13、分布式视频编码（DVC）算法的创新与优化

分布式视频编码（DVC）算法的创新与优化

在视频编码领域，分布式视频编码（DVC）是一种备受关注的技术。它旨在降低编码端的复杂度，同时在解码端实现高质量的视频重建。本文将详细介绍两种基于DVC的创新方案：基于LQR哈希的残差DVC和混合DVC（HDVC），并分析它们的原理、框架和实验结果。

1. 基于LQR哈希的残差DVC

1.1 动机

在DVC系统中，Wyner - Ziv帧的量化像素或变换系数X经过信道编码后，仅传输奇偶校验位P。解码器利用奇偶校验位P和边信息Y进行纠错解码以恢复X。边信息Y对主源的估计至关重要，其相关性越强，所需的奇偶校验位越少，压缩率越高，重建质量也越好。

哈希基边信息是一种有吸引力的方法，它通过发送一些编码代表信息来辅助运动估计，使运动估计更准确。然而，哈希位的传输会增加开销，因此需要高效压缩。LQR哈希是当前Wyner - Ziv帧的低质量版本，通过类似于DPCM/DCT的预测编码进行编码，能利用时间依赖性，使比特率接近条件熵。但基于LQR的方法存在冗余问题，尤其是在高比特率时。

另一方面，残差DVC比纯像素DVC性能更好，它对残差D = W - Wre进行Wyner - Ziv编码，其中Wre是对W的简单估计，可在编码器和解码器端获取。Dy = Y - Wre用作Wyner - Ziv解码的边信息。

为了改进当前DVC的率失真性能，提出了基于LQR哈希的残差DVC方案。该方案使用解码后的LQR哈希作为Wre，应用SW - SPIHT对残差进行编码，以减少空间冗余，并通过边信息对小波系数进行细化。

1.2 编码框架

该方案对关键帧进行H.264/AVC帧内编码和解码，对Wyner - Ziv帧进行低复杂度编码和高复杂度解码。
- 低复杂度编码 ：
- 生成两种比特流：LQR哈希比特流，通过0 - 运动H.264/AVC粗量化生成；Wyner - Ziv比特流，编码器先通过0 - 运动解码生成Wre，对残差D进行离散小波变换（DWT），然后对小波系数Cd进行SW - SPIHT编码。
- SW - SPIHT编码由DWT、SPIHT和信道编码组成，复杂度与帧内编码相似，使整个系统编码复杂度较低。
- 高复杂度解码 ：
- 解码器首先使用解码后的LQR进行运动估计生成Y。
- 计算Dy = Y - Wre并进行DWT，得到小波系数C yd，用作SW - SPIHT解码和细化过程的边信息，得到解码后的Cd 0。
- 进行逆DWT得到差异像素D0，最后W 0 = Wre + D0重建Wyner - Ziv帧。
- 计算运动估计和迭代信道解码使解码复杂度较高，但不影响编码的简便性。
- SW - SPIHT编解码器 ：基于Slepian - Wolf理论的集划分分层树（SPIHT），利用相似图像的SPIHT信息相似性，通过无损Slepian - Wolf模型进一步压缩SPIHT信息。
- 小波系数细化 ：细化公式为：
[
C_d^0 =
\begin{cases}
v_{max}, & \text{if } C_d^y \geq v_{max} \
C_d^y, & \text{if } C_d^y \in (v_{min}, v_{max}) \
v_{min}, & \text{if } C_d^y \leq v_{min}
\end{cases}
]
其中，C d0是细化后的最终小波系数值，vmax和vmin是假设对所有位平面（BPs）进行SPIHT解码时小波系数的最大和最小值。细化能纠正C yd的噪声位平面，限制失真，并补偿Cd的重建。
- 基于LQR哈希的运动补偿 ：
- 运动估计：找到最佳匹配块和对应运动向量，运动向量计算公式为：
[
MAD(a, b) = \arg \min_{dx, dy} \sum_{j = 0}^{7} \sum_{i = 0}^{7} |L_t(a + i, b + j) - R_t(a + i + dx, b + j + dy)|
]
其中，dx ∈ [-8, 8]，dy ∈ [-8, 8]，参考帧为解码后的前一帧。
- 运动补偿：使用LQR和匹配块的加权平均值生成补偿块，公式为：
[
block_{comp} = \alpha \times block_{matched} + (1 - \alpha) \times block_{LQR}
]
其中，blockmatched是LQR帧中块blockLQR的匹配块，α是实验值，范围在[0, 1]。

