CN104639939B - 一种帧内预测mpm机制的优化方法 - Google Patents
一种帧内预测mpm机制的优化方法 Download PDFInfo
- Publication number
- CN104639939B CN104639939B CN201510058351.2A CN201510058351A CN104639939B CN 104639939 B CN104639939 B CN 104639939B CN 201510058351 A CN201510058351 A CN 201510058351A CN 104639939 B CN104639939 B CN 104639939B
- Authority
- CN
- China
- Prior art keywords
- candidate
- candidate collection
- pattern
- collection
- texture
- 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.)
- Expired - Fee Related
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明属于计算机视觉和信号处理领域，尤其涉及视频帧内编码。本发明提出了一种帧内预测MPM机制的优化方法，通过确定纹理的复杂度，来精简候选集合。根据选定的能最大程度反映当前帧纹理特征斯四个参数，对不同图像帧的纹理特征进行精细的分级，不同程度地简化了各级纹理特征复杂度的图像帧的最终候选模式集合。避免因为无法控制精简程度而导致的候选模式偏离最佳模式，导致预测图像失真过多的情况。
Description
技术领域
本发明属于计算机视觉和信号处理领域，尤其涉及视频帧内编码。
背景技术
HEVC视频压缩标准的主要过程是对视频的编码过程，视频的解码过程与编码过程中的源图像的重构过程完全一致，H.265/HEVC编码的框架如图1所示。
依据HEVC视频编码标准及其参考软件HM，视频帧在编码时主要分为三种类型：I帧、P帧以及B帧。I帧为关键帧，即每一个预测循环都以这个I帧作为起始，通常每一个视频序列的第一帧都是I帧，I帧只能以特定的编码模式——帧内模式来进行编码，配置文件中的IntraPeriod属性指明了间隔的两个I帧之间非I帧的数目。
帧内预测模式专用于I帧的预测，其思想是用当前源图像帧已经编码的部分作为未编码部分的参考。帧内预测模式共有35种，包括DC模式，planar模式和33种角度预测模式。其中DC模式设置默认值，planar模式通过预测点到水平和垂直边界的距离来构建预测帧，而角度预测模式则通过不同方向的插值，选出最接近于源图像帧的预测模式，即对应最佳的插值方向的预测方法，依据这种预测方法构建出预测帧。
Most Probable Mode(MPM)是H.265中提出的用于简化帧内模式选择过程的一种机制。由于帧内预测的候选模式多达35种，且H.264标准也只是提供了8种候选模式，遍历这35种候选模式固然可以精确地找到最优的预测方法，构建出最接近于源图像帧的，但无法满足视频压缩对速率的要求，甚至压缩会比之前的标准H.264更慢。所以MPM机制被提出，通过预处理，精简候选模式的集合，使得全深度划分CU时，只需要遍历部分候选模式。
但由于MPM是在H.265中针对于大幅度增多的方向预测模式而提出的新机制，对它的优化还非常少，且大部分优化都以牺牲预测精度为代价换取编码时间的减少，或者只进行了简单的分类处理，不具有实际的应用意义，并没有特别细致的基于图像纹理特征的方法被提出。
发明内容
本发明提出了一种帧内预测MPM机制的优化方法，通过确定纹理的复杂度，来精简候选集合。由于纹理复杂的图像出现偶然情况的概率大，需要更多候选模式以确保预测的准确性，所以纹理复杂度级别越高，精简的程度越小。
为了方便描述，首先对本专利的术语进行介绍：
RD值：码率失真代价。
CU：Coding Unit，编码单元。
PU：Prediction Unit，预测单元。
一种帧内预测MPM机制的优化方法，包括如下步骤：
S1、进行基于H.265帧内预测MPM的计算，得到候选集合G；
S2、确定纹理复杂度分级的四个参数，具体为：
S21、在H.265帧内根据CU的大小，预留出存储空间；
S22、在深度小于等于1的情况下遍历所有的帧内预测模式，选出符合条件W的模式暂存到S11所述存储空间内，所述帧内预测模式包括：DC模式，planar模式和33种角度预测模式，共35种，所述条件W具体为Jmin(CUi)＝min(J(CUi)un-split,J(CUi)split)，其中，J＝SATD(SAD)λ×Bpred，J表示当前模式的RD值，SATD表示源图像CU中样点和预测图像中与源图像CU中样点对应位置的样点的灰度值的差值进行Hadamard变换的绝对值，(SAD)表示可以用样点的灰度差值来代替SATD，λ是和量化系数(QP)以及帧序号POC相关的变量，Bpred表示编码帧的索引所需要的比特数，其中J(CUi)un-split表示在不划分情况下对应的RD值，J(CUi)split表示在划分情况下对应的RD值，min(*,*)表示选取其中较小的额值；
S23、获取当前CU上方和左方邻域的PU最佳预测模式作为参数组1，所述参数组1包括两个参数；
S24、选取S22所述存储空间内前两个帧内预测模式作为参数组2，所述参数组2包括两个参数；
S3、根据S2所述四个参数的值，进行纹理复杂度级别的划分；
S4、根据S3所述纹理复杂度级别，对模式候选集合进行精简。
