近年來,隨著計算機網絡的發(fā)展,圖像和視頻在網絡中的應用越來越廣泛,并且它們的傳輸也變得越來越重要。如何保證圖像和視頻在信道的高效率傳輸,成為當前研究熱題之一。在有損信道上多媒體業(yè)務的迅速增長,促進了高效、可靠和適應性強的編碼技術的發(fā)展,多描述編碼方法(Multiple Description Coding,簡稱MDC)已經成為解決這種情況的最有效的編碼技術之一,尤其是在實際應用中數據不可靠傳輸的情況下。在多描述編碼方法中,信源被編碼成包含受控冗余的多個描述,這些冗余用于解決跨通道傳輸時無法預測的丟包問題,將描述通過不同的網絡路徑傳輸到解碼器,解碼器利用接收到的描述重構源數據。另外,卷積神經網絡(Convolutional Neural Networks,簡稱CNNs)在圖像分類和模式識別等領域應用廣泛,也越來越多的將其應用到圖像壓縮領域,并利用其自身的優(yōu)勢,獲得了良好的視覺效果。本文以提高重構圖像的精確度和編碼效率為出發(fā)點,利用深度學習的相關知識,在CNNs的基礎上對多描述編碼方法進行了深入研究,進而研究了基于卷積神經網絡的多描述圖像編碼方法,主要創(chuàng)新性研究成果如下所示:1)提出了一種...

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
主要符號對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 多描述編碼方法的研究現狀
        1.2.2 基于卷積神經網絡的多描述編碼方法的研究現狀
    1.3 論文主要貢獻及結構安排
第二章 多描述編碼原理及相關方法簡介
    2.1 多描述圖像編碼原理
    2.2 圖像編碼相關方法
        2.2.1 TLMDC
        2.2.2 TRPCSQ
        2.2.3 MDROQ和 MDUOQ
        2.2.4 基于CAE的有損圖像壓縮
    2.3 本章小結
第三章 基于對稱卷積自編碼器的多描述圖像編碼
    3.1 引言
    3.2 對稱卷積自編碼器
    3.3 基于對稱卷積自編碼器的多描述圖像編碼
    3.4 實驗結果
        3.4.1 評價標準
        3.4.2 實驗結果
    3.5 本章小結
第四章 基于卷積自編碼器的多描述編碼網絡
    4.1 引言
    4.2 加性均勻噪聲
    4.3 基于卷積自編碼器的多描述編碼網絡
    4.4 理論分析與目標函數表示
    4.5 實驗結果
    4.6 本章小結
第五章 總結與展望
    5.1 論文工作總結
    5.2 工作展望
參考文獻
攻讀學位期間發(fā)表的學術論著
致謝



本文編號：3799706