一种适用于时域错误隐藏的边界匹配算法[1]

合集下载

一种基于快速搜索的视频时域差错隐藏算法

一种基于快速搜索的视频时域差错隐藏算法


种基于快速搜 索的视频时域 差错隐藏算法
陈海强 , 翟玉兰 , 团发 覃
( 广西 大学 计算机 与电子信息学 院 , 南宁 5 00 ) 30 4

要 : 了克服视 频 传输 中因传输 差错 引起的视 频 质 量 下 降 , 出一 种 基 于 快速 搜 索 的边 框 匹配 为 提
时域 隐藏算 法 ( S M) C B 。该 算 法针对 时域 差错 隐藏 的运 动 矢量 恢复 问题 , 用 边框 匹配 算 法改善 被 利 恢 复的 物体边 缘模 糊 的情 况 ; 用基 于 中心偏 置 的快 速搜 索样 式得 到 最小边 界 匹配差值 的候 选 运动 采 矢量 , 少 了解码 器差错 恢复 的计 算复 杂度 。 实验 结 果显 示 , 对 不 同性 质 的序 列 , 算 法与边 界 匹 减 针 该 配算法 ( MA) 棱 形搜 索 的 边 界 匹 配 法 ( S M) 典 型 差 错 隐 藏 方 法 相 比 , 均搜 索 点 数 可减 少 S 、 DS 等 平
bu dr th gi ue rv bet eg in s , n esac a enb sdo etr i o n a ma i sdt i oeojc vref n es a dt erhpt r ae ncne —b— y cn s o mp at h t
a e h rce siso t n v co ( sd c aa tr t fmoi e tr MV)i uiz d t e h nmu b u d r —mac ig df rn e i c o s t i og tte mii m o n a le y thn iee c s f
0 h ft e MV a d dae S s t e u e t e c mp tto a o lx t ft e d c d n ro e iin e Co c n i t O a o r d c h o u a in lc mp e i o h e o i g e rr sle c . y m— p r d wih t e ta iin la g rt ms s c s S a e t h dto a lo ih u h a MA .DS M ,t e e p rme tr s ls s o t ti c n r d e r S h x e i n e u t h w ha t a e uc 1 5 t 9 c mp i on s a a mp o e 0. 3 t 55 d o h NR.whc r v s i et rc n 2. o 1 o ut ng p it nd c n i r v 9 o 1. B ft e PS ih p o e t b te o — s

倾向匹配模型近邻匹配原理

倾向匹配模型近邻匹配原理

倾向匹配模型近邻匹配原理
倾向匹配模型(Propensity Score Matching, PSM)是一种常用的统计方法,用于处理因果推断中的选择偏差问题。

在实际应用中,我们经常面临着无法进行随机实验的情况,因此需要借助倾向匹配模型来模拟实验条件,从而得到更加可靠的因果推断结果。

倾向匹配模型的核心原理是通过寻找近邻匹配来建立处理组和对照组之间的类似性,以减少处理组和对照组之间的差异性,从而实现更为准确的比较。

其基本步骤包括以下几个方面:
1. 倾向得分估计,首先,需要建立一个倾向得分模型,用于预测每个个体被处理的概率。

常用的建模方法包括逻辑回归、梯度提升树等。

2. 近邻匹配,在得到倾向得分后,需要通过一定的匹配算法,如最近邻匹配、卡方匹配等,来找到处理组和对照组之间的近邻。

3. 检验匹配质量,匹配完成后,需要进行匹配质量的检验,以确保匹配的有效性和可靠性。

4. 因果效应估计,最后,基于匹配后的样本数据,可以利用各种统计方法,如差分法、倾向得分加权法等,来估计处理效应的大小及显著性。

倾向匹配模型的近邻匹配原理能够有效地减少处理组和对照组之间的选择偏差,提高因果推断的可信度。

在医学、经济学、社会学等领域,倾向匹配模型都得到了广泛的应用,并取得了许多成功的研究成果。

然而,倾向匹配模型也存在着一定的局限性,如匹配质量依赖于倾向得分模型的准确性、匹配后样本量的减少等问题,因此在实际应用中需要谨慎使用并结合其他方法进行验证。

视频检测和运动目标跟踪方法总结

视频检测和运动目标跟踪方法总结

视频检测和运动目标跟踪方法总结目前常用的视频检测方法可分为如下几类:光流法,时域差分法,背景消减法,边缘检测法,运动矢量检测法[2]。

一、光流法光流法[1]是一种以灰度梯度基本不变或亮度恒定的约束假设为基础对运动目标进行检测的有效方法。

光流是指图像中灰度模式运动的速度,它是景物中可见的三维速度矢量在成像平面上的投影,表示了景物表面点在图像中位置的瞬时变化,一般情况下,可以认为光流和运动场没有太大区别,因此就可以根据图像运动来估计相对运动。

优点:光流不仅携带了运动目标的运动信息,而且还携带了有关景物三维结构的丰富信息,它能够检测独立运动的对象,不需要预先知道场景的任何信息,并且能够适用于静止背景和运动背景两种环境。

缺点:当目标与背景图像的对比度太小,或图像存在噪音时,单纯地从图像灰度强度出发来探测目标的光流场方法将会导致很高的虚警率。

且计算复杂耗时,需要特殊的硬件支持。

二、时域差分法时域差分法分为帧差法和改进的三帧双差分法。

1.帧差法帧差法[8]是在图像序列中的相邻帧采用基于像素点的时间差分, 然后阈值化来提取出运动区域。

视频流的场景具有连续性,在环境亮度变化不大的情况下,图像中若没有物体运动,帧差值会很小;反之若有物体运动则会引起显著的差值。

优点:时域相邻帧差法算法简单,易于实现,对背景或者光线的缓慢变化不太敏感,具有较强的适应性,能够快速有效地从背景中检测出运动目标。

缺点:它不能完全提取运动目标所有相关像素点,在运动实体内部不容易产生空洞现象。

而且在运动方向上被拉伸,包含了当前帧中由于运动引起的背景显露部分,这样提取的目标信息并不准确。

2.三帧双差分法三帧双差分法与相邻帧差法基本思想类似,但检测运动目标的判决条件上有所不同。

三帧双差分较两帧差分提取的运动目标位置更为准确。

三、背景消减法背景消减法[4]是将当前帧与背景帧相减,用阈值T判断得到当前时刻图像中偏离背景模型值较大的点,若差值大于T则认为是前景点(目标);反之,认为是背景点,从而完整的分割出目标物体。

一种多参考帧时域视频错误隐藏算法

一种多参考帧时域视频错误隐藏算法
, 。
然 后 在 R ( ) 中 以受 损 块 为 中心 , 0帧 在 , ) } ]
Re S o (
{一O a ( x, y ] + [ a ( L x MV MV ) , m x [m
当前 帧

像素范围内进行全搜索并根据文献 [ ] C e 6 中 hn改进 的边 界匹配法则求 出 e 0 中最 匹 配块 。最 后 在 RS N) 厂( ) e( , N >1帧 中 以受 损 块 为 中 心 , { a [ 在 一m x ( N),


∑ (M ( 1 1 Li ) )
= — — 一
( 2)
∑ (M iI I L( ) )
= — l一 _ Ⅳ () 3
图像块的运动特 点进行搜索范 围的选择 。
1 1 块在视频序列 中的运动特点 .
对于 啦厂Ⅳ)N > ( , 0的参 考帧 为对 其搜索 范 围进行 动态 自适应调整 , 在这里定义 了 , 两个 系数实现了在不
( 天津大学 天津大学电子信 息工程学院 , 天津 307 ) 002
【 摘 要】 提 出一种 自适应扩大 搜索范 围的多参考帧错误 隐藏算法 。该 算法 以视 频序列 的运 动剧烈程度 为基 础 , 多个 参考 帧 在 中根据视 频序列运 动的剧烈程度 的不 同 自适应 地扩大搜 索范 围以寻找 最优 匹配块 , 用最 优 匹配块替换 受损 块。 实验结果 表 明, 与 多帧恢 复的时域错误 隐藏算法相 比 , 错误 隐藏算法 无论 是在 P ⅣR值上还 是主观视 觉效果上都有所提 高。 S
间平滑特性 , 通过对其周 围块 的分析来恢复丢失块 。而 时 对应位置宏块 的运动矢量 、 可用邻边宏块的运动矢量和零

信息隐藏技术中的反隐写算法与应用实践(五)

信息隐藏技术中的反隐写算法与应用实践(五)

信息隐藏技术中的反隐写算法与应用实践近年来,随着信息技术的快速发展和广泛应用,信息安全问题日益突出。

信息隐藏技术作为一种保护信息安全的手段逐渐引起广泛关注。

其中,反隐写算法作为信息隐藏技术的重要组成部分,具有重要的理论与实践价值。

一、反隐写算法的基本原理反隐写算法是指通过一系列技术手段,从隐写图像、音频或视频中提取出隐藏的信息。

其基本原理是利用隐写媒体的特征、统计规律或者人眼感知的局限性,对隐写载体进行分析和处理,从而实现信息的提取。

1. 隐写图像反隐写隐写图像反隐写是指从一个看似正常的图片中提取出隐藏的信息。

在隐写图像反隐写中,常用的算法包括像素匹配、色彩分析、边缘检测等。

其中,像素匹配算法是通过分析像素点的差异性和统计规律来识别隐藏信息的。

2. 隐写音频反隐写隐写音频反隐写是指从音频中提取出隐藏的信息。

在隐写音频反隐写中,常用的算法有时域分析、频域分析和声音特征分析等。

其中,时域分析算法通过对音频信号的波形进行分析,寻找其中的隐藏信息。

3. 隐写视频反隐写隐写视频反隐写是指从视频中提取出隐藏的信息。

在隐写视频反隐写中,常用的算法有帧间差异分析、帧内差异分析和帧附加信息分析等。

二、反隐写算法的应用实践反隐写算法在实际应用中具有广泛的应用前景。

以下以图像反隐写为例,介绍一些实践应用。

1. 安全通信在保密通信中,可以利用反隐写算法对隐秘信息进行加密和隐藏。

发送方可以通过反隐写算法将需要隐藏的信息嵌入到图片中,接收方则通过相同的算法将隐藏的信息提取出来,实现安全的通信。

2. 防伪技术反隐写算法可以用于防伪技术中,通过将特定的信息隐藏在产品标签或包装中,可以帮助企业防止假冒伪劣产品的出现。

3. 版权保护反隐写算法可以用于数字水印技术,通过将水印信息嵌入到图片中,可以帮助版权所有者追踪侵权行为,保护知识产权。

4. 反恶意软件反隐写算法可以用于检测和清除恶意软件中的隐写信息,保护用户隐私和信息安全。

5. 反恐怖主义反隐写算法可以用于对恐怖分子使用的图像、音频和视频进行分析,帮助安全机构获取隐藏的恐怖主义信息,加强国家安全。

基于运动物体的时域视频错误隐藏算法

基于运动物体的时域视频错误隐藏算法
丁 志 鸿 ,王 刚 ,刘 立 柱
( 解放军信息工程大学 信息工程学院, 郑州 4 00 ) 50 2
摘 要 :为 了减 小视 频传 输 中的错误 对解 码端 重建视 频质 量 的影响 , 出了一种使 用 于 H.6 提 2 4的基 于运动物 体 的 时域 错误 隐藏 算 法。分 析丢 失宏块 相邻 宏块 的运动 矢量及灰 度值 分布 , 平坦 区域及 灰度 一致 的运 动 区域 先 对
进 行错 误 隐藏 , 最后 对遗 漏像 素进行 隐藏。 实验 表 明 该算 法 比经典 时域 隐藏算 法提 高 0 1 d 19 B 能 够 .3 B一 .1d ,
很 好地 保持 物体 形状 , 少块 效应 , 高了恢复 质量 。 减 提
关 键词 :H. 6 ;错误 隐藏 ;运 动 矢量 ;灰 度值 ;时域 隐藏 ;物 体形状 24
利用人 眼视觉 的特性 , 用视 频空 间 、 时间相 关性来 掩盖误码 带
量来组成候 选集 , 包括 空域相邻 块 的运 动矢量 和零运 动矢量 , 将使得边 界匹配误差 ( A 最小 的运 动矢 量作为最 终 的运 动 S D)
Ab ta t hsp p rp o oe e e oa ro o c ame tmeh dfrH. 6 ae nmoino jc e o src e sr c :T i a e rp sd an w tmp rl rrCn e l n to o 2 4b sdo t bett rcn t th e o o u t
第2 8卷 第 1 0期
21 0 1年 1 0月
计 算 机 应 用 研 究
Ap l a i n Re e r h o o u e s p i to s a c f C mp t r c

3D视频的错误隐藏快速算法_梁亮


数字视频 DIGITAL VIDEO 快速实现隐藏。需要注意的是, 由于深度图的错误隐藏方 在下文只考虑错误发生在彩色图的情况。 法和彩色图类似,
2 x 0 +N -1
1
DMVE 算法介绍
DMVE 算法利用 LMB 周边未出错像素来获得 LMV,
进而 恢 复 LMB。 其 思 想 是 利 用 SAD ( Sum of Absolute Differences) 准则估计 LMB 周边未出错像素的 MV, 再利 用 MV 通过运动补偿技术在参考帧中寻找匹配块并用该 匹配块代替 LMB。 LMV 在一个候选 MVs 集合中利用 SAD 准则得出, 候 选 MVs 集合包括: 1) 零 MV; 2) 参考帧中和 LMB 相同坐标的 MB 的 MV; 3) LMB 四周相邻的、 已正确接收到的 MB 的 MV; 4) 在一定区域内全局搜索获得的 MV。 设视频序列的宏块大小为 N × N , 重建帧表示为 ( x, P R ( x, y, n) , y) 为视频 其中 n 表示为重建帧的序号, y, 像素的坐标。重建帧和参考帧的像素差值为 P D ( x, n) , 假设第 n 帧的某个宏块传输时丢失或接收时出错, 定
SADA SADL SADB SADR
=
∑∑
l =1 x = x0 2 y 0 +N -1
^ ( x, | P y0 - l , n) - R
y0 - l , n) | P R ( x, =
∑∑
l =1 y = y0 1 x 0 +N -1
[ 8 ] [ 7 ]
和基于候选运动块加权的错
, 本

因为 3D 视频相对 2D 视频要多传输一路深度序列, 这 对视频解码器的解码速度提出了很高的要求, 特别是 DIBR, EC 等技术十分耗时, 极大地影响了解码速度, 所以如何 降低 EC 算法的复杂度是一个必须考虑的问题。由于 3D 视频可以充分利用彩色序列中的 MV 与深度序列中的 MV 之间的相关性来帮助加速恢复 LMV, 因此本文提出基于 DMVE 算法的快速错误隐藏算法。该算法能在不降低视频 主客观质量的情况下, 显著降低错误隐藏算法的复杂度从而

【国家自然科学基金】_边界匹配算法_基金支持热词逐年推荐_【万方软件创新助手】_20140803


2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
科研热词 边界匹配 计算机 缀合 甲骨文 图像分割 边缘检测 算法 高斯混合模型 频谱成像 隐藏次序 错误掩盖 重叠块运动补偿 运动矢量外推 边界匹配算法 车身覆盖件 误匹配点 覆盖空洞 纹理合成 管柱算法 立体匹配 生存时间 特征匹配 火成岩储层 水平集 最小割 最大流 曲面缝合 时域错误隐藏 无线传感器网络 整帧丢失 拓扑重建 扩散方程 差错掩盖 尺度参数 多目标优化 多尺度图像 在机检测 匹配追踪 动态规划 分辨率 凹点匹配 几何模型 关联-散列结构 修复 人类视觉系统 三角网格 stl模型 sift pta
1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
科研热词 立体匹配 非规则曲线 非结构化网格 错误掩盖 遮挡检测 运动矢量估计 边界匹配 边界分析 角点 虹膜识别 虹膜定位 色散介质 自适应阈值 自相关 紧支径向基函数 稠密匹配 移位算子 生物特征识别 特征提取 特征匹配 点密度 气泡堆积法 正则项 模板匹配 时域有限差分 整帧丢失 手背静脉 张量选举 建筑物提取 局部加密 小波矩 密集视差图 客户测量数据 增强现实 图形匹配 图割优化 图像积分 图像匹配 图像分解 图像修复 吸收边界 参数转换 区域边界 区域分割 匹配 几何属性相似度 光流 产品配置 互相关边界特性 不变矩 hough变换 holder不等式

各种计算电磁学方法比较

微波EDA‎仿真软件与‎电磁场的数‎值算法密切‎相关,在介绍微波‎E DA软件之前先‎简要的介绍‎一下微波电‎磁场理论的‎数值算法。

所有的数值‎算法都是建‎立在Max‎w ell方‎程组之上的‎,了解Max‎w ell方‎程是学习电‎磁场数值算‎法的基础。

计算电磁学‎中有众多不‎同的演法,如时域有限‎差分法(FDTD)、时域有限积‎分法(FITD)、有限元法(FE)、矩量法(MoM)、边界元法(BEM)、谱域法(SM)、传输线法(TLM)、模式匹配法‎(MM)、横向谐振法‎(TRM)、线方法(ML)和解析法等‎等。

在频域,数值算法有‎:有限元法 ( FEM -- Finit‎e Eleme‎n t Metho‎d)、矩量法( MoM -- Metho‎d of Momen‎t s),差分法( FDM -- Finit‎e Diffe‎r ence‎Metho‎d s),边界元法( BEM --Bound‎a ry Eleme‎n t Metho‎d),和传输线法‎( TLM -- Trans‎m issi‎o n-Line-matri‎x Metho‎d)。

R+x在时域,数值演算法‎有:时域有限差‎分法( FDTD - Finit‎e Diffe‎r ence‎Time Domai‎n),和有限积分‎法( FIT - Finit‎e Integ‎r atio‎n Techn‎o logy‎)。

这些方法中‎有解析法、半解析法和‎数值方法。

数值方法中‎又分零阶、一阶、二阶和高阶‎方法。

依照解析程‎度由低到高‎排列,依次是:时域有限差‎分法(FDTD)、传输线法(TLM)、时域有限积‎分法(FITD)、有限元法(FEM)、矩量法(MoM)、线方法(ML)、边界元法(BEM)、谱域法(SM)、模式匹配法(MM)、横向谐振法‎(TRM)、和解析法。

依照结果的‎准确度由高‎到低,分别是:解析法、半解析法、数值方法。

HMM及其算法介绍

HMM及其算法介绍隐马尔可夫模型(Hidden Markov Model,HMM)是一种统计模型,用于描述具有潜在不可见状态的动态系统。

HMM主要用于序列数据的建模与分析,特别适用于语音识别、自然语言处理、语言模型、机器翻译等领域。

HMM是一种二层结构的概率图模型,包括状态序列和观测序列。

其中,状态序列代表系统内部的状态变化,而观测序列是根据系统状态产生的可见数据。

HMM的基本假设是系统状态满足马尔可夫性质,即当前状态只依赖于前一个状态。

HMM模型的核心是三个问题:评估问题、解码问题和学习问题。

评估问题是给定一个观测序列和模型参数,计算该观测序列出现的概率。

该问题可以使用前向算法和后向算法来解决。

前向算法从初始状态开始,计算每个时刻观测序列的概率;后向算法从最后一个状态开始,计算每个时刻观测序列的概率。

最后,两个算法的结果相乘得到观测序列的概率。

解码问题是给定一个观测序列和模型参数,找到最有可能的状态序列。

常用的解码算法有维特比算法和后向算法。

维特比算法通过动态规划的方式,计算每个时刻的最大概率状态,并在整个过程中维护一个路径矩阵,得到最有可能的状态序列。

学习问题是给定观测序列,估计模型参数。

通常使用的方法是极大似然估计,通过最大化观测序列的似然函数来估计模型参数。

Baum-Welch算法是HMM中常用的学习算法,它利用了前向算法和后向算法的结果,通过迭代优化模型参数,直到收敛。

HMM模型的应用之一是语音识别。

在语音识别中,观测序列是听到的声音,而状态序列代表对应的语音单元(如音素、词语)。

通过训练HMM模型,可以将声音与语音单元映射起来,从而实现语音的识别。

另一个常见的应用是自然语言处理中的词性标注。

词性标注是给每个词语标注上对应的词性,如名词、动词、形容词等。

通过训练HMM模型,可以将词语作为观测序列,词性作为状态序列,从而实现词性标注的任务。

总结来说,HMM是一种用于序列数据建模的统计模型,具有评估问题、解码问题和学习问题等核心问题。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
关键词: 错误隐藏; 运动矢量; 边界匹配算法; 边缘匹配
A boundary matching algorithm for temporal error concealment
HAN He Min,GUO Bao Long, ZHAO Lian Feng
(School of Electromechanical Engineering, Xidian University, Xi′an 710071 , China)
+2

|G(x, y)|= Gx (x, y)+Gy (x, y)
(6)
#g(x,
y)= arctan (
Gy(x, Gx(x,
y) y)