进一步地,S3所述进行纹理复杂度级别的划分具体为：
S31、若S2所述四个参数的值为DC和Planar模式的参数的个数大于等于3，则纹理复杂度级别为0；
S32、若S2所述四个参数的值为DC和Planar模式的参数的个数等于2，则纹理复杂度级别为1；
S33、若S2所述四个参数的值为DC和Planar模式的参数的个数等于1，则纹理复杂度级别为2；
S34、若S2所述四个参数都是角度预测模式时，则纹理复杂度级别范围设置为3至5。
进一步地，S34所述四个参数都是角度预测模式时，可进行如下划分：
S341、将S23所述参数组1和参数组2进行比较，得到两组角度预测模式的序号的差值，所述角度预测模式的序号与预测角度对应，所述预测模式的序号的差值越大，预测角度的差值越大；
S342、设定阈值所述阈值为经验值；
S343、将S23所述参数组1的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组1的预测模式的序号差值小于等于S342所述阈值则记当前CU的纹理复杂度级别为4，
若S23所述参数组1的预测模式的序号差值大于S342所述阈值则转到S344；
S344、将S23所述参数组2的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组2的预测模式的序号差值小于等于S342所述阈值则记当前CU的纹理复杂度级别为5，
若S23所述参数组2的预测模式的序号差值大于S342所述阈值则记当前CU的纹理复杂度级别为3。
进一步地，所述阈值
进一步地，S4所述对模式候选集合进行精简具体为：
S41、若当前CU的纹理度级别划分为0，则优化后的候选集合为DC,Planar和候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
S42、若当前CU的纹理度级别划分为1，则优化后的候选集合构成如下：
Ⅰ、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
Ⅱ、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S43、若当前CU的纹理度级别划分为2，则最终候选集合构成如下：
S431、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S432、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前五个候选模式，若候选集合有重复，则去掉重复集合；
S44、若当前CU的纹理度级别划分为3，则优化后的候选集合为S1所述候选集合G；
S45、若当前CU的纹理度级别划为4，则最终候选集合构成如下：
E1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
E2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
S46、纹理度级别划分为5，则最终候选集合构成如下：
F1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的第一个候选模式和S1所述候选集合G的第一个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合；
F2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的前两个候选模式和S1所述候选集合G的前两个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合。
本发明的有益效果是：
本发明依据图像的纹理特征做了细化分级，根据纹理特征的不同级别，为候选模式集合的精简程度提供了精细的标准，避免因为无法控制精简程度而导致的候选模式偏离最佳模式，导致预测图像失真过多的情况。
附图说明
图1是H.265/HEVC编码的框架图。
图2是MPM的算法的流程图。
图3是角度预测模式的序号与预测角度的对应示意图。
图4是角度预测模式纹理复杂度的判断。
图5是本发明所述方法的流程图。
图6是本发明方法在不同清晰度视频序列ASTP的变化。
图7是本发明在不同清晰度视频序列BD-bitrate的变化。
具体实施方式
下面结合实施例和附图，详细说明本发明的技术方案。
S1、进行基于H.265帧内预测MPM的计算，得到候选集合G；
S2、确定纹理复杂度分级的四个参数，具体为：
S21、在H.265帧内根据CU的大小，预留出存储空间；
S22、在深度小于等于1的情况下遍历所有的帧内预测模式，选出符合条件W的模式暂存到S11所述存储空间内。
依据HEVC视频编码标准及其参考软件HM，视频帧在编码时主要分为三种类型：I帧、P帧以及B帧。I帧为关键帧，即每一个预测循环都以这个I帧作为起始，通常每一个视频序列的第一帧都是I帧，I帧只能以特定的编码模式，即帧内模式来进行编码，配置文件中的IntraPeriod属性指明了间隔的两个I帧之间非I帧的数目。
帧内预测模式专用于I帧的预测，其思想是用当前源图像帧已经编码的部分作为未编码部分的参考。所述帧内预测模式包括：DC模式，planar模式和33种角度预测模式，共35种，其中，DC模式设置默认值，planar模式通过预测点到水平和垂直边界的距离来构建预测帧，而角度预测模式则通过不同方向的插值，选出最接近于源图像帧的预测模式，即对应最佳的插值方向的预测方法，依据这种预测方法构建出预测帧。
