Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 1 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 1](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-1_qVb6uJmjB3.jpg)
Trang 1
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 2 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 2](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-2_MKXaJvLWq0.jpg)
Trang 2
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 3 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 3](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-3_chXOCYjHoq.jpg)
Trang 3
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 4 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 4](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-4_JMJF4F2ZC0.jpg)
Trang 4
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 5 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 5](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-5_kuq1bPrGXc.jpg)
Trang 5
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 6 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 6](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-6_R32balVs9i.jpg)
Trang 6
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 7 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 7](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-7_iFXc1NqbLQ.jpg)
Trang 7
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 8 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 8](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-8_EqEDlz1uMn.jpg)
Trang 8
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 9 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 9](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-9_dpKuPlgvex.jpg)
Trang 9
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 10 Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán trang 10](https://s1.thuvienluanvan.org/d2fndtiye73ondva/image/2024/03/02/433/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma-trang-10_PibJ6XSvSW.jpg)
Trang 10
Tải về để xem bản đầy đủ
Bạn đang xem 10 trang mẫu của tài liệu "Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.
Tóm tắt nội dung tài liệu: Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán
![Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán Luận án Nghiên cứu cải tiến hiệu năng hệ thống mã hóa/giải mã video phân tán](https://s1.thuvienluanvan.org/d2fndtiye73ondva/thumb/2024/03/02/luan-an-nghien-cuu-cai-tien-hieu-nang-he-thong-ma-hoagiai-ma_Yb8q9cYUu1.jpg)
c lại thì sẽ chọn GOP = 2. Đóng góp này đã được báo cáo tại Hội nghị Quốc tế về các Công nghệ tiên tiến trong Truyền thông năm 2018 (ATC 2018) [Bài báo 1]. Phần tiếp theo của chương này sẽ trình bày chi tiết các đóng góp được giới thiệu ở trên và được cấu trúc như sau. Phần 2.2 trình bày các kết quả đạt được khi thực hiện thay đổi kích thước GOP tại phía mã hóa. Phần 2.3 đề xuất các phương pháp thực hiện tại phía giải mã để cải thiện hiệu năng nén cho DVC với phương pháp tạo thông tin phụ trợ bằng cách lọc liên tục trong quá trình giải mã và cải tiến tính chính xác của tham số α của mô hình hóa nhiễu tương quan dựa trên mạng nơ-ron. Cuối cùng là kết luận chương được tóm tắt trong phần 2.4. 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 45 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 2.2.1 Đặt vấn đề Trong DVC, SI và CNM là hai thành phần chức năng chính quyết định chủ yếu đến hiệu năng mã hóa. Mặt khác, kết quả của cả hai quá trình này lại phụ thuộc vào GOP - số lượng khung hình giữa hai KF liên tiếp nhau. Khi GOP = 2 nghĩa là giữa hai KF có một WZF và khi GOP = 4 nghĩa là giữa hai KF có ba WZF. Khi kích thước GOP càng lớn, việc dự đoán SIF từ các KF đã giải mã càng khó khăn vì khoảng cách giữa chúng càng lớn. Cùng với đó, việc ước lượng CNM cũng trở nên khó chính xác hơn. Vì vậy, trong DVC, GOP thông thường được chọn bằng 2. Tuy nhiên, đối với các đoạn video có chuyển động chậm, tương quan giữa các khung hình cao thì việc ước lượng SI cũng như CNM dễ đạt được kết quả chính xác. Để trực quan có thể xem xét Hình 2.1 dưới đây. Hình này gồm sáu khung hình đầu tiên của chuỗi News. Đây là chuỗi được coi là chuyển động chậm với vùng chuyển động chủ yếu ở phần mặt và với vùng nền tương đối tĩnh. Có thể thấy rằng các khung hình này gần như giống nhau, ngoại trừ vùng mắt mở trong khung hình (a) và mắt nhắm trong khung hình (f). Nếu sử dụng kích thước GOP = 2 nghĩa là các khung hình (a), (c) và (e) sẽ được phân loại là các KF. Tuy nhiên, khi quan sát bằng mắt có thể nhận thấy các khung hình này khá giống nhau và có thể chỉ thiết lập các khung hình (a) và (f) là KF là đủ hay nói cách khác kích thước GOP có thể tăng lên bằng 5. Giải pháp này có thể tiết kiệm một số lượng lớn các bit và cải thiện hiệu năng nén đáng kể. Một số nghiên cứu thay đổi kích thước GOP tùy thuộc vào nội dung chuỗi video cho thấy có thể đạt được kết quả khá tốt với độ phức tạp mã hóa tăng không đáng kể. Tuy nhiên, các giải thuật điều chỉnh kích thước GOP này phụ thuộc chủ yếu vào một số giả định có tính xác định. Do đó mức cải thiện hiệu năng nén chưa 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 46 Hình 2.1: Sáu khung hình đầu tiên của chuỗi video News cao. Mục đích của đề xuất mới là phân loại kích thước GOP một cách chính xác hơn dựa trên nội dung video. Do nội dung của dữ liệu video rất đa dạng nên đề xuất này sử dụng một thuật toán học máy để lựa chọn kích thước GOP cho mỗi phân đoạn video gồm năm khung hình một cách hiệu quả. Như mô tả trong hình 2.2, khi đoạn video là chuyển động nhanh thì phân đoạn đó có hai WZF và khi chuyển động chậm thì có ba WZF. Hình 2.2: (a) Đoạn chuyển động nhanh và (b) Đoạn chuyển động chậm Để quyết định chính xác loại của một phân đoạn video bằng phương pháp học máy, cần phải lựa chọn các đặc trưng mô tả chính xác về nội dung chuyển động nhanh hay chậm, phức tạp hay đơn giản của phân đoạn đó và sử dụng một 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 47 thuật toán học máy phù hợp để phân loại chuyển động. Tuy nhiên, việc quyết định kích thước GOP cần phải được thực hiện ở bước đầu tiên của quá trình mã hóa WZF tại phía mã hóa nên cần lựa chọn một thuật toán học máy hiệu quả nhưng không quá phức tạp. Điều này là cần thiết nhằm đảm bảo bộ mã hóa giữ được độ phức tạp thấp như ban đầu. Các đặc trưng được chọn ngoài việc phản ánh được nội dung chuyển