动补偿模块中增加帧率上变换功能。这种高帧率编码新架构有效地提升了高帧率视频编码的性能,并使得解码器能直接解出高帧率视频。本文给出的系统充分结合已有的编码多层次划分架构,给出一个多信息融合的运动估计策略;同时根据运动可靠度和量化误差,建立一个内插帧的失真模型。所提出的内嵌帧率上变换功能的联合优化编码系统,在保证压缩标准兼容的前提下,比传统预处理加编码的级联系统显着减少了高帧率视频的码率消耗,去除了编码端帧率上变换预处理和解码端帧率上变换后处理的需要,从而显着降低了编码端和解码端处理高帧率视频的计算复杂度。针对压缩视频图像的高质量后处理,本文对于压缩视频的失真复原问题提出了一个基于深度学习的卡尔曼递归模型。视频的有损压缩编码,意味着解码端的视频重建不可避免地存在压缩图像的失真现象。本文结合基于模型和基于学习这两种方法的优势,首次提出了一个应用于视频复原的基于深度学习的卡尔曼递归模型。所提出的算法将视频的压缩失真复原建模为一个卡尔曼滤波递推问题,通过利用卷积神经网络估计卡尔曼滤波器状态和计算卡尔曼增益,获取准确的后验估计。对于视频图像序列,本文提出的方法一方面利用了卡尔曼递归滤波特性,另一方面又发挥了深度学习的数据驱动的特长,从而实现压缩视频图像的高效复原。对于深度学习视频压缩这一关键问题,本文首次给出了一个端到端优化的完整视频压缩编码系统。本文系统充分利用当前视频压缩编码的混合编码框架和深度学习的强大表达能力,通过设计编码系统中的运动估计网络、运动信息压缩网络、运动补偿网络、残差压缩网络以及码率估计网络,实现了一个基于混合编码架构和深度学习的完整压缩编码系统。整个编码系统可以通过率失真损失函数进行端到端的整体优化,从而实现高性能的视频压缩。与此同时,本论文基于深度学习的视频压缩系统具有很强的可扩展性,从而能够根据速度和性能的需求进行对应设计。实验结果表明,相比较当前广泛使用的H.264算法,本文给出的深度视频压缩算法能够实现更高的压缩效率。即便与最新标准H.265相比,本文给出的视频编码系统能够实现相似甚至更好的主观质量。本论文围绕视频压缩编码及其质量增强的优化技术展开研究,所提出的系统和方法提升了视频压缩效率、增强了视频质量,为应对高品质视频需求提供了卓有成效的解决方案。更为重要的是,通过对深度卡尔曼模型、基于深度学习的视频压缩编码等研究方向的探索,为今后的研究提供了有益借鉴。
罗曼琳[7](2020)在《基于算术编码的音频文件压缩方法研究》文中进行了进一步梳理随着信息电子技术的兴起,互联网及其他新兴领域也在蓬勃发展。在当今信息时代,人类每天都在产生海量的数据信息。数据信息里面包含了众多具有价值的内容,但是也有大量的冗余的数据。伴随着互联网的广域覆盖和深入融合,信息技术已成为人们工作生活中不可分割的一部分。网络带宽逐步增加,硬盘空间迅速扩容,但无论是增加空间的开源方法,抑或是试图节流减少数据量,两者皆是解决数据冗余问题的核心要点。因此,如何保留有效信息、去除冗杂信息,成为了数据处理的研究热点。学者们对数据进行某种重新编码操作,去除冗杂数据,并把这一过程称之为数据压缩。目前人们针对常用音频格式如MP3、WAV、FLAC和AAC等已经进行了不同程度的压缩,但数据中依然包含了大量重复的冗杂信息。在使用目前世界上通用的WINRAR、ZIP、7Z等软件方法对音频文件进行压缩后,我们发现现有的算法无法对音频文件进行高效的压缩。因此本文对音频文件的压缩方法进行了研究,并基于算术编码,提出了一种音频文件的无损压缩方法。本文的工作分为以下两个方面:1.针对目前常用压缩软件对音频文件压缩效率低的问题上,提出了一种编码压缩方法。由于音频文件的编码所用字符繁多,很难使用静态编码模型进行编码压缩。同时由于音频文件的编码之间的相关性较小,基于字典的编码压缩方法非但不能缩减数据量,还会增加编码所需的数据量。基于此背景,本文以算术编码为基础,针对音频文件进行了三方面的改进。首先,通过高斯模型生成符号频率的初始值,并使用转义码对多阶上下文模型的长字节符号进行编码,最后利用二进制索引树来存储算术编码中的符号累积频率来得到最佳的效果。因此本文所用的方法可以对音频文件可以有效压缩,不会出现压缩后数据量增加的情况。通过一系列的实验,将本文提出的方法与目前市场上常用的压缩软件进行对比,本文方法在压缩效率上更为出色。2.对常用音频格式特点的编码压缩进行针对性优化。虽然自适应的算术编码方法对音频文件的编码压缩被证实为有效,但不同格式的音频文件所采用的编码方法也截然不同。因此我们希望能针对某个特定的音频文件格式,根据其文件的不同部分和编码标准,提高该音频文件格式的编码压缩效果。MP3音频文件一直是当前使用最广泛的歌曲格式。因此,我们对MP3音频文件进行了更深一步的研究,针对MP3音频文件,根据其格式标准提出了一种改进的RLE算法,并通过软件模块的设计和实现,对其重新编码的压缩算法进行了优化和提高。实验结果论证了本文所述优化方法的高效性。
