无法直接确定局部稀疏度K。，但由于关键帖 已经被解码，因此可W利用关键帖对Xt进行预测得到边信息SI,用边信息的稀疏特性代替 CS帖的稀疏性。将边信息Sl分块，并进行DCT变换，得到每个块的非零DCT系数的个数，记 为Kti。再将CS帖Xt前关键帖Xt1和后关键帖XW的每一个块做方差，如果方差小于某一 设定的值，则认为CS帖中的当前块对于关键帖中相对位置的块是相同的，在编码端可W不 进行编码，记Cti= 0,类似于传统编码中的SIKP模式；否则，记C。=1。结合局部稀疏度 K。和远程联合稀疏度C。，可W得到CS帖Xt中每一个块的采样率SR为
[0032]
阳03引其中，SR为给定CS帖的平均采样率，b为CS帖中块的个数。
[0034] 所述的解码端102内包括最优观测值生成模块4,联合视频稀疏模型的CS重建模 块5,运动估计和估算边信息模块6,H. 264帖内解码模块7。在解码端，先利用传统的H. 264 解码或CS重建算法重建关键帖，并通过插值或运动估计等工作计算边信息：再根据边信息 和接收到的采样值重构非关键帖。
[0035] 最优观测值生成模块4首先利用待重构块的CS观测值进行运动估计，捜索到其在 相邻帖的最佳匹配块，并利用最佳匹配块的空间邻域块生成数据矩阵，由于数据矩阵包含 噪声，再利用PCA训练出数据矩阵的主成份，挑选出较显著的主成份作为最终的稀疏基底 W抑制噪声。WP帖情形为例，具体的构造步骤如下：
[0036] Step 1 :设当前非关键帖待重构块Xt。的CS观测值为y t。，由于高斯随机测量矩阵 巫B具有受限等距性巧es化icted Isome化yProperty, RIP)，因此Xt。与其相邻帖的候选匹 配块X。，之间的残差能量在测量域近似保持不变，即 阳037]IIXtn_Xc.ilMytn-巫BXcjMz
[0038] 那么，基于块匹配的运动估计可在测量域中直接进行，如下：
[0039]
W40] 其中Si是尺寸为2SiX2Si的捜索窗口。如图3所示，W最佳匹配块Xb。为中屯、，作 半径为Sz的捜索窗口，在窗口内逐像素抽取尺寸为BXB的块XPk,然后拉成列向量并按列排 序为数据矩阵Xp=[Xpl，Xp2，...，x地]，其中K= 2S2X2S2。 阳041]Step2 :由于构成数据矩阵Xp的各块XPk含有噪声，因此直接使用其作为稀疏字典 并不是最优方案。采用PCA技术可训练出能够消除块Xpk像素间统计冗余的正交变换矩阵 P，利用该矩阵对图像子块作变换，可有效地分离数据矩阵Xp的有用信息和噪声。首先，计 算Xp的dXd(d=B2)协方差矩阵QP，如下：
[0042]
[0043]
[0044] 再计算出协方差矩阵Qp的d个特征值n n n d和相对应的规范化特 征向量（主成份）Pl,化，…，Pd,则可知正交变换矩阵P=[Pi，化，…，Pd]。
[0045] step 3 :为了能够有效地分离数据矩阵Xp的噪声和有用信息，应寻找到能尽可能 稀疏表示Xp中所有块XP。的稀疏字典D。，即满足如下公式：
[0046]
[0047] 其中A。是Xp在D。上的系数矩阵，II?IIF为化obenius范数。可从正交变换矩 阵P中分离出r个最显著的主成份形成字典Dnr= [Pi，化，…，PrL且在Dnr下的系数矩阵 八。f可简便地计算，即AM=D"；r，Xp。上式中的重构误差将随着r的升高而降 低，而项MAjIi则会升高，所Wr的最优值巧可由下式决定：
[0048]
W例最后，得到待重构块Xt。的稀疏字典D。二[P1，化，…，Pr*]。
[0050] Step4 :利用通过PCA学习到的稀疏字典D。，构造如下的CS重构模型：
[0051]
[0052] 该式可利用GPSR算法求解出Xt。在D。下的稀疏表示系数at。，最后按下式重构出 预测块：
[0053]
[0054] 运动估计和估算边信息模块6是将来自视角内的边信息采用运动补偿空间插值 方式来估计产生，而来自视角间的边信息则采用单应性矩阵补偿视角间插值得到。
[0055] 运动补偿空间插值算法描述如下：
[0056] Step1 :起始点预测；使用五种预测模式预测运动矢量MV，分别是
[0057] (1)中值预测：利用空间相关性，令当前子块的左、上、右上邻块的运动矢量的中 间值为预测运动矢量
[0058] (2)原点预测：直接令运动矢量为（0,0)。
