CN109089125A - 一种视频编码中的dct系数分布特征模型优化方法 - Google Patents

一种视频编码中的dct系数分布特征模型优化方法 Download PDF

Info

Publication number
CN109089125A
CN109089125A CN201811095981.7A CN201811095981A CN109089125A CN 109089125 A CN109089125 A CN 109089125A CN 201811095981 A CN201811095981 A CN 201811095981A CN 109089125 A CN109089125 A CN 109089125A
Authority
CN
China
Prior art keywords
dct coefficient
model
distribution
video coding
optimization method
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.)
Granted
Application number
CN201811095981.7A
Other languages
English (en)
Other versions
CN109089125B (zh
Inventor
张娜娜
王向文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201811095981.7A priority Critical patent/CN109089125B/zh
Publication of CN109089125A publication Critical patent/CN109089125A/zh
Application granted granted Critical
Publication of CN109089125B publication Critical patent/CN109089125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]

Landscapes

  • Physics & Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种视频编码中的DCT系数分布特征模型优化方法，包括：步骤S1：获取源分布模型；步骤S2：根据样本序列的相对于0的分布情况优化分布模型中主体部分与尾部的分界参数；步骤S3：将样本序列中小于分界参数的DCT系数作为分布建模的主体部分，其余的DCT系数作为尾部，得到优化后的分布模型。与现有技术相比，本发明结合DCT系数的实际分布特征，优化分界参数，从而将LPTCM模型分段建模的思想应用于简单的LAP模型，有效的避免了DCT系数严重的拖尾现象。