động cũng như cấu trúc bề mặt của đoạn video cũng cần đảm bảo tính toán nhanh và đơn giản. Quá trình huấn luyện được thực hiện ngoại tuyến để đảm bảo bộ mã hóa đơn giản. Tập dữ liệu huấn luyện đã được thử nghiệm với một số thuật toán học máy để phân loại bao gồm cây quyết định, Gaussian Naive Bayes và hồi quy logistic để so sánh độ chính xác. Các kết quả cho thấy cây quyết định cho độ chính xác cao nhất. Mặc dù thuật toán này đơn giản nhưng đây là một thuật toán phù hợp với nhiều loại dữ liệu và không cần chuẩn hóa dữ liệu đầu vào. Do đó thuật toán cây quyết định mà cụ thể là C4.5 [46] được lựa chọn để phân loại kích thước GOP. Các đặc trưng sử dụng và quá trình huấn luyện, phân loại được mô tả chi tiết ở mục 2.2.2. 2.2.2 Phương pháp thay đổi kích thước GOP đề xuất Phương pháp thay đổi kích thước GOP đề xuất được thực hiện tại bộ mã hóa DVC. Vì vậy trước khi giới thiệu chi tiết về đề xuất này, phần tiếp theo sẽ giới thiệu tóm tắt kiến trúc bộ mã hóa đề xuất với mô-đun mới thay đổi kích thước GOP. A. Kiến trúc bộ mã hóa AGOP-DVC đề xuất Kiến trúc mã hóa video phân tán AGOP-DVC với khối đề xuất mới được tô màu đậm được mô tả trong hình 2.3 dưới đây. Quá trình mã hóa và giải mã có thể tóm tắt như sau: 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 48 Hình 2.3: Kiến trúc mã hóa video phân tán AGOP-DVC Quá trình mã hóa Chuỗi video được chia thành hai loại khung hình là KF và WZF. Trong đề xuất này, kích thước GOP bằng 2 hoặc 4 tùy thuộc vào nội dung của chuỗi video. Chi tiết về quá trình lựa chọn kích thước GOP sẽ được trình bày ở phần sau. Các KF được mã hóa Intra bằng chuẩn mã hóa video truyền thống HEVC Intra. Các WZF được mã hóa theo nguyên tắc phân tán. Mỗi WZF được chia thành các khối có kích thước 4 × 4 và mỗi khối được biến đổi DCT 4 × 4. Các hệ số DCT của mỗi WZF được sắp xếp thành 16 dải trong đó các hệ số có cùng vị trí từ các khối khác nhau sẽ nằm trong cùng một dải. Các dải DCT này sau đó được lượng tử vô hướng đồng nhất. Các ma trận lượng tử tương ứng với các tốc độ khác nhau như trong [56]. Các dải DCT sau lượng tử được nhị phân hóa và các bit với cùng độ quan trọng được nhóm lại thành các mặt phẳng bit. Các mặt phẳng bit này được đưa vào bộ mã hóa LDPC để tạo ra các bit chẵn lẻ. Các bit chẵn lẻ được lưu giữ trong bộ đệm và sẽ gửi tới bộ giải mã tùy theo yêu cầu của bộ giãi mã. Quá trình giải mã 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 49 Các KF được giải mã được sử dụng để tạo nên SI. SI này được biến đổi DCT 4× 4 để tạo thành một ước lượng của các hệ số DCT của WZF. Các hệ số DCT của SI này cùng với nhiễu tương quan được đưa vào bộ giải mã LDPCA. Bộ giải mã này sẽ sửa các "sai lỗi" trong SI bằng cách sử dụng các bit chẵn lẻ bên mã hóa gửi sang. Sau khi đã giải mã LDPCA, bộ tái tạo sẽ cùng với các hệ số DCT của SI để khôi phục lại hệ số DCT của WZF ban đầu. Cuối cùng, biến đổi DCT ngược được thực hiện để khôi phục lại WZF miền pixel. B. Phương pháp thay đổi kích thước GOP đề xuất Trong đề xuất này, mỗi phân đoạn gồm 5 khung hình video đầu vào được đánh giá để lựa chọn kích thước GOP phù hợp bằng cách trích chọn các đặc trưng. Các đặc trưng này được đưa vào cây quyết định để phân