尹明，蔡述庭，謝云，章云

(廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州 510006)

1 引言

傳統(tǒng)的視頻編碼技術(shù)(如H.26x，MPEG等面向廣播視頻應(yīng)用類的技術(shù))依賴于基于塊的運(yùn)動(dòng)搜索和運(yùn)動(dòng)補(bǔ)償混合編碼架構(gòu)，其編碼復(fù)雜度是解碼復(fù)雜度的 5～10倍，非常適合視頻廣播類的應(yīng)用。然而，以無線多媒體傳感器網(wǎng)絡(luò)(WMSN, wireless multimedia sensor network)為代表的應(yīng)用，迫切需要低編碼復(fù)雜度的編碼方法，而傳統(tǒng)視頻編碼方法不適用此類應(yīng)用[1～3]。近年來，基于分布式信源編碼理論的分布式視頻編碼(DVC, distributed video coding) 方法，以其良好編碼效率、較低編碼復(fù)雜度，滿足了資源受限型網(wǎng)絡(luò)應(yīng)用需求，諸如，WMSN、多源圖像捕獲系統(tǒng)等[4,5]。目前，最具代表性的實(shí)用DVC方案采用Wyner-Ziv(WZ)視頻編解碼架構(gòu)[5,6]。

根據(jù)Wyner-Ziv編碼原理，解碼端邊信息被視為待編碼WZ幀的預(yù)測版本，稱為待編碼WZ幀經(jīng)虛擬相關(guān)信道傳輸后的噪聲版本[5]，如圖1所示。解碼器是利用源WZ幀與邊信息(SI, side information)間的相關(guān)性，結(jié)合信道糾錯(cuò)碼來消除相關(guān)噪聲(CN, correlation noise),從而獲得對原始圖像的編碼效率[6]。正如通信系統(tǒng)的性能在很大程度上受到信道影響，對虛擬信道特性的掌握同樣密切關(guān)系到分布式視頻編碼性能的優(yōu)劣。如果對虛擬信道的特性越了解，則所描述的統(tǒng)計(jì)相關(guān)性就越真實(shí)，解碼端所需校驗(yàn)比特?cái)?shù)量則越少，從而編碼壓縮效率改善。

原始WZ幀信息和邊信息(SI, side information)分別出現(xiàn)在編、解碼端，無法在解碼端獲知原始信息，而編碼端也只能以離線方式重構(gòu)邊信息或通過反向信道從解碼端傳輸，進(jìn)而增加系統(tǒng)計(jì)算復(fù)雜度及時(shí)延等諸多不利，與實(shí)際應(yīng)用需求不符。且編碼視頻內(nèi)容是不斷變化的，所生成邊信息幀在空域和時(shí)域上隨機(jī)變化，故相關(guān)噪聲表現(xiàn)出非平穩(wěn)隨機(jī)性，尤其對于運(yùn)動(dòng)較復(fù)雜的序列邊信息質(zhì)量變化劇烈，因此對虛擬信道精確建模變得非常困難。目前，國內(nèi)外的研究文獻(xiàn)通常利用邊信息的前后運(yùn)動(dòng)補(bǔ)償幀差數(shù)據(jù)研究虛擬信道模型，且認(rèn)為模型近似服從Laplacian分布[6～12]，具體研究大多集中在如何精確估計(jì)信道參數(shù)。文獻(xiàn)[6]對像素域DVC的編碼碼流進(jìn)行分析，指出相關(guān)噪聲的分布與邊信息的改變密切相關(guān)。Catarina Brites[7]針對像素域和變換域的DVC分別提出了幀、塊及像素三級(jí)模型參數(shù)估計(jì)的算法，通過精確的相關(guān)噪聲統(tǒng)計(jì)模型來改善了系統(tǒng)整體編碼效率。X. Huang[10]等提出利用交叉頻帶信息來估計(jì)DCT域DVC的相關(guān)模型參數(shù)，實(shí)驗(yàn)表明能有效改善率失真性能。國內(nèi)學(xué)者房勝[11]等對影響時(shí)域相關(guān)噪聲的因素進(jìn)行了研究，提出了一種基于小波變換域的相關(guān)噪聲模型VCMDWT，提高DVC系統(tǒng)的率失真性能達(dá)到2.6dB以上。王鳳琴等發(fā)現(xiàn)其殘差變換后直流系數(shù)帶統(tǒng)計(jì)分布相比零均值Laplacian分布存在一定偏差，提出了一種基于變換域的相關(guān)噪聲分布模型及自適應(yīng)參數(shù)估計(jì)算法，有效提高了編碼效率[12]。

