CN101431671A

CN101431671A - 选择预测模式的方法及编码器

Info

Publication number: CN101431671A
Application number: CN200810005508.5A
Authority: CN
Inventors: 沈志圣; 林嘉文
Original assignee: Industrial Technology Research Institute ITRI
Current assignee: Industrial Technology Research Institute ITRI
Priority date: 2007-11-07
Filing date: 2008-02-04
Publication date: 2009-05-13
Anticipated expiration: 2028-02-04
Also published as: TW200922337A; US20090116549A1; TWI344796B; US8467451B2; CN101431671B

Abstract

针对一选择预测模式的方法及编码器，该编码器包含第一计算器，该第一计算器用以对第一视频序列建立该第一视频序列的第一区块的一特征值与候选预测模式的最佳数量间的一关系，及根据该关系识别第二视频序列中第二区块的第一候选预测模式的数量。第二计算器，该第二计算器用以在使用成本函数的第二视频序列中计算该第二区块的各预测模式的函数值，并且根据该第二区块的各预测模式的函数值计算该第二区块的特征值。以及第三计算器，该第三计算器用以接收该第二视频序列的预定压缩率－失真最佳化(RDO)运算的数量，识别可用于一画面的预定数量的RDO运算的平衡。

Description

选择预测模式的方法及编码器

技术领域

本发明一般是关于视频编译码，更特定言之，本发明是关于选择一预测模式以在一视频序列的画面中将一区块编码的方法。

背景技术

随着现今消费性电子产品的发展，越来越多针对手持装置而开发及设计的多媒体相关技术，例如，行动电话。当手持装置处理一视频序列时，特别是将一视频序列以H.264/AVC(“先进视频编码技术-Advanced Video Coding＂，以下简称H.264编码技术)格式进行压缩或编码时，若具有视频压缩能力的编码器被设计为具有相对较高的计算复杂度，则可提升影像质量。然而，手持装置的电力消耗可能也会相对提高，因此可能不适于电池容量有限的手持装置。相反地，若具有视频压缩能力的编码器被设计为具有相对较低的计算复杂度，即使电力消耗可能相对较低，影像质量在压缩或编码的过程中可能因为信息或数据遗失而降低，以致于无法满足H.264编码技术标准的影像质量需求。因此，视频压缩可在计算复杂度、电力消耗以及影像质量间做出抉择。

一H.264编码技术视频序列编码器可在藉由使用空间域信息的画面内编码期间针对一视频序列内的一像素区块执行一画面内预测。该画面内预测可包含一Intra_4×4预测以及一Intra_16×16预测，其中该Intra_4×4预测可包括九种预测模式，且该Intra_16×16预测可包括四种预测模式。在H.264编码技术标准中，一视频画面可被分割成复数个宏区块(macroblock)，各宏区块由16×16像素所组成。此外，复数个宏区块的各宏区块可被分割成4×4区块，各区块一次由4×4像素所组成。画面内编码可使用邻近一区块的参考像素值以预测区块内像素值。图1所示为说明一根据Intra_4×4预测而进行编码的示例性区块102的图示。参考图1，区块102可包含像素“a”至“p”。像素“a”至“p”的值可根据部份或全部参考像素“A”至“M”来预测。

为达到最佳编码效益，可使用压缩率-失真最佳化(Rate-DistortionOptimization，RDO)来针对各预测模式预先计算一压缩率-失真成本(RD cost)。具有最小RD成本的预测模式可被选为将一区块编码的最佳模式。图2所示为说明用于压缩率-失真最佳化的模块300的方块图。参考图2，一原始区块102及一预测区块304可被馈入压缩率-失真最佳化模块300，压缩率-失真最佳化模块300可针对预测模式执行RDO并在针对各预测模式将原始区块进行编码时计算RD成本。压缩率-失真最佳化模块300可包括一整数离散余弦转换(DCT)模块306，一量化模块308，一反向量化模块310，一反向整数DCT模块312，一位计算模块314，一失真计算模块318以及一RD成本计算模块316。

由于计算复杂度的关系，RDO技术可能需要相对较大的计算能力，也因此需要相对较高的电力消耗。可能需要一种选择最佳预测模式，且可减少计算复杂度与电力消耗而不影响视频压缩质量的方法。

发明内容

本发明的部分实例可针对一视频序列的一区块提供选择候选预测模式的数量的方法，该方法包含计算一预定数量的区块中各区块的各预测模式的成本值，识别该等预测模式中具有各区块的最小成本值的一预测模式，计算使用一成本函数的各区块的各预测模式的一函数值，藉由各预测模式的函数值将各区块的该等预测模式排列，并识别一具有最小成本值的预测模式的序值，该序值与排列后的预测模式的序数相关，根据与各区块相关的各预测模式的函数值计算各区块的一特征值，识别复数组区块，各组区块具有实质上相同的特征值，识别各组区块的数量并计算各组区块的各区块的预测模式的序值总和，针对该等复数组区块的各组计算各组区块数量总和的一平均值，以及针对该等预定数量的区块决定一介于该等平均值与该等特征值间的关系。

本发明的部分实例可同样针对一视频序列的一区块提供选择候选预测模式的数量的方法，该方法包含识别可用于该视频序列的压缩率-失真最佳化(RDO)运算的预测模式的数量，识别在视频序列中欲进行编码的区块的数量，识别一位于所有其它画面前且在该视频序列中欲进行编码的第一画面，分配预测模式的数量至该第一画面的各区块，在处理该第一画面的一第一区块后，识别剩余预测模式的数量，分配剩余预测模式的数量至一紧随着该第一画面的第一区块的第二区块，以及识别该第二区块的第一预测模式的数量，该等第一预测模式的数量包括分配至该第一画面的各区块的预测模式的数量以及该等剩余预测模式的数量。

本发明的部分实例可进一步针对一视频序列的一区块提供选择候选预测模式的数量的方法，该方法包含对于一第一视频序列识别一第一区块的一特征值与候选预测模式的最佳数量间的一关系，在一使用一成本函数的第二视频序列中计算一第二区块的各预测模式的一函数值，根据该第二区块的各预测模式的函数值计算该第二区块的一特征值，根据该关系识别该第二区块的第一候选预测模式的数量，识别该第二视频序列的一预定数量的压缩率-失真最佳化(RDO)运算，识别可用于一画面的预定数量的RDO运算的平衡，其中该第二视频序列的第二区块位于该画面内，在该画面的区块间分配可使用的RDO运算，以及在处理该第二视频序列的画面的第二区块前的一区块后，识别是否有剩余的RDO运算。

本发明的部分实例可进一步针对一视频序列的一区块提供可选择候选预测模式的数量的编码器，该编码器包含一第一计算器，该第一计算器用以对一第一视频序列建立该第一视频序列的一第一区块的一特征值与候选预测模式的最佳数量间的一关系，及根据该关系识别一第二视频序列中一第二区块的第一候选预测模式的数量，一第二计算器，该第二计算器用以在一使用一成本函数的第二视频序列中计算该第二区块的各预测模式的一函数值，并且根据该第二区块的各预测模式的函数值计算该第二区块的一特征值，以及一第三计算器，该第三计算器用以接收该第二视频序列的预定压缩率-失真最佳化(RDO)运算的数量，识别可用于一画面的预定数量的RDO运算的平衡，其中该第二视频序列的第二区块位于该画面内，分配该画面的区块中可用的RDO运算，以及在处理该第二视频序列的画面的第二区块前，先行处理一区块后，识别是否有剩余RDO运算。

根据本发明的一实例，该第三计算器可用以将剩余RDO运算的数量增加到分配给该第二区块的可用RDO运算的数量，以形成该第二区块的结果RDO运算的数量。

此外，该编码器可进一步包含一比较器，该比较器用以比较该第二区块的第一候选预测模式的数量与该第二区块的结果RDO运算的数量，以识别候选预测模式的数量而执行该第二区块的RDO运算。

在一实例中，成本函数可包含下列函数的一：绝对误差和(SAD)函数、变换后绝对误差和(SATD)函数、差值平方和(SSD)函数以及平均绝对差值(MAD)函数。

在一实例中，第一计算器可用以计算每一复数个预定区块的各预测模式的一成本值，识别预测模式的一具有各区块的最小成本值，计算使用该成本函数的各区块的各预测模式的一函数值，藉由各预测模式的函数值将各区块的预测模式排列，且识别具有最小成本值的预测模式的一序值，该序值与排列后的预测模式的序数相关。

再者，该第一计算器可用以根据与各区块相关的各预测模式的函数值计算各区块的一特征值，识别复数组区块，各组区块具有实质上相同的特征值，识别各组区块的数量并计算各组区块的各区块的预测模式的序值总和，以及针对该等复数组区块的各组计算各组区块数量总和的一平均值。

在一实例中，成本值可包含一压缩率-失真(RD)成本以执行各该等预测模式的一RDO运算。

在一实例中，各区块的特征值可为与各区块相关的预测模式的函数值的一标准差。

本发明的额外特征及优势将部分陈述于随后的描述中且部分将自描述而显而易见或可藉由对本发明的实践而习得。本发明的特征及优势将经由在所附权利要求中特别指出的组件及组合而实现及获得。

应了解前述的大体描述及随后的详细描述仅为例示性及说明性的且不对所主张的本发明加以限制。

附图说明

图1所示为根据一Intra_4×4预测而进行编码的一示例性区块的图示；

图2所示为一压缩率-失真最佳化模块的方块图；

图3A所示为根据本发明的一实例中，用以识别第一候选预测模式的数量的方法的流程图；

图3B所示为根据本发明的一实例的预定数量的区块的平均值与特征值间的关系图；

图3C为根据本发明的一实例中，用以决定第一候选预测模式数量的方法的图标；

图4所示为根据本发明的一实例中，用以识别第二候选预测模式的数量的方法的流程图；

图5所示为根据本发明的另一实例中，用以识别候选预测模式数量的方法的流程图；以及

图6所示为根据本发明的一实例中，用以识别候选预测模式的数量的编码器的方块图。

附图标号

102 原始区块

300 压缩率-失真最佳化模块

304 预测区块

306 整数DCT

308 量化

310 反向量化

312 反向整数DCT

314 位计算

316 RD成本计算

318 失真计算

51 曲线

52 曲线

80 编码器

81 特征值计算器

82 数学模型计算器

83 分配模型计算器

84 比较器

具体实施方式

现将详细参考本发明的当前实例，该等实例将在随附图式中进行说明。尽可能地，在所有图式中相同参考数字将指代相同或类似部分。

视频压缩中，对于画面序列进行编码可包括画面内编码(intra-coding)及画面间编码(inter-coding)。画面内编码为针对单一视频画面的编码过程，而画面间编码为利用前后画面对于一视频画面予以重建使用前后帧的编码过程。虽然以下所述为本发明根据画面内编码过程的实例，熟悉此领域的相关人员将理解该等实例可同样应用至画面间编码过程。

根据H.264编码技术标准来压缩内画面(I-frames)的视频序列时，计算复杂度可由已执行的RDO计算数量来决定，以计算一视频序列中一画面的4×4区块的每一预测模式的一RD成本。根据H.264编码技术标准所有九种预测模式，即模式0至模式8，各自与一预测方向相关，皆对于4×4区块而进行计算。一具有最小RD成本的候选预测模式可随后被选择以对该区块进行编码。在本发明的一实例中，根据计算的预定预算，仅自九种预测模式中选出“n”个候选模式以执行一区块的RDO，而非检查所有九种预测模式的RDO。一视频序列的预定预算相关于该视频序列可用的预定数量的候选预测模式，因此可同样相关于可被执行以计算各候选预测模式的一RD成本的预定数量的RDO运算。

图3A所示为根据本发明的一实例中，用以识别一区块中第一候选预测模式的数量的方法的流程图。参考图3A，可在步骤401中计算各预定数量区块的各预测模式的一成本值。该成本值与计算复杂度相关。在本发明的一实例中，当执行一预测模式的RDO运算时，成本值可为该预测模式的RD成本。

接着，在步骤402中，针对各预定数量区块识别具有最小成本值的一预测模式。因此，各预定数量区块具有包含最小成本值的一对应预测模式。

步骤403中，可使用一成本函数来计算各预定数量区块的各预测模式的一函数值。在一实例中，成本函数可包含下列函数的一：绝对误差和(SAD)函数、变换后绝对误差和(SATD)函数、差值平方和(SSD)函数以及平均绝对差值(MAD)函数。为求简明，说明书中将根据SAD函数来叙述及说明本发明的实例。各预测模式的函数值SAD_k可定义如下：

SAD_k＝∑∑|P(i，j)-P_k(i，j)|，O≤(i，j)≤3

其中P(i，j)及P_k(i，j)各自表示欲进行编码的当前区块以及一预测区块的像素强度，且k为该等预测模式的索引(即0≤k≤8，k为一整数)。

步骤404中，针对各预定数量区块，藉由预测模式的函数值将该等预测模式自最小到最大而排列。接着，步骤405中，可识别各预定数量区块经排列的预测模式(已识别于步骤402中)所处顺位的序数。具有最小成本值的预测模式不一定具有最小函数值。举例来说，当与一区块的预测模式比较时，具有最小成本值的预测模式可能排列在一第三顺位。该预测模式的序数被识别为三(3)。

步骤406中，可根据与各区块相关的各预测模式的函数值计算各预定数量区块的一特征值。

在根据本发明的一实例中，一区块的特征值可为与该预测区块相关的预测模式的函数值的一标准差。因此，区块的特征值，定义为标准差σ，可由下列算式计算得出：

σ = \sqrt{\frac{1}{9} Σ_{k = 0}^{8} {({SAD}_{k} - \overset{&OverBar;}{SAD})}^{2}},

及

\overset{&OverBar;}{SAD} = \frac{1}{9} Σ_{k = 0}^{8} {SAD}_{k}

可能预期到具有最小函数值的一预测模式更有可能变成一候选预测模式。因此，可假设若有一预测模式及该等排列在该预测模式前的模式可能被选择做为一组候选预测模式以针对一对应区块进行编码。步骤407中，预定数量区块可根据特征值而进行分类。识别复数组区块，每组区块具有实质上相同的特征值。

步骤408中，可识别各组区块的数量(N)。再者，可计算各组区块的各区块的预测模式的一序值的总和(S)。例如，假定有1,000个预定数量的区块；一第一组区块(例如五个区块)，可具有实质上相同的特征值，例如σ＝10；一第二组七个区块，可具有实质上相同的特征值，例如σ＝15，等等。第一组五个区块的各区块中具有最小成本值的预测模式可根据第一组五个区块的各区块的函数值而个别排列成一排，例如第四、第二、第三、第一及第二顺位。具有实质上相同特征值的第一组五个区块的预测模式的序值4，2，3，1及2随后被加总。

接着，步骤409中，可计算复数组区块的各组数量(N)的总和(S)的平均值(S/N)。例如，前述第一组五个区块的第五序值产生的总和为12，且该平均值S/N为2.4(＝12/5)，在一实例中可意味着数量为“2.4”的预测模式可被选择为该等第一候选预测模式以针对一具有一特征值σ＝10的区块进行编码，即针对该第一组五个区块的一进行编码。实际应用时，数量2.4可被环行至2或3。此外，亦可计算其余组区块的其它平均值。

图3B所示为根据本发明的一实例的预定数量的区块的平均值与特征值间的关系图。参考图3B，曲线51代表平均值，其可分布于范围在例如大致σ＝0至σ＝750的特征值的数量。在一实例中，该等特征值可为舍入值(round-offvalue)。由于特征值在曲线51的侧部处的数量相对较小，因此曲线51的侧部处的平均值可能相对较高或具有较陡峭的变化。

参考图3A，步骤410中，可决定复数个预测区块的平均值与特征值间的关系。在根据本发明的一实例中，可藉由统计分析建立平均值对于特征值的分布的数学模型。同样参考图3B，一曲线52或表示为Optimal_i，可表示平均值与特征值间的关系，其可藉由例如一回归法(regression method)而获得。该数学模型可表示如下：

\{\begin{matrix} {Optimal}_{i} = a + b \cdot σ & forσ = 0 \\ {Optimal}_{i} = c + d \cdot \ln σ & forσ > 0 \end{matrix}

其中系数a、b、c及可藉由应用以下的最小平方法(LSM)而得出：

M = [\begin{matrix} 1 & σ_{1} \\ 1 & σ_{2} \\ \cdot & \cdot \\ \cdot & \cdot \\ \cdot & \cdot \\ 1 & σ_{n} \end{matrix}] andy = [\begin{matrix} N_{1} \\ N_{2} \\ \cdot \\ \cdot \\ \cdot \\ N_{n} \end{matrix}] andv = [\begin{matrix} a \\ b \end{matrix}] or [\begin{matrix} c \\ d \end{matrix}]

&DoubleRightArrow; v = {(M^{T} M)}^{- 1} M^{T} y

其中N₁至N_n分别为对应至特征值σ₁至σ_n的平均值。可针对数量为300的内画面(I-frame)而自具有量化参数(QP)为28的四分的一通用媒介格式(QCIF)中的佛曼序列(Foreman sequence)得出曲线51及52。

在根据本发明的一实例中，对应曲线52中特征值的平均值可被定义为具有特征值的区块的第一候选预测模式的数量。因此，参考图3A，步骤411中，可根据该关系识别一区块的第一候选预测模式的数量。图3C为根据本发明的一实例中，用以决定第一候选预测模式数量的方法的图标。参考图3C，当识别出一区块的特征值(σ₁)时，可识别执行RDO运算的平均值(Optimal₁)以及第一候选预测模式的数量。

步骤401的预定数量区块的功能可做为训练区块以建立数学模型。根据数学模型的区线52可应用至其它视频序列的区块。换句话说，一旦为一给定视频序列建立图3C所示的关系以识别第一候选预测模式的数量，仅需计算一区块各预测模式的函数值(图3A所示的步骤403)以及基于函数值的区块的特征值(图3A所示的步骤406)，与RDO运算相较的下，此等计算相对而言较为简单。可根据该关系来识别第一候选预测模式的数量，例如为“M”。各区块的第一候选预测模式可包含根据函数值的排列中的“M”个最前预测模式。

在根据本发明的一实例中，藉由数学模型决定的第一候选预测模式的数量可与藉由一“分配模型”决定的第二候选预测模式的数量进行比较，以决定候选预测模式的数量进而执行RDO。具体来说，可藉由将RDO运算可用的计算资源纳入考虑来决定候选预测模式的数量。根据分配模型，一预定次数的RDO运算可被分配至一视频序列。此外，被分配至视频序列的一画面的RDO运算次数取决于欲在该视频序列中被编码的画面可用的平衡RDO运算次数。根据本发明的一实例的分配模型可由下列的等式来表示：

Budget_j＝Buffer/C

其中Budget_j可代表计算资源或一第j(j-th)画面的各区块可用的RDO运算次数，Buffer可代表欲在视频序列中被编码的画面可用的平衡RDO运算次数，且C代表欲在视频序列中被编码的区块的数量。假定一具有10个内画面的QCIF序列的总计算资源的比率为40％，C与Buffer的值可于下列算式计算得出。

C＝176/4 x 144/4 x 10＝15,840(区块)，及

Buffer＝15,840 x 9 x 40％＝57,024(预测模式)

当检验所有预测模式时，总计算资源可代表视频序列中所有区块所需的RDO运算的总次数。该比率可因而可代表总计算资源的限制。因此，只有一预定次数的RDO运算可用于视频序列的区块。因为RDO的运算次数可与预测模式的数量成比例，所以该预定次数的RDO运算可以和于可用来对视频序列予以编码的一预定数量的预测模式有关。再者，第j画面的第i区块可用的RDO运算次数需视结余的RDO运算次数而定，而结余的RDO运算次数包括处理完位于第j画面前的第(j-1)画面后所剩余的RDO运算次数以及处理完位于第i区块前的第(i-1)区块后是否有多余的RDO运算次数。即，

\{\begin{matrix} {Budget}_{i} = {Budget}_{j}, & ifi = 0 \\ {Budget}_{i} = {Budget}_{j} + {Extra}_{i - 1} & ifi > 0 \end{matrix}

其中Budget_i可代表第i区块可用的RDO运算次数且Extra_i-1可代表处理位于第i区块前的第(i-1)区块后多余的RDO运算次数。每个画面的“Budget_i”值可能相异，但对于同一画面内的所有区块而言，“Budget_i”值可以相同。因此，分配至当前第i区块的总计算资源可包含次数为“Budget_i”的RDO运算，其对于第j画面的所有区块而言为一常数；以及处理先前第(i-1)区块后次数为“Extra_i-1”的RDO运算，其为一可变值。由上述等式可知，次数为“Budget_i”而可被第j画面使用的RDO运算可分配至一第一区块，即第j画面的第0区块(i＝0)。此外，若被分配的RDO运算次数在第一区块中没有全部被使用，剩下的RDO运算次数将被加至随后区块的计算资源中。

藉由分配模型决定的第二候选预测模式的数量可与藉由数学模型决定的第一候选预测模式的数量进行比较，以决定一区块的候选预测模式的数量。在根据本发明的一实例中，可根据以下规则加以比较：则

规则1：

若

则& Extra_i＝Budget_i-Final_i

规则2：

若

则

& Extra_i＝Budget_i-Final_i

规则3：

若

则

& Extrai＝0

规则4：

若

则

& Extrai＝0

其中Optimal_i及Budget_i可分别表示藉由数学模型与分配模型所决定的区块的第一及第二候选预测模式的数量，且Final_i可表示执行区块的RDO的候选预测模式数量，此外，符号

与

可分别表示X的取整函数(floor function)及取顶函数(ceiling function)，且

与

的值可为整数。数量“Final_i”因而可根据考虑到实际应用的资源限制(分配模式)的一理想模式(数学模式)来决定。

举例来说，若第一区块的Optimal₁及Budget₁值分别为2.5及4.5，则满足规则1。因此，Final₁及Extra₁的值分别为4及0.5。此外，Budget₂等于5(＝4.5+Extra₁)。

若紧随着第一区块的第二区块的Optimal₂的值为4.5，则满足规则2。因此，Final₂及Extra₂的值分别为4及1。此外，Budget₃等于5.5(＝4.5+Extra₂)。

若紧随着第二区块的第三区块的Optimal₃的值为6.4，则满足规则3。因此，Final₃及Extra₃的值分别为6及0。此外，Budget₄等于4.5(＝4.5+Extra₃)。

若紧随着第三区块的第四区块的Optimal₄的值为6.8，则满足规则4。因此，Final₄及Extra₄的值分别为5及0。

将当前第j画面(frame_j)编码后，下一个画面frame_j+1的“Buffer”与“C”的值可藉由以下算式更新;

\{\begin{matrix} Buffer = Buffer - {Sum}_{j} \\ C = C - M_{j} \end{matrix}

其中Sum_j可为当前frame_j中可用来做RDO运算的预测模式总次数，而Mj为frame_j的区块总数量。

图4所示为根据本发明的一实例中，用以识别第二候选预测模式的数量的方法的流程图。参考图4，步骤501可识别执行一视频序列的RDO的预测模式的数量。例如，可预定可用的预测模式数量与视频序列所需的预测模式总数量的比率。在步骤502中，可识别欲在视频序列中被编码的区块数量。接着，在步骤503中，可识别欲在视频序列中被编码且在其它所有画面前的一第一画面。在步骤504中，可分配预测模式的数量至第一画面的各区块。如上所述，预测模式的数量可等于“Buffer/C”，第一画面的各区块具有相同预测模式的数量。

接着，在步骤505中，可识别处理第一画面的区块后的多余预测模式的数量。该数量可能为零、正整数或小数。在步骤506中，可将该项多余的预测模式数量分配给紧随该已处理区块的下一个区块。在步骤507中，可识别是否第一画面内所有区块皆已编码。若第一画面内并非所有区块皆已编码，可重复步骤505及506。在步骤508中，若第一画面内所有区块均已编码，可识别剩余预测模式的数量以及欲进行编码的剩余画面的数量。其次，在步骤509中，可识别视频序列中欲进行编码的剩余区块的数量。步骤508及509可决定分配至一紧随该第一画面的第二画面(若存在的话)的各区块的预测模式数量。接着，在步骤510中，可识别是否视频序列中所有画面皆已编码。若视频序列中并非所有画面皆已编码，可重复步骤503及509。

图5所示为根据本发明的另一实例中，用以识别候选预测模式数量的方法的流程图。参考图5，步骤61中可识别一区块的特征值与一第一视频序列的区块的候选预测模式的最佳数量间的关系。该关系可包含但不限于图3B及3C所叙述及说明的关系。步骤62中，可使用一成本函数，例如SAD、SATD、SSD及MAD的一来计算一第二视频序列的区块的各预测模式的函数值。步骤63中，可接着使用区块的各预测模式的函数值来计算第二视频序列的区块的特征值。步骤64中，可藉由步骤63所识别的特征值以及步骤61所建立的关系，识别第二视频序列的区块的第一候选预测模式的数量。

接着，在步骤65中，可识别第二视频序列可用的RDO运算的预定次数。此等RDO运算的预定次数可分配至第二视频序列的画面，一个画面分配完接着分配下一个画面。在步骤66中，可识别第二视频序列的区块所在的画面可用的预定RDO运算次数的结余量。在步骤67中，可在画面的区块间分配该项预定RDO运算次数的结余量。在步骤68中，可识别在处理第二视频序列中位于所讨论的区块的前一区块后，可识别是否有多余的RDO运算次数。分配至所讨论的区块的RDO运算次数可包含在步骤67所分配的第一部份及来自先前区块的一第二部份(若存在的话)。在步骤69中，可识别所讨论的区块的第二候选预测模式的数量。步骤64及69所分别识别的第一及第二候选预测模式可在步骤70中相互比较，以识别出执行第二视频序列中所讨论的区块的RDO的候选预测模式的数量。随后，在步骤71中，可识别具有最小RD成本的候选预测模式的一，其可被使用来对第二视频序列的区块进行编码。

图6所示为根据本发明的一实例中，用以识别候选预测模式的数量的编码器80的方块图。参考图6，编码器80可包含一特征值计算器81、一数学模型计算器82、一分配模型计算器83及一比较器84。根据本发明的一实例中，编码器80可支持H.264编码技术编码器的功能且可以硬件或软件来实现，其中前者在运算速度上可能较具优势，而后者在设计复杂度上较能节省成本。若以硬件来实现，编码器80可制造于一整合芯片(IC)中。若以软件来实现，编码器80可安装于个人计算机(PC)或行动通信装置中，例如笔记型计算机、行动电话及个人数字助理(PDA)。

特征值计算器81可用于计算一视频序列中一画面的第一区块的一特征值，该视频序列可包含诸如“n”个画面，画面0(frame₀)至画面_n-1(frame_n-1)。可使用一成本函数来识别一函数值，以计算该特征值。数学模型计算器8可建立一区块的特征值与该区块的候选预测模式的最佳数量间的关系。可使用与图3B相似的叙述及说明方式来建立该关系。根据特征值计算器81所获得第一区块的特征值，可识别第一区块的第一候选预测模式的数量。

分配模型计算器83可用以将RDO运算的预定次数依逐项画面予以分配至视频序列的画面。此外，可在一画面的区块间分配该画面可用的RDO运算次数，致使各区块可分配到一第一相同部份。分配给位于该第一区块前的第二区块的RDO运算次数的第一部份可根据先前讨论的规则1至4，而在比较器84中与第二区块的第一候选预测模式的数量相比较，以识别出是否有多余的RDO运算次数。若有多余的RDO运算次数，可将其加入已分配至该第一区块的第一部份。于第一区块可使用的第一部份及多余部份，即第二预测模式的数量，可随后在比较器84中与第一区块的第一候选预测模式的数量相比较，以识别出第一区块的候选预测模式的数量，除此的外还可识别出是否有多余的RDO运算次数给紧随于第一区块后的一第三区块。

熟悉此领域的相关人员应了解，虽然说明书于叙述前揭实例时可使用4×4区块作为实例。然而，熟悉此领域的相关人员应明了本发明的方法可应用于8×8区块、16×16区块或H.264编码技术视频序列中可能为其它形式的区块。因此，应用于实例的区块的形式不应解读为权利要求的限制。

另外，在描述本发明的代表性实例的过程中，说明书将本发明的方法及/或过程表示为特定的步骤序列。然而，在等方法或过程不依赖于此处提出的特定步骤次序的情况下，方法或过程不应限于本文所描述的特定步骤序列。熟悉此领域的相关人员应了解，其它的步骤序列为可行的。因此，说明书中所陈述的特定步骤次序不应被解读为对权利要求的限制。此外，关于本发明的方法及/或过程的权利要求不应限于执行所记载次序的步骤，且熟悉此领域的相关人员应易于了解序列可加以变化而仍位于本发明的精神及范畴内。

熟悉此领域的相关人员应了解，在不脱离本发明的广泛发明概念的情况下可对上述实例进行更改。因此应了解，本发明不限于所揭示的特定实例，而是意欲涵盖在随附权利要求所界定的本发明的精神及范畴内的所做的修改。

Claims

1.一种针对一视频序列的一区块选择候选预测模式的数量的方法，该方法包含：

计算一预定数量的区块中各区块的各预测模式的一成本值；

识别该等预测模式中具有各区块的最小成本值的一预测模式；

计算使用一成本函数的各区块的各预测模式的一函数值；

藉由各预测模式的函数值将各区块的该等预测模式排列，并识别一具有最小成本值的预测模式的序值，该序值与排列后的预测模式的序数相关；

根据与各区块相关的各预测模式的函数值计算各区块的一特征值；

识别复数组区块，各组区块具有实质上相同的特征值；

识别各组区块的数量并计算各组区块的各区块的预测模式的序值总和；

针对该等复数组区块的各组计算各组区块数量总和的一平均值；以及

针对该等预定数量的区块决定一介于该等平均值与该等特征值间的关系。

2.如权利要求1所述的方法，其中该成本值包括一针对各预测模式执行一压缩率-失真最佳化运算的压缩率-失真成本。

3.如权利要求1所述的方法，其中该成本函数包含下列函数的一：绝对误差和函数、变换后绝对误差和函数、差值平方和函数以及平均绝对差值函数。

4.如权利要求1所述的方法，其中各区块的特征值为与各区块相关的预测模式的函数值的一标准差。

5.如权利要求1所述的方法，该方法进一步包括表示一回归曲线中，该等平均值与特征值间的关系。

6.如权利要求5所述的方法，该方法进一步包括：

计算另一视频序列的一区块的一特征值；以及

藉由根据该特征值的回归曲线识别该区块的第一预测模式的数量。

7.如权利要求6所述的方法，该方法进一步包括：

识别可用于该视频序列的压缩率-失真最佳化RDO运算的预测模式的数量；

识别在该视频序列中欲进行编码的区块的数量；

识别一位于所有其它画面前且在该视频序列中欲进行编码的第一画面；以及

分配复数个预测模式至该第一画面的各区块。

8.如权利要求7所述的方法，该方法进一步包括：

在处理该第一画面的一第一区块后，识别多余的预测模式的数量；

分配该项多余的预测模式数量至一紧随着该第一画面的第一区块的第二区块；以及

藉由比较第一预测模式的数量与第二预测模式的数量以决定该第二区块的候选预测模式的数量，该第二预测模式的数量包括分配至该第一画面的各区块的预测模式的数量以及该项多余的预测模式数量。

9.如权利要求8所述的方法，该方法进一步包括：

在处理该第一画面后，识别剩余的预测模式数量；

识别该视频序列中欲进行编码的剩余画面的数量；以及

识别该视频序列中欲进行编码的剩余区块的数量。

10.一种针对一视频序列的一区块选择候选预测模式的数量的方法，该方法包含：

识别可用于该视频序列的压缩率-失真最佳化运算的预测模式的数量；

识别在视频序列中欲进行编码的区块的数量；

识别一位于所有其它画面前且在该视频序列中欲进行编码的第一画面；

分配复数个预测模式至该第一画面的各区块；

识别该第二区块的第一预测模式的数量，该等第一预测模式的数量包括分配至该第一画面的各区块的预测模式的数量以及该多余的预测模式的数量。

11.如权利要求10所述的方法，其中识别可用于RDO运算的预测模式的数量包括识别一可用于RDO运算的预测模式的数量与该视频序列所需的预测模式总数量的比率。

12.如权利要求10所述的方法，其中可用于一第j画面的各区块的ROD运算数量满足

Budget_j＝Buffer/C

其中该第j画面位于该视频序列中所有其它欲进行编码的画面前，Buffer代表欲在该视频序列中进行编码的画面可用的剩余RDO运算次数，且C代表欲在该视频序列中进行编码的剩余区块的数量。

13.如权利要求12所述的方法，其中分配至该第j画面的一第i区块的预测模式的数量包括预测模式的数量“Budget_j”以及在处理位于该第i区块前的一第i-1区块后的多余预测模式的数量。

14.如权利要求10所述的方法，该方法进一步包括：

计算一预定数量的区块中各区块的各预测模式的成本值；

计算使用一成本函数的各区块的各预测模式的一函数值；以及

藉由各预测模式的函数值将各区块的该等预测模式排列，并识别一具有最小成本值的预测模式的序值，该序值与排列后的预测模式的序数相关。

15.如权利要求14所述的方法，该方法进一步包括：

识别复数组区块，各组区块具有实质上相同的特征值；

针对该等复数组区块的各组计算各组区块数量总和的一平均值；

以及针对该等预定数量的区块决定一介于该等平均值与该等特征值间的关系。

16.如权利要求15所述的方法，该方法进一步包括：

计算该第二区块的一特征值；

根据该特征值识别该第二区块的第二预测模式的数量。

17.如权利要求16所述的方法，该方法进一步包括藉由比较第一预测模式的数量与第二预测模式的数量，以决定该第二区块的候选预测模式的数量。

18.一种针对一视频序列的一区块选择候选预测模式的数量的方法，该方法包含：

对于一第一视频序列识别一第一区块的一特征值与候选预测模式的最佳数量间的一关系；

在一使用一成本函数的第二视频序列中计算一第二区块的各预测模式的一函数值；

根据该第二区块的各预测模式的函数值计算该第二区块的一特征值；

根据该关系识别该第二区块的第一候选预测模式的数量；

识别该第二视频序列的一预定次数的压缩率-失真最佳化运算；

识别可用于一画面的预定数量的RDO运算的结余量，其中该第二视频序列的第二区块位于该画面内；

在该画面的区块间分配可使用的RDO运算次数；以及

在处理该第二视频序列的画面的第二区块前的一区块后，识别是否有多余的RDO运算次数。

19.如权利要求18所述的方法，该方法进一步包括：

将该项多余的RDO运算次数加到已分配给该第二区块的可用RDO运算次数，以形成该第二区块的总和RDO运算次数；以及

比较该第二区块的第一候选预测模式的数量与该第二区块的总和RDO运算次数，以识别出用来执行该第二区块的RDO运算的候选预测模式的数量。

20.如权利要求19所述的方法，该方法进一步包括识别出该等候选预测模式中具有最小压缩率-失真成本的一候选预测模式。

21.如权利要求18所述的方法，其中该成本函数包含下列函数之一：绝对误差和函数、变换后绝对误差和函数、差值平方和函数以及平均绝对误差值函数。

22.如权利要求18所述的方法，其中识别该第一区块的特征值与候选预测模式的最佳数量间的一关系进一步包括：

计算一预定数量的区块中各区块的各预测模式的一成本值；

计算使用该成本函数的各区块的各预测模式的一函数值；

识别复数组区块，各组区块具有实质上相同的特征值；

识别各组区块的数量并计算各组区块的各区块的预测模式的序值总和；以及

针对该等复数组区块的各组计算各组区块数量总和的一平均值。

23.如权利要求21所述的方法，其中该成本值包括一针对各预测模式执行一压缩率-失真最佳化运算的压缩率-失真成本。

24.如权利要求21所述的方法，其中各区块的特征值为与各区块相关的预测模式的函数值的一标准差。

25.一种可针对一视频序列的一区块选择候选预测模式的数量的编码器，该编码器包含：

一第一计算器，该第一计算器用以对一第一视频序列建立该第一视频序列的一第一区块的一特征值与候选预测模式的最佳数量间的一关系，及根据该关系识别一第二视频序列中一第二区块的第一候选预测模式的数量；

一第二计算器，该第二计算器用以在一使用一成本函数的第二视频序列中计算该第二区块的各预测模式的一函数值，并且根据该第二区块的各预测模式的函数值计算该第二区块的一特征值；以及

一第三计算器，该第三计算器用以接收该第二视频序列的预定压缩率-失真最佳化运算的数量，识别可用于一画面的预定数量的RDO运算的平衡，其中该第二视频序列的第二区块位于该画面内，分配该画面的区块中可用的RDO运算，以及在处理该第二视频序列的画面的第二区块前，先行处理一区块后，识别是否有剩余RDO运算。

26.如权利要求25所述的编码器，其特征在于，该第三计算器可用以将剩余RDO运算的数量增加到分配给该第二区块的可用RDO运算的数量，以形成该第二区块的结果RDO运算的数量。

27.如权利要求26所述的编码器，其特征在于，该编码器进一步包含比较器，该比较器用以比较该第二区块的第一候选预测模式的数量与该第二区块的结果RDO运算的数量，以识别候选预测模式的数量而执行该第二区块的RDO运算。

28.如权利要求25所述的编码器，其特征在于，该成本函数包含下列函数的一：绝对误差和函数、变换后绝对误差和函数、差值平方和函数以及平均绝对差值函数。

29.如权利要求25所述的编码器，其特征在于，该第一计算器可用以计算每一复数个预定区块的各预测模式的一成本值，识别预测模式的一具有各区块的最小成本值，计算使用该成本函数的各区块的各预测模式的一函数值，藉由各预测模式的函数值将各区块的预测模式排列，且识别具有最小成本值的预测模式的一序值，该序值与排列后的预测模式的序数相关。

30.如权利要求29所述的编码器，其特征在于，该第一计算器可用以根据与各区块相关的各预测模式的函数值计算各区块的一特征值，识别复数组区块，各组区块具有实质上相同的特征值，识别各组区块的数量并计算各组区块的各区块的预测模式的序值总和，以及针对该等复数组区块的各组计算各组区块数量总和的一平均值。

31.如权利要求29所述的编码器，其特征在于，该成本值包含一压缩率-失真成本以执行各该等预测模式的一RDO运算。

32.如权利要求25所述的编码器，其特征在于，该各区块的特征值为与各区块相关的预测模式的函数值的一标准差。