CN102843559B - 基于纹理特性的hevc帧内预测模式的快速选择方法及装置 - Google Patents
基于纹理特性的hevc帧内预测模式的快速选择方法及装置 Download PDFInfo
- Publication number
- CN102843559B CN102843559B CN201210337831.9A CN201210337831A CN102843559B CN 102843559 B CN102843559 B CN 102843559B CN 201210337831 A CN201210337831 A CN 201210337831A CN 102843559 B CN102843559 B CN 102843559B
- Authority
- CN
- China
- Prior art keywords
- texture
- value
- amplitude
- grain direction
- strong
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 description 20
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供了一种基于纹理特性的HEVC帧内预测模式的快速选择方法及装置，通过确定待预测单元PU的边缘纹理图中每个元素的纹理幅值及纹理方向，生成纹理方向统计直方图，进而对所述PU的强纹理方向进行判定，当所述PU具有强纹理方向且与任一邻接块的预测模式方向匹配时，则将所述强纹理方向作为最终预测模式方向。本发明在保证编码质量的前提下，减少了搜索次数，有效降低模式选择的计算时间，显著提高模式选择速度。
Description
技术领域
本发明涉及视频编解码技术领域，特别涉及一种基于纹理特性的HEVC帧内预测模式的快速选择方法及装置。
背景技术
HEVC（High Efficiency Video Coding）协议旨在提供一种比当前H.264协议压缩率更高且计算复杂度没有显著增加的高分辨率视频编解码技术。HEVC提出了三种更加高效和富有弹性的视频内容表示单元，包括：编码单元（coding unit，CU）,预测单元（prediction unit，PU）,以及传输单元（transform unit，TU）。其中PU具有最小4×4，最大64×64五种尺寸。为了适应PU单元的变化以及提高预测的准确度，HEVC引入了帧内预测方法（Arbitrary Direction Intra，ADI）。该方法定义了多达35种的帧内预测模式，并以率失真优化（rate-distortionoptimization，RDO）为准则对35种模式进行搜索，从而确定唯一的最优预测模式。由于RDO的计算非常耗时，直接对全部的35种预测模式进行RDO筛选在实现上并不可行。因此，HEVC设计了一种“先粗选后细选（Rough-to-Fine）”的模式选择方案，方案的流程如图1。
ADI初始化根据当前PU的大小，确定当前搜索的预测模式数为35（Size>8×8）或18(Size<=8×8)。模式粗选（Rough mode decision）使用计算量相对较小的哈达马变换，计算每种预测模式的残差变换绝对值（Sum of absolute transformed differences，SATD），从中筛选出若干具有最小SATD值的候选模式。之后对生成的候选模式进行RDO细选(RDO mode decision)，计算每个候选模式的RDO，最终确定唯一的预测方向模式。该方案的主要特点是具有较高的编码质量。可是统计结果表明，采用“先粗选后细选”筛选策略后，在HEVC推荐的高性能模式配置和低复杂度模式配置下，帧内预测的模式选择依然分别占用整个编码过程78%和62%的处理时间。
可以看出，过多的模式搜索量是使得模式选择成为整个编码系统的效率瓶颈的主要原因。因此，提高编码效率的根本在于在保证编码质量的前提下，尽可能地减少需要搜索的模式方向个数。
发明内容
（一）解决的技术问题
过多的模式搜索量使得整个编码系统的模式选择效率低下的问题。
（二）技术方案
一种基于纹理特性的HEVC帧内预测模式的快速选择方法，所述方法包括：
A：确定待预测单元PU的边缘纹理图中每个元素的幅值及方向；
B：对方向进行统计，生成纹理方向统计直方图；