loại mỗi phân đoạn này là chuyển động nhanh hay chuyển động chậm để lựa chọn kích thước GOP phù hợp. Để tiết kiệm thời gian xử lý, quá trình huấn luyện được thực hiện ngoại tuyến trước khi sử dụng cho quá trình mã hóa. 1) Xác định đặc trưng Như đề cập ở trên, các đặc trưng được lựa chọn phải phản ánh đầy đủ bản chất của nội dung video. Vì vậy, một số đặc trưng được lựa chọn liên quan đến chuyển động trong khi một số khác lại liên quan đến kết cấu. Hình 2.4 và hình 2.5 mô tả một số đặc trưng của hai chuỗi video Suzie và Coastguard. Các hình vẽ cho thấy với chuỗi chuyển động chậm Suzie, đặc trưng SAD ít có sự thay đổi, lược đồ xám đơn giản và trường véc-tơ chuyển động ít. Ngược lại, với chuỗi chuyển động nhanh Coastguard, đặc trưng SAD có nhiều sự thay đổi, lược đồ xám có hình dạng phức tạp hơn và trường véc-tơ chuyển động nhiều gần như trên toàn bộ khung hình. Điều đó cho thấy mỗi đặc trưng đều đóng vai trò mô tả khá chính xác nội dung chuyển động và kết cấu của mỗi chuỗi video. Các đặc trưng nhằm phát hiện các thay đổi về chuyển động bao gồm: Sự sai khác của lược đồ xám (DoH). 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 50 Hình 2.4: Một số đặc trưng của chuỗi Suzie Hình 2.5: Một số đặc trưng của chuỗi Coastguard 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 51 Trung bình của các vector chuyển động (AMV) Số lượng các vector chuyển động (NMV) Phương sai trung bình của phân đoạn (ASV) Giá trị trung bình của phân đoạn (ASM) Các đặc trưng phản ánh cấu trúc bề mặt của chuỗi video bao gồm: Tổng các sai số tuyệt đối (SAD) Phương sai giá trị DC (DCV) Trung bình giá trị DC (DCM) Phương sai giá trị AC (ACV) Trung bình giá trị AC (ACM) Công thức xác định các đặc trưng như sau: DoH = 1 N N−1∑ k=1 ( 1 H.W L−1∑ i=0 |h(KFk+1(i))− h(KFk−1(i))| ) (2.3) AMV = 1 N − 1 N−1∑ k=1 MV (KFk+1, KFk−1) (2.4) NMV = 1 N − 1 N−1∑ k=1 NMV (KFk+1, KFk−1) (2.5) ASV = 1 N N∑ k=1 σ2(KFk) (2.6) ASM = 1 N N∑ k=1 ( 1 H.W H∑ x=1 W∑ y=1 KFk(x, y) ) (2.7) SAD = 1 N − 1 N−1∑ k=1 ( H∑ x=1 W∑ y=1 |KFk+1(x, y)−KFk−1(x, y)| ) (2.8) 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 52 DCV = σ2DC (2.9) DCM = 1 N N∑ k=1 DC(KFk) (2.10) ACV = 1 N N∑ k=1 σ2AC(KFk) (2.11) ACM = 1 N N∑ k=1 H.W−1∑ i=1 ACi(KFk) (2.12) ở đó: KFk: KF thứ k. N : số lượng KF trong phân đoạn 5 khung hình (N = 3). H,W là kích thước của khung hình. h(KFk(i)): lược đồ xám của KF thứ k tại mức xám i. MV (KFk+1, KFk−1): chiều dài tổng của vector chuyển động giữa hai KF. NMV (KFk+1, KFk−1): số lượng vector chuyển động giữa hai KF. σ2: giá trị phương sai. DC(KFk): thành phần DC của KF thứ k. ACi(KFk): thành phần AC thứ i của KF thứ k. 2) Quá trình huấn luyện Tập dữ liệu sử dụng cho quá trình huấn luyện của đề xuất này được trích xuất từ năm chuỗi video Foreman, Soccer, Hall Monitor, Akiyo, Carphone và News với các đặc tính chuyển động đa dạng. Tập dữ liệu gồm 352 phân đoạn video, mỗi phân đoạn gồm 5 khung hình. Nhãn GOP2 và GOP4 tương ứng cho mỗi phân đoạn được xác định như sau: 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 53 Với mỗi phân đoạn 5 khung hình thực hiện mã hóa DVC với hai kích thước GOP=2 và GOP=4. Tính BD-PSNR tương ứng với hai cách mã hóa. Kích thước GOP nào tương ứng BD-PSNR lớn hơn sẽ được chọn là nhãn tương ứng cho phân đoạn đó. Các đặc trưng cùng với nhãn tương ứng của 352 phân đoạn được đưa vào để huấn luyện bằng thuật toán tiêu biểu của cây quyết định là C4.5 [46]. 3) Áp dụng vào quá trình lựa chọn kích thước GOP Sau quá trình huấn luyện, mô hình cây quyết định xây dựng ở trên sẽ được sử dụng để lựa chọn kích thước GOP. Chuỗi video đầu vào sẽ được chia thành các phân đoạn gồm 5 khung hình và các đặc trưng tương ứng với mỗi phân đoạn được trích xuất. Dựa trên các đặc trưng này, sử dụng mô hình cây quyết định đã được huấn luyện để chọn ra nhãn tương ứng (GOP2 hay GOP4) cho mỗi phân đoạn. Sau khi lựa chọn được kích thước GOP phù hợp sẽ thực hiện chia tách các khung hình thành WZF và KF tùy theo kích thước GOP. 2.2.3 Đánh giá hiệu năng của phương pháp đề xuất AGOP-DVC Phương pháp thay đổi kích thước GOP được đánh giá trong ngữ cảnh áp dụng vào kiến trúc mã hóa video phân tán AGOP-DVC. Hiệu năng được đánh giá ở đây là hiệu năng RD của AGOP-DVC với hai tham số PSNR (dB) và Bitrate (bps). Hai đại lượng BD-PSNR và BD-Rate [13] cũng được sử dụng trong các đánh giá. Đại lượng BD-PSNR cho biết mức cải thiện tương đối giữa hai phương pháp bằng cách đo lường sự sai khác trung bình giữa hai đường cong RD trong đó một đường cong RD được chọn làm đường cong cơ sở. Nếu BD-PSNR dương, điều đó có nghĩa là đường cong thứ hai tốt hơn đường cong cơ sở và ngược lại. 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 54 Bảng 2.1: Điều kiện thử nghiệm Chuỗi video Độ phân giải không gian Số lượng khung hình Tham số lượng tử Coastguard 176x144 300 {25,29,34,40} Suzie 150 {25,29,34,40} Pamphlet 150 {25,29,34,40} Harbour 150 {25,31,36,44} Tương tự như vậy, đại lượng BD-Rate cho biết mức độ tiết kiệm tốc độ bit giữa hai phương pháp. Nếu BD-Rate âm, điều đó có nghĩa là đường cong thứ hai tốt hơn đường cong cơ sở và ngược lại. Bộ mã hóa tham chiếu được sử dụng để so sánh ở đây dựa trên kiến trúc DISCOVER. Đây là bộ mã hóa video phân tán DISCOVER [9] với KF được mã hóa bằng chuẩn mã hóa HEVC. Bộ mã hóa này khi sử dụng kích thước cố định GOP=2 và GOP=4 có tên gọi lần lượt là GOP2-DVC và GOP4-DVC. Hai bộ mã hóa này sẽ được so sánh với bộ mã hóa đề xuất AGOP-DVC trên khía cạnh hiệu năng RD. A. Điều kiện thử nghiệm Việc đánh giá hiệu năng nén được thực hiện trên bốn chuỗi video thử nghiệm Coastguard, Suzie, Pamphlet và Harbour. Các chuỗi này được lựa chọn vì tính đa dạng về chuyển động và kết cấu trong mỗi chuỗi. Bảng 2.1 mô tả các đặc điểm chính của các chuỗi video này. Hình 2.6 mô tả các khung hình đầu tiên của các chuỗi video này. B. Đánh giá hiệu năng RD Hiệu năng RD được đo bằng tốc độ bit (bps) và PSNR (dB) đối với bốn chuỗi video được trình bày trong Bảng 2.2. Như đã dự đoán trước, quan sát cho thấy các giá trị PSNR của phương pháp đề xuất AGOP-DVC tốt hơn các giá trị PSNR của GOP4-DVC và xấp xỉ các giá trị PSNR của GOP2-DVC. Các giá trị bitrate của phương pháp đề xuất cao hơn các giá trị của GOP4-DVC và thấp 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 55 Hình 2.6: Các khung hình đầu tiên của các chuỗi video thử nghiệm hơn các giá trị của GOP2-DVC. Nói cách khác, các kết quả cho thấy chất lượng của các khung hình video của phương pháp đề xuất giảm không đáng kể (theo khía cạnh PSNR) trong khi mức tiết kiệm bitrate lại khá cao. Bảng 2.3 cho thấy mức tiết kiệm tốc độ bit của phương pháp đề xuất trung bình là 3,37 % và 9,62 % khi so với GOP2-DVC và GOP4-DVC. 2.2 Đề xuất 1: Cải tiến hiệu năng nén cho DVC tại phía mã hóa 56 Bảng 2.2: Hiệu năng RD của các chuỗi video thử nghiệm Chuỗi video QP GOP2-DVC GOP4-DVC AGOP-DVC Bitrate PSNR Bitrate PSNR Bitrate PSNR Coastguard 26 27760 38,18 28242 34,65 27735 38,14 30 17131 34,87 16140 32,48 17058 34,84 34 9838 31,88 8228 30,36 9760 31,85 38 5256 29,14 3781 28,23 5199 29,12 Trung bình 14996,25 33,52 14097,75 31,43 14938 33,49 Suzie 26 18424 41,58 19719 41,26 18565 41,34 30 10869 38,56 11172 38,23 10530 38,26 34 5725 35,41 5588 35,15 5283 35,29 38 2667 32,24 2353 32,04 2270 32,19 Trung bình 9421,25 36,95 9708,00 36,67 9162,00 36,77 Pamphlet 26 23893,93 41,15 23128,28 41,35 22453,65 41,37 30 15669,90 37,42 14900,70 37,51 14504,50 37,56 34 9013,55 33,18 8567,73 33,24 8349,78 33,29 38 3897,73 28,86 3667,88 28,91 3587,02 28,95 Trung bình 13118,78 35,15 12566,15 35,25 12223,74 35,29 Harbour 26 45656,58 38,04 45680,28 37,62 45337,92 37,81 30 29713,93 34,18 28617,86 33,73 28830,11 33,96 34 16805,14 30,36 15471,99 30,03 15889,86 30,23 38 7646,22 26,24 6768,94 26,09 7082,92 26,22 Trung bình 24955,47 32,20 24134,77 31,86 24285,20 32,06 2.3 Đề xuất 2: Cải tiến hiệu năng nén cho DVC tại phía giải mã 57 Bảng 2.3: Mức tiết kiệm BD-rate [%] Chuỗi video AGOP-DVC vs. GOP2-DVC AGOP-DVC vs. GOP4-DVC Coastguard -0,04 -26,24 Suzie -2,28 -7,52 Pamphlet -9,04 -3,26 Harbour -2,12 -1,48 Trung bình -3,37 -9,62 2.3 Đề xuất 2: Cải tiến hiệu năng nén cho DVC tại phía giải mã 2.3.1 Đặt vấn đề Trong DVC, SIF tương ứng với WZF gốc được tạo ra tại phía giải mã bằng cách sử dụng các KF đã giải mã. Vì vậy, hiệu năng nén của DVC phụ thuộc rất nhiều các mô-đun tại bộ giải mã như mô-đun tạo SI và mô hình nhiễu tương quan. Tạo SI là phần trung tâm của DVC nên có rất nhiều các đề xuất liên quan đến việc cải thiện SI. DISCOVER sử dụng kỹ thuật ước lượng thông tin phụ trợ cải tiến. Kỹ thuật này bao gồm ước lượng chuyển động, nội suy chuyển động, làm mịn chuyển động không gian và bù chuyển động. Trong giải pháp tạo SI này cũng như rất nhiều các giải pháp tạo SI về sau, ví dụ [32] thường cố gắng để tìm được ước lượng tốt nhất về WZF gốc trước khi bắt đầu quá trình giải mã. Và trong quá trình giải mã tất cả các mặt phẳng bit của tất cả các hệ số DCT, SI ban đầu này được giữ nguyên không thay đổi. Tuy nhiên, trong codec DISCOVER cũng như các codec theo hướng này, lần lượt các mặt phẳng bit rồi lần lượt các hệ số được giải mã hay nói cách khác, SI được “sửa sai” dần dần. Trong trường hợp đó, ta sẽ có thêm nhiều thông tin 2.3 Đề xuất 2: Cải tiến hiệu năng nén cho DVC tại phía giải mã 58 mới tại bộ giải mã trong suốt quá trình giải mã. Các thông tin này có thể được khai thác để cải thiện thông tin phụ trợ để giải mã cho các hệ số còn lại. Liên quan đến hướng nghiên cứu này, có một số các đề xuất để tiếp tục cải thiện chất lượng của SI khi nhận thêm nhiều thông tin mới trong quá trình giải mã [35][4]. Trong [35], để việc tìm kiếm nhanh, khung hình được tái tạo mới được lọc trên SI ban đầu. Còn trong [4], việc lọc được thực hiện trên các KF trước và sau. Để cải thiện hơn nữa chất lượng của SI, trong đề xuất này các khung hình mới tái tạo một phần được lọc trên cả ba khung hình: SIF ban đầu và các KF trước và sau. Sau quá trình lọc, sử dụng cơ chế kết hợp để xây dựng SI mới có chất lượng tốt hơn và sử dụng SI mới này để giải mã cho các mặt phẳng bit kế tiếp Cùng với SI, CNM cũng đóng vai trò quan trọng đối với hiệu năng nén của DVC. Trong các nghiên cứu trước đây, CNM thường được mô hình hóa với phân bố Laplace vì phân bố này cân bằng giữa tính chính xác mô hình và độ phức tạp tính toán. Tuy nhiên, tham số phân bố α của phân bố Laplace như trong biểu thức 2.1 thường được ước lượng từ các KF đã giải mã trước đó. Các tham số α này có thể rất khác so với giá trị α thực được tính từ WZF và SIF. Với mục tiêu ước lượng được tham số α gần với giá trị thực hơn nữa, luận án này sử dụng mạng nơ-ron để ước lượng giá trị α của mô hình hóa nhiễu tương quan. Chi tiết của các cải tiến mới về SI và CNM tại bộ giải mã được trình bày chi tiết trong mục 2.3.2 và các đánh giá được giới thiệu trong mục 2.3.3. 2.3.2 Kiến trúc bộ mã hóa đề xuất Adv-DVC Sơ đồ kiến trúc mã hóa DVC đề xuất (Adv-DVC)với hai công cụ mã hóa mới được tô đậm là tạo thông tin phụ trợ và mô hình hóa nhiễu tương quan được mô tả trong Hình 2.7. Nguyên lý hoạt động của kiến trúc này cũng tương tự như kiến trúc DVC được giới thiệu trong Hình 2.3 với một số thay đổi như sau: 1) kích thước GOP=2; 2) Mô-đun Tạo SI tạo thông tin phụ trợ bằng phương pháp lọc liên tục trong quá trình giải mã; và 3) Mô-đun NN-CNM ước lượng tham số của CNM dựa trên mạng nơ-ron. 2.3 Đề xuất 2: Cải tiến hiệu năng nén cho DVC tại phía giải mã 59 Hình 2.7: Kiến trúc mã hóa DVC đề xuất Adv-DVC 2.3.3 Các mô-đun mã hóa đề xuất mới Trong phần này giới thiệu hai mô-đun mã hóa mới thực hiện tại bộ giải mã và được sử dụng trong kiến trúc DVC đề xuất bao gồm: Tạo thông tin phụ trợ bằng cách lọc liên tục trong suốt quá trình giải mã. Ước lượng tham số α cho mô hình nhiễu tương quan dựa trên mạng nơ-ron. A. Tạo thông tin phụ trợ bằng cách lọc liên tục Trong mô-đun tạo SI này, SIF ban đầu được tạo ra sử dụng kỹ thuật MCTI sử dụng các KF đã giải mã trước đó gồm KFk+1, KFk−1. SIF ban đầu này được gọi là SIMCTI . Mỗi khi một mặt phẳng bit được giải mã LDPCA thành công, chúng được đưa tới mô-đun tái tạo để khôi phục lại hệ số DCT gốc với sự trợ giúp của SIF tương ứng. Các hệ số DCT đã tái tạo sẽ thay thế cho các hệ số cùng vị trí trong SIF trước đó để tạo ra SIF mới được gọi là WZF được giải mã một phần 2.3 Đề xuất 2: Cải tiến hiệu năng nén cho DVC tại phía giải mã 60 (PDWZ). Quá trình tạo SI bằng cách lọc liên tục được mô tả trong Hình 2.8 dưới đây. Hình 2.8: Quá trình tạo SI 1) Xác định dải tìm kiếm cho PDWZ Sau khi giải mã xong một mặt phẳng bit, khu
File đính kèm:
luan_an_nghien_cuu_cai_tien_hieu_nang_he_thong_ma_hoagiai_ma.pdf
2020.Thao.Trang_thong_tin_tieng_Anh.doc
2020.Thao.Trich_yeu_luan_an_NCS_Nguyen Thi Huong Thao.docx
2020.Thao_Tom_tat_luan_an.pdf
2020.Trang_thong_tin_tieng_Viet.doc