Multimedya Görüntü ve Video Kodlama  – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Multimedya Görüntü ve Video Kodlama için Etki Alanı Tekniklerini Dönüştürün

Blok tabanlı dönüştürme kodlaması, iletim sırasında normalde büyük bir bant genişliği gerektiren dijital videoyu sıkıştırmak için kullanılır. Dijital videonun sıkıştırılması, etkili depolama ve iletim için bant genişliğinin azaltılması açısından hayati önem taşır.

Ancak bu, özellikle düşük bit hızlarında, kodu çözülmüş videoda kodlama kusurlarına neden olur. Bu artefaktları azaltmak için uzamsal alanda veya dönüşüm alanında teknikler geliştirilebilir. Sözde engelleme artifaktını azaltmak için uzamsal alanda birkaç yöntem önerilmiştir.

Ancak, bu yöntemlerin hiçbiri tüm kodlama yapılarını aynı anda azaltamaz. Bazı yöntemler görüntü geliştirme teknikleridir ve diğerleri özünde yinelemelidir, bu da onları gerçek zamanlı uygulamalar için imkansız kılar. Ayrıca artefaktı tamamen ortadan kaldırmazlar. Bu nedenle, araştırmacılar yeni yaklaşımları araştırıyorlar.

Önerilen yaklaşımın amacı, iyi bilinen engelleme yapaylığı da dahil olmak üzere bir dizi kodlama yapaylığını azaltmak için yeni bir dönüşüm alanı filtreleme tekniği sunmaktır.

Dijital video kodlamada sıkıştırma, önce dijital videonun uzamsal ve zamansal alanlardan blok tabanlı ayrık kosinüs dönüşümü (DCT) kullanılarak frekans alanına dönüştürülmesi ve ardından dönüşüm katsayılarına nicemleme uygulanması ve ardından değişken uzunluklu kodlama ile sağlanır.

DCT, blok tabanlı bir dönüşümdür ve düşük bit hızlarında, dönüşüm katsayılarının kaba nicemlenmesinin neden olduğu gürültü, bloke edici bir yapı biçiminde görülebilir.

Mevcut video kodlama standartlarıyla uyumluluğu korurken bu artefaktı azaltmak için, düşük geçişli filtreleme (LPF), dışbükey kümelere yansıtma (POCS), maksimum a posteriori (MAP) filtreler ve uyarlanabilir düşük-geçiş gibi çeşitli uzamsal alan son filtreleme teknikleri geçiş filtreleri (ALPF’ler) tanıtıldı.

Dönüşüm katsayılarının kuantizasyonu, düşük bit hızlarında kodlama yapaylığı için ana hata kaynağı olduğundan, dönüşüm alanındaki kodlama yapaylıklarının üstesinden gelmede uzamsal alana göre çok daha etkili olacaktır.

Son zamanlarda, nicelenmiş versiyonlarından dönüşüm katsayılarını tahmin etmek için dönüşüm alanında bir ağırlıklı en küçük kareler (WLS) yöntemi tanıtıldı. Niceleme hataları için tek biçimli olasılık yoğunluk fonksiyonunu varsayar ve karşılık gelen niceleyicinin adım boyutundan bunların varyanslarını tahmin eder.

Ayrıca, sinyal ve gürültünün varyanslarını ayrı ayrı tahmin eder ve böylece hesaplama hatalarının yanı sıra hesaplama karmaşıklığını da artırır. Bu nedenle, sinyal-gürültü oranını (SNR) tek bir varlık olarak tahmin etmek daha mantıklıdır, çünkü bu oran bir dizi görüntü kalitesi restorasyon tekniğinde önemli bir rol oynar.

Yakın zamanda bir görüntü restorasyon probleminde SNR’yi tahmin ederek geliştirilmiş bir Wiener filtresi (IWF) önerdik. Bu IWF, sıkıştırılmış görüntülerdeki kodlama artefaktını azaltmak için de uygundur. Bu bölümde, IWF ve WLS incelenip modifiye edilmiş ve kodlama yapaylıklarını azaltmak için dönüşüm alanında yeni bir yaklaşım geliştirilmiştir.

İlk olarak, engelleme yapılarını azaltmak için WLS ve yaklaşık WLS∗ yöntemleri araştırılır ve uygulanır. İkinci olarak, IWF yöntemi daha fazla araştırılır ve nicemlenmiş dönüşüm katsayılarının SNR’si tahmin edilir. Bu tahmini SNR, dönüşüm katsayılarındaki gürültüyü azaltmak için IWF ile birlikte kullanılır. Bu gürültü, kodlama yapılarının kaynağıdır. Bu tür gürültünün azaltılması, kodlama yapılarının karşılık gelen bir azalmasıyla sonuçlanır.

Renault multimedya
Media Nav Android Auto
Media nav 4.1 0 yükseltme
Media nav Carplay update
Renault welcome Naviextras
Media nav 4.1 0 Android Auto
EDC yazılım güncelleme fiyatı
Clio 4 müzik formatı

Metodoloji

Önce görüntü ve video dönüşümü kodlama şemalarında kullanılan matematiksel modeli tartışalım. Blok tabanlı dönüşüm kodlamanın aşağıdaki gibi modellenebileceği sayısal görüntü ve video kodlama literatüründen açıkça görülmektedir.

Burada x , T , Q ve Y sırasıyla giriş görüntüsünü, ayrık kosinüs dönüşümünü, niceleme sürecini ve nicelenmiş DCT katsayılarını temsil eder. Bu dönüşüm kodlama mekanizması kullanılarak niceleme hatası için doğrusal bir model aşağıdaki gibi geliştirilebilir ve yazılabilir.

Burada n, dönüşüm katsayıları T(x) üzerinde sinyalden bağımsız parazit oluşturan ve Y ile sonuçlanan niceleme hatasıdır. Bu nedenle, n genellikle niceleme gürültüsü olarak adlandırılır. Yukarıdaki doğrusal gürültü modelini basitleştirmek için aşağıdaki gibi yazıyoruz.

Burada X = T (x) ve n, DCT katsayılarının niceleme işlemiyle ortaya çıkan sıfır ortalamalı bir toplamsal gürültüdür. Genelliği kaybetmeden, n gürültüsünün de X dönüşüm katsayıları ile ilintisiz olduğu varsayılabilir.

F F T ve I F F T sırasıyla hızlı Fourier dönüşümünü ve ters hızlı Fourier dönüşümünü temsil eder. sembol | · |2, güç spektrumunu temsil eder ve |n|2/|X|2 oranı gürültü-sinyal güç oranı olarak adlandırılır (bu, SNR’nin apriori temsilidir).

(12.4)’ten görebileceğimiz gibi, X-hat’ın hesaplanması, nicelenmemiş dönüşüm katsayısının (X) ve niceleme gürültüsünün (n) güç spektrumları hakkında önceden bilgi sahibi olmayı gerektirir. Gerçekte bu tür bilgiler nadiren bulunur. Gürültü-sinyal güç oranını bir bütün olarak tahmin etmek için iki yaklaşım öneriyoruz ve bunu bozuk versiyondan dönüşüm katsayılarını geri yüklemek için kullanıyoruz.

 Gürültü Gücü Spektrumunun Bilindiğini Varsayalım

Bu yaklaşımda, niceleme gürültüsünün tekdüze bir olasılık yoğunluk fonksiyonuna sahip olduğu varsayımını kullanıyoruz. Böylece niceleme gürültü varyansı verilir.

Gürültü-sinyal güç oranı, kuantize dönüşüm katsayıları Y ve kuantizasyon gürültüsü n’nin güç spektrumlarından hesaplanabilir.

Bu oranı kullanarak, dönüşüm katsayılarındaki nicemleme hatasını azaltabilir ve karşılığında sıkıştırılmış görüntülerdeki engelleme yapaylığı da dahil olmak üzere bir dizi kodlama yapaylığını azaltabiliriz.

Önerilen bu yöntemin WLS’ye göre avantajı, yalnızca bir varsayım (gürültü varyansı) kullanması, WLS’nin ise bir yaklaşım (X’in ortalaması) ve bir varsayım (gürültü varyansı) kullanmasıdır. Önerdiğimiz yaklaşımda herhangi bir yaklaşım kullanılmadığından, tepe sinyal-gürültü oranı (PSNR) ve görsel kalite açısından daha iyi sonuçlar verir.

Bu yaklaşımda, gürültü-sinyal güç oranını bir bütün olarak tahmin etmek için bir teknik öneriyoruz ve ardından bunu Wiener filtre denkleminde kullanıyoruz. Son zamanlarda, görüntü restorasyon probleminin üstesinden gelmek için IWF tekniğini önerdik.

Bu teknikte, Wiener filtresini uygulamak için gürültü-sinyal güç oranı hakkında önsel bilgilere ihtiyacımız yoktur; bunun yerine, verilen bozulmuş görüntüden tahmin edilir. Görüntü restorasyon probleminde başarıyla kullanılmıştır. DCT katsayılarının kaba nicelemesiyle ortaya çıkan kodlama yapaylıklarını kaldırmak için bu yaklaşımı kullanıyoruz.

Makale Deniz

Biyografinin Tamamını Gör