13、视频压缩编码串联与转码技术解析

视频压缩编码串联与转码技术解析

1. 引言

在当今数字电视网络中,视频信号在到达最终用户之前,不可避免地要经历多个压缩和解压缩阶段。MPEG 视频压缩技术广泛应用于贡献与分发(C&D)以及直播卫星(DTH)前端系统的统计复用系统。本文将深入探讨 MPEG - 2 和 MPEG - 4(AVC)之间的各种串联组合情况。

在实践中,压缩串联存在不同场景,从紧密耦合的解码器后接编码器,到解码器与编码器完全独立且中间可能有多个处理阶段的分布式系统。前者通常称为转码器,后者称为串联压缩系统。本文主要关注串联系统。

过去曾有一些提案旨在提高视频压缩系统的级联性能,例如通过侧边信道将先前的压缩参数传递给下游编码器。然而,这些提案存在一些问题。一方面,侧边信道的完整性在实际中难以保证;另一方面,辅助信号所需的数据容量较大,例如 MPEG - 2 压缩视频信号的完整重新编码数据集需要约 20 Mbit/s 的信道容量。实际上,不同压缩参数对后续压缩阶段图像质量的影响差异很大,其中先前压缩视频信号的图像编码类型比其他参数更为重要,且该信息的传输速率可低于 50 bit/s。

如今的系统未在串联编码器中利用辅助信息的主要原因是成本以及缺乏能够提供此类元数据信息的 MPEG 解码器。提取某些压缩参数需要全可变长度解码,且只有特定的解码器芯片或 FPGA 才能实现。此外,视频信号和侧边信道的像素同步在实际实现中也可能存在问题。

2. 串联模型

为了分析 MPEG 压缩参数对串联编码器性能的影响,需要对两个 MPEG - 2 编码器/解码器对的链进行大量失真测量。失真可以通过视觉和 PSNR 值进行测量。测试发现,级联编码器的图像质量取

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值