Décompositions en ondelettes redondantes pour le codage par descriptions multiples des images fixes et des séquences vidéo - PASTEL - Thèses en ligne de ParisTech Access content directly
Theses Year : 2009

Redundant Wavelet Decompositions for Multiple Description Coding of Still Images and Video Sequences

Décompositions en ondelettes redondantes pour le codage par descriptions multiples des images fixes et des séquences vidéo

Abstract

The increasing usage of packet-based networks for multimedia transmission responds to a stringent need for data reliability under rate constraints. This thesis aims at building so-called low-redundancy "Multiple Description" representations to compensate for channel losses. We have considered schemes based on wavelet frames, implemented in a lifting form. First, two temporal descriptions have been built in a "t+2D" video codec. The initial redundancy, inherent to the frame decomposition has been lowered through an additional subsampling of the detail subbands. This allows for tuning the redundancy to the size of a classical wavelet approximation subband. However, this operation raises a perfect reconstruction issue, which has been addressed here in detail. Moreover, we have established choice criteria among the possible schemes, based on reducing the quantization noise. Then, the above methods were extended to two-dimensional signals (images). In this case we have also proposed a post-processing stage at the decoder level, in order to enhance the reconstruction quality in the event of losses. Finally, we have approached the subject from a different angle, inspired from the "Compressed Sensing" theory, by aiming at determining the best rate satisfying a maximum allowed distortion, when exploiting the sparsity of the input signal. This approach deals with the situation in which the complexity is shifted at the encoder side, while the decoders are linear.
L'utilisation croissante des réseaux à perte de paquets pour la transmission multimédia est placée sous le signe de la fiabilité des données sous contraintes de débit. L'objectif de cette thèse est de construire des représentations dites par "descriptions multiples", à faible redondance, pour compenser la perte d'information sur les canaux de transmission. Nous avons considéré des schémas basées sur des trames d'ondelettes, implantées en "lifting". Dans un premier temps, nous avons considéré la construction de deux descriptions selon l'axe temporel d'un codeur vidéo "t+2D". La redondance introduite par transformée a été ultérieurement réduite par un sous-échantillonnage supplémentaire appliqué aux sous-bandes de détail. Cela permet d'ajuster la redondance à la taille d'une sous-bande d'approximation en ondelettes classiques. Ceci rajoute en revanche un problème de reconstruction parfaite que nous avons étudié en détail. En outre, nous avons établi des critères de choix entre les plusieurs schémas possibles, basés sur la réduction du bruit de quantification. Ensuite, les méthodes ci-dessus ont été adaptées pour le signal bi-dimensionnel (images). Nous avons aussi proposé un post-traitement aux décodeurs, visant à améliorer la qualité de la reconstruction en situation de pertes. Enfin, nous avons abordé le sujet sous un nouvel angle, inspiré de la nouvelle théorie du "Compressed Sensing", en cherchant d'obtenir le débit optimal qui satisfait une contrainte de distorsion maximum autorisée et en exploitant le caractère creux du signal. Cette approche se distingue par le transfert de complexité à l'encodeur en gardant des décodeurs linéaires.
Fichier principal
Vignette du fichier
thesis_depot.pdf (16.91 Mo) Télécharger le fichier
Loading...

Dates and versions

pastel-00005906 , version 1 (23-03-2010)

Identifiers

  • HAL Id : pastel-00005906 , version 1

Cite

Claudia Teodora Petrisor. Décompositions en ondelettes redondantes pour le codage par descriptions multiples des images fixes et des séquences vidéo. domain_other. Télécom ParisTech, 2009. Français. ⟨NNT : ⟩. ⟨pastel-00005906⟩
247 View
405 Download

Share

Gmail Mastodon Facebook X LinkedIn More