然而，視頻信息的時(shí)移特性以及解碼端不能獲取原始幀信息等現(xiàn)象，導(dǎo)致采用 Laplacian模型描述虛擬信道并不十分精確，表現(xiàn)為不能有效反映視頻真實(shí)運(yùn)動(dòng)情況，從而重構(gòu)WZ幀需要較多校驗(yàn)數(shù)據(jù)，這是引起 DVC率失真性能難以達(dá)到基于運(yùn)動(dòng)補(bǔ)償?shù)膸g編碼方案性能的關(guān)鍵之一?，F(xiàn)有建模方法[6～12]常常忽略量化器對邊信息分布影響，當(dāng)量化噪聲變大時(shí)，采用補(bǔ)償幀差作為樣本數(shù)據(jù)則不能反映相關(guān)噪聲的真實(shí)分布情況，表征的虛擬信道特性不夠準(zhǔn)確，進(jìn)而影響圖像幀重構(gòu)質(zhì)量。

通過深入探討量化噪聲因素對邊信息概率分布的影響，本文發(fā)現(xiàn)現(xiàn)有 Laplacian虛擬信道模型不夠精確，引入量化噪聲因素修正模型[13]，提出一種新的像素域分布式視頻編碼系統(tǒng)的幀級(jí)虛擬信道估計(jì)方法，且利用原始圖像相關(guān)信息實(shí)現(xiàn)參數(shù)動(dòng)態(tài)調(diào)整。具體內(nèi)容安排如下，本文第2節(jié)分析了量化噪聲對邊信息影響，改進(jìn)虛擬信道模型，給出了模型參數(shù)估計(jì)方法；第3節(jié)驗(yàn)證了改進(jìn)模型的準(zhǔn)確性；第4節(jié)給出實(shí)驗(yàn)結(jié)果并分析；最后是本文的結(jié)束語。

2 虛擬信道模型分析

2.1 問題描述

圖1表示像素域Wyner-Ziv 視頻編碼框架，輸入圖像序列被分作2類：WZ幀和關(guān)鍵幀(Key幀)。采用Wyner-Ziv編碼對WZ幀，而采用傳統(tǒng)幀內(nèi)編碼方法對Key幀進(jìn)行編解碼。一般，WZ幀編解碼處理是：首先，編碼端采用2M級(jí)均勻量化器將圖像 WZ幀量化成 Bit-Stream(符號(hào)流)，然后由Slepian-Wolf編碼器處理上述量化位平面獲得奇偶校驗(yàn)信息。解碼端則對接收的Key幀信息幀內(nèi)解碼，利用已解碼幀信息進(jìn)行 ME(運(yùn)動(dòng)估計(jì))、Interpolation(插值)得到邊 SI幀，聯(lián)合由 Slepian-Wolf解碼器產(chǎn)生的校驗(yàn)比特一起重構(gòu)出WZ幀。一般，虛擬信道模型表征源WZ幀信息與SI幀之間的統(tǒng)計(jì)相關(guān)性，常用CN信息描述虛擬信道模型。

假設(shè)X為源信息，Y為邊信息，則相關(guān)噪聲為N=X－Y，其統(tǒng)計(jì)概率由式(1)表述：

相關(guān)噪聲分布與邊信息密切相關(guān)，如式(2)所示，其概率分布近似服從Laplacian分布[6]，即：

其中，2σ表示方差，μ表示均值。

解碼端邊信息估計(jì)常用運(yùn)動(dòng)補(bǔ)償內(nèi)插 (MCI,motion compensation interpolation)算法[14]。首先，用于生成邊信息的參考幀（即前向參考幀和后向參考幀）及相應(yīng)運(yùn)動(dòng)矢量信息通過運(yùn)動(dòng)搜索獲得，然后幀間插值獲取邊信息。采用雙向?qū)ΨQ運(yùn)動(dòng)估計(jì)求解最佳運(yùn)動(dòng)矢量(MV)，如式(3)所示。

