【正文】 估原始圖片和編碼圖片的結(jié)構(gòu)相似度指數(shù)為25的一系列圖。我們穩(wěn)定的保持37%的原圖片大小，也就是說(shuō)允許3字節(jié)量化圖片大小的N樣本（N對(duì)應(yīng)圖像的像素?cái)?shù)）的傳輸。圖片中顯示在95%置信區(qū)間，上述圖片的平均SSIM對(duì)樣本量化率。顯然樣本越多，樣本失真在5bit/樣本的好處要更有價(jià)值。直觀的說(shuō)，這是因?yàn)橹貥?gòu)算法找到圖片通過(guò)稀疏化轉(zhuǎn)換后接收樣本和重建圖片樣本之間的最小不同。這意味著，即使少量樣本可能被損壞，重構(gòu)圖像與無(wú)比特錯(cuò)誤的重構(gòu)圖像一樣或非常相似。 SSIM與量化率2) 每幀樣本：依賴于圖像的稀疏傳輸，樣本數(shù)量N需要重建圖像到一個(gè)預(yù)定義的質(zhì)量水平等級(jí)。與稀疏圖像比較，傳輸樣本數(shù)量越大，接收幀的圖片質(zhì)量越好。每幀能被選出最大數(shù)量的樣品來(lái)實(shí)現(xiàn)取決于視頻所需的在接收器端的質(zhì)量。3) 信道差的影響：在壓縮感知中，傳輸?shù)臉颖窘M成是隨機(jī)的，普通圖片像素結(jié)合是不連貫的。這就意味著，不像傳統(tǒng)的無(wú)線成像系統(tǒng)，在壓縮感知圖片重構(gòu)中沒有個(gè)別樣本是比其他樣本重要的。相反，正確的接收樣本數(shù)量是惟一的主要因素來(lái)確定接收到的圖片質(zhì)量。此外，少量隨機(jī)信道錯(cuò)誤不影響接收?qǐng)D像的感知質(zhì)量，因?yàn)橹卸日`碼率，原圖像的大量稀疏化將抵消由位錯(cuò)誤產(chǎn)生的錯(cuò)誤。由下圖說(shuō)明。 無(wú)奇偶校驗(yàn)SSIM與誤碼率對(duì)于任何低于104的誤碼率，圖像質(zhì)量沒有明顯下降。誤碼率低于103高于104，是一個(gè)好的圖片質(zhì)量的指標(biāo)。CS圖像表示完全是非結(jié)構(gòu)化的，這一事實(shí)使在隨機(jī)的通道錯(cuò)誤上CS視頻比現(xiàn)有的視頻編碼理論更彈性化。這個(gè)重要的結(jié)果為WMSNs壓縮的無(wú)線視頻流的研究提供了一個(gè)強(qiáng)大的動(dòng)機(jī)。當(dāng)與傳統(tǒng)的圖像壓縮理論相比，這種對(duì)隨機(jī)信道比特錯(cuò)誤固有的彈性是更受關(guān)注的。下圖顯示在變交叉概率下通過(guò)對(duì)稱二進(jìn)制信道傳輸25張圖片平均SSIM值。 CS和JPEG誤碼率對(duì)比CS編碼圖像的質(zhì)量降低，正常的誤碼率增加，仍然是和BERS一樣很高103。相反，JPEG編碼圖像非常快就衰退了。在下圖中個(gè)直觀強(qiáng)調(diào)了這點(diǎn)。下圖顯示通過(guò)CS編碼接收?qǐng)D像，在誤比特率105，104，103上。 CS編碼圖像 JPEG編碼圖像這個(gè)不同非常的振奮人心，信道錯(cuò)誤的影響結(jié)構(gòu)化數(shù)據(jù)衰退像JPEG編碼圖像。讀者會(huì)很容易明白，信道錯(cuò)誤在預(yù)測(cè)性編碼視頻上的效果是更有衰退性的，因?yàn)榧词故堑驼`碼率能導(dǎo)致I幀的丟失，導(dǎo)致解碼器無(wú)法解碼取決于I幀的長(zhǎng)序列圖像。為確定信號(hào)的編碼率，我們首先必須確定通過(guò)多跳線網(wǎng)絡(luò)傳輸壓縮感知圖像數(shù)據(jù)的信道編碼策略。壓縮感知的最大優(yōu)勢(shì)之一是傳輸樣本構(gòu)成一個(gè)隨機(jī)的，非相干的原始數(shù)據(jù)。這意味著，沒有任何單一樣本是比任何其他樣本更重要的。相反，只有正確接收的樣本數(shù)才是確定接收?qǐng)D片質(zhì)量的關(guān)鍵因素。此外，一下相同邏輯的量化參數(shù)選擇，少量的錯(cuò)誤不會(huì)太影響接收?qǐng)D片的質(zhì)量。因?yàn)橹卸日`碼率，原圖像的大量稀疏化將抵消由位錯(cuò)誤產(chǎn)生的錯(cuò)誤。這在上圖中有說(shuō)明。