赵亚娟[8](2020)在《大容量低时延信源信道联合编码视频传输技术研究》文中研究表明随着多媒体通信业务的蓬勃发展,近年来诸如虚拟现实体验、无人驾驶汽车、图像智能识别监控等一系列实时多媒体传输业务需求的涌现,使得超高清视频的实时可靠传输逐渐晋升为普遍需求,而这需要更高的传输速率以及低时延高可靠性的要求来予以支撑。为了应对这些挑战,现有的高速无线视频传输技术尚有诸多问题亟待解决,例如,超高清视频海量数据所带来的处理复杂度提升、在保证视频质量的前提下如何提升复杂信道环境下的传输可靠性、以及获得视频无线传输整体链路的低时延特性等。然而,传统信源与信道分离设计、独立编码的方式难以满足上述应用需求,而信源信道联合编码技术是解决上述问题的有效途径。本文即面向上述难点技术问题,对低时延超高清视频信源信道联合编码传输关键技术进行深入研究,主要研究内容总结如下。(1)、本文首先介绍了现有超高清视频压缩编解码算法和信源信道联合编码技术的理论基础;然后,针对复杂室内信道环境下低时延、高可靠超高清视频传输所面临的技术难点进行了深入的分析,重点是低时延超高清视频压缩编解码算法,以及面向MIMO-OFDM系统的JSCC视频码流加载与调制方法。(2)、研究具有低时延特征的超高清视频压缩编解码算法。针对现有的压缩编解码算法计算复杂度极高、编解码时延较高、以及视频画质损失较多的问题,提出了一种基于非对称小波变换的超高清视频压缩编解码算法,该算法使用非对称小波变换来降低视频数据间的空间冗余和列变换引入的缓冲时延,且能根据人眼视觉特性来降低视觉冗余,并进一步采用轻量级的熵编码算法降低统计冗余。而在解码端,首先解析视频参数,然后根据这些参数进行熵解码得到变换系数,最后再进行反变换恢复视频序列。理论与仿真结果表明,所提新算法在保证视频图像恢复质量的同时,能显着减少超高清视频压缩的计算复杂度,并降低处理的环路时延。(3)、研究面向MIMO-OFDM系统的JSCC视频码流加载与调制方法。为了满足室内环境下视频高速可靠传输的需求,提出了一种面向MIMO-OFDM系统的JSCC视频码流重要性加载与调制方法。该方法首先对视频码流数据进行重要性划分;然后在信道调制和MIMO空间信道映射进行两级不等差错保护。最后,考虑了理想信道反馈下的OFDM子载波视频码流调制算法。仿真表明,该算法可实现对信源重要性数据的不等差错保护,相较于传统的固定调制算法,可以将视频图像的客观质量提升5-15d B。
汤志斌[9](2020)在《基于深度学习的图像压缩算法研究》文中提出尽管现在基于深度学习的图像压缩算法已基本达到甚至超过了传统算法的重建效果。但为了提升重建效果而加入的大量复杂而繁琐的模型结构,使其编码、解码所需的计算时间远超传统的压缩算法,因而在实际运用价值上仍远不如传统的压缩算法。本文主要的研究目的是在保证模型的压缩效果无明显下降的情况下,尽可能的优化模型的各个结构。本文通过实验,发现模型的大部分编码与解码时间消耗均用在模型的编码器首层与解码器末层,故将这两个卷积层的核的大小改成3×3,其余不变,同大小为5×5的核比较,模型效果几乎没有变化,而时间消耗大大降低。与此同时,通过实验发现,注意力机制对于模型的压缩效果也有较大的帮助,为了能在提升模型的压缩效果的同时,不对模型的时间消耗产生较大的影响,本文引入了简单而有效的注意力模型。最终的模型在Kodak24测试数据集上拥有较高的压缩效果,并在GPU/CPU上的编码与解码时间都达到一个理想的水准。此外,本文还改进了对于中间结果的信息熵估计方法,通过一系列变换,将其变换为近似正态分布,再用正态函数的参数估计作为相应参数的初始值,改进后的估计方法,收敛速度和运行速度较原先的方法有了大幅度的提升。