圖1 像素域Wyner-Ziv視頻編碼

其中，N(i,j)表示相關(guān)噪聲。

由式(3)發(fā)現(xiàn)，如果前后運(yùn)動(dòng)補(bǔ)償幀相差越小，邊信息質(zhì)量越好，則相關(guān)噪聲越小。反之，補(bǔ)償幀差越大，所生成的邊信息質(zhì)量越差，則相關(guān)噪聲越大。因此，前后補(bǔ)償幀差間接反映了相關(guān)噪聲的統(tǒng)計(jì)特性情況。實(shí)際上，由于解碼端無法獲知源WZ幀信息，通常采用前后運(yùn)動(dòng)補(bǔ)償幀差R(i,j)代替式(2)中邊信息來對虛擬信道建模[6,7]，其中，R(i,j)如式(5)所示。

但是，前后向運(yùn)動(dòng)補(bǔ)償幀往往會(huì)受到量化噪聲影響，邊信息亦將受到影響，進(jìn)而影響相關(guān)噪聲N的分布特性。目前研究[4～8]在虛擬信道建模過程中，常常假設(shè)Key幀為無損重建，從而忽略了量化噪聲對邊信息影響。盡管，邊信息的估計(jì)會(huì)因?yàn)檫\(yùn)動(dòng)搜索可能比較準(zhǔn)確，前后向運(yùn)動(dòng)補(bǔ)償幀差所受量化噪聲影響有限，但R(i, j)與N的概率分布不再匹配。

為了驗(yàn)證這種現(xiàn)象，本文利用文獻(xiàn)[15]的平臺(tái)分析不同量化步長下，R(i, j)和N數(shù)據(jù)的概率分布情況。其中，針對Key幀設(shè)定量化步長。測試序列選用foreman序列作為實(shí)驗(yàn)對象，其分辨率為QCIF格式，幀率為15Hz，共編碼 100幀。圖 2和圖3給出了不同量化參數(shù)(QP)下，foreman序列中R和N直流分量的概率分布情況。通常，直流分量占到圖像幀的大部分能量，文中采用R和N直流分量的概率分布來說明不匹配現(xiàn)象。由圖觀察，粗量化（即低碼率）下，N和R分布情況差異較大，此時(shí)若采用R數(shù)據(jù)對相關(guān)噪聲建模，則模型不能準(zhǔn)確反映虛擬信道特性。為此，精確建模虛擬信道必須分析量化器對邊信息的影響，才能使模型更符合實(shí)際情況。

2.2 改進(jìn)的虛擬信道模型

基于邊信息受到量化器影響，分別采用 QF、QB表示前向和后向參考幀的量化噪聲，?( i, j)為量化噪聲影響的邊信息，由式(4)計(jì)算出相關(guān)噪聲( i, j)：

由式(6)可看出，量化噪聲越大(對應(yīng)低碼率時(shí))，量化器對相關(guān)噪聲的影響越大。反之，量化噪聲越小(對應(yīng)高碼率時(shí))，量化器對相關(guān)噪聲的影響越小。即，量化噪聲通過影響邊信息，進(jìn)而影響相關(guān)噪聲。因此，根據(jù)式(2)建模虛擬信道時(shí)，必須考慮量化噪聲因素，模型才能精確反映相關(guān)特性。

圖2 QP= 25時(shí)foreman序列的R和N的概率分布

圖3 QP= 40時(shí)foreman序列的R和N的概率分布

在圖 1編碼框架中，Key幀采用 H.264/AVC Intra編碼，進(jìn)行率失真優(yōu)化和模式選擇運(yùn)算。通過相關(guān)數(shù)據(jù)計(jì)算，同時(shí)可獲得編碼端Key幀的量化噪聲，并將該量化噪聲傳輸至解碼端。在運(yùn)算復(fù)雜度方面，與幀內(nèi)編碼的計(jì)算復(fù)雜度相比，量化噪聲的計(jì)算量可忽略不計(jì)。一般，Intra編碼器采用均勻量化器，假設(shè)量化步長為 d，則量化噪聲的范圍為。為保持DVC視頻質(zhì)量平穩(wěn)，采用逐步迭代選擇Key幀QP，可獲得與相鄰WZ幀近似的PSNR。因此，一般假設(shè)Key幀和WZ幀的量化誤差接近，可將邊信息的量化噪聲視為等同于Key幀。