在圖(3)中，同一套通過(guò)一個(gè)二進(jìn)制對(duì)稱信道傳輸后，是否有錯(cuò)誤樣本的重建的圖像。顯然，當(dāng)損壞的樣本被丟棄時(shí)，圖片的質(zhì)量大大提高了。5 實(shí)驗(yàn)仿真數(shù)據(jù) 視頻解碼實(shí)驗(yàn)首先幀內(nèi)抽樣率為Q，幀間抽樣率為P。對(duì)視頻序圖像列進(jìn)行編碼和恢復(fù)。實(shí)驗(yàn)視頻圖像選取格式為256256的bmp格式的“foreman”。 本文使用的稀疏算子是daubechies9/7小波, 測(cè)量算子是3232的哈達(dá)嗎矩陣。在重建算法的選擇上使用的是GPSR算法。至于后續(xù)的均勻量化（反量化）和熵編碼（熵解碼）技術(shù)在傳統(tǒng)的視頻編解碼技術(shù)中非常成熟，所以實(shí)驗(yàn)中沒 有加以考慮。在每次實(shí)驗(yàn)中，選取的GOP為一組10幀視頻圖像，而在幀間編碼的過(guò)程中，每次待編碼的幀都選取它前一恢復(fù)出來(lái)的幀作為參考。根據(jù)不同的采樣率對(duì)采樣圖片進(jìn)行處理，求出平均PSNR值進(jìn)行比較。 無(wú)線視頻傳輸實(shí)驗(yàn)將256256的“forman”視頻序列一共10幀進(jìn)行編碼，其GOP長(zhǎng)度為5，，量化區(qū)間Q為5。將順序經(jīng)過(guò)均勻量化和等長(zhǎng)編碼，最后將其放置到誤碼率不同的無(wú)線信道上進(jìn)行傳輸，同時(shí)視頻序列運(yùn)用MPEG2的編碼器進(jìn)行類似的編碼及傳輸，得到了一系列視頻恢復(fù)的數(shù)據(jù)。在誤碼率很低的情況下，現(xiàn)有的編碼方式的解碼效果甚至比CS編解碼要好，這是因?yàn)镸PEG2編解碼中，運(yùn)動(dòng)估計(jì)與運(yùn)動(dòng)補(bǔ)償和后續(xù)的DCT編碼以及哈夫曼編碼等對(duì)于沒有經(jīng)過(guò)損傷的視頻數(shù)據(jù)來(lái)說(shuō)確實(shí)具有非常好的解碼效果，而CS編解碼器因?yàn)檫\(yùn)動(dòng)估計(jì)和補(bǔ)償與后續(xù)的壓縮測(cè)量之間存在著一定的配合偏差，所以得不到很好的效果。但當(dāng)信道的誤碼率達(dá)到103甚至更高的時(shí)候，由于壓縮感知出來(lái)的數(shù)據(jù)的無(wú)結(jié)構(gòu)性，所以隨機(jī)誤碼對(duì)于視頻質(zhì)量的下降是比較平緩的，也就是說(shuō)對(duì)于任一丟失的信息，它們對(duì)于圖像質(zhì)量的影響是均勻的。而采用MPEG2的時(shí)候，由于丟失的數(shù)據(jù)的不確定性，得到的每一幀的圖像效果變化很大，而且隨著誤碼率的提高，很可能得到一些無(wú)法辨別的視頻幀，這種情況會(huì)導(dǎo)致視頻無(wú)法觀看。而與其對(duì)應(yīng)的CS編解碼收到的視頻流雖然質(zhì)量也隨之下降，但在誤碼率非常高的情況下仍能勉強(qiáng)收看。 實(shí)驗(yàn)結(jié)果數(shù)據(jù) 解碼函數(shù)的流程圖，Q量化區(qū)間為5的。圖片采樣根據(jù)GOP性質(zhì)，圖片分為I幀和P幀兩種，第一張圖片必須是I幀。GOP兩個(gè)I幀中有一個(gè)P幀。原圖像 處理后圖像，I幀原圖像 處理后圖像，P幀~，采樣區(qū)間Q為5~7時(shí)。對(duì)多張“foreman”進(jìn)行壓縮感知處理后，得到的圖片的PSNR的均值進(jìn)行匯總，得到如下三維圖像。 PSNR vs Q vs rate6 總結(jié)與展望介紹了一種新的視頻編解碼的方案，將壓縮感知的新方法運(yùn)用到視頻處理中來(lái)，它不僅簡(jiǎn)化了視頻編碼的過(guò)程，而且通過(guò)后續(xù)的均勻量化和等長(zhǎng)編碼使得編碼后出現(xiàn)的視頻流呈現(xiàn)出一種非常好的特性——很適合于無(wú)線信道的傳輸，即當(dāng)無(wú)線信道的誤碼率比較大的時(shí)候，它仍然能夠得到勉強(qiáng)能夠觀看的視頻。