李文军[10](2020)在《私有云桌面环境中音视频传输技术的优化与实现》文中研究表明私有云有着安全且服务质量高等优势而深受各企业的欢迎,它是云计算的一种服务模式。在硬件和软件日趋更新且终端设备不断更换的当今社会,把数据保存在云端将带来很大的便利,人们只需在终端上安装云客户端,便可使用云端资源而不用更新太多软件。VNC(Virtual Network Computing)协议是连接终端设备和私有云之间的桥梁,用户在使用私有云桌面环境进行办公时,便是用VNC协议进行的图像、鼠标和键盘等消息的传输,VNC使得用户可以远程操作云端资源。VNC的图像传输采用的是RFB(Remote Frame Buffer远程帧缓冲)协议,RFB协议工作在帧缓冲级别上,不依靠任何操作系统和终端设备。正是这个原因使得VNC能够跨平台,但是VNC对视频流的支持不足成了它的弱点,且VNC不支持音频,这些对只是用VNC来办公的人们来说影响不大,但是随着多媒体的不断发展,人们不满足使用私有云来办公,VNC的缺点也逐渐受到了人们关注。本文将对VNC进行修改,使其满足于多媒体的传输,弥补VNC的不足。其具体思路是在不影响原有VNC的办公模式的前提下,增加音视频模式。在音视频模式下,增加音频功能,并采用适合VNC的音视频压缩算法如JPEG2000视频压缩算法与Opus音频压缩算法对其进行压缩传输,优化网络通信使其有能力处理大量的网络数据,当然,优化了视频,增加了音频功能后,为了提高用户体验,本文将实现音视频同步。对于同步问题,这里采用的是以时间戳为参考对象的同步方案来进行音视频间的同步,采用增加缓冲区的方式来减小音视频内部的传输时延,并增加反馈调节功能,根据预测网络带宽来调整VNC服务端的发送速率,以此来保证数据的连续性并降低音视频的网络时延。对于音视频播放时的同步问题,这里将提出一种以音频为参考的同步播放算法来实现音视频播放时的同步问题。这些便是在音视频模式下本文解决的问题,由于这里是分为非音视频模式,即VNC模式和音视频模式这两种模式,因此进行模式检测将必不可少,本系统的模式检测将根据屏幕变化来判断当前应该处于哪种模式下,并进行模式转换,这里采用屏幕像素采样的方式进行判断。通过对VNC协议进行优化,使其能够进行音视频传输来满足人们使用多媒体的需要,同时保留了原有VNC跨平台的特性,使人们能在办公之余使用VNC来休闲娱乐。
二、基于JPEG2000的感觉编码研究(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、基于JPEG2000的感觉编码研究(论文提纲范文)
(1)基于剪切波变换的图像质量评价方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究的目的和意义 |
1.2 图像质量评价的研究现状 |
1.2.1 自然图像质量客观评价的研究现状 |
1.2.2 屏幕内容图像质量客观评价的研究现状 |
1.3 论文的研究内容和组织结构 |
1.3.1 论文的研究内容 |
1.3.2 论文的组织结构 |
第二章 基于多尺度和多方向感知差值的全参考自然图像质量评价方法 |
2.1 引言 |
2.2 剪切波变换的性质 |
2.3 基于多尺度和多方向感知差值的全参考图像质量评价方法 |
2.3.1 DNST域中的局部方向带限对比度 |
2.3.2 DNST域中的对比度敏感函数 |
2.3.3 DNST域中的恰可感知差异门限 |
2.3.4 DNST域中多尺度多方向感知差值的合并 |
2.4 实验结果 |
2.4.1 图像质量评价方法的性能评估指标 |
2.4.2 全面的性能比较实验 |
2.4.3 统计意义实验 |
2.4.4 计算复杂度比较实验 |
2.5 本章小结 |
第三章 基于剪切波变换子带结构相似性的全参考自然图像质量评价方法 |
3.1 引言 |
3.2 SSIM方法的基本原理 |
3.2.1 SSIM方法的计算过程 |
3.2.2 SSIM方法的缺点 |
3.3 基于剪切波变换子带结构相似性的全参考图像质量评价方法 |
3.3.1 STSS方法的结构框图 |
3.3.2 每个剪切波变换子带的结构相似性 |
3.3.3 所有剪切波变换子带结构相似性值的组合 |
3.3.4 STSS方法详细的实现步骤 |