通過上述分析，本文提出基于量化噪聲因素的虛擬信道模型，如式(7)所示。為量化噪聲，可取前向和后向參考幀的量化噪聲的平均，該參量可由編碼端計(jì)算后發(fā)送至解碼端。由于殘差信息隨圖像幀變化而改變，根據(jù)式(7)，所提出的相關(guān)噪聲模型的參數(shù)實(shí)現(xiàn)了動(dòng)態(tài)調(diào)整。

其中，Rσ為幀差系數(shù)的均方根，μ為幀差系數(shù)的均值，ρ為量化噪聲影響因子，σf,σb分別為前向和后向參考幀的量化噪聲均方根。

2.3 輔助相關(guān)性的虛擬信道模型

盡管在過去的幾年中，DVC的編碼性能有了較大提高，但與傳統(tǒng)的視頻編解碼H.264/AVC相比，仍存在較大差距[4～16]。其中主要原因在于為降低編碼端復(fù)雜度而過分減少相關(guān)信息傳遞，導(dǎo)致邊信息質(zhì)量較差，解碼端的邊信息僅依賴已解碼的前后相鄰關(guān)鍵幀獲得，缺少原始WZ幀的相關(guān)信息[17]。因此，本文為了精確預(yù)測改進(jìn)模型的參數(shù)，引入原始圖像的相關(guān)性作為參數(shù)估計(jì)的輔助信息。

編碼端計(jì)算每一個(gè)WZ幀與前后2關(guān)鍵幀圖像之間的對應(yīng)塊的相關(guān)性MSE，如式(8)所示。其中，M×N為生成邊信息MCI過程中塊的尺寸，XWZ和Xk分別為 WZ幀和相鄰關(guān)鍵幀的像素值。將 WZ幀與前后相鄰幀的相關(guān)性MSEf和MSEb量化處理后傳送至解碼端。

在解碼端，計(jì)算虛擬信道模型參數(shù)時(shí)，先判斷當(dāng)前WZ幀的相關(guān)性。如果MSEf≥MSEb，則表明當(dāng)前 WZ幀的塊與后向關(guān)鍵幀中對應(yīng)塊相關(guān)性較強(qiáng)，進(jìn)而選擇后向關(guān)鍵幀的量化噪聲σb作為σQ。反之，當(dāng)MSEb≥MSEf時(shí)，則表明當(dāng)前 WZ幀的塊與前向關(guān)鍵幀中對應(yīng)塊相關(guān)性較強(qiáng)，進(jìn)而選擇后向關(guān)鍵幀的量化噪聲σf替代σQ。最終由各個(gè)塊的σQ計(jì)算出當(dāng)前邊信息幀的量化噪聲。

3 模型精度評估

KL（Kullback-Leibler）散度常用來評價(jià)2個(gè)概率分布的相似性[18]，p(·)和 q(·) 分別對應(yīng)觀測數(shù)據(jù)的真實(shí)概率分布和模型的分布，其計(jì)算如式(9)所示：

本文采用對稱KL散度來評估模型的準(zhǔn)確性，如式(10)所示，值越小表明模型精確度越高。

實(shí)驗(yàn)測試了典型視頻carphone和football序列的部分幀，其中包含沖突區(qū)域較多的WZ幀。在仿真實(shí)驗(yàn)中，量化參數(shù)QP的選取盡量滿足于使每一Key幀和WZ幀的PSNR值近似相等，保證重構(gòu)出的圖像近似平滑。實(shí)驗(yàn)以離線方式獲取相關(guān)噪聲(CN)信息，使得樣本數(shù)據(jù)更真實(shí)。對不同序列的對稱KL散度計(jì)算結(jié)果見表1和表2所示。

