针对联合图像专家组(JPEG)标准设计了一种基于自适应下采样和超分辨力重建的图像压缩编码框架。在编码器端，为待编码的原始图像设计了多种不同的下采样模式和量化模式，通过率失真优化算法从 多种模式中选择最优的下采样模式(DSM)和量化模式(QM)，最后待编码图像将在选择的模式下进行下采样和JPEG编码；在解码器端，采用基于卷积神经网络的超分辨力重建算法对解码后的下采样图像进行重建。此外， 所提出的框架扩展到JPEG2000压缩标准下同样有效可行。仿真实验结果表明，相比于主流的编解码标准和先进的编解码方法，提出的框架能有效地提升编码图像的率失真性能，并能获得更好的视觉效果。

针对多光谱图像的空谱相关特性,提出一种基于卷积神经网络的端到端多光谱图像压缩方法。编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据的尺寸,并通过率失真优化控制光谱特征与空间特征数据的熵,使空谱特征数据分布更加紧凑,将量化后的中间特征数据进行无损熵编码得到压缩码流。解码端,码流经过熵解码、逆量化、上采样、反卷积的逆变换过程重构多光谱图像。实验结果表明,相同码率下该方法能有效保留多光谱图像谱间信息,并在图像恢复质量上比JPEG2000平均高约2 dB。

针对高动态范围(HDR) 视频较之于传统低动态范围(LDR) 视频所需存储资源和传输带宽急剧增加的问题，本文提出了一种基于视觉感知特性的HDR 视频编码的动态率失真优化算法，以提高高效视频编码(HEVC) Main 10 编码HDR 视频的性能。本文通过引入视觉选择性关注信息，对不同区域采取非均等的失真权重分配策略，优化常规的失真计算方法；同时，为了进一步去除视频中的感知冗余，融合视频内容的纹理特性自适应调节拉格朗日乘子，并应用于编码量化器动态调节量化参数，实现编码比特和失真感知权衡。实验结果表明：与HEVC Main 10 相比，在相同HDR-VDP 和PSNR DE 质量指标下，所提算法平均节省7.46% 和6.53% 码率，最大分别节省18.52% 和11.49%，所提算法在保持视觉质量的前提下能够有效降低码率。

提出了一种基于复杂度的率失真联合优化算法, 该算法在H.264/AVC视频编码标准中率失真优化算法的基础上考虑了视频编码算法复杂度因素, 以求达到对视频编码复杂度和率失真性能联合优化的效果, 并通过引入复杂度控制因子对编码复杂度进行控制调节。实验结果表明, 该算法可以在保证率失真性能降低很小的情况下降低视频编码的复杂度, 在率失真和复杂度之间取得了很好的均衡效果。

提出了一种基于图像相关性和最优模式概率统计的帧内预测优化算法, 用于降低视频编码的复杂度。首先, 介绍了新一代视频编码标准(HEVC)帧内预测算法中的Angular预测模式、Planar预测模式、LM 预测模式, 以及帧内率失真代价最优化(RDO)计算方法。采用绝对误差和(SAD)作为代价函数处理残差, 初步筛选得到最佳候选预测模式, 然后利用简化率失真代价模型与最有可能预测模式(MPM)判断得到RDO候选预测模式, 利用RDO得到最佳预测模式。最后在HEVC测试模型HM4.0的平台上对改进算法进行验证, 并采用不同分辨率的视频序列进行了仿真实验。实验结果表明: 在峰值信噪比(PSNR)影响可以忽略的情况下(平均降低0.06 dB), 提出的帧内预测优化算法比HM4.0中方法的压缩时间平均减少了30.18%, 码率平均增加了1.97%。与文献<参考文献原文>提出的帧内预测编码方法相比, 其复杂度平均减少了11.45%, 码率平均减少了0.46%, PSNR平均增加了0.01 dB, 压缩性能均有所提高。

在可伸缩视频编码系统中，原始码流经过裁剪可以提取出多个子码流。为了联合优化原始码流和子码流的编码质量，提出了基于部分解码的率失真优化算法。首先，在增强层的率失真计算中，通过对离散余弦变换(DCT)系数进行有选择截断来估计子码流对编码的影响，并建立误差扩散失真图对部分解码引起的误差扩散进行预测。在基本层的率失真计算中，针对编码层之间在模式选择上的限制，使用多层联合编码方法来计算率失真代价。为了降低算法引入的计算量，对部分解码条件下的重建过程和基本层模式选择进行复杂度优化。最后，对参数选择进行了讨论，利用每个宏块的误差扩散敏感度来动态估计算法参数。实验结果表明，本方法能使子码流的峰值信噪比提高0.03~0.53 dB，可以满足可伸缩编码系统对编码效率和码率提取点的要求。