Most Probable Mode(MPM)是H.265中提出的用于简化帧内模式选择过程的一种机制。由于帧内预测的候选模式多达35种，且H.264标准也只是提供了8种候选模式，遍历这35种候选模式固然可以精确地找到最优的预测方法，构建出最接近于源图像帧的，但无法满足视频压缩对速率的要求，甚至压缩会比之前的标准H.264更慢。所以MPM机制被提出，通过预处理，精简候选模式的集合，使得全深度划分CU时，只需要遍历部分候选模式。
所述条件W具体为Jmin(CUi)＝min(J(CUi)un-split,J(CUi)split)，其中，J＝SATD(SAD)λ×Bpred，J表示当前模式的RD值，SATD表示源图像CU中样点和预测图像中与源图像CU中样点对应位置的样点的灰度值的差值进行Hadamard变换的绝对值，(SAD)表示可以用样点的灰度差值来代替SATD，λ是和量化系数(QP)以及帧序号POC相关的变量，Bpred表示编码帧的索引所需要的比特数，其中J(CUi)un-split表示在不划分情况下对应的RD值，J(CUi)split表示在划分情况下对应的RD值，min(*,*)表示选取其中较小的额值；
S23、获取当前CU上方和左方邻域的PU最佳预测模式作为参数组1，所述参数组1包括两个参数；
S24、选取S22所述存储空间内前两个帧内预测模式作为参数组2，所述参数组2包括两个参数；
S3、根据S2所述四个参数的值，如表1所示，进行纹理复杂度级别的划分。划分纹理复杂度级别依据的是三种类型的候选模式(DC,Planar和角度)所反映的纹理特征。在所有的帧内预测模式中，DC模式和planar模式对纹理平坦的图像预测效果较好，故MPM候选集合中，值等于DC模式和planar模式的元素的个数，可以作为划分纹理复杂度等级为平坦的重要参考，具体如下：
S31、若S2所述四个参数的值为DC和Planar模式的参数的个数大于等于3，则纹理复杂度级别为0；
S32、若S2所述四个参数的值为DC和Planar模式的参数的个数等于2，则纹理复杂度级别为1；
S33、若S2所述四个参数的值为DC和Planar模式的参数的个数等于1，则纹理复杂度级别为2；
S34、若S2所述四个参数都是角度预测模式时，如图3所示，纹理复杂度级别范围设置为3至5，具体如下：
S341、将S23所述参数组1和参数组2进行比较，得到两组角度预测模式的序号的差值，所述角度预测模式的序号与预测角度对应，所述预测模式的序号的差值越大，预测角度的差值越大；
S342、设定阈值
S343、将S23所述参数组1的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组1的预测模式的序号差值小于等于S342所述阈值则记当前CU的纹理复杂度级别为4，
若S23所述参数组1的预测模式的序号差值大于S342所述阈值则转到S344；
S344、将S23所述参数组2的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组2的预测模式的序号差值小于等于S342所述阈值则记当前CU的纹理复杂度级别为5，
若S23所述参数组2的预测模式的序号差值大于S342所述阈值则记当前CU的纹理复杂度级别为3。
表1纹理复杂度等级及精简程度对应表
表1中，Complexity Level表示纹理复杂度级别，R[0],R[1],left和above分别表示四个判断参数,数组R表示在原MPM算法中得到的候选集合，Num Candidates表示数组R的元素的个数，NumRDFULL和NumPred是程序中的临时参数。
S4、根据S3所述纹理复杂度级别，对模式候选集合进行精简，具体如下：
S41、若当前CU的纹理度级别划分为0，则优化后的候选集合为DC,Planar和候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
S42、若当前CU的纹理度级别划分为1，则优化后的候选集合构成如下：
Ⅰ、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
Ⅱ、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S43、若当前CU的纹理度级别划分为2，则最终候选集合构成如下：
S431、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S432、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前五个候选模式，若候选集合有重复，则去掉重复集合；
S44、若当前CU的纹理度级别划分为3，则优化后的候选集合为S1所述候选集合G；
S45、若当前CU的纹理度级别划为4，则最终候选集合构成如下：
E1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
E2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
S46、纹理度级别划分为5，则最终候选集合构成如下：
F1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的第一个候选模式和S1所述候选集合G的第一个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合；
F2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的前两个候选模式和S1所述候选集合G的前两个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合。
本发明针对H.265中新提出的MPM机制进行了改进，不再采用原有的对所有帧的最佳候选模式集合都进行统一化构造的做法，而是根据选定的能最大程度反映当前帧纹理特征斯四个参数，对不同图像帧的纹理特征进行精细的分级，依据该级别，不同程度地简化了各级纹理特征复杂度的图像帧的最终候选模式集合。
在帧内模式的预测中，每一个候选模式集合中的候选模式，都会用于构造当前CU的预测块，而帧内预测最终真正用于预测的最佳预测模式只是候选模式集合中的一个。故牵涉到大量冗余的预测块构造过程，但这是保证最终选择的预测模式为最佳模式的必要的筛选过程，同时也是帧内预测中最耗费编码时间的部分。所以在保证最佳预测模式不变或者几乎没有差异的情况下，即使只精简很少的一部分候选模式，也会大幅缩减帧内预测的时间，有效提高编码效率。
本发明对纹理特征进行分级的方法，既保证了对候选模式的选择过程起到有效的优化，又精确地控制了不同纹理的图像帧的模式选择过程的简化程度，最大程度上避免了因为对不同纹理特征的图像进行统一处理，而导致的最佳模式选择时过多进行的冗余偏差，在提高编码效率与保证预测精确度上做到了相对平衡。
从图6和图7的实验数据可以看出，MPM改进算法能够有效地提高视频编码中帧内预测模式的编码效率，编码时间的节省约在35％左右，且BD-bitrate的增加普遍低于1.5％，属于可控预测误差范围内，说明本发明确实在原HM-12.0帧内编码算法基础上，大幅节省了编码时间，且其预测准确度的损失属于可忽略范围内，有效地提升了编码效率。
Claims (5)
1.一种帧内预测MPM机制的优化方法，其特征在于，包括如下步骤：
S1、进行基于H.265帧内预测MPM的计算，得到候选集合G；
S2、确定纹理复杂度分级的四个参数，具体为：
S21、在H.265帧内根据编码单元CU的大小，预留出存储空间；
S22、在图像深度小于等于1的情况下遍历所有的帧内预测模式，选出符合条件W的模式暂存到S21所述存储空间内，所述帧内预测模式包括：DC模式，planar模式和33种角度预测模式，共35种，所述条件W具体为Jmin(CUi)＝min(J(CUi)un-split,J(CUi)split)，其中，J＝SATD(SAD)λ×Bpred，J表示当前模式的RD值，SATD表示源图像编码单元CU中样点和预测图像中与源图像编码单元CU中样点对应位置的样点的灰度值的差值进行Hadamard变换的绝对值，(SAD)表示可以用样点的灰度差值来代替SATD，λ是和量化系数(QP)以及帧序号POC相关的变量，Bpred表示编码帧的索引所需要的比特数，其中J(CUi)un-split表示在不划分情况下对应的RD值，J(CUi)split表示在划分情况下对应的RD值，min(*,*)表示选取其中较小的值；
S23、获取当前编码单元CU上方和左方邻域的预测单元PU最佳预测模式作为参数组1，所述参数组1包括两个参数；
S24、选取S22所述存储空间内前两个帧内预测模式作为参数组2，所述参数组2包括两个参数；
S3、根据S2所述四个参数的值，进行纹理复杂度级别的划分；
S4、根据S3所述纹理复杂度级别，对模式候选集合进行精简。
2.根据权利要求1所述的一种帧内预测MPM机制的优化方法，其特征在于：S3所述进行纹理复杂度级别的划分具体为：
S31、若S2所述四个参数的值为DC和Planar模式的参数的个数大于等于3，则纹理复杂度级别为0；
S32、若S2所述四个参数的值为DC和Planar模式的参数的个数等于2，则纹理复杂度级别为1；
S33、若S2所述四个参数的值为DC和Planar模式的参数的个数等于1，则纹理复杂度级别为2；
S34、若S2所述四个参数都是角度预测模式时，则纹理复杂度级别范围设置为3至5。
3.根据权利要求2所述的一种帧内预测MPM机制的优化方法，其特征在于：S34所述四个参数都是角度预测模式时，可进行如下划分：
S341、将S23所述参数组1和S24所述参数组2进行比较，得到两组角度预测模式的序号的差值，所述角度预测模式的序号与预测角度对应，所述预测模式的序号的差值越大，预测角度的差值越大；
S342、设定阈值所述阈值为经验值；
S343、将S23所述参数组1的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组1的预测模式的序号差值小于等于S342所述阈值则记当前编码单元CU的纹理复杂度级别为4，
若S23所述参数组1的预测模式的序号差值大于S342所述阈值则转到S344；
S344、将S23所述参数组2的预测模式的序号差值与S342所述阈值进行比较，若S23所述参数组2的预测模式的序号差值小于等于S342所述阈值则记当前编码单元CU的纹理复杂度级别为5，
若S23所述参数组2的预测模式的序号差值大于S342所述阈值则记当前编码单元CU的纹理复杂度级别为3。
4.根据权利要求3所述的一种帧内预测MPM机制的优化方法，其特征在于：S342所述阈值
5.根据权利要求1所述的一种帧内预测MPM机制的优化方法，其特征在于：S4所述对模式候选集合进行精简具体为：
S41、若当前编码单元CU的纹理度级别划分为0，则优化后的候选集合为DC,Planar和候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
S42、若当前编码单元CU的纹理度级别划分为1，则优化后的候选集合构成如下：
Ⅰ、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