表1 carphone序列2種模型下的KL散度比較

表2 football 序列2 種模型下的KL 散度比較

由表1、表2可知，改進(jìn)的虛擬信道模型準(zhǔn)確度要優(yōu)于 Laplacian模型。圖 4、圖 5給出分別用Laplacian模型和改進(jìn)模型擬合相關(guān)噪聲的情況。由于篇幅有限，僅給出carphone和football序列部分結(jié)果，其中carphone第182幀和football第82幀均為運(yùn)動(dòng)程度較高的圖像。

圖4 carphone 序列第182幀圖像及其殘差的概率分布情況

圖5 football 序列第82幀圖像及其殘差的概率分布情況

由圖4和5可看出，采用Laplacian擬合虛擬信道會(huì)在尾部出現(xiàn)較嚴(yán)重拖尾，曲線下降較慢。而模型尾部擬合精確與否對于LDPC解碼非常關(guān)鍵。如果尾部下降過慢，LDPC解碼器就需較多校驗(yàn)數(shù)據(jù)來糾正虛擬信道的誤碼，導(dǎo)致系統(tǒng)整體編碼效率下降。而基于量化噪聲因素的模型能更好地?cái)M合相關(guān)噪聲的真實(shí)分布，尾部收斂較快，解決了Laplacian模型尾部下降較慢的問題，且在零值附近的擬合更精確。

4 實(shí)驗(yàn)分析

為了驗(yàn)證改進(jìn)模型對DVC RD性能改善，在圖1所示框架下，采用改進(jìn)模型RD性能測試，并與采用Laplacian模型方法[7]比較。實(shí)驗(yàn)選用4種具有典型代表性的測試序列：foreman和 soccer、coastguard、hall monitor，分別對應(yīng)高、中及低運(yùn)動(dòng)程度的視頻序列，分辨率為 QCIF格式，幀率為15Hz，編碼前160幀。測試序列既包含運(yùn)動(dòng)平緩部分又包含運(yùn)動(dòng)劇烈部分，使得結(jié)果更具普遍性。Key幀采用H.264/AVC Intra編碼(main profile)，GOP長度為2，即偶數(shù)幀采用WZ幀編碼，奇數(shù)幀采用Key幀編碼。解碼端利用幀間內(nèi)插方法估計(jì)邊信息[19]，取前后向運(yùn)動(dòng)估計(jì)搜索范圍為±32個(gè)像素，運(yùn)用交疊塊運(yùn)動(dòng)補(bǔ)償(OBMC, overlapped block motion compensation)方法。根據(jù)大多數(shù)文獻(xiàn)測試方法，實(shí)驗(yàn)僅評估亮度分量的率失真結(jié)果。通過調(diào)整Key幀的量化級(jí)數(shù)2M∈{2,4,8,16,32,64,128}，輸出4個(gè)不同的WZ幀比特面，從而獲得不同的碼率及相應(yīng)PSNR。改進(jìn)的虛擬信道模型參數(shù)根據(jù)如下方法計(jì)算，首先在編碼端計(jì)算WZ幀與相鄰Key幀的相關(guān)性MSEf和MSEb，同時(shí)根據(jù)Key幀的量化情況計(jì)算Key幀各塊的σf、σb，一起經(jīng)量化處理后傳送至解碼端。然后，解碼端根據(jù)殘差計(jì)算出σR和μ以及輔助相關(guān)信息得到σQ，進(jìn)而求得其他相關(guān)參數(shù)。

如圖6～圖8所示，相比Laplacian模型[7]方案，實(shí)驗(yàn)結(jié)果表明本文改進(jìn)模型實(shí)現(xiàn)了參數(shù)動(dòng)態(tài)調(diào)整，率失真性能得到改善。對于 3種序列而言，hall monitor 序列所獲平均增益最大，為 0.81dB；coastguard、foreman序列的平均增益分別為0.44dB和0.31dB。

由結(jié)果可知改進(jìn)模型是有效的，但對于不同運(yùn)動(dòng)特征的視頻，其增益不同。一般對于運(yùn)動(dòng)程度較低的平穩(wěn)序列，獲得的增益較大；對于運(yùn)動(dòng)劇烈的序列，所改進(jìn)模型帶來的增益較小。這主要是量化噪聲對邊信息的影響程度不同造成的。對于運(yùn)動(dòng)平穩(wěn)序列，邊信息質(zhì)量較高，殘差R較小，量化噪聲的影響較大，而改進(jìn)模型更符合實(shí)際情況，由此獲得的增益也較大。對于運(yùn)動(dòng)劇烈的序列來說，R較大，量化噪聲的影響較小，對模型參數(shù)影響很有限，所以改進(jìn)模型的增益較小。此外，在不同的碼率下，量化噪聲對邊信息的影響程度也不同。低碼率情況下，量化噪聲的影響較大，所獲增益較高；隨著編碼碼率增加，量化噪聲的影響逐漸變減小，增益相對減少。

另外，實(shí)驗(yàn)還比較了改進(jìn)編碼方案與3種標(biāo)準(zhǔn)編碼方法 H.264/AVC Intra、H.264/AVC Inter No Motion(即IBIB) 、H.263+ Intra的率失真性能。圖9給出了soccer 序列RD性能，圖像運(yùn)動(dòng)特征非常劇烈，可以看到其性能只是略優(yōu)于 H.263+Intra，從而也驗(yàn)證了上述模型性能分析情況。由于 foreman序列中出現(xiàn)了快速的相機(jī)移動(dòng)，造成圖像邊界上劇烈運(yùn)動(dòng)，導(dǎo)致相關(guān)噪聲信息的方差較大，量化噪聲的影響相對較小。欲獲取所需圖像重構(gòu)質(zhì)量，編碼端需傳輸較多校驗(yàn)信息糾正相關(guān)噪聲，導(dǎo)致其率失真性能劣于H.264/AVC Inter No Motion方案，但改進(jìn)模型縮小了與H.264/AVC Intra的性能差距。而coastguard序列，其場景較簡單，全局運(yùn)動(dòng)規(guī)則，邊信息質(zhì)量較高，虛擬信道模型的置信度亦高，RD增益更為顯著。上述實(shí)驗(yàn)結(jié)果，不約而同地反映出Wyner-Ziv 編碼方法性能與H.264/AVC Inter No Motion方法相比還存在不少差距。因此，Wyner-Ziv 編碼的率失真性能仍待提高，才能滿足無線多媒體傳感器等應(yīng)用的實(shí)際需求。

圖6 foreman 序列率失真性能比較

圖7 coastguard 序列率失真性能比較

圖8 hall monitor 序列率失真性能比較

圖9 soccer 序列率失真性能比較

5 結(jié)束語

針對現(xiàn)有 Laplacian模型對虛擬信道特性的描述并不精確，本文考慮了量化處理對邊信息的影響，改進(jìn)了虛擬信道模型，實(shí)現(xiàn)了動(dòng)態(tài)參數(shù)估計(jì)。實(shí)驗(yàn)結(jié)果表明，在不明顯增加編碼端計(jì)算量情況下，改進(jìn)模型獲得的率失真性能整體優(yōu)于基于Laplacian模型的 PDWZ方案。但與標(biāo)準(zhǔn)的H.264/AVC Inter No Motion編碼方法相比，Wyner-Ziv 編碼的率失真性能仍存在較大改善空間，才能滿足實(shí)際應(yīng)用的需求。

[1] ZHUO X, LOO K K, COSMAS J, et al. Distributed video coding in wireless multimedia sensor network for multimedia broadcasting[J].WSEAS Trans on Communication, 2008, 7(5):418-427.

[2] 羅武勝, 翟永平, 魯琴. 無線多媒體傳感器網(wǎng)絡(luò)研究[J]. 電子與信息學(xué)報(bào),2008,30(6):1511-1516.LUO W S, ZHAI Y P, LU Q. Study on wireless multimedia sensor networks[J]. Journal of Electronics & Information Technology, 2008,30(6):1511-1516.

[3] 孫巖, 馬華東. 無線多媒體傳感器網(wǎng)絡(luò)QoS保障問題[J]. 電子學(xué)報(bào),2008, 30(6): 1412-1420.SUN Y, MA H D. The QoS guarantee problem for wireless multimedia sensor networks[J]. Acta Electronica Sinica, 2008, 30(6):1412-1420.

[4] GIROD B, AARON A, RANE S, et al. Distributed video coding[A].Proc IEEE Special Issue on Advances in Video Coding and Delivery[C]. 2005.71-83.

[5] AARON A, RANE S, SETTON E, et al, Transform-domain Wyner-Ziv codec for video[A]. Proc of SPIE, Visual Communications and Image Processing[C]. San Joe, California, USA, 2004. 520-528.

[6] DELIGIANNIS N, MUNTEANU A, CLERCKX T, et al. Correlation channel estimation in pixel-domain distributed video coding[A].WIAMIS 2009[C]. Londun, United Kingdom, 2009.93-96.

[7] BRITES C, PEREIRA F. Correlation noise modeling for efficient pixel and transform domain Wyner-Ziv video coding[J]. IEEE Trans Circuits Syst Video Technol, 2008, 18(9):1117-1190.

[8] BRITES C, ASCENSO J, PEREIRA F. Studying temporal correlation noise modeling for pixel based wyner-ziv video coding[A]. ICIP[C].Atlanta, GA, USA, 2006.273-276.

[9] CHEUNG N M, WANG H, ORTEGA A, et al. Sampling-based correlation estimation for distributed source coding under rate and complexity constraints[J]. IEEE Transactions on Image Processing, 2008,17(11): 2122-2137.

[10] HUANG X, FORCHHAMMER S. Improved virtual channel noise model for transform domain wyner-ziv video coding [A]. ICASSP 2009[C]. Taipei, 2009.921-924.

[11] 房勝, 李哲, 梁永全等. 分布式視頻編碼虛擬依賴信道模型研究[J].計(jì)算機(jī)學(xué)報(bào), 2009, 32(7): 1404-1412.FANG S, LI Z, LIANG Y, ZHONG Y Z. Research of the virtual dependency channel in distributed video coding[J]. Chinese Journal of Computers, 2009, 32(7): 1404-1412.

[12] 王鳳琴, 樊養(yǎng)余, 趙炯等. 基于變換域 Wyner-Ziv視頻編碼的相關(guān)噪聲模型[J]. 數(shù)據(jù)采集與處理, 2009, 24(5): 609-614.Wang F Q, FAN Y Y, ZHAO J, et al. Correlation noise model for transform domain Wyner-Ziv video coding[J]. Journal of Data Acquisition＆ Processing, 2009, 24(5): 609-614.

[13] 尹明, 蔡述庭, 章云等. 像素域 Wyner-Ziv視頻解碼端的相關(guān)噪聲建模研究[A]. 第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C].2010.70-73 YIN M, CAI S T, ZHANG Y, et al. Correlation noise model at the decoder for pixel domain Wyner-Ziv video coding[A]. The 15th National Conference on Image and Graphics[C]. 2010.70-73.

[14] YE S, OUARET M, DUFAUX F, et al. Improved side information generation for distributed video coding by exploiting spatial and temporal correlations[J]. EURASIP Journal on Image and Video Processing, 2009, 1-15, doi:10.1155/2009/683510.

[15] CHEN D, VARODAYAN D. Unsupervised learning motion for distributed video coding [EB/OL]. http://www.stanford.edu/～dmchen/dvc.html, 2008.

[16] MARTINS R, BRITES C, ASCENSO J, et al. Statistical motion learning for improved transform domain Wyner-Ziv video coding[J]. IET Image Processing, 2010, 4(1):28-41.

[17] 宋彬, 賀紅, 劉海華等. Wyner-Ziv視頻編碼中邊信息生成算法研究[J]. 通信學(xué)報(bào), 2010,31(12):97-103.SONG B, HE H, LIU H H, et al. Research on side information generation algorithm for Wyner-Ziv video coding[J]. Journal on Communications, 2010,31(12):97-103.

[18] KULLBACK S, LEIBLER R A. On information and sufficiency[J].Annals of Mathematical Statistics, 1951,22:79-86.

[19] 尹明, 章云, 程良倫等. Wyner-Ziv視頻編碼中邊信息估計(jì)算法改進(jìn)[J]. 計(jì)算機(jī)應(yīng)用研究, 2009, 26(12): 4818-4820.YIN M, ZHANG Y, CHENG L L, et al. Improving on side information estimation for Wyner-Ziv video coding[J]. Application Research of Computers, 2009, 26(12): 4818-4820.