3.4 实验结果 |
3.4.1 图像质量客观评价方法散点图的比较 |
3.4.2 加权策略的验证实验 |
3.4.3 对严重失真的图像进行质量评价的比较实验 |
3.5 本章小结 |
第四章 基于区分归一化变换系数特征的部分参考自然图像质量评价方法 |
4.1 引言 |
4.2 在剪切波域中基于区分归一化变换系数特征的评价方法 |
4.2.1 SFDS方法的结构框图 |
4.2.2 区分归一化变换系数的统计分布特点 |
4.2.3 发送端进行参考图像特征的提取 |
4.2.4 接收端对失真图像质量的评价 |
4.3 实验结果 |
4.3.1 区分归一化变换系数统计特征的优势 |
4.3.2 全面的性能比较实验 |
4.3.3 对于每种失真类型的性能比较实验 |
4.4 本章小结 |
第五章 基于分区域结构特征的无参考屏幕内容图像质量评价方法 |
5.1 引言 |
5.2 基于分区域结构特征的无参考屏幕内容图像评价方法 |
5.2.1 RSFE方法的框图 |
5.2.2 提取图像区域的特征 |
5.2.3 提取文本区域的特征 |
5.2.4 回归模型和加权组合 |
5.3 实验结果及性能分析 |
5.3.1 图像质量评价方法性能的比较实验 |
5.3.2 文本区域结构特征中微分阶数的选择实验 |
5.3.3 图像区域特征和文本区域特征产生的不同作用 |
5.3.4 活动性加权策略的验证实验 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录 缩略词语 |
致谢 |
攻读学位期间发表的学术论文目录 |
(2)高光谱遥感图像压缩自适应预测器优化研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 课题研究的意义 |
1.3 课题国内外研究现状 |
1.4 论文结构安排 |
2 高光谱遥感图像压缩相关理论 |
2.1 数据压缩的相关理论 |
2.2 本文中用到的编码介绍 |
2.3 图像压缩标准中的无损压缩 |
2.4 高光谱数据相关性的定义 |
2.5 本章小结 |
3 自适应预测器的优化设计 |
3.1 三维空间预测方法 |
3.2 谱空联合预测方法 |
3.3 自适应预测器 |
3.4 本章小结 |
4 实验分析与结果 |
4.1 实验数据与环境说明 |
4.2 实验结果对比与分析 |
4.3 本章小结 |
5 结论与展望 |
5.1 本文算法的总结 |
5.2 算法的不足和可扩展研究之处 |
5.3 未来展望和可研究方向 |
参考文献 |
作者简历 |
学位论文数据集 |
(3)基于自编码器的图像压缩算法研究与FPGA实现(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 传统图像压缩算法的研究现状 |
1.2.2 自编码器应用于图像压缩的研究现状 |
1.2.3 图像压缩算法硬件实现的研究现状 |
1.3 本文研究内容及章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
2 图像压缩和自编码器的理论基础 |
2.1 图像压缩的基本原理 |
2.1.1 图像冗余 |
2.1.2 量化 |
2.1.3 熵编码 |
2.2 自编码器的相关理论 |
2.2.1 神经网络的基础理论 |
2.2.2 自编码器的数据压缩原理 |
2.3 图像压缩性能的衡量指标 |
2.3.1 压缩比率 |
2.3.2 峰值信噪比 |
2.3.3 多尺度结构相似性 |
2.4 本章小结 |
3 基于自编码器的图像压缩算法研究 |
3.1 网络结构 |
3.1.1 码率固定的自编码器图像压缩网络 |
3.1.2 码率可调的自编码器图像压缩网络 |
3.2 网络实现细节 |
3.2.1 二值量化 |
3.2.2 反卷积 |
3.3 网络训练 |
3.3.1 数据集处理 |
3.3.2 训练细节 |
3.4 实验结果分析 |
3.5 本章小结 |
4 自编码器图像压缩算法的FPGA实现 |
4.1 自编码器压缩网络的硬件架构 |
4.2 网络参数的转换 |
4.3 人机交互模块 |
4.4 数据存取 |
4.4.1 SD卡模块 |
4.4.2 SDRAM模块 |
4.5 数据处理 |
