CN109089125B - 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
CN109089125B
CN109089125B CN201811095981.7A CN201811095981A CN109089125B CN 109089125 B CN109089125 B CN 109089125B CN 201811095981 A CN201811095981 A CN 201811095981A CN 109089125 B CN109089125 B CN 109089125B
Authority
CN
China
Prior art keywords
distribution
model
dct coefficients
dct
modeling
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
Application number
CN201811095981.7A
Other languages
English (en)
Other versions
CN109089125A (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
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

Images

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：
Figure BDA0001805549620000011
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：
Figure BDA0001805549620000021
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：
Figure BDA0001805549620000031
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：
Figure BDA0001805549620000032
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：
Figure BDA0001805549620000033
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：
Figure BDA0001805549620000041
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 (4)

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；
所述源分布模型为：
Figure FDA0002632098320000011
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：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：
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。
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，所述设定比例为94～96％。
3.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，所述设定比例为95％。
4.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，所述分布模型的概率密度为：
Figure FDA0002632098320000012
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 CN109089125A (zh) 2018-12-25
CN109089125B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

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
《TCM模型的自适应硬判决量化算法》;李瑞阳 等;《中国计量大学学报》;20170331;全文 *
《Transparent Composite Model for DCT Coefficients:Design and Analysis》;En-Hui Yang 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20140331;全文 *
《Transparent composite model for large scale image/video processing》;En-hui Yang 等;《2013 IEEE International Conference on Big Data》;20131223;全文 *

Also Published As

Publication number Publication date
CN109089125A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN110084221B (zh) 一种基于深度学习的带中继监督的序列化人脸关键点检测方法
CN111489364B (zh) 基于轻量级全卷积神经网络的医学图像分割方法
CN109002889B (zh) 自适应迭代式卷积神经网络模型压缩方法
CN109360028B (zh) 用于推送信息的方法和装置
WO2021135715A1 (zh) 一种图像压缩方法及装置
CN109284761B (zh) 一种图像特征提取方法、装置、设备及可读存储介质
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
CN116452410A (zh) 一种基于深度学习的文本引导无掩膜图像编辑方法
CN112085668B (zh) 一种基于区域自适应自监督学习的图像色调映射的方法
WO2021057926A1 (zh) 一种神经网络模型训练方法及装置
CN107292855B (zh) 一种结合自适应非局部样本和低秩的图像去噪方法
CN109089125B (zh) 一种视频编码中的dct系数分布特征模型优化方法
CN116843559A (zh) 一种基于图像处理与深度学习的水下图像增强方法
CN111814884A (zh) 一种基于可变形卷积的目标检测网络模型的升级方法
CN113642710A (zh) 一种网络模型的量化方法、装置、设备和存储介质
CN108090914B (zh) 基于统计建模与像素分类的彩色图像分割方法
CN107193979B (zh) 一种同源图片检索的方法
CN109286817B (zh) 一种视频编码中dct系数的量化失真信息处理方法
CN101477686B (zh) 基于克隆选择的无监督图像分割方法
Krupiński et al. Binarization of degraded document images with generalized Gaussian distribution
CN116894455A (zh) 确定用于人工神经网络的后训练量化的代表性输入数据集的方法和系统
CN112200275B (zh) 人工神经网络的量化方法及装置
CN115937020A (zh) 图像处理方法、装置、设备、介质和程序产品
CN112529826B (zh) 截断式张量贝叶斯多光谱图像压缩感知重构方法
CN112069923B (zh) 3d人脸点云重建方法及系统

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