1.3 实验结果

对15Hz QCIF序列Foreman和Hall的100个亮度帧进行测试，考虑所有关键帧和Wyner - Ziv帧的恒定解码视频质量。
|序列|Q1|Q2|Q3|Q4|Q5|
| ---- | ---- | ---- | ---- | ---- | ---- |
|Foreman - QP|41|36|32|26|20|
|Foreman - BP|2|3|4|5|6|
|Hall - QP|40|33|29|24|19|
|Hall - BP|2|3|4|5|6|

• PSNR比较 ：与非残差DVC相比，提出的DVC方案PSNR提高1.2 - 5.8dB；与文献中最佳结果相比，Foreman序列提高1.2 - 3dB；与H.264/AVC帧内编码相比，PSNR提高达6dB，但与最先进的H.264/AVC帧间编码仍有差距。
• PSNR时间演变 ：优化的组合量化使高、低运动序列的解码视频质量恒定。
• GOP大小影响 ：对于低运动序列（如Hall），较大的GOP能改善率失真性能；对于高运动序列（如Foreman），GOP增大时率失真曲线下降，因为边信息质量变差。

以下是基于LQR哈希的残差DVC编码流程的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A[Wyner - Ziv帧]:::process --> B[LQR哈希编码]:::process
    A --> C[生成Wre]:::process
    C --> D[计算残差D = W - Wre]:::process
    D --> E[DWT分解]:::process
    E --> F[SW - SPIHT编码]:::process
    B --> G[LQR哈希比特流]:::process
    F --> H[Wyner - Ziv比特流]:::process
    I[关键帧]:::process --> J[H.264/AVC帧内编码]:::process
    J --> K[解码关键帧]:::process
    K --> L[运动估计生成Y]:::process
    L --> M[计算Dy = Y - Wre]:::process
    M --> N[DWT分解]:::process
    N --> O[SW - SPIHT解码]:::process
    O --> P[小波系数细化]:::process
    P --> Q[逆DWT]:::process
    Q --> R[计算W 0 = Wre + D0]:::process
    R --> S[重建Wyner - Ziv帧]:::process
    G --> T[解码器]:::process
    H --> T

2. 混合DVC（HDVC）

2.1 动机

当前DVC方案主要分为像素域DVC和变换域DVC。变换域DVC使用变换域Wyner - Ziv编解码器，如一些方案应用离散余弦变换（DCT）来利用帧内空间相关性，但DCT系数带的组合量化选择困难。残差DVC通过对当前帧和参考帧的残差进行编码，能利用时间相关性，性能与DCT域DVC相近，且克服了组合量化选择的困难。

然而，残差帧中仍存在空间相关性，若采用合适的变换编码和易于组合的量化方法，可进一步提高率失真性能。同时，当前变换域Wyner - Ziv编解码器假设待编码源与其边信息的时间相关性在空间上是平稳的，忽略了不同空间位置的时间相关性差异。

因此，提出了混合DVC（HDVC）方案，它结合了残差编码、SW - SPIHT编码和帧内模式决策技术。该方案应用小波域Wyner - Ziv编解码器对小波块（WB）进行编码，利用时间和空间相关性；对每个WB进行帧内模式决策，根据时间和空间相关性选择编码方式。实验结果表明，HDVC在PSNR上比纯SW - SPIHT提高达4.1dB，比残差DVC提高3.2dB，比最新的DCT域DVC提高3dB，且帧内模式决策在高运动区域可提高PSNR达2.1dB。

2.2 编码框架

HDVC的框架与当前DVC方案相比，主要贡献在于：
- 对WB应用小波域Wyner - Ziv编解码器，便于时间和空间相关性分析。
- 使用残差帧构建WB，以更好地利用时间和空间相关性。
- 对每个WB进行小波域帧内模式决策，根据不同的时间和空间相关性选择编码方式。
- 基于时间和空间标准的帧内模式决策策略。