4.5.1 卷积运算模块 |
4.5.2 二值量化模块 |
4.5.3 激活函数模块 |
4.5.4 控制模块 |
4.6 板级验证 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
(4)隧道视觉检测中的图像高压缩比算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 传统图像压缩技术 |
1.2.2 基于稀疏编码的图像压缩技术 |
1.2.3 基于深度学习的图像压缩技术 |
1.3 本文主要研究工作 |
1.3.1 本文研究内容及其创新点 |
1.3.2 论文组织结构 |
2 相关研究工作综述 |
2.1 稀疏编码的基本原理 |
2.1.1 稀疏表示的生理基础 |
2.1.2 信号的稀疏表示 |
2.1.3 字典的构建 |
2.1.4 稀疏分解 |
2.2 深度学习理论基础 |
2.2.1 卷积神经网络 |
2.2.2 变分自编码网络 |
2.3 图像压缩的评价指标 |
2.3.1 图像压缩程度的度量 |
2.3.2 图像重构质量的度量 |
2.4 本章小结 |
3 基于稀疏编码的隧道图像压缩方法 |
3.1 引言 |
3.2 基于稀疏编码的隧道图像压缩流程 |
3.2.1 字典训练 |
3.2.2 自适应稀疏编码 |
3.2.3 非均匀量化 |
3.2.4 稀疏重构 |
3.3 实验结果与分析 |
3.3.1 实验设置 |
3.3.2 实验结果与分析 |
3.4 隧道图像压缩系统设计 |
3.5 本章小结 |
4 基于深度学习的隧道图像压缩方法 |
4.1 引言 |
4.2 基于变分自编码的隧道图像压缩流程 |
4.2.1 网络结构 |
4.2.2 损失函数 |
4.3 实验结果与分析 |
4.3.1 实验设置 |
4.3.2 实验结果与分析 |
4.4 本章小结 |
5 结论 |
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 |
(5)基于深度学习优化的图像压缩框架研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 国内外研究现状分析 |
1.2.1 传统的压缩方法简述 |
1.2.2 深度学习的发展 |
1.2.3 应用深度学习的图像压缩编码发展现状 |
1.3 当前存在的主要问题 |
1.4 论文内容及结构安排 |
第2章 图像压缩及深度学习相关理论 |
2.1 压缩的信息论基础 |
2.2 图像压缩中的冗余 |
2.3 质量评价标准 |
2.4 深度学习基础理论 |
2.4.1 反向传播 |
2.4.2 卷积神经网络 |
2.4.3 循环神经网络 |
2.4.4 生成对抗网络 |
2.4.5 Dropout与 Batch Normalization |
2.5 本章小结 |
第3章 深度学习和传统方法相结合的图像压缩 |
3.1 引言 |
3.2 整体结构设计 |
3.3 前处理神经网络设计 |
3.4 损失函数 |
3.5 实验与分析 |
3.5.1 数据集和评价指标 |
3.5.2 实验过程 |
3.5.3 实验结果与分析 |
3.6 本章小结 |
第4章 基于多尺度模型的图像压缩框架 |
4.1 引言 |
4.2 基于多尺度的图像压缩模型 |
4.3 设计的多尺度图像压缩框架 |
4.3.1 编码端 |
4.3.2 解码端 |
4.3.3 熵编码和量化 |
4.4 图像压缩算法设计 |
4.5 数据集与实验分析 |
4.5.1 数据集 |
4.5.2 实验过程 |
4.5.3 实验结果和分析 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
(6)视频压缩编码及其质量增强的优化技术研究(论文提纲范文)
摘要 |
ABSTRACT |
主要符号对照表 |
第一章 绪论 |
1.1 研究背景及其意义 |
1.2 国内外研究现状 |
1.2.1 传统视频压缩编码 |
1.2.2 视频帧率上变换 |
1.2.3 视频压缩失真复原 |
1.2.4 基于深度学习的视频压缩 |
1.2.5 研究现状总结与分析 |
1.3 论文主要工作及结构安排 |
1.3.1 论文的主要研究工作 |
