随着数字媒体技术的不断发展,多媒体图像视频已应用在工作和生活的各个方面。高清图像视频极大地提高了用户体验,但高清图像视频意味着更高的数据量,在传输时由于当前网络带宽有限,视频码流在传输前通常需要被压缩,压缩码流在传输时的误码能力更差,接收端恢复的图像将严重失真。解决该类问题的方法之一是重传视频,但该方法实时性和带宽代价较大;错误隐藏算法能在不改变编码器结构、保持原有码率的情况下,在解码端采用错误隐藏技术恢复丢失信息,保证接收端图像质量,因而被广泛应用。错误隐藏技术根据所利用的冗余信息的不同,通常分为时域错误隐藏、空域错误隐藏和时空域错误隐藏。由于时域信息难以得到,本文主要针对空域错误隐藏技术进行研究。空域隐藏算法的核心思想是基于邻域信息相关的特性,利用周围信息进行线性插值来恢复丢失的像素。现有的空域错误隐藏算法分为线性插值方法和稀疏表达方法。然而在利用线性插值算法恢复不平滑图像时,邻域信息存在很大不一致性将导致恢复的图像模糊。因而本文主要依托基于稀疏的错误隐藏算法展开,并针对字典构建阶段模版匹配模块和稀疏重构阶段局部线性相关模型做了分析和改进。本文第一部分针对字典构建阶段模版匹配模块做了优化。字典构建是稀疏表示和稀疏求解的关键,模版匹配就是建立字典所需数据的准备。传统的模版匹配算法采用固定的阈值作为数据选取标准构建字典,这种固定阈值寻找的匹配块由于缺少灵活性可能导致部分匹配结果不准确。针对该问题,本文提出了一种基于动态阈值的模版匹配算法,依据待恢复像素块之间的特征差异性,自适应地计算模板匹配的阈值,从而为待恢复像素块选取更准确的观测集和潜在集,因而获得更好的重建效果。本文通过三种场景的试验对所提出方法进行了测试,所有测试对比算法选取一个Baseline方法。针对独立丢失情况,PSNR平均提高了 0.29dB;针对连续丢失情况,PSNR平均提高了 0.28dB;针对随机丢失情况,PSNR均值提升了 0.07dB。本文第二部分是针对局部线性相关模型所做的优化调整。稀疏表示在求解系数时需要重构信息作为前置条件,局部线性相关模型主要应用于重构信息的粗略构建。然而传统的局部线性相关模型采用的是基于脊回归方法,脊回归方法进行重构信号粗略估计时,对于参数设置敏感。模型参数较小时,模型看上去就较平缓稳定,但该模型求解的结果可能了数值的稳定性而牺牲了一定的无偏性。针对该问题,本文提出了一种基于典型相关分析的局部线性相关模型,典型相关分析算法能显著地揭示出两组变量之间的内在联系,且待处理的两组变量的维数可以任意改变,灵活性更高。本文通过三种场景的试验对所提出方法进行了测试,试验结果表明,针对独立丢失情况,PSNR平均提高了 0.55dB;针对连续丢失情况,PSNR平均提高了 0.54dB;针对随机丢失情况,该方法目前空域错误隐藏效果最好的方法对比,PSNR平均提高了0.80dB。