Description

一种视频编码中的DCT系数分布特征模型优化方法
技术领域
本发明涉及视频编码领域，尤其是涉及一种视频编码中的DCT系数分布特征模型优化方法。
背景技术
DTC系数的统计建模，是对DCT系数离散分布的规律统一，用简单的数学模型来表示数量庞大且复杂的DTC系数。DCT系数的分布特征明显，其主要部分首先快速的呈指数形式衰减，随后是相对平稳的尾部。拉普拉斯(LAP)模型是典型的呈指数形势衰减的分布模型，在复杂性和建模精度之间有较好的平衡性，在图像和视频编码中也得到了广泛的应用。
样本序列为{Yi:i＝1,2,3,...,n}时，LAP分布模型的概率密度函数如下所示：
其中：λ表示LAP模型的正刻度参数。
然而,在许多情况下,我们发现DCT系数有一个相对严重的尾巴,无法使用指数衰减的函数来有效的建模，而对尾部部分建模进行改进会产生更好的编码性能。LPTCM模型为重尾现象提供了一种强有力的建模方式,将DCT系数的尾部与DCT系数的主要部分分离，采用均匀分布建模,而主体部分则由拉普拉斯模型来建模。
然而，在实际的DCT系数建模中，广泛的应用了在建模复杂性和建模精度上较为平衡的LAP模型。如果仅依赖LAP模型的简洁性而忽略至关重要的建模精度，对后续有关DCT系数的算法将产生不可忽略的影响。因此，为了保证DCT系数的建模能够简单有效的实施，必须要同时考虑模型的简洁性和建模精度的问题。
目前，一些新的模型已经被提出，DCT系数的建模精度也有了明显的提高。但是，那些模型的表现形式复杂，应用于复杂的视频编码算法中还有一定的困难。因此，并不能将其广泛应用于视频编码的各种算法。典型的新兴模型如：LPTCM(J.Meng,and C.Sun,“Transparent composite model for DCT coefficients:Design and analysis,”IEEETrans.Image Processing,submitted for publication,June 2013)建模方法，建模精度较LAP模型有明显提高。但模型的分布参数较多，其过程和结果复杂。这类建模结果并不能应用于复杂的编码算法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种视频编码中的DCT系数分布特征模型优化方法。
本发明的目的可以通过以下技术方案来实现：
一种视频编码中的DCT系数分布特征模型优化方法，包括：
步骤S1：获取源分布模型；
步骤S2：根据样本序列的相对于0的分布情况优化分布模型中主体部分与尾部的分界参数；
步骤S3：将样本序列中小于分界参数的DCT系数作为分布建模的主体部分，其余的DCT系数作为尾部，得到优化后的分布模型。
所述源分布模型为：
其中：p(y/yc,λ，a)为源分布模型，y为样本序列中的DCT系数，yc为分布模型中主体部分与尾部的分界参数，λ为分布参数，a为DCT系数的最大取值，f(λ)LAP为分布模型的概率密度，f(yc,a)UN为均匀分布。
所述步骤S2具体包括：
步骤S21：提取样本序列中集中在0附近的设定比例的DCT系数；
步骤S22：计算所有提取的DCT系数的绝对值，并将所有绝对值中最大的一个作为优化后的分布模型中主体部分与尾部的分界参数。
所述设定比例为94～96％。
所述设定比例为95％。
所述分布模型的概率密度为：
其中：e为自然底数。
与现有技术相比，本发明具有以下有益效果：
1)结合DCT系数的实际分布特征，优化分界参数，从而将LPTCM模型分段建模的思想应用于简单的LAP模型，有效的避免了DCT系数严重的拖尾现象。
2)在提高建模精度的同时，保留了LAP分布模型简洁性的建模优点
3)将比例设置为95％，可以在保证模型简易化的同时，确保精度。
附图说明
图1为本发明方法的主要步骤流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种视频编码中的DCT系数分布特征模型优化方法，如图1所示，包括：
步骤S1：获取源分布模型，源分布模型为：
其中：p(y/yc,λ，a)为源分布模型，y为样本序列中的DCT系数，yc为分布模型中主体部分与尾部的分界参数，λ为分布参数，a为DCT系数的最大取值，f(λ)LAP为分布模型的概率密度，f(yc,a)UN为均匀分布。
其中，分布模型的概率密度为：
其中：e为自然底数。
步骤S2：根据样本序列的相对于0的分布情况优化分布模型中主体部分与尾部的分界参数；
首先建立DCT系数的分布直方图，确定DCT系数的分布区间和尾部数据的分布特征，然后具体包括：
步骤S21：提取样本序列中集中在0附近的设定比例的DCT系数，其中，设定比例为94～96％，优选的，设定比例为95％。
步骤S22：计算所有提取的DCT系数的绝对值，并将所有绝对值中最大的一个作为优化后的分布模型中主体部分与尾部的分界参数。
即样本序列为{yi:i＝1,2,3，…，n}时，主体部分样本序列{yi:i∈S}，且对于任意的i∈S，有|yi|≤yc，yc表示主体部分与尾部数据的分界参数。根据这种建模思想，我们将0附近95％的DCT系数作为分布建模的主体部分，主体部分的参数集与整体样本序列有以下关系：
其中：|S|表示有限集S的一个基数，n表示整体DCT数据的个数。
步骤S3：将样本序列中小于分界参数的DCT系数作为分布建模的主体部分，其余的DCT系数作为尾部，得到优化后的分布模型。
1)根据对DCT系数的分段处理结果，我们仅在DCT系数主体数据的基础上利用最大似然估计的参数估计方法，计算出LAP模型的分布参数λ；
2)根据分段建模的参数估计结果，得到基于主体数据的LAP分布模型，这一基于主题数据的建模结果即为整体DCT系数的LAP分布模型；
基于LPTCM分段建模的方法改善传统LAP模型的建模方法，以此来提高LAP模型的建模精度。通过LPTCM模型的建模思路将DCT系数的主体部分与尾部分开处理，有效的避免了DCT系数严重的拖尾现象。经过一次DCT系数的分段处理，得到LAP模型在DCT系数建模方面最精确的分布参数，建模性能优于复杂的LPTCM模型。在解决DCT系数的拖尾以及建模复杂度的同时，提高了建模精度。

Claims (6)

1.一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，包括：
步骤S1：获取源分布模型；
步骤S2：根据样本序列的相对于0的分布情况优化分布模型中主体部分与尾部的分界参数；
步骤S3：将样本序列中小于分界参数的DCT系数作为分布建模的主体部分，其余的DCT系数作为尾部，得到优化后的分布模型。
2.根据权利要求1所述的一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，所述源分布模型为：
其中：p(y/yc,λ，a)为源分布模型，y为样本序列中的DCT系数，yc为分布模型中主体部分与尾部的分界参数，λ为分布参数，a为DCT系数的最大取值，f(λ)LAP为分布模型的概率密度，f(yc,a)UN为均匀分布。
3.根据权利要求1所述的一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，所述步骤S2具体包括：
步骤S21：提取样本序列中集中在0附近的设定比例的DCT系数；
步骤S22：计算所有提取的DCT系数的绝对值，并将所有绝对值中最大的一个作为优化后的分布模型中主体部分与尾部的分界参数。
4.根据权利要求3所述的一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，所述设定比例为94～96％。
5.根据权利要求4所述的一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，所述设定比例为95％。
6.根据权利要求2所述的一种视频编码中的DCT系数分布特征模型优化方法，其特征在于，所述分布模型的概率密度为：
其中：e为自然底数。
CN201811095981.7A 2018-09-19 2018-09-19 一种视频编码中的dct系数分布特征模型优化方法 Active CN109089125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811095981.7A CN109089125B (zh) 2018-09-19 2018-09-19 一种视频编码中的dct系数分布特征模型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811095981.7A CN109089125B (zh) 2018-09-19 2018-09-19 一种视频编码中的dct系数分布特征模型优化方法

Publications (2)

Publication Number Publication Date
CN109089125A true CN109089125A (zh) 2018-12-25
CN109089125B CN109089125B (zh) 2020-10-23

Family

ID=64841883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811095981.7A Active CN109089125B (zh) 2018-09-19 2018-09-19 一种视频编码中的dct系数分布特征模型优化方法

Country Status (1)

Country Link
CN (1) CN109089125B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582036A (zh) * 2020-04-09 2020-08-25 天津大学 可穿戴设备下基于形状和姿态的跨视角人物识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103581670A (zh) * 2013-10-09 2014-02-12 合一网络技术(北京)有限公司 H264自适应帧内模式选择码率估计的率失真优化方法及其装置
WO2014186886A1 (en) * 2013-05-24 2014-11-27 En-Hui Yang System and method having transparent composite model for transform coefficients

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014186886A1 (en) * 2013-05-24 2014-11-27 En-Hui Yang System and method having transparent composite model for transform coefficients
CN103581670A (zh) * 2013-10-09 2014-02-12 合一网络技术(北京)有限公司 H264自适应帧内模式选择码率估计的率失真优化方法及其装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EN-HUI YANG 等: "《Transparent Composite Model for DCT Coefficients:Design and Analysis》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
EN-HUI YANG 等: "《Transparent composite model for large scale image/video processing》", 《2013 IEEE INTERNATIONAL CONFERENCE ON BIG DATA》 *
李瑞阳 等: "《TCM模型的自适应硬判决量化算法》", 《中国计量大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582036A (zh) * 2020-04-09 2020-08-25 天津大学 可穿戴设备下基于形状和姿态的跨视角人物识别方法
CN111582036B (zh) * 2020-04-09 2023-03-07 天津大学 可穿戴设备下基于形状和姿态的跨视角人物识别方法

Also Published As

Publication number Publication date
CN109089125B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN108337000B (zh) 用于转换到较低精度数据格式的自动方法
JP7424078B2 (ja) 画像エンコーディング方法及び装置並びに画像デコーディング方法及び装置
US10096134B2 (en) Data compaction and memory bandwidth reduction for sparse neural networks
WO2017185412A1 (zh) 一种支持较少位数定点数的神经网络运算的装置和方法
CN109903236B (zh) 基于vae-gan与相似块搜索的人脸图像修复方法及装置
Yu et al. Threshold regression with a threshold boundary
Wang et al. Channel and space attention neural network for image denoising
CN113140018B (zh) 训练对抗网络模型的方法、建立字库的方法、装置和设备
Vogel et al. Self-supervised quantization of pre-trained neural networks for multiplierless acceleration
CN102982544B (zh) 多前景目标图像交互式分割方法
WO2018133596A1 (zh) 一种基于名义属性的连续型特征构造方法
CN108196822A (zh) 一种双精度浮点开方运算的方法及系统
Karam et al. Monte-Carlo acceleration of bilateral filter and non-local means
WO2017107337A1 (zh) 一种基于改进的按位替换法求矩阵三角分解的模块及方法
Nepomuceno et al. On the use of interval extensions to estimate the largest Lyapunov exponent from chaotic data
CN116701692A (zh) 一种图像生成方法、装置、设备及介质
WO2023201772A1 (zh) 基于迭代域内适应和自训练的跨域遥感图像语义分割方法
CN109089125A (zh) 一种视频编码中的dct系数分布特征模型优化方法
Liang et al. Toward feature-preserving vector field compression
CN114492631A (zh) 一种基于通道注意力的空间注意力计算方法
Chen et al. Approximate softmax functions for energy-efficient deep neural networks
CN111161175A (zh) 一种用于去除图像反射分量的方法及系统
CN109286817B (zh) 一种视频编码中dct系数的量化失真信息处理方法
CN110176021B (zh) 结合亮度校正的显著性信息的水平集图像分割方法及系统
US20230154053A1 (en) System and method for scene graph lossless compression by context-based graph convolution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant