CN101715143A - 自适应量化和自适应反量化的方法、装置及其系统 - Google Patents

Abstract

本发明实施例公开了一种自适应量化和自适应反量化的方法、装置及其系统，属于通信领域。自适应量化方法包括：确定输入深度数据的有效深度子空间；对有效深度子空间进行量化。自适应反量化方法包括：确定输入深度数据的有效深度子空间；根据接收到的输出深度数据，对有效深度子空间进行反量化。自适应量化器包括：有效深度子空间确定模块和量化模块。自适应反量化器包括：有效深度子空间确定模块和反量化模块。自适应量化系统包括：自适应量化器和传输模块。自适应反量化系统包括：接收模块和自适应反量化模块。本发明实现了根据输入深度数据的概率分布特性进行自适应量化和反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

Description

自适应量化和自适应反量化的方法、装置及其系统

技术领域

本发明涉及通信领域，特别涉及一种自适应量化和自适应反量化的方法、装置及其系统。

背景技术

传统电视系统中，用户的视点与视角由摄像机的三维空间位置与方向决定，用户不能自由选择观看的视点与视角。FTV(Free Viewpoint TeleVision，任意视点电视)系统，允许用户自由选择观看电视的视点与视角，能够提供一种更加生动、真实的三维视听系统。

为实现任意视点选择，除视频数据外，还必须获取相应的深度数据。参见图1，FTV系统发送端生成的数据包括：位于多个视点的摄像机阵列拍摄得到的视频数据，以及对应的场景深度数据；FTV系统接收端，基于视频数据和深度信息，采用虚拟视图生成技术，提供用户所需的任意视点视频数据。可见，高质量深度数据的获取、转换，以及传输、处理是FTV系统中的关键技术。

为了方便存储和传输，需要对获取的深度数据进行有效的数字化。所谓有效数字化，是指在给定输出比特数/深度样点的条件下，深度数据平均量化误差最小，即满足Shannon(香农)率失真定理。目前有均匀量化和非均匀量化两种数字化方案。

均匀量化，是将图像的深度数据作为输入，将深度数据线性缩放到量化区间，进行均匀量化的过程。当输入数据在统计意义上均匀分布时，使用这种方法可以得到最小的量化误差。但是，很多场景下输入信号是非均匀分布的，具有单峰或多峰的分布特性，对其进行均匀量化，必然会增大量化误差。

非均匀量化，是将图像的深度数据作为输入，将深度数据经非线性变换后缩放到量化区间，再进行均匀量化的过程。相对于均匀量化方案，该方法能够减小近距离物体深度数据的量化误差。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

在给定输出比特数/深度样点的条件下，采用现有技术对图像的深度数据进行量化，当量化步长和量化区间与输入深度数据的分布特性偏差较大时，会导致较大的量化误差。

发明内容

本发明的目的在于提供一种自适应量化和自适应反量化的方法、装置及其系统，可以减小量化误差，所述技术方案如下：

根据本发明的一方面，提供一种自适应量化的方法，其特征在于，所述方法包括：

确定输入深度数据的有效深度子空间；

对所述有效深度子空间进行量化。

根据本发明的另一方面，还提供一种自适应反量化的方法，其特征在于，所述方法包括：

确定输入深度数据的有效深度子空间；

根据接收到的输出深度数据，对所述有效深度子空间进行反量化。

根据本发明的另一方面，还提供一种自适应量化器，其特征在于，所述自适应量化器包括：

有效深度子空间确定模块，用于确定输入深度数据的有效深度子空间；

量化模块，用于对所述有效深度子空间确定模块确定的有效深度子空间进行量化。

根据本发明的另一方面，还提供一种自适应反量化器，其特征在于，所述自适应反量化包括：

有效深度子空间确定模块，用于确定输入深度数据的有效深度子空间；

反量化模块，用于根据接收到的输出深度数据，对所述有效深度子空间进行反量化。

根据本发明的另一方面，还提供一种自适应量化系统，其特征在于，包括：

自适应量化器，用于确定输入深度数据的有效深度子空间，并对所述有效深度子空间进行量化，得到输出深度数据；

传输模块，用于传输所述自适应量化器生成的输出深度数据。

根据本发明的另一方面，还提供一种自适应反量化系统，其特征在于，包括：

接收模块，用于接收图像的输出深度数据；

自适应反量化器，用于确定输入深度数据的有效深度子空间，并根据所述接收模块接收到的输出深度数据，对所述有效深度子空间进行反量化。

本发明实施例提供的技术方案的有益效果是：

通过确定输入深度数据的有效深度子空间，对有效深度子空间进行量化和反量化，实现了根据输入深度数据的概率分布特性进行自适应量化和反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是现有技术提供的FTV系统功能模块的示意图；

图2是本发明实施例一提供的自适应量化的方法流程图；

图3是本发明实施例一提供的自适应反量化的方法流程图；

图4是本发明实施例一提供的视频采集系统模型示意图；

图5是本发明实施例一提供的FTV系统发送端自适应量化的流程图；

图6是本发明实施例一提供的有效深度空间结构示意图；

图7是本发明实施例一提供的统计直方图示意图；

图8是本发明实施例一提供的标记直方图示意图；

图9是本发明实施例一提供的构造自适应量化表的映射示意图；

图10是本发明实施例一提供的构造自适应量化表的方法流程图；

图11是本发明实施例一提供的FTV系统发送端自适应量化的另一流程图；

图12是本发明实施例一提供的FTV系统接收端反量化的流程图；

图13是本发明实施例一提供的均匀量化、非均匀量化和自适应量化三种划分深度空间的对比图；

图14是本发明实施例二提供的自适应量化器的结构示意图；

图15是本发明实施例二提供的有效深度子空间确定模块的结构示意图；

图16是本发明实施例二提供的量化模块的结构示意图；

图17是本发明实施例二提供的映射关系建立单元的结构示意图；

图18是本发明实施例二提供的自适应量化器的另一结构示意图。

图19是本发明实施例三提供的自适应反量化器的结构示意图；

图20是本发明实施例三提供的有效深度子空间确定模块的结构示意图；

图21是本发明实施例三提供的反量化模块的结构示意图；

图22是本发明实施例三提供的映射关系建立单元的结构示意图；

图23是本发明实施例三提供的反量化单元的结构示意图；

图24是本发明实施例四提供的自适应量化系统的结构示意图；

图25是本发明实施例五提供的自适应反量化系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一

参见图2，本实施例提供了一种自适应量化的方法，该方法包括：

101：确定输入深度数据的有效深度子空间；

102：对该有效深度子空间进行量化。

参见图3，本实施例提供了一种自适应反量化的方法，该方法包括：

201：确定输入深度数据的有效深度子空间；

202：根据接收到的输出深度数据，对有效深度子空间进行反量化。

本实施例提供的自适应量化和自适应反量化的方法，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行量化和反量化，实现了根据输入深度数据的概率分布特性进行自适应量化和反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

以FTV系统为例，下面详细阐述FTV系统发送端AQ(Adaptive Quantization，自适应量化)和FTV系统接收端自适应反量化的实现过程。

由深度摄像机拍摄直接获取，或者采用深度估计算法，如：立体匹配算法，或者采用视差估计算法从拍摄得到的视频数据中得到图像的深度数据，即视差图像。下面首先介绍深度数据的三种描述形式。

参加图4，D为格式转换后的深度数据，Z为物体沿摄像机Z轴到摄像机的真实距离，I为摄像机间距，f为摄像机焦距，d为双目视差。

第一，使用物体与摄像机的距离描述深度信息，如(1)式：

D＝Z                (1)

这是最简单直接的深度数据表示方法，具有明确物理含义。随着深度Z增加，物体成像变小，而该格式深度值D增大，这导致深度与图像分辨率两者变化方向相反的情况。根据人的视觉成像特点知道，距离越近的物体要求的成像分辨率越高。因此将这种深度数据格式用于基于深度图像的虚拟视图合成，将不满足近距离物体成像需要高分辨率深度数据的要求。

第二，使用双目视觉中的视差值来描述深度信息，如(2)式：

$D=d=\frac{f\×I}{Z}---\left(2\right)$

d和Z是非线性关系。如果对d均匀量化，可以使深度数据分辨率与需要的图像分辨率匹配，即随着需要的图像分辨率增加，深度数值增大。但是深度数值与摄像机间距I有关，对于相同的物体，使用不同的I将得到不同的深度值。因此在处理这种格式深度数据时需要额外的归一化过程。

第三，使用归一化的方法描述深度信息，如(3)式：

$D=\frac{1}{Z}=\frac{d}{f\×I}---\left(3\right)$

这种深度数据格式结合了前两种深度格式的优点，是一种归一化的深度表示方法，同时满足深度数据分辨率与需要的图像分辨率匹配的要求。

基于上述深度数据的描述形式，在本实施例中定义：

图像的输入深度数据记为d(x，y)，d(x，y)具有(2)式描述的视差格式，其取值范围由立体匹配算法的搜索范围确定，其中d(x，y)∈[d_min，d_max]，[d_min，d_max]为立体匹配算法中的视差估计区间；进一步地，还可以将d(x，y)转化为具有(1)式视差格式的深度图像数据记为Z(x，y)；

图像的输出深度数据记为D(x，y)，如D₀(x，y)和D_A(x，y)均属于输出深度数据，D(x，y)可以选择(3)式描述的深度格式；具体地，D(x，y)可以为特定比特精度值，以8比特为例，0≤D(x，y)≤255；

其中0≤x≤ImageWidth-1，0≤y≤ImageHeight-1，ImageWidth为图像宽度，ImageHeight为图像高度。

结合图5，以下详细介绍FTV系统发送端进行自适应量化的具体流程。

301：对输入深度数据进行格式转换

具体地，采用公式(4)将图像的输入深度数据d(x，y)转换为(1)式描述的深度图像数据Z(x，y)。这是因为Z(x，y)是最简单、最直接的深度数据表示方式，具有明确的物理含义，因此量化操作中首先将输入深度数据转换为Z(x，y)这种数据格式，再进行量化操作。

$Z=\frac{f\×I}{d}---\left(4\right)$

302：构造普通量化表

本实施例中，输出深度数据以8比特表示为例进行说明，使用其它比特进行自适应量化的方法与8比特相同，这里不再赘述。

若输出深度数据以8比特表示，则量化输出值i的范围为[0，255]，量化表的长度为256。

将每一个量化输出值i加/减0.5作为输入，采用公式(5)，分别得到该量化输出值i对应的量化区间的上下界，进而构造出普通量化表QT₀[256]。

${\mathrm{QT}}_O\left[i\right].Z_{\mathrm{lb}}=\frac{1.0}{\frac{i+0.5}{255.0}\·(\frac{1.0}{Z_{\mathrm{near}}}-\frac{1.0}{Z_{\mathrm{far}}})+\frac{1.0}{Z_{\mathrm{far}}}}$ ，0≤i≤255                      (5)

${\mathrm{QT}}_O\left[i\right].Z_{\mathrm{ub}}=\frac{1.0}{\frac{i-0.5}{255.0}\·(\frac{1.0}{Z_{\mathrm{near}}}-\frac{1.0}{Z_{\mathrm{far}}})+\frac{1.0}{Z_{\mathrm{far}}}}$

其中，QT₀[i]为普通量化表中第i个元素，也即量化输出值i对应的量化区间，Z_lb为QT₀[i]的下界，Z_ub为QT₀[i]的上界，则QT₀[i]的范围为[Z_lb，Z_ub)。

另外，参见图6，为了避免计算的深度值超出有效深度区间[Z_near，Z_far]，i±0.5必须限制在[0，255]之间，其中，Z_near为预先指定的近端截取平面，Z_far为预先指定的远端截取平面。

303：根据普通量化表量化

使用普通量化表QT₀[256]，对格式转换后的输入深度数据Z(x，y)进行量化操作，得到输出深度图像数据D₀(x，y)。

具体地，遍历Z(x，y)中每一个像素点的深度值Z，如果它位于QT₀[256]中第k个输出量化值对应的量化区间[QT₀[k].Z_lb，QT₀[k].Z_ub)范围内，则输出深度数据D₀(x，y)为k。

经过步骤302和303，实现了对输入深度数据进行普通量化，得到输出深度数据。进一步地，可以将步骤302和303合并，即无须构造普通量化表，直接对格式转换后的输入深度数据Z(x，y)进行量化操作得到输出深度数据，具体可以采用如下公式实现：

304：生成统计直方图

统计0≤k≤255共256个预设的量化输出值在输出深度数据D₀(x，y)中出现的频率，并预先设定频率的阈值，例如：可以将阈值设为0；若频率小于等于阈值0，则表示该量化输出值没有出现过，同时也说明该量化输出值对应的量化区间在本次量化中没有使用过；若频率大于阈值0，则表示该量化输出值出现过，同时也说明该量化输出值对应的量化区间在本次量化中使用过，则该量化输出值的量化区间对应的深度子空间为有效深度子空间。

参见图7，为统计得到的统计直方图H[256]，H[k]表示数值k在D₀(x，y)中出现的频率，0≤k≤255。

305：生成标记直方图

为了更加直观的确定量化输出值在输出深度数据D₀(x，y)中是否出现，进一步地，可以使用二值化数组0，1对统计直方图H[256]进行标记，将H[256]中大于阈值的(如：非0值)标记为1，小于等于阈值的(如：0值)标记为0，参见图8，得到标记直方图F[256]。

F[256]能够直观的表示量化输出值在输出深度数据D₀(x，y)中是否出现，也即普通量化表QT₀[256]的使用情况，具体的说，F[i]为1表示QT₀[256]中第i个量化区间在本次量化中已使用，量化输出值i在D₀(x，y)中出现过，则该量化输出值i的量化区间对应的深度子空间为有效深度子空间；反之，F[i]为0表示QT₀[256]中第i个量化区间在本次量化中没有使用，量化输出值i在D₀(x，y)中没有出现过。

由步骤304和步骤305可知，通过统计直方图或标记直方图，就可以确定出输入深度数据的有效深度子空间；若采用统计直方图确定有效深度子空间，则可以不生成标记直方图，步骤306和步骤307针对统计直方图分别进行编码和构造自适应量化表；若采用标记直方图确定有效深度子空间，则步骤306和步骤307针对标记直方图分别进行编码和构造自适应量化表。

306：对标记直方图或统计直方图编码

为了便于传输，需要对F[256]或H[256]进行编码，相应地，生成F[256]码流或H[256]码流。具体地，可以采用游程编码、熵编码或其它编码技术对F[256]或H[256]进行编码，步骤306涉及的编码技术与现有的编码技术相同，这里只做简单介绍。

例如，F[256]为11000011111001111111000000，采用游程编码可以编码为1245276，其中1表示初始为1游程，245276分别表式输入数据中交替的1游程与0游程的长度。

熵编码可以选择霍夫曼(Huffman)编码。Huffman码表可以预先由一组输入深度数据训练得到，也可以在编码过程中自适应更新。

进一步地，若生成的是F[256]码流，则发送端将F[256]码流传送到接收端即可；若生成的是H[256]码流，并且频率的阈值是发送端与接收端共知的或预先协商好的，则发送端将H[256]码流传送到接收端即可；否则，发送端除了将H[256]码流传送到接收端，还需要将自身设定的频率的阈值编码后一起传送给接收端，具体编码方式可以采用与H[256]相同的编码方式。

307：构造自适应量化表

建立有效深度子空间与预设的量化输出值之间的映射关系，也即将H[256]或F[256]确定的已使用的量化区间，重新划分为256份，将有效深度子空间重新映射到量化输出值[0，255]的区间内，参见图9，得到自适应量化表QT_A[256]。具体映射的过程如下：

设QT₀[256]中有K个已使用量化区间，对每一个已使用量化区间执行步骤307a-307e，参见图10，将它们重新映射到全部量化区间[0，255]，得到自适应量化表QT_A[256]。设其中第k个已使用的量化区间为[Z_lb ^k，Z_ub ^k)，按照步骤307a-307e精细划分该量化区间：

307a)：确定QT₀[256]中未分配的已使用量化区间(即有效深度子空间)的第一数量Nrou＝K-k+1；

307b)：确定QT_A[256]中未分配的量化区间的第二数量Nrau；

307c)：根据第一数量和第二数量，计算本次分配中将使用的QT_A[256]中量化区间的第三数量

符号

表示小于等于α的最大整数值；

307d)：根据第二数量和第三数量，确定本次分配中将使用的QT_A[256]中量化区间的序号Idx_i，具体可采用如下公式计算；

Idx_i＝256-N_rau+i，0≤i≤N_au-1                       (7)

307e)：确定本次分配所有量化区间QT_A[Idx_i]的界限——下界Z_1b与上界Z_ub，具体可采用如下公式计算；

${\mathrm{QT}}_A\left[I{\mathrm{dx}}_i\right].Z_{\mathrm{lb}}=\frac{1.0}{\frac{i+0.5}{N_{\mathrm{au}}}\·(\frac{1.0}{Z_{\mathrm{lb}}^k}-\frac{1.0}{Z_{\mathrm{ub}}^k})+\frac{1.0}{Z_{\mathrm{ub}}^k}}$ ，0≤i≤N_au-1

${\mathrm{QT}}_A\left[I{\mathrm{dx}}_i\right].Z_{\mathrm{ub}}=\frac{1.0}{\frac{i-0.5}{N_{\mathrm{au}}}\·(\frac{1.0}{Z_{\mathrm{lb}}^k}-\frac{1.0}{Z_{\mathrm{ub}}^k})+\frac{1.0}{Z_{\mathrm{ub}}^k}}$ (8)

其中，为避免计算的深度值超出有效深度区间[Z_lb ^k，Z_ub ^k)，i±0.5必须在限制在[0，N_au-1]之内。

308：根据自适应量化表量化

使用自适应量化表QT_A[256]，对格式转换后的输入深度数据Z(x，y)进行量化操作，得到输出深度图像数据D_A(x，y)。

具体地，遍历Z(x，y)中每一个像素点的深度值Z，如果它位于QT_A[256]中第k个输出量化值对应的量化区间[QT₀[k].Z_lb，QT₀[k].Z_ub)范围内，则输出深度数据D_A(x，y)为k。

经过步骤307和308，实现了对输入深度数据进行自适应量化，得到输出深度数据。进一步地，可以将步骤307和308合并，即无须构造自适应量化表，直接对格式转换后的输入深度数据Z(x，y)进行量化操作得到输出深度数据，具体可以采用如下公式实现：

以上是将d(x，y)转换后的Z(x，y)作为输入，转换得到D_o(x，y)和D_A(x，y)的过程。参见图11，还可以直接将d(x，y)作为输入，转换得到D_o(x，y)和D_A(x，y)，则公式(5)、公式(8)可相应的替换为公式(10)、公式(11)。

${\mathrm{QT}}_O\left[i\right].Z_{\mathrm{lb}}=(i-0.5)\·\frac{d_{\max }-d_{\min }}{255}+d_{\min }$ ，0≤i≤255          (10)

${\mathrm{QT}}_O\left[i\right].Z_{\mathrm{ub}}=(i+0.5)\·\frac{d_{\max }-d_{\min }}{255}+d_{\min }$

${\mathrm{QT}}_A\left[I{\mathrm{dx}}_i\right].Z_{\mathrm{lb}}=Z_{\mathrm{lb}}^k+i*\frac{Z_{\mathrm{ub}}^k-Z_{\mathrm{lb}}^k}{N_{\mathrm{au}}}$ ，0≤i≤N_au-1        (11)

${\mathrm{QT}}_A\left[I{\mathrm{dx}}_i\right].Z_{\mathrm{ub}}={\mathrm{QT}}_A\left[I{\mathrm{dx}}_i\right].Z_{\mathrm{lb}}+\frac{Z_{\mathrm{ub}}^k-Z_{\mathrm{lb}}^k}{N_{\mathrm{au}}}$

其中，d_min和d_max分别表示视差图像的最小视差值和最大视差值，其它符号的含义与Z(x，y)作为输入时符号的含义相同，其它步骤与Z(x，y)作为输入时步骤相同，这里不再赘述。

以上详细介绍了FTV系统发送端进行自适应量化的具体流程，参见图12，下面介绍FTV系统接收端反量化方法的流程。

401：对接收到的F[256]码流或H[256]码流进行解码

对接收到的码流，该码流可能是F[256]码流或者H[256]码流，还可能是H[256]码流和发送端频率阈值的码流，根据发送端的编码方式，采用相应的解码方式，如：游程解码、熵解码或其它解码方法，对接收到的码流进行解码，得到标记直方图F[256]，或得到统计直方图H[256]，或得到统计直方图H[256]和频率阈值。

具体的解码过程与现有的解码技术相同，这里只简单介绍。若熵编码采用的Huffman编码，根据Huffman码表解码输入码流，Huffman码表可以预先由一组输入深度数据训练得到，也可以使用与FTV发送端相同的技术在解码过程中自适应更新。若发送端采用游程编码，则接收端相应的采用游程解码。无论采用何种解码方式，最终得到标记直方图F[256]或统计直方图H[256]。

根据得到的标记直方图F[256]，或得到的统计直方图H[256]，或得到的统计直方图H[256]和频率阈值，采用与发送端相同的判断方法，就可以确定输入深度数据的有效深度子空间。

402：构造自适应量化表

具体地，可以采用与发送端相同的方法，由F[256]或H[256]构造自适应量化表QT_A[256]，也即建立了有效深度子空间与预设的量化输出值之间的映射关系。

403：构造反量化表

以输入的深度信息作为索引，重建深度数据。具体地，按照如下公式，基于自适应量化

表QT_A[256]构造对应的反量化表IQT_A[256]。

${\mathrm{IQT}}_A\left[i\right]=\frac{1.0}{0.5\·(\frac{1.0}{{\mathrm{QT}}_A\left[i\right].Z_{\mathrm{lb}}}-\frac{1.0}{{\mathrm{QT}}_A\left[i\right[.Z_{\mathrm{ub}}})+\frac{1.0}{{\mathrm{QT}}_A\left[i\right].Z_{\mathrm{ub}}}},0\≤i\≤255---\left(12\right)$

另外，当发送端将d(x，y)作为输入时，则公式(12)相应的可替换为公式(13)。

${\mathrm{IQT}}_A\left[i\right]=\frac{1.0}{0.5\·(\frac{1.0}{Z_{\mathrm{lb}}^i}-\frac{1.0}{Z_{\mathrm{ub}}^i})+\frac{1.0}{Z_{\mathrm{ub}}^i}},0\≤i\≤255---\left(13\right)$

其中，

其它符号的含义与发送端符号的含义相同，这里不再赘述。

404：反量化

以接收到的输出深度数据D_A(x，y)作为索引，在反量化表IQT_A[256]中查找对应的输出深度值。具体地，可以按照如下公式进行反量化，输出重建的深度数据

$\tilde{Z}(x,y)=\mathrm{IQ}{T}_A\left[D_A(x,y)\right]---\left(14\right)$

经过步骤401-404，就可以得到重建的图像的深度数据，完成反量化的过程。

以上介绍了FTV系统进行自适应量化与反量化的方法，该方法同样适用于3DTV(ThreeDimensional Television，三维立体电视)系统等各种需要对深度信息进行转换和传输的通信系统，这里不再赘述其过程。

本实施例提供的自适应量化和自适应反量化的方法，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行量化和反量化，参见图13，阴影部分为划分并选取的深度子空间，相比于现有技术中的均匀量化方法和非均匀量化方法，自适应量化和反量化可以根据输入深度数据的概率分布特性进行自适应量化和反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

实施例二

参见图14，本实施例提供了一种自适应量化器，该自适应量化器包括：

有效深度子空间确定模块501，用于确定输入深度数据的有效深度子空间；

量化模块502，用于对有效深度子空间确定模块501确定的有效深度子空间进行量化。

进一步地，

参见图15，有效深度子空间确定模块501，包括：

输出深度数据获取单元501a，用于对输入深度数据进行量化，得到输出深度数据；

统计单元501b，用于统计预设的量化输出值在输出深度数据获取单元501a得到的输出深度数据中出现的频率，若所述频率大于预设的阈值，则所述量化输出值的量化区间对应的深度子空间是有效深度子空间。

参见图16，量化模块502，包括：

映射关系建立单元502a，用于建立统计单元501b确定的有效深度子空间与预设的量化输出值之间的映射关系；

量化单元502b，用于根据映射关系建立单元502a建立的映射关系，对有效深度子空间进行量化。

进一步地，

参见图17，映射关系建立单元502a，包括：

第一数量子单元502a1，用于确定未分配的有效深度子空间的第一数量；

第二数量子单元502a2，用于确定未分配的量化区间的第二数量；

第三数量子单元502a3，用于根据第一数量和第二数量，确定本次分配中使用的量化区间的第三数量；

量化区间序号子单元502a4，用于根据第二数量和第三数量，确定本次分配中使用的量化区间的序号；

量化区间界限子单元502a5，用于确定序号对应的量化区间的界限，序号对应的量化区间的量化输出值是序号。

具体地，

量化单元502b，具体用于若输入深度数据位于第k个预设的量化输出值对应的量化区间内，则输出深度数据是k。

进一步地，

参见图18，自适应量化器，还包括标记模块503，用于采用二值化数组对有效深度子空间进行标记；

自适应量化器，还包括编码模块504，用于对标记模块503产生的二值化数组进行游程编码或熵编码。

本实施例中的自适应量化器，其具体的实施过程详见方法实施例发送端进行量化的过程，在此不再赘述。

本实施例提供的自适应量化器，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行量化，实现了根据输入深度数据的概率分布特性进行自适应量化，有效减小了量化误差，提高了合成虚拟图像的质量。

实施例三

参见图19，本实施例提供了一种自适应反量化器，包括：

有效深度子空间确定模块601，用于确定输入深度数据的有效深度子空间；

反量化模块602，用于根据接收到的输出深度数据，对该有效深度子空间进行反量化。

具体地，

参见图20，有效深度子空间确定模块601包括：

解码单元601a，用于对接收到的统计直方图码流或标记直方图码流进行解码，得到统计直方图或标记直方图；

有效深度子空间确定单元601b，用于根据该统计直方图或该标记直方图，确定输入深度数据的有效深度子空间。

具体地，

参见图21，反量化模块602包括：

映射关系建立单元602a，用于建立该有效深度子空间与预设的量化输出值之间的映射关系；

反量化单元602b，用于根据该映射关系和该输出深度数据，对该有效深度子空间进行反量化。

具体地，

参见图22，映射关系建立单元602a包括：

第一数量子单元602a1，用于确定未分配的有效深度子空间的第一数量；

第二数量子单元602a2，用于确定未分配的量化区间的第二数量；

第三数量子单元602a3，用于根据该第一数量和该第二数量，确定本次分配中使用的量化区间的第三数量；

量化区间序号子单元602a4，用于根据该第二数量和该第三数量，确定本次分配中使用的量化区间的序号；

量化区间界限子单元602a5，用于确定该序号对应的量化区间的界限，该序号对应的量化区间的量化输出值是该序号。

具体地，

参见图23，反量化单元602b包括：

反量化表构造子单元602b1，用于根据该映射关系，构造反量化表；

反量化子单元602b2，根据该反量化表和该输出深度数据，对该有效深度子空间进行反量化。

本实施例中的自适应反量化器，其具体的实施过程详见方法实施例接收端进行反量化的过程，在此不再赘述。

本实施例提供的自适应反量化器，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行反量化，实现了根据输入深度数据的概率分布特性进行自适应反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

实施例四

参见图24，本实施例提供了一种自适应量化系统，包括：

自适应量化器701，用于确定输入深度数据的有效深度子空间，并对该有效深度子空间进行量化。

传输模块702，用于传输该自适应量化器701生成的输出深度数据。

进一步地，

自适应量化器701，还用于采用二值化数组对有效深度子空间进行标记，并对二值化数组进行游程编码或熵编码。

传输模块702，还用于传输自适应量化器701对二值化数组编码后生成的码流。

本实施例中的自适应量化器，其具体的实施过程详见方法实施例发送端进行量化的过程，在此不再赘述。

本实施例提供的自适应量化系统，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行量化，实现了根据输入深度数据的概率分布特性进行自适应量化，有效减小了量化误差，提高了合成虚拟图像的质量。

实施例五

参见图25，本实施例提供了一种自适应反量化系统，包括：

接收模块801，用于接收图像的输出深度数据；

自适应反量化器802，用于确定输入深度数据的有效深度子空间，并根据该接收模块801接收到的输出深度数据，对该有效深度子空间进行反量化。

进一步地，

接收模块801，还用于接收二值化数组编码后生成的码流；

自适应反量化器802，进一步用于根据接收模块801接收到的码流，确定输入深度数据的有效深度子空间。

本实施例中的自适应反量化器，其具体的实施过程详见方法实施例接收端进行反量化的过程，在此不再赘述。

本实施例提供的自适应反量化系统，通过确定输入深度数据的有效深度子空间，对有效深度子空间进行反量化，实现了根据输入深度数据的概率分布特性进行自适应反量化，有效减小了量化误差，提高了合成虚拟图像的质量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (28)

1.一种自适应量化的方法，其特征在于，所述方法包括：

确定输入深度数据的有效深度子空间；

对所述有效深度子空间进行量化。

2.根据权利要求1所述的自适应量化的方法，其特征在于，所述确定输入深度数据的有效深度子空间的步骤包括：

对所述输入深度数据进行量化，得到输出深度数据；

统计预设的量化输出值在所述输出深度数据中出现的频率，若所述频率大于预设的阈值，则所述预设的量化输出值的量化区间对应的深度子空间是有效深度子空间。

3.根据权利要求1所述的自适应量化的方法，其特征在于，所述对所述有效深度子空间进行量化的步骤包括：

建立所述有效深度子空间与预设的量化输出值之间的映射关系；

根据所述映射关系对所述有效深度子空间进行量化。

4.根据权利要求3所述的自适应量化的方法，其特征在于，所述建立所述有效深度子空间与预设的量化输出值之间的映射关系的步骤包括：

确定未分配的有效深度子空间的第一数量；

确定未分配的量化区间的第二数量；

根据所述第一数量和所述第二数量，确定本次分配中使用的量化区间的第三数量；

根据所述第二数量和所述第三数量，确定本次分配中使用的量化区间的序号；

确定所述序号对应的量化区间的界限，所述序号对应的量化区间的量化输出值是所述序号。

5.根据权利要求3所述的自适应量化的方法，其特征在于，所述根据所述映射关系对所述有效深度子空间进行量化的步骤包括：

若所述输入深度数据位于第k个所述预设的量化输出值对应的量化区间内，则输出深度数据是k。

6.根据权利要求1所述的自适应量化的方法，其特征在于，所述方法还包括：

采用二值化数组对所述有效深度子空间进行标记。

7.根据权利要求6所述的自适应量化的方法，其特征在于，所述采用二值化数组对所述有效深度子空间进行标记之后还包括：

对所述二值化数组进行游程编码或熵编码，并传输编码后产生的码流。

8.一种自适应反量化的方法，其特征在于，所述方法包括：

确定输入深度数据的有效深度子空间；

根据接收到的输出深度数据，对所述有效深度子空间进行反量化。

9.根据权利要求8所述的自适应反量化的方法，其特征在于，所述确定输入深度数据的有效深度子空间的步骤包括：

对接收到的统计直方图码流或标记直方图码流进行解码，得到统计直方图或标记直方图；

根据所述统计直方图或所述标记直方图，确定输入深度数据的有效深度子空间。

10.根据权利要求8所述的自适应反量化的方法，其特征在于，所述根据接收到的输出深度数据，对所述有效深度子空间进行反量化的步骤包括：

建立所述有效深度子空间与预设的量化输出值之间的映射关系；

根据所述映射关系和所述输出深度数据，对所述有效深度子空间进行反量化。

11.根据权利要求10所述的自适应反量化的方法，其特征在于，所述建立所述有效深度子空间与预设的量化输出值之间的映射关系的步骤包括：

确定未分配的有效深度子空间的第一数量；

确定未分配的量化区间的第二数量；

根据所述第一数量和所述第二数量，确定本次分配中使用的量化区间的第三数量；

根据所述第二数量和所述第三数量，确定本次分配中使用的量化区间的序号；

确定所述序号对应的量化区间的界限，所述序号对应的量化区间的量化输出值是所述序号。

12.根据权利要求10所述的自适应反量化的方法，其特征在于，所述根据所述映射关系和所述输出深度数据，对所述有效深度子空间进行反量化的步骤包括：

根据所述映射关系，构造反量化表；

根据所述反量化表和所述输出深度数据，对所述有效深度子空间进行反量化。

13.一种自适应量化器，其特征在于，所述自适应量化器包括：

有效深度子空间确定模块，用于确定输入深度数据的有效深度子空间；

量化模块，用于对所述有效深度子空间确定模块确定的有效深度子空间进行量化。

14.根据权利要求13所述的自适应量化器，其特征在于，所述有效深度子空间确定模块包括：

输出深度数据获取单元，用于对所述输入深度数据进行量化，得到输出深度数据；

统计单元，用于统计预设的量化输出值在所述输出深度数据中出现的频率，若所述频率大于预设的阈值，则所述预设的量化输出值的量化区间对应的深度子空间是有效深度子空间。

15.根据权利要求13所述的自适应量化器，其特征在于，所述量化模块包括：

映射关系建立单元，用于建立所述有效深度子空间与预设的量化输出值之间的映射关系；

量化单元，用于根据所述映射关系建立单元建立的映射关系，对所述有效深度子空间进行量化。

16.根据权利要求15所述的自适应量化器，其特征在于，所述映射关系建立单元包括：

第一数量子单元，用于确定未分配的有效深度子空间的第一数量；

第二数量子单元，用于确定未分配的量化区间的第二数量；

第三数量子单元，用于根据所述第一数量和所述第二数量，确定本次分配中使用的量化区间的第三数量；

量化区间序号子单元，用于根据所述第二数量和所述第三数量，确定本次分配中使用的量化区间的序号；

量化区间界限子单元，用于确定所述序号对应的量化区间的界限，所述序号对应的量化区间的量化输出值是所述序号。

17.根据权利要求15所述的自适应量化器，其特征在于，所述量化单元进一步用于若所述输入深度数据位于第k个所述预设的量化输出值对应的量化区间内，则输出深度数据是k。

18.根据权利要求13所述的自适应量化器，其特征在于，所述自适应量化器还包括标记模块，用于采用二值化数组对所述有效深度子空间进行标记。

19.根据权利要求18所述的自适应量化器，其特征在于，所述自适应量化器还包括编码与传输模块，用于对所述标记模块产生的二值化数组进行游程编码或熵编码，并传输编码后产生的码流。

20.一种自适应反量化器，其特征在于，所述自适应反量化包括：

有效深度子空间确定模块，用于确定输入深度数据的有效深度子空间；

反量化模块，用于根据接收到的输出深度数据，对所述有效深度子空间进行反量化。

21.根据权利要求20所述的自适应反量化器，其特征在于，所述有效深度子空间确定模块包括：

解码单元，用于对接收到的统计直方图码流或标记直方图码流进行解码，得到统计直方图或标记直方图；

有效深度子空间确定单元，用于根据所述统计直方图或所述标记直方图，确定输入深度数据的有效深度子空间。

22.根据权利要求20所述的自适应反量器，其特征在于，所述反量化模块包括：

映射关系建立单元，用于建立所述有效深度子空间与预设的量化输出值之间的映射关系；

反量化单元，用于根据所述映射关系和所述输出深度数据，对所述有效深度子空间进行反量化。

23.根据权利要求22所述的自适应反量化器，其特征在于，所述映射关系建立单元包括：

第一数量子单元，用于确定未分配的有效深度子空间的第一数量；

第二数量子单元，用于确定未分配的量化区间的第二数量；

第三数量子单元，用于根据所述第一数量和所述第二数量，确定本次分配中使用的量化区间的第三数量；

量化区间序号子单元，用于根据所述第二数量和所述第三数量，确定本次分配中使用的量化区间的序号；

量化区间界限子单元，用于确定所述序号对应的量化区间的界限，所述序号对应的量化区间的量化输出值是所述序号。

24.根据权利要求22所述的自适应反量化器，其特征在于，所述反量化单元包括：

反量化表构造子单元，用于根据所述映射关系，构造反量化表；

反量化子单元，根据所述反量化表和所述输出深度数据，对所述有效深度子空间进行反量化。

25.一种自适应量化系统，其特征在于，包括：

自适应量化器，用于确定输入深度数据的有效深度子空间，并对所述有效深度子空间进行量化，得到输出深度数据；

传输模块，用于传输所述自适应量化器生成的输出深度数据。

26.根据权利要求25所述的自适应量化系统，其特征在于，

所述自适应量化器，还用于采用二值化数组对所述有效深度子空间进行标记，并对所述二值化数组进行游程编码或熵编码；

所述传输模块，还用于传输所述自适应量化器对所述二值化数组编码后生成的码流。

27.一种自适应反量化系统，其特征在于，包括：

接收模块，用于接收图像的输出深度数据；

自适应反量化器，用于确定输入深度数据的有效深度子空间，并根据所述接收模块接收到的输出深度数据，对所述有效深度子空间进行反量化。

28.根据权利要求27所述的自适应反量化系统，其特征在于，

所述接收模块，还用于接收二值化数组编码后生成的码流；

所述自适应反量化器，进一步用于根据所述接收模块接收到的码流，确定输入深度数据的有效深度子空间。

Images