基于改进量化约束集的压缩视频超分辨率重建算法

计算机应用 ›› 2011, Vol. 31 ›› Issue (01): 151-153.

基于改进量化约束集的压缩视频超分辨率重建算法

曾强宇¹,何小海¹,陈为龙²

1. 四川大学电子信息学院图像信息研究所
2.

收稿日期:2010-06-09 修回日期:2010-07-25 发布日期:2011-01-12 出版日期:2011-01-01
通讯作者: 曾强宇
基金资助:
教育部科学技术研究重点项目资金资助项目

Compressed video super-resolution reconstruction based on adaptive quantization constrain set

Received:2010-06-09 Revised:2010-07-25 Online:2011-01-12 Published:2011-01-01
Contact: Zeng QiangYu

摘要/Abstract

摘要： 摘要：超分辨率技术是使用低分辨率图像序列来重建高分辨率图像的技术。在压缩视频的超分辨率重建中，量化约束集(QCS)作为编码模型的先验信息被广泛采用。根据窄量化约束集(NQCS)理论，利用量化误差的统计特性，提出了一种改进量化约束集(AQCS)。根据DCT变换后块边界特性，提出了平滑约束集。实验结果表明，提出的基于改进量化约束集的压缩视频超分辨率重建算法较传统的量化约束集，在峰值信噪比(PSNR)和主观图像质量上有不同程度的提高。

关键词: 压缩视频, 凸集投影, 超分辨率重建, 量化约束集, 平滑约束集

Abstract: Abstract: Super-resolution technique is the task of reconstructing High-Resolution (HR) image from a sequence of Low-Resolution (LR) images. Quantization Constrain Set (QCS) was widely used as priori information about the coding process in super-resolution reconstruction of compressed video. An adaptive quantization constrain set (AQCS) was proposed by using statistical property of quantization errors based on theory of projection onto the Narrow Quantization Constrain Set (NQCS). A new smooth constrain set (SCS) was proposed by using the property of DCT transformed block edge. The experimental results showed that proposed AQCS outperformed traditional QCS in both Peak Signal to Noise Ratio (PSNR) and subjective image quality.

Key words: Compressed Video, Projection onto Convex Set, Super-Resolution Reconstruction, Quantization Constrain Set, Smooth Constrain Set

曾强宇何小海陈为龙. 基于改进量化约束集的压缩视频超分辨率重建算法[J]. 计算机应用, 2011, 31(01): 151-153.

[1]	申利华, 李波. 基于特征金字塔网络和密集网络的肺部CT图像超分辨率重建[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1612-1619.
[2]	王汇丰, 徐岩, 魏一铭, 王会真. 基于并联卷积与残差网络的图像超分辨率重建[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1570-1576.
[3]	张晔, 刘蓉, 刘明, 陈明. 基于多通道注意力机制的图像超分辨率重建网络[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1563-1569.
[4]	牛康力, 谌雨章, 沈君凤, 曾张帆, 潘永才, 王绎冲. 基于深度学习的双通道夜视图像复原方法[J]. 计算机应用, 2021, 41(6): 1775-1784.
[5]	梁敏, 王昊榕, 张瑶, 李杰. 基于加速残差网络的图像超分辨率重建方法[J]. 计算机应用, 2021, 41(5): 1438-1444.
[6]	段友祥, 张含笑, 孙歧峰, 孙友凯. 基于拉普拉斯金字塔生成对抗网络的图像超分辨率重建算法[J]. 计算机应用, 2021, 41(4): 1020-1026.
[7]	王永金, 左羽, 吴恋, 崔忠伟, 赵晨洁. 基于注意力机制的图像超分辨率重建[J]. 计算机应用, 2021, 41(3): 845-850.
[8]	王海勇, 张开心, 管维正. 基于密集Inception的单图像超分辨率重建方法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3666-3671.
[9]	林静, 黄玉清, 李磊民. 基于球形矩匹配与特征判别的图像超分辨率重建[J]. 计算机应用, 2020, 40(8): 2345-2350.
[10]	胡雪影, 郭海儒, 朱蓉. 基于混合深度卷积网络的图像超分辨率重建[J]. 计算机应用, 2020, 40(7): 2069-2076.
[11]	欧阳宁, 韦羽, 林乐平. 结合感知边缘约束与多尺度融合网络的图像超分辨率重建方法[J]. 计算机应用, 2020, 40(10): 3041-3047.
[12]	姚鲁, 宋慧慧, 张开华. 混合阶通道注意力网络的单图像超分辨率重建[J]. 计算机应用, 2020, 40(10): 3048-3053.
[13]	陈龙彪, 谌雨章, 王晓晨, 邹鹏, 胡学敏. 基于深度学习的水下图像超分辨率重建方法[J]. 计算机应用, 2019, 39(9): 2738-2743.
[14]	刘月峰, 杨涵晰, 蔡爽, 张晨荣. 基于改进卷积神经网络的单幅图像超分辨率重建方法[J]. 计算机应用, 2019, 39(5): 1440-1447.
[15]	许德智, 孙季丰, 罗莎莎. 基于权重量化与信息压缩的车载图像超分辨率重建[J]. 计算机应用, 2019, 39(12): 3644-3649.