(7)
设 定 阈 值 T, 当 |G(x, y)| 大 于 T 时 , 像 素 (x, y)为 边 缘
点。边缘方向与梯度方向垂直, 其斜率表达式为:
s(x, y)=-
Key words : error concealment ; motion vector ; boundary matching algorithm; edge matching
在视频通信中, 当视频码流在传输过程中丢失或受 到破坏时, 势必影响传输图像的质量, 导致解码器端重 建 的 视 频 信 号 的 失 真 。在 混 合 编 码 框 架 中 , 由 于 帧 间 、帧 内预测以及熵编码等技术的采用, 解码错误会在时间和 空间上扩散, 不仅破坏当前解码帧, 而且会影响到后续 帧 , 严 重 降 低 主 观 视 觉 效 果 [1- 2]。 在 这 种 情 况 下 , 可 在 解 码器端对受损宏块进行错误隐藏, 从而在不产生网络拥 塞 和 延 时 问 题 的 同 时 大 幅 提 高 重 建 图 像 的 质 量 [3]。
邻 域 可 用 预 测 运 动 矢 量 均 值 、邻 域 可 用 预 测 运 动 矢 量 中
costpro(i )=! ×costtemporal(i )+(1 - ! )costspatial(i )
(2) 值 , 候 选 集 中 所 得 匹 配 误 差 最 小 的 预 测 矢 量 即 为 恢 复 出
择的矢量获得的补偿效果并不是最佳的, 如图 2 所示。
边缘点数,
P IN1 j
为第

个边缘点,
n$ j1、n$ j2
为第

个边缘点
的 边 缘 方 向 。 " 为 Sobel 算 子 :
-%
&


1( )
1 %
&

1( )
&
)
&
)
" x=
-&
&



,)
)
" y=
& &


0) )
(5)
&
)
&
)
- 1 0 1 &&
当帧间图像发生错误时, 一般采用时域错误隐藏方 法, 即利用图像序列的连续性, 恢复受损块的运动矢量 并用其运动补偿块来代替受损块进行错误隐藏。其中, 恢复运动矢量主要利用运动矢量的空间和时间的相关 性 。参 考 文 献[4]列 举 了 一 系 列 运 动 矢 量 恢 复 方 法 , 如 采 用 零 矢 量 、参 考 帧 相 应 宏 块 运 动 矢 量 、邻 域 宏 块 运 动 矢 量 的 均 值 、邻 域 宏 块 运 动 矢 量 的 中 值 等 。 为 了 获 得 最 优 的 运 动 矢 量 , 参 考 文 献 [5]提 出 更 为 精 确 的 边 界 匹 配 算 法 BMA ( Boundary Matching Algorithm) , 通 过 计 算 补 偿 块
Abs tract : Aiming at the limitation of classical boundary matching algorithm for temporal error concealment, a new boundary matching algorithm based on both the spatial and temporal smoothness is presented. The proposed algorithm introduces a weighted distortion function, in which the temporal distortion is used to measure temporal continuity and the spatial distortion to reflect the continuity of boundary. Experiments show that the motion vector of the damaged region with multi - directional edge can be well re- covered with the proposed algorithm.
))


*
- 1 &&

-2
- 1 )) *
如 图 3 所 示 , 通 过 Sobel 算 子 在 受 损 块 内 部 边 界 三
像素宽的像素条上移动并在每个位置计算对应中心
像素的梯度值, 可以得到受损块边界各像素的水平与
垂 直 梯 度 : Gx (x , y) 、Gy (x , y) , 相 应 梯 度 矢 量 的 幅 度 和 方向角为:
匹配准则能够准确地将最佳的矢量与其他矢量区分开来, 块的可用性进行相应调整。预测矢量候选集包括: 零矢
因 此 , 本 文 在 匹 配 准 则 中 引 入 了 加 权 的 边 界 匹 配 误 差 。 基 量 、参 考 帧 相 应 宏 块 运 动 矢 量 、邻 域 可 用 预 测 运 动 矢 量 、
于时空域平滑特征, 将边界误差的衡量分为两部分:
计算机技术与应用 Computer Technology and Its Applications
一种适用于时域错误隐藏的边界匹配算法*
韩合民, 郭宝龙, 赵连凤 (西 安 电 子 科 技 大 学 机 电 工 程 学 院 , 陕 西 西 安 710071)
摘 要: 针对错误隐藏过程中传统边界匹配算法对边缘匹配的局限性, 提出一种基于时域与空域 平滑性的边界匹配算法。该算法引入加权的边界匹配误差: 时域误差用于衡量时域的连续性; 空域误 差则反映边缘的连续性。实验结果表明, 该算法有效解决了存在多方向边缘穿越受损区域情况下最 优矢量的选择问题, 使得恢复后的图像在边界处具有较好的连续性。
位置的匹配关系
来 分 配 "n$j1 权 重 大 小 。 重 复 上 一 步 操 作 , 再 次 对 当 前 边 缘
点 外 围 三 点 进 行 局 部 边 缘 点 检 测 , 根 据 n$j2 与 检 测 到 的 边 缘 点 位 置 的 匹 配 关 系 来 分 配 "n$j2 权 重 大 小 。由 于 充 分 考 虑
的内外边界像素变化差值来选择候选集中最优的运动 矢 量 用 于 受 损 块 重 建 , 这 一 方 法 由 于 其 简 单 、易 实 现 等 优 点 已 被 H.26L 的 验 证 模 型 所 采 纳 [6]。
然 而 , 基 于 BMA 的 错 误 隐 藏 算 法 仅 着 重 于 空 域 平 滑性的利用, 且在存在倾斜边缘穿越受损块的情况下对 最优矢量的选择并不十分有效。针对这一问题, 本文提 出 一 种 结 合 时 域 与 空 域 平 滑 性 的 边 界 匹 配 算 法 。边 界 误 差的衡量分为两部分: 时域误差定义为当前帧受损块与 参考帧补偿块外边界相应像素绝对差值和; 空域误差则 基于边缘的连续性, 定义为边界区域范围内边缘的平均 变化。实验结果表明, 该算法较好地适用于相邻宏块间 存在多方向边缘的情况, 从而使得恢复后的图像在边界 处具有较好的连续性。 1 边 界 匹 配 算 法 ( BMA)
r x + MV x , y 0 - 1 + MV y
c x, y0 +N
r x + MV x , y 0 + N + MV y
y0+ N- 1
+ ! [ P - P + P - P ] y=y0
c x0 - 1 , y
r x0 - 1 + MVx , y+ MVy
c x0 +N, y
r x0 + N+ MVx , y+ MVy
Gx(x, Gy(x,
y) y)
= tan#s (x ,
y)
(8)
则n$(x, y)=1∠#s(x,
y)。获 取 边 缘 点
P IN1 j
信息后,
对边缘点外围
三点进行局部边缘点检测,
得到边缘点
P IN2 j
及边缘方向
n$ j2。 基 于 边 缘 的 连 续 性 ,
可 根 据 n$j1

P IN2 j
了边缘的特征, 沿边缘走向来衡量当前恢复区域的平滑
2 基于时空域平滑性的边界匹配算法
性 , 本 文 算 法 可 以 有 效 克 服 BMA 对 边 缘 匹 配 的 局 限 性 。
为了从预测矢量候选集中选择最佳的运动矢量, 要求
与 BMA 算 法 相 同 , 本 文 提 出 的 匹 配 函 数 应 视 邻 域
120 欢迎网上投稿 www.chinaaet.com
《电子技术应用》2008 年第 1 期
计算机技术与应用 Computer Technology and Its Applications
costtemporal =
x0 + N - 1
! [ P - P + P - P ] x=x0
c x, y0 - 1
(1)
式 中 , x0、y0 为 当 前 受 损 块 左 上 角 像 素 坐 标 , MVx、MVy 分 别 为 当 前 预 测 矢 量 的 两 个 分 量 , Pc 与 Pr 分 别 为 当 前 帧
相关文档
最新文档