Analiz-Sentez Kodlayıcı – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Analiz-Sentez Kodlayıcı

R3D ve F3D kaynak modellerine dayalı nesne tabanlı analiz-sentez kodlayıcı, CIF’e karşılık gelen bir uzamsal çözünürlük ve 10 Hz kare hızıyla test dizilerine uygulanır. Sonuçlar, sunulduğu gibi F2D kaynak modeline dayalı olarak bir H.261 kodlayıcı ve OBASC’ninkilerle karşılaştırılır.

Model hatalarının tespiti ve şekil parametrelerinin kodlanması söz konusu olduğunda, aynı algoritmalar ve kodlayıcı ayarları uygulanır. Parametre kodlaması, yaklaşık 64 kbit/s’lik bir veri hızını hedefler. Ancak, kodlayıcının bit hızı kontrol edilmez ve arabellek uygulanmaz.

Deneylerde, model hatalarının tespiti için izin verilen gürültü seviyesi Ne, 6/255 olarak ayarlanmıştır. Model hatalarının renk parametreleri, Bölüm 10.5.5’e göre 36 dB’lik bir tepe sinyal-gürültü oranı (PSNR) ile kodlanmıştır.

Tüm deneylerde, kodlayıcılar dizinin ilk orijinal görüntüsü ile başlatılır (yani çerçeve belleği, blok tabanlı kodlayıcı H.261 için ilk orijinal görüntü ile başlatılır). İki nesne tabanlı analiz-sentez kodlayıcı için, parametreler için bellekteki arka plan model nesnesi, ilk orijinal görüntü ile başlatılır.

Baş ve omuz sahneleri için 3B model nesnesi genellikle iki ila üç bileşene bölünür. Tahmini hareket parametre setlerinin model nesnesine uygulanması, nesne hareketinin doğal bir izlenimini verir.

Bu, tahmin edilen hareket parametrelerinin gerçek hareket parametrelerine yakın olduğunu ve 3B model nesne şeklini oluşturmak için nesne siluetine uygulanan mesafe dönüşümünün baş ve omuz sahnelerinin analizi için uygun olduğunu gösterir.

Katı model arızalarının alanı MFR3D, görüntü alanının ortalama %4’ünden azdır. Bunu genelleştirirsek, baş ve omuz sahneleri için rijit model hatalarının hareketli alanın %15’inden daha az olması beklenebilir.

Hareketli alanla ilgili model arıza alanının kesin rakamları, Claire için %12 ve Miss America için %7’dir. Miss America’nın hareketi neredeyse 2 boyutluyken, test sekansı, deneğin kafasının hızlı dönüşü nedeniyle daha zorlu görünüyor.

Farklı parametre setleri hareket, şekil ve renk ile F2D, R3D ve F3D kaynak modelleri için ortalama bit hızını karşılaştırır. Baş ve omuz test dizilerinin kodlanması ve Akiyo MPEG-4 test dizisinin kodlaması verilen veri oranlarını aşmayacaktır.

F2D ve R3D kaynak modelleri yaklaşık olarak aynı veri hızına ihtiyaç duyar. Yer değiştirme vektör alanı nedeniyle, F2D kaynak modeline dayalı OBASC, nispeten yüksek miktarda hareket bilgisi gerektirir. Şekil parametreleri, MC ve MF nesnelerinin şeklini içerir.

MC nesnelerinin şekil parametreleri, her iki kaynak model için de benzer veri hızları gerektirir. Bununla birlikte, kaynak model F2D yalnızca birkaç büyük MF nesnesine neden olurken, kaynak model R3D daha küçük ama daha fazla MF nesnesine neden olur. Bu daha fazla sayıda MFR3D nesnesi, uygulanan kaynak modelin sert şekiller varsaymasından kaynaklanmaktadır.

Gerçek ve model nesneler arasındaki şekil farklılıkları ve gerçek nesnelerin yüzeyindeki küçük esnek hareket telafi edilemez. Bu etkiler, model nesnelerinin küçük yerel konum hatalarına neden olur. Yüksek yerel aktiviteye sahip doku 0,5 pel’den daha fazla yer değiştirirse, geometrik bozulmaların tespiti için basit filtre nedeniyle model hataları tespit edilir.

Bu küçük konum hataları, F2D kaynak modeli kullanılırken telafi edilebildiğinden, şekil parametreleri için genel veri hızı, kaynak model R3D için 750 bit daha yüksektir. Bu, F2D’nin daha yerel hareket modelinden kaynaklandığı için, hareket ve şekil veri hızlarının toplamını karşılaştırmaya da bakmamız gerekiyor. Burada, kaynak model R3D, kaynak model F2D’den %7,5 daha az bit gerektirir.