Ⅱ、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S43、若当前编码单元CU的纹理度级别划分为2，则最终候选集合构成如下：
S431、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为DC,Planar和S1所述候选集合G的前三个候选模式，若候选集合有重复，则去掉重复集合；
S432、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为DC,Planar和S1所述候选集合G的前五个候选模式，若候选集合有重复，则去掉重复集合；
S44、若当前编码单元CU的纹理度级别划分为3，则优化后的候选集合为S1所述候选集合G；
S45、若当前编码单元CU的纹理度级别划为4，则最终候选集合构成如下：
E1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的第一个候选模式，若候选集合有重复，则去掉重复集合；
E2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1的两个候选模式、S23所述参数组1中两个候选模式在角度预测模式中预测角度相邻的预测模式和S1所述候选集合G的前两个候选模式，若候选集合有重复，则去掉重复集合；
S46、纹理度级别划分为5，则最终候选集合构成如下：
F1、若S1所述候选集合G中候选模式个数为3，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的第一个候选模式和S1所述候选集合G的第一个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合；
F2、若S1所述候选集合G中候选模式个数为8，则优化后的候选集合为：S23所述参数组1、S1所述候选集合G的前两个候选模式和S1所述候选集合G的前两个候选模式相邻的候选模式，若候选集合有重复，则去掉重复集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510058351.2A CN104639939B (zh) | 2015-02-04 | 2015-02-04 | 一种帧内预测mpm机制的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510058351.2A CN104639939B (zh) | 2015-02-04 | 2015-02-04 | 一种帧内预测mpm机制的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104639939A CN104639939A (zh) | 2015-05-20 |
| CN104639939B true CN104639939B (zh) | 2018-02-06 |
Family
ID=53218180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510058351.2A Expired - Fee Related CN104639939B (zh) | 2015-02-04 | 2015-02-04 | 一种帧内预测mpm机制的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104639939B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106028047B (zh) * | 2016-05-24 | 2019-02-26 | 西安电子科技大学 | 一种基于Hadamard变换的帧内预测的快速模式选择和PU划分的方法 |
| CN110620926B (zh) * | 2018-06-20 | 2022-01-04 | 浙江大学 | 一种帧内预测模式编解码方法及装置 |
| CN108965925A (zh) * | 2018-08-08 | 2018-12-07 | 广州酷狗计算机科技有限公司 | 多媒体资源编码、多媒体流解码方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101207810A (zh) * | 2006-12-21 | 2008-06-25 | 联想(北京)有限公司 | 一种h264视频编码快速模式选择方法和装置 |
| CN101287125A (zh) * | 2008-05-30 | 2008-10-15 | 四川虹微技术有限公司 | 一种快速帧内模式选择方法 |
| CN101483780A (zh) * | 2008-01-07 | 2009-07-15 | 华为技术有限公司 | 一种帧内预测的方法及装置 |
| CN103929652A (zh) * | 2014-04-30 | 2014-07-16 | 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 |
| CN104052994A (zh) * | 2014-04-14 | 2014-09-17 | 嘉兴职业技术学院 | 分级自适应的hevc帧内预测模式快速决策方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009131539A1 (en) * | 2008-04-22 | 2009-10-29 | Agency For Science, Technology And Research | A method and system for detecting and tracking hands in an image |