1.3.2 论文结构安排 |
第二章 理论基础 |
2.1 视频压缩编码 |
2.2 基于运动补偿的帧率上变换 |
2.3 卡尔曼滤波器 |
2.4 图像压缩的基础神经网络架构 |
第三章 视频压缩编码和帧率上变换的联合优化 |
3.1 引言 |
3.2 帧率上变换和视频压缩的联合优化框架 |
3.2.1 帧率上变换和HEVC算法的融合模型 |
3.3 联合运动估计算法 |
3.3.1 数据项 |
3.3.2 特征匹配项 |
3.3.3 平滑项 |
3.4 面向内插帧的率失真优化模型 |
3.4.1 内插帧的失真模型 |
3.4.2 预测误差的方差估计 |
3.5 实验结果与分析 |
3.5.1 实验条件设定 |
3.5.2 客观质量评估 |
3.5.3 主观质量评估 |
3.5.4 RDO准则的有效性验证 |
3.5.5 联合运动估计算法的有效性验证 |
3.5.6 融合模型的计算复杂度分析 |
3.5.7 与基于后处理算法的性能比较 |
3.6 本章小结 |
第四章 基于深度卡尔曼模型的压缩视频复原 |
4.1 引言 |
4.2 相关研究工作 |
4.2.1 单帧图像的压缩失真复原 |
4.2.2 基于深度学习的视频失真复原 |
4.2.3 基于非局部先验信息的图像复原 |
4.3 面向压缩视频失真复原的深度卡尔曼模型 |
4.3.1 卡尔曼滤波器的基础模型 |
4.3.2 基于预测量化误差先验的深度卡尔曼模型 |
4.3.3 基于非局部先验信息的深度卡尔曼模型 |
4.4 实验结果与分析 |
4.4.1 训练数据集 |
4.4.2 与业界领先算法的比较 |
4.4.3 消融实验分析 |
4.5 本章小节 |
第五章 端到端优化的深度视频编码系统 |
5.1 引言 |
5.2 相关工作 |
5.2.1 传统的图像和视频压缩算法 |
5.2.2 基于深度学习的图像和视频压缩算法 |
5.2.3 运动估计算法 |
5.3 端到端优化的深度视频压缩系统 |
5.3.1 深度视频压缩模型框架 |
5.4 深度视频压缩的网络设计 |
5.4.1 运动估计 |
5.4.2 运动编码与解码网络 |
5.4.3 运动补偿网络 |
5.4.4 残差编码和解码网络 |
5.5 网络训练策略 |
5.5.1 损失函数 |
5.5.2 量化 |
5.5.3 码率估计 |
5.5.4 参考帧缓冲设置 |
5.6 深度视频压缩框架的扩展 |
5.6.1 轻量级的深度视频压缩方案 |
5.6.2 增强版的深度视频压缩方案 |
5.7 实验结果和分析 |
5.7.1 实验设置 |
5.7.2 实验结果分析 |
5.7.3 消融实验分析 |
5.7.4 计算复杂度分析 |
5.7.5 深度视频压缩模型的分析与讨论 |
5.8 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读博士学位期间的科研成果及参与项目 |
简历 |
(7)基于算术编码的音频文件压缩方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 数据压缩的概念 |
1.3 音频压缩的意义 |
1.4 本文工作 |
1.4.1 基于算术编码的音频压缩 |
1.4.2 针对MP3 音频文件的压缩与应用 |
1.5 论文组织结构 |
第二章 相关背景及研究工作 |
2.1 引言 |
2.2 算术编码的算法 |
2.2.1 算术编码和图像 |
2.2.2 算术编码和视频 |
2.2.3 算术编码和音频 |
2.3 MP3 音频文件 |
2.3.1 MP3 编码理论 |
2.3.2 MP3 编码和解码 |
2.3.3 MP3 编码格式 |
2.3.4 MP3 的重新编码以及冗杂信息 |
第三章 基于算术编码的音频文件压缩方法研究 |
3.1 引言 |
3.2 自适应算术编码 |
3.2.1 背景 |
3.2.2 算术编码的工作原理 |
3.2.3 基于模型的改进自适应算术编码 |
3.2.4 基于二进制索引树的改进自适应算术编码 |
3.2.5 基于混合高斯模型的改进自适应算术编码 |
3.3 实验 |
3.3.1 实验环境设置 |
3.3.2 与常规压缩软件对比 |
3.3.3 本文方法的时间复杂度 |
3.3.4 本文方法与WNC算法的效率对比 |
3.4 本章小结 |
第四章 针对MP3 音频文件的压缩与设计 |
4.1 引言 |
4.2 MP3 音频文件读取 |
4.3 MP3 音频文件的编码压缩和解压缩算法 |
4.4 实验结果分析 |
4.5 软件模块设计 |
4.6 软件模块的具体实现 |
4.6.1 输入输出模块的实现 |
4.6.2 压缩模块的实现 |
4.6.3 解压模块的实现 |
4.7 MP3 音频文件压缩后的冗杂信息处理 |
4.8 本章小结 |
第五章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作展望 |
致谢 |
参考文献 |
附录 |
附录一 RLE压缩算法的C语言代码 |
附录二 RLE解压缩算法的C语言代码 |
附录三 改进的RLE压缩算法C语言实现 |
附录四 改进的RLE解压缩算法C语言实现 |
附录五 基于连续数据识别的改进RLE压缩算法C语言实现 |
附录六 基于连续数据识别的改进RLE解压缩算法C语言实现 |
附录七 输入输出模块的C/C++代码实现 |
附录八 压缩模块的C/C++代码实现 |
附录九 解码模块的C/C++代码实现 |
简历与科研成果 |
(8)大容量低时延信源信道联合编码视频传输技术研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
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 视频压缩编解码技术发展与演进 |
1.2.2 室内高速传输技术的发展 |
1.2.3 信源信道联合编码技术的研究现状 |
1.3 本文创新点及篇章结构 |
1.3.1 研究内容与创新点总结 |
1.3.2 本文篇章结构 |
第二章 超高清视频压缩与传输技术理论基础 |
2.1 高清视频压缩理论基础 |
2.1.1 数字视频压缩基础理论 |
2.1.2 高清视频预测编码 |
2.1.3 高清视频变换编码 |
2.1.4 高清视频熵编码 |
2.2 信源信道联合编码理论 |
2.2.1 信源信道联合编码的基本原理 |
2.2.2 信源信道联合编码的基本框架 |
2.2.3 信源信道联合编码关键技术 |
2.3 面向MIMO-OFDM系统的JSCC超高清视频传输方案 |
2.4 本章小结 |
第三章 低时延超高清视频压缩编解码算法 |
3.1 经典的视频压缩编解码算法 |
3.1.1 H.264/i AVC算法 |
3.1.2 HEVC SCC算法 |
3.1.3 JPEG 2000 ULL算法 |
3.2 本文提出的基于非对称整数小波变换的压缩算法 |
3.2.1 非对称整数小波变换处理 |
3.2.2 码率控制与量化 |
3.2.3 熵编/解码 |
3.2.4 算法的处理时延和复杂度性能分析 |
3.3 仿真与性能分析 |
3.4 本章小结 |
第四章 面向MIMO-OFDM系统的JSCC视频码流加载与调制 |
4.1 基于信源重要性的视频码流加载 |
4.1.1 基于信源重要性的天线空间映射 |
4.1.2 基于信源重要性的比特符号加载 |
4.2 基于信道反馈CSI的OFDM子载波调制 |
4.2.1 典型无线信道模型 |
4.2.2 OFDM子载波加载调制算法 |
4.3 仿真与性能分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 全文工作总结 |
5.2 进一步研究展望 |
参考文献 |
致谢 |
作者简介 |
(9)基于深度学习的图像压缩算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 JPEG |
1.1.2 JPEG2000 |
1.1.3 WEBP |
1.1.4 BPG |
1.2 国内外研究现状 |
1.3 主要研究内容和文章结构 |
1.4 主要创新点 |
第二章 相关知识概述 |
2.1 评价指标 |
2.1.1 PSNR |
2.1.2 SSIM |
2.1.3 MS-SSIM |
2.2 神经网络 |
2.2.1 卷积层 |
2.2.2 下采样 |
2.2.3 上采样 |
2.2.4 反卷积层 |
2.3 激活函数 |
2.3.1 Re LU函数 |
2.3.2 Sigmoid函数 |
2.3.3 Tanh函数 |
2.3.4 GDN函数 |
2.4 损失函数 |
2.4.1 信息熵 |
2.4.2 交叉熵 |
2.5 权值更新 |
2.5.1 随机梯度下降 |
2.5.2 动量法 |
2.5.3 Ada Grad |
2.5.4 RMSProp |
2.5.5 Adam |
2.6 算术编码 |
2.7 注意力机制 |
2.8 本章小结 |
第三章 端到端图像压缩模型框架 |
3.1 Ballé等人的模型框架 |
3.2 本文的改进模型 |
3.3 量化的近似梯度 |
3.4 分布的估计函数 |
3.5 训练细节 |
3.6 本章小结 |
第四章 实验结果 |
4.1 模型速度 |
4.2 重建效果 |
第五章 总结与展望 |
5.1 主要工作与创新点 |
5.2 后续研究工作 |
参考文献 |
附录 |
致谢 |
(10)私有云桌面环境中音视频传输技术的优化与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.3 课题研究内容 |
1.4 论文结构安排 |
第二章 相关技术介绍 |
2.1 远程桌面连接协议 |
2.2 音视频编码算法 |
2.2.1 视频编码 |
2.2.2 音频编码 |
2.3 音视频同步技术 |
2.3.1 多媒体同步概念及影响因素 |
2.3.2 音视频同步方案 |
2.3.3 多媒体同步容限 |
2.4 本章小结 |
第三章 音视频传输技术优化分析与设计 |
3.1 VNC协议优化分析 |
3.1.1 VNC数据压缩技术优化分析 |
3.1.2 VNC视频图像更新机制改进 |
3.1.3 VNC对音频支持的不足 |
3.1.4 VNC音视频网络通信优化分析 |
3.1.5 VNC优化总体架构 |
3.2 私有云环境中VNC设计 |
3.2.1 模式检测模块设计 |
3.2.2 音视频网络通信优化设计 |
3.2.3 音频模块设计 |
3.2.4 视频传输优化策略 |
3.2.5 音视频同步方案设计 |
3.2.6 客户端反馈调节模块设计 |
3.3 本章小结 |
第四章 音视频传输技术实现 |
4.1 模式检测模块实现 |
4.2 网络通信模块实现 |
4.3 音频模块实现 |
4.3.1 音频录制与播放模块实现 |
4.3.2 音频编解码实现 |
4.4 视频优化实现 |
4.4.1 视频模式实现 |
4.4.2 视频编码封装 |
4.5 音视频同步方案实现 |
4.5.1 音视频采集时间戳实现 |
4.5.2 缓冲区实现 |
4.5.3 音视频发送同步实现 |
4.5.4 同步播放实现 |
4.6 客户端反馈调节模块实现 |
4.7 本章小结 |
第五章 测试与分析 |
5.1 测试目标 |
5.2 测试环境 |
5.3 功能测试 |
5.4 性能测试 |
5.5 本章小结 |
第六章 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 |
四、基于JPEG2000的感觉编码研究(论文参考文献)
- [1]基于剪切波变换的图像质量评价方法研究[D]. 董武. 北京邮电大学, 2021(01)
- [2]高光谱遥感图像压缩自适应预测器优化研究[D]. 秦鹏程. 辽宁工程技术大学, 2020(02)
- [3]基于自编码器的图像压缩算法研究与FPGA实现[D]. 孟磊. 西安理工大学, 2020(01)
- [4]隧道视觉检测中的图像高压缩比算法研究[D]. 朱志强. 北京交通大学, 2020(03)
- [5]基于深度学习优化的图像压缩框架研究[D]. 董瑞. 哈尔滨工业大学, 2020(01)
- [6]视频压缩编码及其质量增强的优化技术研究[D]. 鲁国. 上海交通大学, 2020(01)
- [7]基于算术编码的音频文件压缩方法研究[D]. 罗曼琳. 南京大学, 2020(09)
- [8]大容量低时延信源信道联合编码视频传输技术研究[D]. 赵亚娟. 西安电子科技大学, 2020(05)
- [9]基于深度学习的图像压缩算法研究[D]. 汤志斌. 上海交通大学, 2020(01)
- [10]私有云桌面环境中音视频传输技术的优化与实现[D]. 李文军. 电子科技大学, 2020(07)