以下是HDVC的编码框架mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A[Wyner - Ziv帧]:::process --> B[计算残差D = W - Wre]:::process
    B --> C[DWT分解]:::process
    C --> D[划分WB]:::process
    D --> E[帧内模式决策]:::process
    E --> F{选择编码方式}:::process
    F -->|SW - SPIHT| G[SW - SPIHT编码]:::process
    F -->|intra - SPIHT| H[intra - SPIHT编码]:::process
    G --> I[Wyner - Ziv比特流]:::process
    H --> J[intra比特流]:::process
    E --> K[生成模式比特流]:::process
    L[关键帧]:::process --> M[H.264/AVC帧内编码]:::process
    M --> N[解码关键帧]:::process
    N --> O[运动估计生成Y]:::process
    O --> P[计算Dy = Y - Wre]:::process
    P --> Q[DWT分解]:::process
    Q --> R[划分WB]:::process
    R --> S[解码模式比特流]:::process
    S --> T{选择解码方式}:::process
    T -->|SW - SPIHT| U[SW - SPIHT解码]:::process
    T -->|intra - SPIHT| V[intra - SPIHT解码]:::process
    U --> W[逆DWT]:::process
    V --> W
    W --> X[计算W 0 = Wre + D0]:::process
    X --> Y[重建Wyner - Ziv帧]:::process
    I --> Z[解码器]:::process
    J --> Z
    K --> Z

2.3 小波域Wyner - Ziv编解码器设计

残差DVC已被证明与DCT域DVC性能相当，因为它能在编码器端利用时间相关性。参考帧Wre通过加权平均插值获得：
[
W_{re} = \alpha K_j^0 + \beta K_{j + 1}^0
]
其中，$K_j^0$和$K_{j + 1}^0$是前一个和后一个解码关键帧，$\alpha = 1 - l/g$，$\beta = 1 - \alpha$，l是当前帧与前一个关键帧$K_j^0$在同一图像组（GOP）中的帧数，g是GOP中的帧数。

编码器对残差帧D = W - Wre进行DWT分解，得到小波系数Cd；解码器对残差帧Dy = Y - Wre进行相同的DWT分解，得到小波系数C yd，其中Y是通过关键帧的运动估计插值生成的更准确的当前帧估计。

2.4 小波块（WB）的帧内模式决策策略

WB是基本编码单元，Cd和C yd通常被划分为16×16的跨尺度WB。每个WB包含不同尺度的系数向量。

编码选择取决于时间和空间分析得出的相关性。通过计算以下两个标准来进行决策：
- 时间标准 ：基于当前WB的低频能量ELL，计算公式为：
[
E_{LL} = \sum_{i = 1}^{N_{LL}} (C_{LL}^i)^2
]
其中，$C_{LL}^i$是LL(3)带中的第i个系数，$N_{LL}$是LL(3)中的系数总数，$N_{LL} = 4$。
- 空间标准 ：基于当前WB高频系数的方差，计算公式为：
[
\sigma^2 = \frac{1}{N_h} \sum_{i = 1}^{N_h} |C_h^i|^2 - (\frac{1}{N_h} \sum_{i = 1}^{N_h} C_h^i)^2
]
其中，$C_h^i$是所有高频带中的第i个系数，$N_h$是高频带中的系数总数，$N_h = 12$。

决策规则如下：
- 当ELL ≥ T1时，假设当前WB与其边信息的时间相关性较弱，使用intra - SPIHT编码。
- 当T2 ≤ ELL < T1且$\sigma^2$ ≤ T3时，低频系数集中大部分能量，高频系数在空间上集中在小值，适合intra - SPIHT编码。
- 当ELL < T2时，推断时间相关性强，使用SW - SPIHT编码。

编码器根据帧内模式决策生成Wyner - Ziv比特流、intra比特流和二进制模式比特流，并进行熵编码后发送到解码器。解码器根据解码后的模式比特流选择LDPCA解码或熵解码来恢复比特流。

综上所述，基于LQR哈希的残差DVC和混合DVC（HDVC）方案通过创新的编码策略和模式决策技术，在率失真性能上取得了显著的提升，为分布式视频编码的发展提供了新的思路和方法。