-
2015
- 2015-02-04 CN CN201510058351.2A patent/CN104639939B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101207810A (zh) * | 2006-12-21 | 2008-06-25 | 联想(北京)有限公司 | 一种h264视频编码快速模式选择方法和装置 |
| CN101483780A (zh) * | 2008-01-07 | 2009-07-15 | 华为技术有限公司 | 一种帧内预测的方法及装置 |
| CN101287125A (zh) * | 2008-05-30 | 2008-10-15 | 四川虹微技术有限公司 | 一种快速帧内模式选择方法 |
| CN104052994A (zh) * | 2014-04-14 | 2014-09-17 | 嘉兴职业技术学院 | 分级自适应的hevc帧内预测模式快速决策方法 |
| CN103929652A (zh) * | 2014-04-30 | 2014-07-16 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104639939A (zh) | 2015-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105657419B (zh) | 图像编码装置及其方法和图像解码装置及其方法 | |
| CN101273641B (zh) | 运动图像编码装置以及运动图像译码装置 | |
| JP6807987B2 (ja) | 画像符号化装置、動画像復号装置、動画像符号化データ及び記録媒体 | |
| US11070838B2 (en) | Motion compensation at a finer precision than motion vector differential | |
| CN104954788B (zh) | Hevc帧内预测模式选择方法及装置 | |
| CN104243997B (zh) | 一种质量可分级hevc视频编码方法 | |
| CN105959706A (zh) | 图像编码装置和方法、以及图像译码装置和方法 | |
| KR101488498B1 (ko) | 참조 블록 파형 정보에 기반하여 인트라 영상을 부호화 하는 장치 및 복호화 하는 장치 | |
| CN104429062A (zh) | 用于对表示三维视频的比特流进行编码的设备 | |
| MX2011000261A (es) | Dispositivo codificador de imagenes, dispositivo descodificador de imagenes, metodo de codificacion de imagenes, y metodo de descodificacion de imagenes. | |
| CN103929652B (zh) | 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 | |
| CN107360419B (zh) | 一种基于透视模型的运动前视视频帧间预测编码方法 | |
| CN108632609A (zh) | 视频编解码装置及方法 | |
| TR201815015T4 (tr) | Görüntülerin kodunu çözmek için usul. | |
| US11206418B2 (en) | Method of image encoding and facility for the implementation of the method | |
| CN105933717A (zh) | 一种编码单元的模式决策方法和装置 | |
| US20230300326A1 (en) | Prediction methods | |
| CN104639939B (zh) | 一种帧内预测mpm机制的优化方法 | |
| US9686558B2 (en) | Scalable encoding and decoding | |
| CN111246218B (zh) | 基于jnd模型的cu分割预测和模式决策纹理编码方法 | |
| CN104618726B (zh) | 一种基于pu纹理特性的hevc帧内快速模式决策算法 | |
| CN110035285B (zh) | 基于运动矢量敏感度的深度预测方法 | |
| CN106791849A (zh) | 基于hevc帧内交错预测的降码率算法 | |
| KR102050238B1 (ko) | Hevc 부호기를 위한 효율적인 화면내 예측 모드 결정 시스템 및 방법 | |
| CN109286816A (zh) | 一种hevc优化帧内预测分块的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180206 Termination date: 20200204 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |