fa روشی جدید برای اختفای خطا در فریم‌های ویدئو با استفاده از شبکه‌ عصبی RBF مقالات پردازش تصویر Paper پژوهشي Research ارسال ویدئوی فشرده‌شده در کانال‌های مستعد خطا ممکن است سبب اتلاف در بسته‌های ویدئو گردد که این می‌تواند کیفیت تصویر را‌ کاهش دهد. اختفای خطا یک رهیافت مؤثر جهت کاهش اتلاف ناشی از اطلاعات از دست رفته می‌باشد. شیوه‌های اختفای خطای زمانی متداول همیشه در مواقعی که شئی ویدئو دارای حرکات غیرعادی باشد کارآیی خود را از دست می‌دهند. در این مقاله، به‌منظور غلبه بر این مشکل، یک رهیافت اختفای خطای زمانی کارآ جهت پنهان‌سازی خطای ماکروبلاک برای سیستم‌های کدبندی ویدئو پیشنهاد می‌گردد. روش پیشنهادی از یک شبکه عصبی RBF برای تخمین بردارهای حرکت ماکروبلاک‌های آسیب‌دیده استفاده می‌کند. تخمین‌‌زن RBF فقط برای نواحی ویدئو با حرکات سریع استفاده می‌شود که این پیچیدگی محاسبات را کاهش می‌دهد. به دلیل ظرفیت بزرگ شبکه‌های عصبی در تجسم و تفسیر مجموعه‌های داده با ابعاد بالا، روش پیشنهادی می‌تواند بردارهای حرکت آسیب‌دیده در نواحی با حرکت سریع را به درستی تخمین بزند. نتایج تجربی نشان می‌دهد که شیوه پیشنهادی، کیفیت ذهنی و عینی فریم‌های بازسازی شده را ارتقاء می‌دهد، به‌طوری که میانگین حد اکثر نسبت سیگنال به نویز برای دنباله‌های مورد آزمایش در بعضی از فریم‌ها حدود dB 6469/1 نسبت به روش BMA افزایش می‌یابد. Transmission of compressed video over error prone channels may result in packet losses, which can degrade the image quality. Error concealment (EC) is an effective approach to reduce the degradation caused by the missed information. The conventional temporal EC techniques are always inefficient when the motions of the video object are irregular. In this paper, in order to overcome this problem, an efficient temporal EC approach to conceal the macroblock error for video coding systems is proposed. The proposed EC method employs a RBF neural network to estimate the motion vectors of the damaged macroblocks. RBF estimator is used only for areas of the fast motions, which reduces computation complexity. Because the neural networks have a great capacity for visualizing and interpreting high-dimensional data sets, the estimation model proposed herein can exploit the nonlinearity property of the neural networks to estimate lost motion vectors more accurately. Simulation results show that the proposed technique enhances both subjective and objective quality of reconstructed frames, such as the average PSNR increases about 1.6469 dB compared to the BMA method for the test video sequences in some frames اختفای خطای زمانی، شبکه عصبی RBF، تخمین بردار حرکت، جبران‌سازی حرکت temporal error concealment, RBF neural network, motion vector estimation, motion compensation 12 3 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-253-1&slc_lang=fa&sid=1 Hossein Ghanei Yakhdan حسین قانعی یخدان hghaneiy@yazduni.ac.ir 1003194753284600665 1003194753284600665 Yes Yazd University دانشگاه یزد