[0059] (3)化layer预测：利用H. 264运动估计可变宏块划分的特点，从模式1 (16x16)到 模式7(4x4)的分级捜索顺序，取已求出的同位置上一级、大一倍块的运动矢量。
[0060] (4)对应块预测：利用时间相关性，取前一帖同位置块的运动矢量作为预测结 果。
[OOW] 妨相邻参考帖预测：利用时间相关性，令前一参考帖中对应位置块的MV按比例 进行预测。
[0062] Step2 :对W上MV所指向的点使用非对称十字模板捜索，获得当前的最佳预测起 点。随后根据不同起始点的率失真结果使用阔值进行判断，分为非满意区域、满意区域和很 满意区域，分别转入Step3,Step4,Step5。
[0063] St巧3 :对于不满意的块使用如下方式进行捜索： W64] (1)W目前最优点为中心用非对称十字型捜索模板进行捜索；获得当前最优点， 判断此处是否属于满意或很满意区，跳到相应的Step3或Step4或继续捜索； 阳0化](2)W目前最佳点为中屯、，在方形区域中进行逐点捜索；获得当前最优点，判断此 处是否属于满意或很满意区，跳到相应的Step3或Step4或继续捜索；
[0066] (3)用不断扩大一倍直径的大六边形模板进行捜索，直至捜索到能符合相应阔值 而进入Step3或Step4的捜索点为止；或者捜索模板完全超出捜索窗范围，也结束Step2的 捜索。
[0067] Step 4 : W目前最优点为中屯、，使用中屯、六边形模板进行捜索，直至最优点在六边 形中屯、为止。
[0068]Step5:对很满意区域的子块进行捜索。W当前最优点为中屯、，使用十字形模板进 行捜索，直至最优点在十字形模板中屯、点为止。
[0069] 单应性矩阵补偿视角间插值将接收到陪集索引后，通过运动捜索和单应性矩阵补 偿时间插值获取边信息，采用间接法图像配准，即运用图像间单应性矩阵关系来进行配准。 单应性矩阵是一个数学概念，它定义了两幅图像之问的相互关系，一张图像上的任意一点 可W在另一张图像上找到对应的点，且对应点惟一，反之亦然。用一个称为单应矩阵的变换 矩阵来表示两幅图像对应点之间存在一一对应关系。该矩阵估计算法为：
[0070] St巧1 :设置金字塔结构尺度因子S和层数以层内迭代次数niters,尺度总体最 小二乘法的参数，与图像区域模板（ROI)的默认值。彩色转换（将RGB图像转换为服V图 像或其他色彩图像）。使用ROI模板取出感兴趣的图像区域。
[0071] St巧2 :利用因子S<1产生Imgl与Img2的金字塔结构巧"―)，巧4-)怡1 々'
[0072] Step3:用单位矩阵初始化单应矩阵：H^13X3。 阳073] Step4 :分层迭代
[0074] fork= 1:L 阳0巧]1)对参数作尺度逆变换
[0076]S1 ?h。，i= 1:2,j= 1:3
[0077]。对图像的〈巧+1'，片心仙〉作迭代法估计
[0078]foriter二 1:nlters
[0079] (I)利用H变换巧i-w)得图像。
[0080] 似对{於气巧-…〉用Simoncelli方法计算图像导数。
[0081](3)利用行扩充构造线性模型。
[0082] (4)利用STLS估计得到运动参数向量并按将其转换为单应矩阵M。
[0083] 妨更新单应矩阵出一M?H
[0084] End 阳0化]End
[0086]边信息（SI)生成描述算法如下： 阳087] Step1 :用双边运动估计（BME)进行估计运动向量场（MVF)的内插帖。
[0088]Step2:使用加权矢量中值滤波器来删除运动向量中存在异常的值。
[0089]St巧3:为了减少块工件，用自适应重叠块运动补偿（AOBMC)来插入最后的SI。
[0090] 联合视频稀疏模型的CS重建模块5，联合解码重构中引入化ber-Markov随机场的 先验概率模型，对解码像素点做平滑性约束。该先验概率模型如下：
[0091] 设一个场景的n幅低分辨率图像是由一幅高分辨率图像经过一系列的降噪过程 产生的。设所求的高分辨率图像NXI用矢量Z表示，低分辨率图像用MXI矢量y,化为图 像序号，k= 1，2, ? ? ?，n)表示，则图像的模型可表示为： 阳 0巧 Yk=WkZ+TU 阳09引式中，Hk表示加性噪声，故可知，低分辨率图像的像素灰度值可W看作相应的高 分辨率图像像素灰度值的加权平均，而权系数由矩阵Wk决定。