在以后的工作中，將重點(diǎn)研究壓縮感知應(yīng)用于視頻編碼中與其它經(jīng)典壓縮方法的結(jié)合程度，試圖使幀間編碼變得更有效率，同時(shí)研究能夠提高解碼效率和節(jié)約存儲(chǔ)空間的方法，再次，會(huì)考慮將壓縮感知應(yīng)用于現(xiàn)有的無(wú)線視頻傳輸中所形成的新的體系的問(wèn)題。由上述結(jié)果可以得出:1) 本軟件實(shí)現(xiàn)的固定模板無(wú)論隨機(jī)任務(wù)生成的頻率如何，識(shí)別任務(wù)由于優(yōu)先級(jí)別高于跟蹤優(yōu)先級(jí)，所以識(shí)別任務(wù)的執(zhí)行數(shù)明顯高于跟蹤任務(wù)，當(dāng)識(shí)別任務(wù)較多時(shí)，跟蹤任務(wù)執(zhí)行的概率很低。2) 搜索和其他任務(wù)由于模板中的執(zhí)行時(shí)間段固定，周期間隔執(zhí)行的平均個(gè)數(shù)基本不變。同時(shí)，采用有中心處理方式的調(diào)度結(jié)果基本與上面無(wú)中心處理調(diào)度的結(jié)果一致，但是采用有中心處理模式時(shí)，雷達(dá)任務(wù)調(diào)度模塊將停止工作，雷達(dá)接收不到執(zhí)行任務(wù)列表，將會(huì)導(dǎo)致大量任務(wù)被置于延遲執(zhí)行任務(wù)列表，為后續(xù)處理造成負(fù)擔(dān)。另外，無(wú)中心處理采用的分布式方式將雷達(dá)調(diào)度模塊嵌入到多個(gè)用戶節(jié)點(diǎn)中，上述試驗(yàn)便是在三臺(tái)計(jì)算機(jī)上進(jìn)行的，每臺(tái)計(jì)算機(jī)均可以通過(guò)調(diào)度軟件發(fā)送雷達(dá)任務(wù)請(qǐng)求、進(jìn)行任務(wù)調(diào)度, 并生成有效的雷達(dá)執(zhí)行任務(wù)列表，這種方式與有中心處理方式相比，更適合應(yīng)用于多任務(wù)多模式多用戶的雷達(dá)系統(tǒng)。多模式相控陣?yán)走_(dá)固然由于其工作原理可以同時(shí)完成目標(biāo)探測(cè)、跟蹤等多種任務(wù), 但是如果在時(shí)間資源調(diào)度算法和處理布局上不得當(dāng)，將無(wú)法發(fā)揮其優(yōu)勢(shì)。本文首先選用并仿真實(shí)現(xiàn)了一種固定模板的雷達(dá)任務(wù)調(diào)度算法模塊，然后引入無(wú)中心處理原則和處理方式將調(diào)度模塊嵌入到多個(gè)用戶節(jié)點(diǎn)，最終保證了雷達(dá)任務(wù)調(diào)度處理的時(shí)間延續(xù)性和同步性，并迎合了現(xiàn)代雷達(dá)系統(tǒng)多用戶多任務(wù)的處理要求。在后續(xù)的研究工作中，可以進(jìn)一步改進(jìn)調(diào)度算法或者采用自適應(yīng)調(diào)度策略，再結(jié)合無(wú)中心處理方式的完善，實(shí)現(xiàn)更優(yōu)化的雷達(dá)時(shí)間資源分配手段。致謝行文至此，我的這篇論文已接近尾聲；歲月如梭，我四年的大學(xué)時(shí)光也即將敲響結(jié)束的鐘聲。離別在即，站在人生的又一個(gè)轉(zhuǎn)折點(diǎn)上，心中難免思緒萬(wàn)千，一種感恩之情油然而生。 生我者父母。感謝生我養(yǎng)我，含辛茹苦的父母。是你們，為我的學(xué)習(xí)創(chuàng)造了條件；是你們，一如既往的站在我的身后默默的支持著我。沒有你們就不會(huì)有我的今天。謝謝你們，我的父親母親!育我成才者老師。感謝我的指導(dǎo)XXX老師，這篇論文是在XXX的悉心指導(dǎo)與鼓勵(lì)下完成的。X老師為我提供了良好的實(shí)驗(yàn)條件，在申請(qǐng)和開展項(xiàng)目、參加學(xué)術(shù)會(huì)議、撰寫論文等方面提供了很多專業(yè)性的指導(dǎo)。X老師淵博的學(xué)識(shí)、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、精益求精的工作作風(fēng)和誨人不倦的高尚師德，都將深深地感染和激勵(lì)著我。在三年的實(shí)驗(yàn)室時(shí)光里，X老師給我以悉心指導(dǎo)，同時(shí)還在思想、生活上給我以無(wú)微不至的關(guān)懷，在此謹(jǐn)向X老師致以誠(chéng)摯的感謝!感謝為這篇論文的完成付出了辛勤勞動(dòng)和心血的同學(xué)。他們?cè)趯?shí)驗(yàn)過(guò)程中同我一起團(tuán)結(jié)合作、認(rèn)真嚴(yán)謹(jǐn)、不畏艱苦，給了我極大的幫助。最后，本文參考了大量的文獻(xiàn)資料，在此，向各學(xué)術(shù)界的前輩們致敬！參考文獻(xiàn)[1] DONOHO D. Compressed sensing[J]. IEEE Trans. ,2006, 52 (4) :489509.[2] PARK J Y,WAKIN M B. A multiscale framework for pressive sencing of video [C/OL]//Proceedings of Picture Coding Symposium,Chicago, Illinois, 2009[20091112]. ~willett/papers/.[3] WIEGAND T,SULLIVAN G J,BJONTEGAARD G, et al. Overview of the [J]. Technol., 2003, 13(7):560576.[4] CANDES E,ROMBERG J,TAO uncertainty principles:Exact signal reconstruction from highly inplete frequency information[J]. IEEE ,2006,52(2): 489509.[5] E Cand232。s. Compressive sampling[A]. Proceedings of the International Congress of Mathematicians [C]. Madrid,Spain,2006,3:14331452[6] Cand,S E :theory and applications[D].Stanford:Stanford University. 1999.[7] E Cand232。s,D L [R]. USA:Department of Statistics,Stanford .[8] E L Pennec,S pression with geometrical wavelets[A]. Proc of IEEE International Conference on Image Processing,ICIP’ 2000[C]. Vancouver,BC: IEEE Computer Society,:661664.[9] Do,Minh N,Vetterli,:A new directional multiresolution image representation[A].Conference on Signals,Syatems and Computer . 1:497501.[10] G Basis pressed sensing[J].Lecture Notes in Computer Science, 2007,4485: 8091[11] 張春梅,尹忠科,肖明霞. 基于冗余字典的信號(hào)超完備表示與稀疏分解[J].科學(xué)通報(bào),2006,51(6):628633.[12] J A Tropp and AC Recovery from Partial information by Orthogonal Matching Pursuit[OL].April,2005,[13] C L Donoho,Y T saig,I Drori solution of underdetermined linear equations by stagewise orthogonal matching pursuit[R].Technical Report,2006.[14] C La,M N reconstruction using sparse tree representation[A]. Proceeding of SPIE [C].San Diego,CA,United States:International Society for Optical : 111