Bloom Taksonomisi
Meta-sentez Nedir
Meta-sentez örnekleri
meta-sentez ve meta-analiz arasındaki fark
Bloom Taksonomisi örnekleri
“anlatı sentezi”
Bloom Taksonomisine göre matematik soru örnekleri
Meta-sentez çalışması

F3D ile R3D’yi karşılaştırırken, MF nesnelerinin ortalama alanının %4’ten %3’e düştüğünü fark ediyoruz. CIF dizileri için bu, MF nesnelerinin doku parametreleri için en az 1000 bit/karelik bit tasarrufuyla sonuçlanır. Aynı zamanda, MF nesne şekli için veri hızı 1150’den 1000 bit/kare’ye düşer.

Bunun başlıca nedeni, F3D durumunda daha az sayıda MF nesnesidir. F3D’nin kullanımı, esnek kaydırma vektörlerinin ek bir veri kümesi olarak iletilmesini gerektirdiğinden, MC nesne şekli parametrelerinin hızı 450 bit/kare artar.

Bu, bir MC nesnesinin şekil parametrelerine ek 450 bit/kare harcayarak, MF nesnesinin şeklinde 150 bit/kare tasarruf ettiğimizi ve MF nesnelerinin alanını %1 oranında azalttığımızı gösterir. Bu nedenle, bit tasarrufu, F3D’nin bu ek parametre seti için maliyetlerden önemli ölçüde yüksektir.

F2D, R3D, F3D ve H.261 kaynak modellerini kullanan Claire test dizisinin kodu çözülmüş 33. çerçevesinin bir parçasını gösterir. Öznel olarak, F2D, R3D ve F3D kaynak modelleri arasında fark yoktur. Ancak kaynak model F3D, 64 kbit/sn yerine yalnızca 56 kbit/sn gerektirir.

Bir H.261 kodlayıcının kodu çözülmüş görüntüleri ile karşılaştırıldığında, resim kalitesi iki kat iyileştirilmiştir. Hareket eden nesnelerin sınırlarında, şekil parametrelerinin girilmesi nedeniyle hiçbir blok veya sivrisinek eseri görülmez. Yüzdeki görüntü kalitesi iyileştirilir, çünkü renk parametrelerinin kodlanması, esas olarak yüzde bulunan model hatalarıyla sınırlıdır.

Model hatalarının ortalama alanı (yani, renk parametrelerinin kodlanması gereken alan) görüntü alanının %4’ünü kapsadığından, renk parametreleri 1,0 bit/pel’den daha yüksek bir veri hızında kodlanabilir. Bu, bir H.261/RM8 kodlayıcı ile renk parametrelerinin kodlanması için mevcut olan 0,1 ila 0,4 bit/pel ile karşılaştırılır.

Burada, 64 kbit/s veri hızını hedefleyen hareketli katı 3D nesnelerin (R3D) ve hareketli esnek 3D nesnelerinin (F3D) kaynak modellerine dayanan nesne tabanlı bir analiz-sentez kodlayıcı kavramı ve uygulaması sunulmuştur.

Bir OBASC beş bölümden oluşur: görüntü analizi, parametre kodlama ve kod çözme, görüntü sentezi ve parametreler için hafıza. Her nesne, tekdüze 3B hareketiyle tanımlanır ve hareket, şekil ve renk parametreleriyle tanımlanır. Hareketli nesneler, 3B model nesneler tarafından modellenir.

Görüntü analizinin amacı, zaten iletilen parametre setlerini hesaba katarak bir sekansın mevcut görüntüsünün kompakt bir parametrik açıklamasına ulaşmaktır. Görüntü analizi, model hatalarının tespitinin yanı sıra şekil ve hareket tahmini içerir. Hareket eden nesneler, zamansal değişiklik tespiti ve hareket parametreleri kullanılarak bölümlere ayrılır.

Bu hareket parametrelerini tahmin etmeye yönelik algoritma, gradyan tabanlı hareket tahmini üzerine önceki çalışmalara dayanmaktadır. İki görüntü arasındaki fark sinyalini 3B hareket parametreleriyle ilişkilendiren yeni bir denklem seti oluşturulmuştur. Sağlam hareket tahmini algoritmalarını kullanmak, bir video sahnesi boyunca baş ve omuzlar gibi sert ve esnek nesneleri izlememizi sağlar, böylece verimli bir nesne tabanlı video kodlayıcı sağlar.

Bir model nesnenin 3B şekli, nesne siluetine nesne derinliği veren bir mesafe dönüşümü uygulanarak hesaplanır. Bu 3B model nesnelerine uygulanan tahmini hareket parametreleri doğal bir hareket izlenimi verdiğinden, bu mesafe dönüşümü baş ve omuz sahnelerinin analizi için çok uygundur.

Makale Deniz

Biyografinin Tamamını Gör