分布式视频编码（DVC）算法的创新与优化

3. 两种方案的优势与应用前景

3.1 基于LQR哈希的残差DVC优势

• 率失真性能提升 ：该方案结合了残差编码和LQR哈希，有效利用了时间和空间相关性，在PSNR上相较于非残差DVC和其他相关方案有显著提升。例如，与非残差DVC相比，PSNR提高1.2 - 5.8dB，这意味着在相同的比特率下可以获得更高质量的视频重建。
• 低复杂度编码 ：LQR编码不使用任何计算密集的运动估计，且SW - SPIHT编码复杂度与帧内编码相似，使得整个系统的编码复杂度较低，适合对编码实时性要求较高的应用场景，如移动设备上的视频拍摄和传输。
• 保留DVC特性 ：在提高性能的同时，仍然保留了DVC编码端简单的特性，便于在资源受限的设备上实现。

3.2 混合DVC（HDVC）优势

• 综合利用相关性 ：通过将小波域Wyner - Ziv编解码器应用于残差帧的小波块（WB），并进行帧内模式决策，能够同时利用时间和空间相关性，进一步提高了率失真性能。实验结果显示，HDVC在PSNR上比纯SW - SPIHT提高达4.1dB，比残差DVC提高3.2dB。
• 灵活的编码选择 ：帧内模式决策策略根据WB的时间和空间相关性选择合适的编码方式（intra - SPIHT或SW - SPIHT），使得编码更加灵活，能够适应不同的视频内容和场景。
• 高运动区域优化 ：在高运动区域，帧内模式决策能够提供高达2.1dB的PSNR提升，有效改善了高运动视频序列的编码质量。

3.3 应用前景

这两种方案在多个领域具有广阔的应用前景：
- 移动视频通信 ：随着移动设备的普及，对视频实时传输的需求越来越高。基于LQR哈希的残差DVC和HDVC的低复杂度编码特性能够减少移动设备的计算负担，同时保证视频的传输质量，适用于移动视频通话、直播等场景。
- 无线传感器网络 ：无线传感器网络中的节点通常资源有限，需要高效的视频编码方案。这两种方案能够在低比特率下实现较好的视频重建，满足传感器节点的通信和存储需求。
- 云计算视频处理 ：在云计算环境中，视频数据的传输和处理是关键问题。基于LQR哈希的残差DVC和HDVC可以减少数据传输量，提高云计算平台的处理效率。

4. 总结与展望

本文介绍的基于LQR哈希的残差DVC和混合DVC（HDVC）方案是分布式视频编码领域的重要创新。它们通过独特的编码策略和模式决策技术，在率失真性能上取得了显著的提升，同时保留了DVC编码端简单的特性。

方案	主要优势	性能提升	适用场景
基于LQR哈希的残差DVC	结合残差编码和LQR哈希，低复杂度编码	PSNR提高1.2 - 5.8dB（与非残差DVC相比）	移动视频通信、无线传感器网络
混合DVC（HDVC）	综合利用时间和空间相关性，灵活编码选择	PSNR比纯SW - SPIHT提高达4.1dB	云计算视频处理、高运动视频场景

未来，随着视频技术的不断发展，这些方案还有进一步优化和拓展的空间。例如，可以探索更高效的哈希编码方法，进一步降低LQR哈希的比特率；或者改进帧内模式决策策略，使其能够更准确地适应不同的视频内容。同时，将这些方案与其他视频编码技术相结合，可能会带来更优的性能和更广泛的应用。

以下是两种方案优势对比的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A[基于LQR哈希的残差DVC]:::process --> B[率失真性能提升]:::process
    A --> C[低复杂度编码]:::process
    A --> D[保留DVC特性]:::process
    E[混合DVC（HDVC）]:::process --> F[综合利用相关性]:::process
    E --> G[灵活的编码选择]:::process
    E --> H[高运动区域优化]:::process
    B --> I[PSNR提高1.2 - 5.8dB]:::process
    F --> J[PSNR比纯SW - SPIHT提高达4.1dB]:::process

综上所述，基于LQR哈希的残差DVC和混合DVC（HDVC）为分布式视频编码技术带来了新的发展方向，有望在未来的视频应用中发挥重要作用。