C：对所述PU的强纹理方向进行判定，当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向。
优选地，步骤A中利用最大匹配法确定所述边缘纹理图中每个元素的方向，所述最大匹配法为用定点运算完成所述方向与预测模式方向之间匹配度的运算。
优选地，所述方法进一步包括：当所述PU包含n×n像素，则可得到大小为m×m的幅值表；其中，m=n-1。
优选地，步骤B具体包括：将所述边缘纹理图中所有方向一致的元素的幅值进行累加，通过比较各个方向的累加值，生成纹理方向统计直方图。
优选地，所述累加值最大的纹理方向为纹理主方向；
生成纹理方向统计直方图时采用相邻方向加权投票机制；
所述相邻方向加权投票机制为边缘纹理图中的每个元素将自身幅值向纹理主方向投票的同时，将幅值与加权系数的乘积值投票给纹理主方向的相邻方向。
优选地，在步骤C中，
当判定不存在所述强纹理方向或者当所述PU具有强纹理方向但与任一相邻块的预测模式方向不匹配时，则确定最小搜索方向集合。
优选地，
当纹理方向统计直方图中非零值少于最小搜索方向个数时，则舍弃零值方向，从而得到非零值的模式；
对非零值的模式计算SATD值并进行筛选，得到具有最小SATD值的候选模式。
优选地，当次小SATD值与最小SATD值的比值超过预定阈值时，则所述最小SATD值对应的模式为最终预测模式。
优选地，若次小SATD值与最小SATD值的比值未超过预定阈值，则对所述候选模式进行RDO计算，从而得到最终预测模式。
一种基于纹理特性的HEVC帧内预测模式的快速选择装置，所述装置包括：
纹理幅值计算与方向判定模块，用于计算待预测单元PU的边缘纹理图中每个元素的幅值和判定所述PU的边缘纹理图中每个元素的方向；
纹理方向统计直方图生成模块，用于根据对所述方向进行统计，生成纹理方向统计直方图；
强纹理方向判定模块，用于判定所述PU是否具有强纹理方向和所述强纹理方向是否与任一相邻块的预测模式方向匹配；
当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向。
（三）有益效果
本发明通过考察待预测单元的纹理方向分布特征，从全部的待搜索方向集合中筛选出最有可能的一个或几个模式方向，在保证编码质量的前提下，减少了搜索次数，有效降低模式选择的计算时间，显著提高模式选择速度。
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的前提下，还可以根据这些附图获得其他的附图。
图1为HEVC帧内预测流程图；
图2为本发明提供的基于纹理特征的快速模式选择算法流程图；
图3为本发明提供的纹理幅值计算与方向判定流程图；
图4为本发明提供的纹理方向统计流程图；
图5为本发明提供的强纹理方向判定流程图；
图6为本发明提供的生成最小搜索方向集合流程图；
图7为本发明提供的PU像素与纹理表元素之间的对应关系图。
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。
实施例1
本发明提出了一种基于纹理特性的HEVC帧内预测模式的快速选择方法，所述方法包括：
A：确定待预测单元PU的边缘纹理图中每个元素的幅值及方向；
B：对方向进行统计，生成纹理方向统计直方图；
C：对所述PU的强纹理方向进行判定，当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向。
优选地，步骤A中利用最大匹配法确定所述边缘纹理图中每个元素的方向，所述最大匹配法为用定点运算完成所述方向与预测模式方向之间匹配度的运算。
优选地，所述方法进一步包括：当所述PU包含n×n像素，则可得到大小为m×m的幅值表；其中，m=n-1。
优选地，步骤B具体包括：将所述边缘纹理图中所有方向一致的元素的幅值进行累加，通过比较各个方向的累加值，生成纹理方向统计直方图。
优选地，所述累加值最大的纹理方向为纹理主方向；
生成纹理方向统计直方图时采用相邻方向加权投票机制；
所述相邻方向加权投票机制为边缘纹理图中的每个元素将自身幅值向纹理主方向投票的同时，将幅值与加权系数的乘积值投票给纹理主方向的相邻方向。
优选地，在步骤C中，
当判定不存在所述强纹理方向或者当所述PU具有强纹理方向但与任一相邻块的预测模式方向不匹配时，则确定最小搜索方向集合。
优选地，
当纹理方向统计直方图中非零值少于最小搜索方向个数时，则舍弃零值方向，从而得到非零值的模式；
对非零值的模式计算SATD值并进行筛选，得到具有最小SATD值的候选模式。
优选地，当次小SATD值与最小SATD值的比值超过预定阈值时，则所述最小SATD值对应的模式为最终预测模式。
优选地，若次小SATD值与最小SATD值的比值未超过预定阈值，则对所述候选模式进行RDO计算，从而得到最终预测模式。
实施例2
本发明还提出一种更为具体地基于纹理特性的HEVC帧内预测模式的快速选择方法，其算法实现的总体流程如图2。具体包括：纹理幅值计算与方向判定、纹理方向统计直方图生成，强纹理方向判定，生成最小搜索方向集合，以及基于SATD值的模式舍弃等子过程。这些过程能够直接嵌入HEVC原有帧内预测处理流程，不需要改动协议原有的粗选与细选等标准过程的程序代码。算法采用2×2滤波器计算待预测块的边缘纹理图，下面对算法各个子过程的细节进行说明。
纹理幅值计算与方向判定
该过程输入包含n×n像素的PU，全部的像素以相邻的4个像素为顶点，构成m×m（m=n-1）个最小正方形，对每个正方形按照文献[1]给出方法，计算当前正方形对应的边缘梯度向量G和幅值Amp，从而得到当前PU的幅值表，记为Amp[1：m×m]。即幅值表中的第(i,j)个元素对应第(i,j)个最小正方形，之后的表述遵循此对应关系。
对幅值表中的每个元素进行最大匹配判定，并将判定出的模式方向存储在纹理方向表Dir35[1：m×m]中。由于HEVC标准协议规定，当PU的大小为4×4时，预测方向只有18种，在此情况下，纹理方向表只需要对这18种方向进行记录，记为Dir18[1：m×m]。生成幅值表和纹理方向表中第(i,j)个元素的流程如图3，包括以下步骤：
1.根据公式（1）分别计算X、Y方向上的幅值分量Dx(i，j)及Dy(i，j)。
2.根据公式（1）计算Amp(i，j)。
3.根据公式（3）计算17种匹配值D。
4.根据公式（4）、（5）、（6）确定当前元素在33个方向上的匹配值Di。
5.PU的大小为4×4时，查找协议规定的18种预测方向中的最大匹配值，确定当前元素的模式方向，写入Dir18(i，j)。
PU的大小大于4×4时，查找协议规定的35种预测方向中的最大匹配值，确定当前元素的模式方向，写入Dir35(i，j)。
纹理方向统计
纹理方向统计是将所有模式方向一致的元素的幅值进行累加，通过比较各个方向的累加值，生成预测方向统计直方图，从而确定当前PU的预测方向。其中累加值最大的为纹理主方向。生成纹理方向统计直方图时采用相邻方向加权投票机制，边缘纹理图中的每个元素不仅向最大匹配法检测到的主方向投票自己的幅值，同时将幅值乘以加权系数，投票给主方向的相邻方向。本发明给出加权系数经验值为0.5。
定义纹理方向统计直方图为H[35]，该过程的循环结构如图4所示。纹理表第(i，j)个元素对所属Dir方向以相邻方向加权方式进行幅值投票的实现步骤如下：
6.如果PU大于4×4，投票方向编号Idx_main=Dir35(i，j)，否则Idx_main=Dir18(i，j)。
7.按照ADI定义的模式方向顺序，确定主方向的邻居方向Idx_nbr。
8.对主方向进行幅值投票：H[Idx_main]=H[Idx_main]+Amp(i，j)。
9.以0.5为加权值，向相邻方向加权投票H[Idx_nbr]=H[Idx_nbr]+Amp(i，j)×0.5。
强纹理方向判定
定义总幅值能量为TotalAmp，定义当前PU的强纹理方向编号为Idx_strong。当前PU上方邻接块的预测模式方向编号为Idx_Above，左侧邻接块的预测模式方向编号为Idx_Left。如果当前PU在某一方向的幅值投票值占总幅度值的比值超过预设的阀值，定义该方向为强纹理方向。假设当前方向编号为i，如果当前方向上的幅值能量占总能量的比例超过预定阈值，即进入强纹理方向处理流程，如图5。
10．当PU尺寸大于8×8时，经验阈值为0.25，如果H[i]>0.25×Total_Amp，令Idx_strong=i，否则进入生成最小搜索方向集合过程。
11.当PU尺寸小于8×8时，经验阈值为0.125，如果H[i]>0.125×Total_Amp，令Idx_strong=i，否则进入生成最小搜索方向集合过程。
12.如果强纹理方向存在，且满足(Idx_strong==Idx_Above)&&(Idx_strong<18)或(Idx_strong==Idx_Left)&&(Idx_strong≥18)，则将Idx_strong确定为最终的模式方向，并直接进入最后的RDO预测方向模式过程。
13.否则进入最小搜索方向集合生成过程。
生成最小搜索方向集合
定义Ref[0：34]为最小搜索方向集合。Ref[i](0≤i≤34)为1时，表示方向编号为i的模式在最小搜索集合中。粗选过程将只对Ref[0：34]中为1的方向模式进行搜索。HEVC协议要求搜索方向中总是包含DC与Planar模式，因此Ref[0]和Ref[3]初始值总是1，其他方向初始值为0。定义最小搜索方向的个数Num_min，如果PU>8×8，Num_min初始值等于4，否则为8。当方向统计直方图H[0：34]中非零值少于Num_min时，算法会降低Num_min的取值以进一步减少搜索方向个数。具体流程如图6。
14.去除DC与Planar模式后，按照幅值大小降序排列H[0：34]的索引，得到DEC_Idx[0：32]。
15.令s=0，t=0，遍历DEC_Idx[0：32]。
16.如果t<Num_min-2，且H[DEC_Idx[s]]≠0，则将Ref[0：34]中由DEC_Idx[s]及其相邻方向指定的数组位，置1。同时s，t均加1
17.如果t<Num_min-2，且H[DEC_Idx[s]]=0，则终止遍历。更新Num_min=s+2。
18.如果t>Num_min-2结束遍历。
基于SATD值的模式舍弃
粗选过程通过计算SATD筛选出若干候选模式，细选过程对这些模式进行RDO计算从而确定最终的预测模式，其中，细选过程为HEVC协议的标准过程。本算法通过考察SATD值，在次小SATD_sub与最小SATD_min的比值超过预定阈值时，直接跳过细选过程并确定最终的模式。具体流程为：
19.给定经验阈值为0.125，如果SATD_sub>0.125*SATD_min，则将SATD_min对应的方向模式确定为最终选择模式，并跳过细选过程。
20.否则，进入细选过程。
相关公式
1．算法使用2×2滤波器得到PU的纹理边缘特征，滤波器的公式描述为：
其中Gi,j为边缘梯度向量，由水平
与竖直
两个分量组成，p为像素的灰度值。Amp为梯度向量的幅值。输入当前PU中任意四个以图7方式相邻的像素，通过公式（1）可以计算出该四个像素构成的最小正方形的边缘梯度向量G和幅值Amp。由此可知，当前PU大小为n×n时，可由公式（1）对应生成大小为m×m（m=n-1）的幅值表。
2.最大匹配判定基于公式（2）、（3）、（4）、（5）、（6）。对于由公式（1）生成的幅值表中的任意一个元素，定义Di为该元素在HEVC预定义的35种模式方向上的匹配度值。本算法设计的最大匹配判定不适用35种模式中的DC与Planar，因此本算法将与之对应的D0与D3恒置为0，并将DC与Planar补充进生成的最小搜索模式集合。其余的D1，D2及D4～D34，共计33种模式的最大匹配值计算方法由公式（2）给出
根据HEVC协议标准，公式（2）中的33种模式中的每种模式均对应一个固定的方向角度。因此
的取值为33种模式方向角度值。R为常量，用以提高取整的精确度，在本算法中R取值为128。
由于33种模式方向关于的对称性，实际只需要计算17种匹配度绝对值，然后根据Gx和Gy的符号确定Di的实际取值。此外，由于方向角度的固定性，可以预计算出各个方向角度的
和
，从而进一步提高算法速度。17种匹配度绝对值的计算方法由公式（3）给出：
由Gx和Gy的符号确定Di实际取值的方法由公式（4）、（5）给出：
注意到公式（4）、（5）中未包括D1与D2，这是因为在算法具体实现时，为进一步提高水平与竖直方向的判定精度，与之对应的匹配度值D1与D2的计算可改进为公式（6）：
通过公式（3）、（4）、（5）、（6），可以确定幅值表中任一元素在各个预测模式方向上的匹配度值，进行简单比较，即可确定当前元素在哪个模式方向上具有最大匹配度。
本发明提高了HEVC帧内编码过程中预测模式的选择速度，并给出相应的软件实现方案。算法核心内容是基于待预测单元PU的纹理边缘方向信息，使用最大匹配法和相邻方向加权投票机制生成纹理方向统计直方图，结合强纹理方向及SATD值舍弃等机制，确定最小搜索模式集合。所提出的最大匹配法仅使用定点运算即可完成纹理边缘方向与预定模式方向之间匹配程度计算，且具有较高的准确度与灵敏度；提出的相邻方向加权投票机制增强了纹理方向统计直方图的鲁棒性，保证了模式选择的准确度；使用强纹理方向匹配和高SATD预测方向舍弃机制动态调整搜索方向集合大小，并给出相应的经验阈值。
实施例3
本发明还提出了一种基于纹理特性的HEVC帧内预测模式的快速选择装置，所述装置包括：
纹理幅值计算与方向判定模块，用于计算待预测单元PU的边缘纹理图中每个元素的幅值和判定所述PU的边缘纹理图中每个元素的方向；
纹理方向统计直方图生成模块，用于根据对所述方向进行统计，生成纹理方向统计直方图；
强纹理方向判定模块，用于判定所述PU是否具有强纹理方向和所述强纹理方向是否与任一相邻块的预测模式方向匹配；
当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.一种基于纹理特性的HEVC帧内预测模式的快速选择方法，其特征在于，所述方法包括：
A：确定待预测单元PU的边缘纹理图中每个元素的幅值及方向；
B：对方向进行统计，生成纹理方向统计直方图；
C：对所述PU的强纹理方向进行判定，当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向；
步骤A中利用最大匹配法确定所述边缘纹理图中每个元素的方向，所述最大匹配法为用定点运算完成所述方向与预测模式方向之间匹配度的运算。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：当所述PU包含n×n像素，则可得到大小为m×m的幅值表；其中，m＝n-1。
3.根据权利要求1所述的方法，其特征在于，步骤B具体包括：将所述边缘纹理图中所有方向一致的元素的幅值进行累加，通过比较各个方向的累加值，生成纹理方向统计直方图。
4.根据权利要求3所述的方法，其特征在于，所述累加值最大的纹理方向为纹理主方向；
生成纹理方向统计直方图时采用相邻方向加权投票机制；
所述相邻方向加权投票机制为边缘纹理图中的每个元素将自身幅值向纹理主方向投票的同时，将幅值与加权系数的乘积值投票给纹理主方向的相邻方向。
5.根据权利要求1所述的方法，其特征在于，在步骤C中，
当判定不存在所述强纹理方向或者当所述PU具有强纹理方向但与任一相邻块的预测模式方向不匹配时，则确定最小搜索方向集合。
6.根据权利要求5所述的方法，其特征在于，
当纹理方向统计直方图中非零值少于最小搜索方向个数时，则舍弃零值方向，从而得到非零值的模式；
对非零值的模式计算SATD值并进行筛选，得到具有最小SATD值的候选模式。
7.根据权利要求6所述的方法，其特征在于，当次小SATD值与最小SATD值的比值超过预定阈值时，则所述最小SATD值对应的模式为最终预测模式。
8.根据权利要求7所述的方法，其特征在于，若次小SATD值与最小SATD值的比值未超过预定阈值，则对所述候选模式进行RDO计算，从而得到最终预测模式。
9.一种实施权利要求1所述的基于纹理特性的HEVC帧内预测模式的快速选择方法的装置，其特征在于，所述装置包括：
纹理幅值计算与方向判定模块，用于计算待预测单元PU的边缘纹理图中每个元素的幅值和判定所述PU的边缘纹理图中每个元素的方向；
纹理方向统计直方图生成模块，用于根据对所述方向进行统计，生成纹理方向统计直方图；
强纹理方向判定模块，用于判定所述PU是否具有强纹理方向和所述强纹理方向是否与任一相邻块的预测模式方向匹配；
当所述PU具有强纹理方向且与任一相邻块的预测模式方向匹配时，则将所述强纹理方向对应的模式作为最终预测模式；
所述强纹理方向为所述PU在任一方向上的幅值能量与所述纹理方向统计直方图中所有方向总幅值的总能量的比值大于预设阈值时的方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210337831.9A CN102843559B (zh) | 2012-09-12 | 2012-09-12 | 基于纹理特性的hevc帧内预测模式的快速选择方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210337831.9A CN102843559B (zh) | 2012-09-12 | 2012-09-12 | 基于纹理特性的hevc帧内预测模式的快速选择方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102843559A CN102843559A (zh) | 2012-12-26 |
| CN102843559B true CN102843559B (zh) | 2014-12-31 |
Family
ID=47370575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210337831.9A Active CN102843559B (zh) | 2012-09-12 | 2012-09-12 | 基于纹理特性的hevc帧内预测模式的快速选择方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102843559B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103108182B (zh) * | 2013-01-18 | 2015-11-18 | 北京航空航天大学 | 多源异类无人机侦察图像通用压缩方法 |
| CN103281541B (zh) * | 2013-05-10 | 2016-02-17 | 北方工业大学 | 基于深度图像的帧内预测楔形分块方法 |
| CN103327325B (zh) * | 2013-05-13 | 2016-05-25 | 西安电子科技大学 | 基于hevc标准的帧内预测模式快速自适应选择方法 |
| CN103297781B (zh) * | 2013-06-07 | 2016-02-17 | 安科智慧城市技术（中国）有限公司 | 一种基于纹理方向的hevc帧内编码方法、装置和系统 |
| CN103414895A (zh) * | 2013-07-29 | 2013-11-27 | 复旦大学 | 一种适用于hevc标准的编码器帧内预测装置及方法 |
| CN103702122B (zh) * | 2013-12-18 | 2017-07-21 | 华为技术有限公司 | 编码模式选择方法、装置及编码器 |
| CN103763570B (zh) * | 2014-01-20 | 2017-02-01 | 华侨大学 | 一种基于satd的hevc快速帧内预测方法 |
| CN104853209B (zh) * | 2014-02-16 | 2020-09-29 | 同济大学 | 图像编码、解码方法及装置 |
| CN103796023B (zh) * | 2014-03-05 | 2017-02-01 | 武汉拓宝科技股份有限公司 | 基于h.264/avc宏块结构及纹理的h.265/hevc转码方法及转码器 |
| CN104954788B (zh) * | 2014-03-27 | 2018-09-04 | 浙江大华技术股份有限公司 | Hevc帧内预测模式选择方法及装置 |
| CN103929652B (zh) * | 2014-04-30 | 2017-04-19 | 西安电子科技大学 | 视频标准中基于自回归模型的帧内预测快速模式选择方法 |
| CN104065960A (zh) * | 2014-06-18 | 2014-09-24 | 何震宇 | 一种基于hevc的低计算复杂度视频编码方法 |
| CN104618726B (zh) * | 2014-12-31 | 2017-10-20 | 华侨大学 | 一种基于pu纹理特性的hevc帧内快速模式决策算法 |
| CN105812799B (zh) * | 2014-12-31 | 2019-03-08 | 阿里巴巴集团控股有限公司 | 视频帧内预测模式的快速选择方法及其装置 |
| CN105847794A (zh) * | 2015-11-18 | 2016-08-10 | 西安邮电大学 | 一种hevc帧内预测模式快速选择方法 |
| CN109587491B (zh) * | 2017-09-28 | 2022-09-23 | 腾讯科技（深圳）有限公司 | 一种帧内预测方法、装置及存储介质 |
| CN108184115B (zh) * | 2017-12-29 | 2022-01-18 | 华南理工大学 | Hevc帧内cu划分和pu预测模式选择方法及系统 |
| CN108712648B (zh) * | 2018-04-10 | 2021-04-30 | 天津大学 | 一种深度视频快速帧内编码方法 |
| CN109040754A (zh) * | 2018-11-06 | 2018-12-18 | 深圳市网心科技有限公司 | 一种hevc的帧内预测模式确定方法、设备、系统及介质 |
| CN110519600B (zh) * | 2019-08-21 | 2022-06-07 | 浙江大华技术股份有限公司 | 帧内帧间联合预测方法、装置、编解码器及存储装置 |
| CN110708546B (zh) * | 2019-09-20 | 2021-12-07 | 中山大学 | 多功能视频编码的帧内模式选择划分方法、系统及存储介质 |
| CN111918059B (zh) * | 2020-07-02 | 2023-01-13 | 北京大学深圳研究生院 | 硬件友好的基于回归树的帧内预测模式决策方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102665079B (zh) * | 2012-05-08 | 2014-11-26 | 北方工业大学 | 用于hevc的自适应快速帧内预测模式决策方法 |
-
2012
- 2012-09-12 CN CN201210337831.9A patent/CN102843559B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN102843559A (zh) | 2012-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102843559B (zh) | 基于纹理特性的hevc帧内预测模式的快速选择方法及装置 | |
| WO2023134791A2 (zh) | 一种环境安防工程监测数据管理方法及系统 | |
| He et al. | Sparse representation for blind image quality assessment | |
| CN107959848B (zh) | 基于三维卷积神经网络的通用型无参考视频质量评价算法 | |
| CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN103503026A (zh) | 使用空间移位增加视觉质量度量的鲁棒性的方法和系统 | |
| CN110533022B (zh) | 一种目标检测方法、系统、装置及存储介质 | |
| CN103297781A (zh) | 一种基于纹理方向的hevc帧内编码方法、装置和系统 | |
| CN104899899A (zh) | 一种基于密度峰值的颜色量化方法 | |
| CN102300094B (zh) | 一种视频编码方法 | |
| CN103714349A (zh) | 一种基于颜色和纹理特征的图像识别方法 | |
| CN111355956A (zh) | 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法 | |
| CN101453660B (zh) | 一种视频目标跟踪方法和装置 | |
| CN104869421A (zh) | 基于全局运动估计的视频显著性检测方法 | |
| CN105828064A (zh) | 融合局部和全局时空特性的无参考视频质量评估方法 | |
| CN107871103A (zh) | 一种人脸认证方法和装置 | |
| CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
| CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
| CN102547286A (zh) | 一种区块移动估测方法 | |
| CN101170696B (zh) | 一种运动估计方法 | |
| CN117253188A (zh) | 基于改进的YOLOv5的变电站接地线状态目标检测方法 | |
| CN103634600A (zh) | 一种基于ssim评价的视频编码模式选择方法、系统 | |
| CN108447065A (zh) | 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法 | |
| CN106331730A (zh) | H.264视频同量化因子双重压缩检测方法 | |
| CN105263026A (zh) | 基于概率统计与图像梯度信息的全局矢量获取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |