CN109302607A - 基于图像场景的多预测方法及其系统 - Google Patents

基于图像场景的多预测方法及其系统 Download PDF

Info

Publication number
CN109302607A
CN109302607A CN201811261696.8A CN201811261696A CN109302607A CN 109302607 A CN109302607 A CN 109302607A CN 201811261696 A CN201811261696 A CN 201811261696A CN 109302607 A CN109302607 A CN 109302607A
Authority
CN
China
Prior art keywords
prediction
component
pixel
pixel component
predicted
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.)
Withdrawn
Application number
CN201811261696.8A
Other languages
English (en)
Inventor
冉文方
田林海
李雯
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.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology Co Ltd
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 Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN201811261696.8A priority Critical patent/CN109302607A/zh
Publication of CN109302607A publication Critical patent/CN109302607A/zh
Withdrawn legal-status Critical Current

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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/103—Selection of coding mode or of prediction mode
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/157—Assigned coding mode, i.e. the coding mode being predefined or preselected to be further used for selection of another element or parameter
    • H04N19/159—Prediction type, e.g. intra-frame, inter-frame or bidirectional frame prediction
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • 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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding

Landscapes

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

Abstract

本发明涉及一种基于图像场景的多预测方法，包括：步骤1、将图像划分为若干宏块；步骤2、将当前宏块的每个待预测像素分量按照不同预测方法分别获取预测残差；其中所述不同预测方法包括多像素分量预测方法和宏块分割预测方法；步骤3、按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。本发明提出的基于图像场景的多预测方法，根据不同的图像场景，通过预设算法选择当前宏块的最优预测方法，进一步降低预测的理论极限熵。

Description

基于图像场景的多预测方法及其系统
技术领域
本发明涉及一种多媒体技术领域，特别涉及一种基于图像场景的多预测方法及其系统。
背景技术
随着公众对视频质量需求的不断提高，视频的图像分辨率作为视频质量的重要特性之一，视频的图像分辨率也随之成倍数的增加，已经从720p和1080p过渡到目前市场主流的4K视频分辨率，对应的视频压缩标准也从H.264过渡到H.265。由此使视频图像的数据量十分巨大，如何提高图像的存储空间和传输带宽就显得尤为必要。
图像压缩主要由四个部分组成，包含预测模块、量化模块、码控模块和熵编码模块。其中预测模块作为一个重要的模块，是利用图像相邻像素间存在的空间冗余度，根据邻近像素信息对当前像素值进行预测，预测差值的标准差要远小于原始图像数据的标准差，因此对预测差值进行编码，更有利于使图像数据的理论熵达到最小，达到提高压缩效率的目的。
现有的预测方法没有针对图像的不同场景选择不同的预测算法，没有充分利用像素纹理之间的相关性，无法进一步降低理论极限熵以及运算的复杂度。
发明内容
因此，为解决现有技术存在的技术缺陷和不足，本发明提出一种像素级多分量参考的自适应方向预测方法。
具体地，本发明一个实施例提出的一种基于图像场景的多预测方法，包括：
步骤1、将图像划分为若干宏块；
步骤2、将当前宏块的每个待预测像素分量按照不同预测方法分别获取预测残差；其中所述不同预测方法包括多像素分量预测方法和宏块分割预测方法；
步骤3、按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
在本发明的一个实施例中，步骤2中所述多像素分量预测方法包括：
步骤211、根据当前待预测像素的每个像素分量确定所述待预测像素分量的参考值；
步骤212、根据所述参考值确定所述待预测像素分量的预测残差。
在本发明的一个实施例中，步骤211包括：
确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；
将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
在本发明的一个实施例中，步骤2中所述宏块分割预测方法，包括：
步骤221、将所述当前宏块按照不同分割模式划分为M层子宏块；
步骤222、分别计算所述不同分割模式下所述第M层子宏块的比特数；
步骤223、根据所述比特数确定所述第M层子宏块的最终分割模式；
步骤224、计算所述第M层子宏块的每个待预测像素分量的预测残差；
步骤225、根据递归算法将第M-1层子宏块至第一层子宏块执行步骤221～步骤224确定每层子宏块的分割模式以及每个待预测像素分量的预测残差。
在本发明的一个实施例中，步骤221中不同分割模式包括水平分割、垂直分割和不分割。
本发明另一个实施例提出的一种基于图像场景的多预测系统，包括：
图像划分模块，用于将图像划分为若干宏块；
多像素分量预测模块，连接所述图像划分模块，用于将当前宏块的每个待预测像素分量获取第一预测残差；
宏块分割预测模块，连接所述图像划分模块，用于将当前宏块的每个待预测像素分量获取第二预测残差；
选择模块，分别连接所述多像素分量预测模块和宏块分割预测模块，用于按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
在本发明的一个实施例中，多像素分量预测模块，包括：
参考值确定单元，根据当前待预测像素的每个像素分量确定所述待预测像素分量的参考值；
预测残差确定单元，用于根据所述参考值确定所述待预测像素分量的预测残差。
在本发明的一个实施例中，参考值确定单元具体用于确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
在本发明的一个实施例中，所述宏块分割预测模块，包括：
宏块分割单元，用于将所述当前宏块按照不同分割模式划分为M层子宏块；
比特数计算单元，连接至所述宏块分割单元，用于分别计算所述不同分割模式下每层子宏块的比特数；
分割模式确定单元，连接至所述比特数计算单元，用于根据所述比特数确定每M层子宏块的最终分割模式；
预测残差计算单元，连接至所述分割模式确定单元，用于计算每层子宏块的每个待预测像素分量的预测残差。
在本发明的一个实施例中，所述宏块分割单元包括水平分割子单元、垂直分割子单元和不分割子单元。
基于此，本发明具备如下优点：
1、本发明通过每个待预测像素分量的多方向梯度加权和同位置多分量的方向加权，可以更加合理的确定当前待预测像素分量的预测方向，尤其是当纹理复杂时，可以起到更好的预测方向纠偏效果。并且该方法，可以均衡同位置像素各像素分量间和同分量像素相邻多像素间的纹理预测方向，减少单个像素分量预测误判的可能性，最终进一步降低预测的理论极限熵；
2、本发明将当前宏块进行水平划分、垂直划分、不划分，选择对应最优的划分方式进行残差预测，以使初始的宏块和预测的宏块之间的差异最小而提高压缩效率并提高主观图片质量，对于复杂纹理图像处理时，预测效果好、处理效率高，且能够降低理论极限熵；
3、本发明根据不同的图像场景，通过预设算法选择当前宏块的最优预测方法，进一步降低预测的理论极限熵。
通过以下参考附图的详细说明，本发明的其它方面和特征变得明显。但是应当知道，该附图仅仅为解释的目的设计，而不是作为本发明的范围的限定，这是因为其应当参考附加的权利要求。还应当知道，除非另外指出，不必要依比例绘制附图，它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
下面将结合附图，对本发明的具体实施方式进行详细的说明。
图1为本发明实施例提供的一种基于图像场景的多预测方法的流程示意图；
图2为本发明实施例提供的一种基于图像场景的多预测系统结构示意图；
图3a为本发明实施例提供的一种多像素分量预测模块结构示意图；
图3b为本发明实施例提供的一种宏块分割预测模块结构示意图；
图4为本发明实施例提供的一种多像素分量预测方法的原理示意图；
图5为本发明实施例提供的一种当前像素分量与周围像素分量的位置示意图；
图6为本发明实施例提供的一种梯度值计算示意图；
图7为本发明实施例提供的另一种多像素分量预测方法的原理示意图；
图8a为本发明实施例提供的一种MB水平划分示意图；
图8b为本发明实施例提供的另一种MB垂直划分示意图；
图8c为本发明实施例提供的再一种MB不划分示意图；
图9为本发明实施例提供的一种当前宏块最终分割示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
实施例一
请参见图1，图1为本发明实施例提供的一种基于图像场景的多预测方法的流程示意图。该方法包括如下步骤：
步骤1、将图像划分为若干宏块；
步骤2、将当前宏块的每个待预测像素分量按照不同预测方法分别获取预测残差；其中所述不同预测方法包括多像素分量预测方法和宏块分割预测方法；
步骤3、按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
其中，步骤2中所述多像素分量预测方法可以包括：
步骤211、根据当前待预测像素的每个像素分量确定所述待预测像素分量的参考值；
步骤212、根据所述参考值确定所述待预测像素分量的预测残差。
其中，步骤211可以包括：
步骤2111、确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；
步骤2112、将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
其中，步骤2中所述宏块分割预测方法，包括：
步骤221、将所述当前宏块按照不同分割模式划分为M层子宏块；
步骤222、分别计算所述不同分割模式下所述第M层子宏块的比特数；
步骤223、根据所述比特数确定所述第M层子宏块的最终分割模式；
步骤224、计算所述第M层子宏块的每个待预测像素分量的预测残差；
步骤225、根据递归算法将第M-1层子宏块至第一层子宏块执行步骤221～步骤224确定每层子宏块的分割模式以及每个待预测像素分量的预测残差。
其中，步骤221中不同分割模式包括水平分割、垂直分割和不分割。
其中，步骤3可以包括：
计算每种预测方法的残差绝对值和(sum of absolute difference，简称SAD)以及残差和(sum of difference，简称SD)，如下式所示：
Res为当前宏块每个待预测像素分量的预测残差，ABS为取绝对值，m*n为当前宏块待预测像素分量的数量。
最终根据SAD和SD的情况，分不同的图像场景配置权重系数a1和a2，计算残差主观和(subjective difference，简称SUBD)，如下式所示：
SUBD＝a1×SAD+a2×SD
若为连续多帧且具有传导效应的场景，如H246参考值压缩，a2较大，a1较小；反之，a1较大，a2较小；进一步地，可以设定a1+a2＝1。
选取SUBD的最小值对应的预测方法为当前宏块最终的预测方法，采用该方法计算得到的预测残差为最终的预测残差。
其中，在步骤3之后，还可以包括在码流中传输当前宏块选取的最终预测方法的附加标志位以及最终的预测残差。
实施例二
请参见图2，图2为本发明实施例提供的一种基于图像场景的多预测系统结构示意图。本实施例在上述实施例的基础上提出一种基于图像场景的多预测系统，包括：
图像划分模块01，用于将图像划分为若干宏块；
多像素分量预测模块02，连接所述图像划分模块01，用于将当前宏块的每个待预测像素分量获取第一预测残差；
宏块分割预测模块03，连接所述图像划分模块01，用于将当前宏块的每个待预测像素分量获取第二预测残差；
选择模块04，分别连接所述多像素分量预测模块02和宏块分割预测模块03，用于按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
其中，多像素分量预测模块02，如图3a所示，图3a为本发明实施例提供的一种多像素分量预测模块结构示意图，包括：
参考值确定单元021，用于根据当前待预测像素的多个像素分量确定所述待预测像素分量的参考值；
预测残差确定单元022，用于根据所述参考值确定所述待预测像素分量的预测残差。
其中，参考值确定单元021具体用于确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
其中，所述宏块分割预测模块03，如图3b所示，图3b为本发明实施例提供的一种宏块分割预测模块结构示意图，包括：
宏块分割单元031，用于将所述当前宏块按照不同分割模式进行划分划分为M层子宏块；
比特数计算单元032，连接至所述宏块分割单元031，用于分别计算所述不同分割模式下每层子宏块的比特数；
分割模式确定单元033，连接至所述比特数计算单元032，用于根据所述比特数确定每M层子宏块的最终分割模式；
预测残差计算单元034，连接至所述分割模式确定单元033，用于计算每层子宏块的每个待预测像素分量的预测残差。
其中，所述宏块分割单元031包括水平分割子单元、垂直分割子单元和不分割子单元。
实施例三
本实施例在上述实施例的基础上对本发明提出的多像素分量预测方法进行详细描述，如图4所示，图4为本发明实施例提供的一种多像素分量预测方法的原理示意图，该预测方法包括如下步骤：
S21、定义当前像素有K(K>1)个像素分量，分别为分量1、分量2……分量K；
S22、对于当前像素的每个分量，通过该分量的周围分量，确定每个分量的N个纹理方向梯度值G1～GN；
优选地，当前像素分量的周围分量，可与当前像素分量相邻，也可不相邻；如图5所示，图5为本发明实施例提供的一种当前像素分量与周围像素分量的位置示意图，CUR代表当前像素，即周围分量可以为GHIK，也可以为ABCDEFJ。
S23、将每个分量的N个纹理方向梯度值G1～GN(G1～GN既代表纹理方向梯度值的大小，也代表纹理方向梯度值的方向)进行加权得到N个纹理方向梯度值加权后的第一加权梯度值BG，加权公式如下：
BGi＝w1*G1+w2*G2+…+wN*GN(i＝1…K)
其中，w1、w2…wN为加权系数；BG1为分量1的第一加权梯度值，BG2为分量2的第一加权梯度值，依次类推，BGK为分量K的第一加权梯度值。
优选地，根据每个分量与对应的计算纹理方向梯度值的像素的位置关系，设置加权系数w1、w2…wN获得每个分量的第一加权梯度值的最优值BGbst。
优选地，计算当前纹理方向梯度值的像素与当前分量距离越近加权系数值越大，加权系数值的总和为1，具体为w1+w2+…+wN＝1。
S24、将K个分量的第一加权梯度值的最优值BGbst进行加权，可以得到第一加权梯度值的最优值加权后的第二加权梯度值BG"，加权公式如下：
BG"i＝t1*BGbst1+t2*BGbst2+…+tK*BGbstK(i＝1…K)
其中，t1、t2…tK为加权系数，可以相同也可以不同；BGbst1为分量1的第一加权梯度值的最优值，BGbst2为分量2的第一加权梯度值的最优值，依次类推，BGbstK为分量K的第一加权梯度值的最优值，BG"1为分量1的第二加权梯度值，BG"2为分量2的第二加权梯度值，依次类推，BG"K为分量K的第二加权梯度值，确定出第二加权梯度值BG"的最优值BG"bst。
优选地，根据每个分量与对应第一加权梯度值的最优值BGbst的关系，设置加权系数t1、t2…tK获得每个分量的第二加权梯度值的最优值BGbst。
优选地，当前分量下的第一加权梯度值的最优值BGbst加权系数值最大，与当前分量距离逐渐增加的其它分量下的第一加权梯度值的最优值BGbst加权系数值逐渐减小，加权系数值的总和为1，具体为t1+t2+…+tk＝1。第二加权梯度值的最优值BG"bst的方向即为当前分量的参考方向Dir。
S25、将每个分量的参考方向上所有可用的分量像素值进行加权，得到每个分量的参考值Ref，加权公式如下所示：
Refi＝r1*cpt1+r2*cpt2+…+rN*cptN(i＝1…K)
其中，r1、r2…rN为加权系数，可以相同也可以不同；cpt1～cptN为每个分量的参考方向上N个可用的分量像素值；Ref1为分量1的参考值，Ref2为分量2的参考值，依次类推，RefK为分量K的参考值。
S26、将当前分量像素值减去参考值，可以得到当前分量像素的预测残差Dif；公式如下：
Difi＝Curcpti-Refi(i＝1…K)
其中，Curcpt1为分量1的像素值，Curcpt2为分量2的像素值，依次类推，CurcptK为分量K的像素值；Dif1为分量1的预测残差，Dif2为分量2的预测残差，依次类推，DifK为分量K的预测残差。
S27、当前像素的其余分量，重复S22～S26，即得到该像素所有分量的预测残差。
优选地，多分量可以并行处理，也可以串行处理，具体应用规格场景需要。
本实施例可以将当前像素的多像素分量并行处理，更利于实现预测方法的并行化处理。相对于串行分量处理的时间长效率低，并行处理可以成倍提高处理速度，利于预测算法的硬件实现。
实施例四
本实施例在上述实施例的基础上对本发明提出的多像素分量预测方法举例描述。本实施例将当前像素分为Y、U、V三个像素分量，如图7所示，图7为本发明实施例提供的另一种多像素分量预测方法的原理示意图，具体步骤如下：
S31、定义当前像素有三个像素分量，分别为分量Y、分量U、分量V；
S32、对于当前像素的三个像素分量，通过每个分量的周围分量，确定每个分量的3个纹理方向梯度值G1、G2、G3；
优选地，对于分量Y、分量U、分量V，分别根据图6所示，图6为本发明实施例提供的一种梯度值计算示意图，ABS(K-H)为45度梯度值，ABS(K-G)为90度梯度值，ABS(K-F)为135度梯度值，ABS(K-J)为180度梯度值。其中，ABS为绝对值运算。
S33、对于分量Y、分量U、分量V的每一个分量，加权步骤2中的3个纹理方向梯度值G1、G2、G3，例如为45度梯度值，90度梯度值，135度梯度值，得到每一个分量的第一加权梯度值BG，求解每一个分量的第一加权梯度值的最优值。
优选地，例如对于Y分量，45度梯度值上的像素H、90度梯度值上的像素G与135度梯度值上的像素F与Y分量的距离逐渐增大，因此，w1选取为0.5，w2选取为0.3，w3选取为0.2，BGbstY＝0.5*G1+0.3*G2+0.2*G3。同理可以得出BGbstU和BGbstV。
S34、将3个分量的第一加权梯度值的最优梯度值进行加权得出第一加权梯度值最优值加权后的第二加权梯度值BG"，并选取出第二加权梯度值的最优值BG"bst。加权计算如下：
BG"bstY＝0.5*BGbstY+0.3*BGbstU+0.2*BGbstV
BG"bstU＝0.3*BGbstY+0.4*BGbstU+0.3*BGbstV
BG"bstV＝0.2*BGbstY+0.3*BGbstU+0.5*BGbstV
其中，BG"bstY为分量Y第二加权梯度值的最优值，BG"bstU为分量U第二加权梯度值的最优值，BG"bstV为分量V第二加权梯度值的最优值，BGbstY为分量Y第一加权梯度值的最优值，BGbstU为分量U第一加权梯度值的最优值，BGbstV为分量V第一加权梯度值的最优值。
上式中的系数选取规则为当前分量下的第一加权梯度值的最优值BGbst加权系数值最大，与当前分量距离逐渐增加的其它分量下的第一加权梯度值的最优值BGbst加权系数值逐渐减小，加权系数值的总和为1。
其中，BG"bst的方向为当前分量的参考方向Dir，即DirY为分量Y的参考方向，DirU为分量U的参考方向，DirV为分量V的参考方向。
S35、将3个分量的参考方向上2个分量像素值进行加权，得到3个分量的参考值Ref，加权公式如下所示：
RefY＝r1*cpt1+r2*cpt2
RefU＝r1*cpt1+r2*cpt2
RefV＝r1*cpt1+r2*cpt2
其中，RefY为Y分量的参考值，RefU为U分量的参考值，RefV为V分量的参考值，cpt1、cpt2为每个参考方向的分量像素值。
优选地，对于任意分量，若为45度参考，那么参考值REF为0.8*I+0.2E；若为90度参考，那么参考值为0.8*H+0.2C；若为135度参考，那么参考值为0.8*G+0.2A；若为180度参考，那么参考值为0.8*K+0.2J，分量像素值离当前像素越近，配置系数越大。
S36、将当前分量像素值减去参考值，可以得到当前像素分量的预测残差Dif，计算如下：
DifY＝CurcptY-RefY
DifU＝CurcptU-RefU
DifV＝CurcptV-RefV
其中，CurcptY为分量Y的像素值，CurcptU为分量U的像素值，CurcptV为分量V的像素值；DifY为分量Y的预测残差，DifU为分量U的预测残差，DifV为分量V的预测残差。
实施例五
本实施例在上述实施例的基础上对宏块分割预测方法进行详细描述，该方法包括：
步骤1、确定当前MB的分割方式，其中，所述分割方式包括水平分割、垂直分割、不分割；参见图8a～图8c，图8a为本发明实施例提供的一种MB水平分割示意图；图8b为本发明实施例提供的另一种MB垂直分割示意图；图8c为本发明实施例提供的再一种MB不分割示意图。本实施例将当前宏块分割为M层子宏块，如图9所示，图9为本发明实施例提供的一种当前宏块最终分割示意图。
步骤2、分别计算每种分割方式下的第M层子宏块比特数；
其中，在一个具体实施方式中，所述步骤2包括：
步骤201、参看图8a，采用水平分割方式，将第M层子宏块分为上编码子块11和下编码子块12，其中所述上编码子块11和下编码子块12分别包括N个像素分量；
步骤202、在所述上编码子块像素分量中，得到所述上编码子块像素分量的最大值和所述上编码子块像素分量的最小值；
步骤203、计算所述上编码子块像素分量的最大值和所述上编码子块像素分量的最小值的差值，并得到表示所述差值的上编码子块最少比特数；
如果需要确定上编码子块的预测残差，将该上编码子块的N个像素分量，分别减去上编码子块像素分量的最小值，得到该上编码子块的所有像素分量的预测残差。
步骤204、在所述下编码子块像素分量中，得到所述下编码子块像素分量的最大值和所述下编码子块像素分量的最小值；
步骤205、计算所述下编码子块像素分量的最大值和所述下编码子块像素分量的最小值的差值，并得到表示所述差值的下编码子块最少比特数；
步骤206、根据所述上编码子块最少比特数、下编码子块最少比特数得到水平分割方式下所述第M层子宏块比特数(第一比特数)为：
SEGud＝N*BIT_MINup+N*BIT_MINdown+2*BITDEPTH，
其中，BIT_MINup为上编码子块最少比特数，N*BIT_MINdown为下编码子块最少比特数，BITDEPTH为原始数据的比特深度。
如果需要确定上编码子块的预测残差，将该上编码子块的N个像素分量，分别减去上编码子块像素分量的最小值，得到该上编码子块的所有像素分量的预测残差。
如果水平分割方式为最优方式，则最终输出上下编码子块各N个预测残差数据、上下编码子块中像素分量的最小值的原始像素，以及分割方式。
在一个具体实施方式中，所述步骤2包括：
步骤211、采用垂直分割方式，参看图8b，将第M层子宏块分为左编码子块21和右编码子块22，其中所述左编码子块和右编码子块分别包括N个像素分量；
步骤212、在所述左编码子块像素分量中，得到所述左编码子块像素分量的最大值和所述左编码子块像素分量的最小值；
步骤213、计算所述左编码子块像素分量的最大值和所述左编码子块像素分量的最小值的差值，并得到表示所述差值的左编码子块最少比特数；
如果需要确定左编码子块的预测残差，将该左编码子块的N个像素分量，分别减去左编码子块像素分量的最小值，得到该左编码子块的所有像素分量的预测残差。
步骤214、在所述右编码子块像素分量中，得到所述右编码子块像素分量的最大值和所述右编码子块像素分量的最小值；
步骤215、计算所述右编码子块像素分量的最大值和所述右编码子块像素分量的最小值的差值，并得到表示所述差值的右编码子块最少比特数；
步骤216、根据所述左编码子块最少比特数、右编码子块最少比特数得到垂直分割方式下所述第M层子宏块比特数(第二比特数)为：
SEGlr＝N*BIT_MINleft+N*BIT_MINright+2*BITDEPTH，
其中，BIT_MINleft为左编码子块最少比特数，N*BIT_MINright为右编码子块最少比特数，BITDEPTH为原始数据的比特深度。
如果需要确定右编码子块的预测残差，将该右编码子块的N个像素分量，分别减去右编码子块像素分量的最小值，得到该右编码子块的所有像素分量的预测残差。
如果垂直分割方式为最优方式，则最终输出左右编码子块各N个预测残差数据、左右编码子块中像素分量的最小值的原始像素，以及分割方式。
在一个具体实施方式中，所述步骤2包括：
步骤221、采用不分割方式，参看图8c，第M层子宏块31包括2N个像素分量；
步骤222、得到所述第M层子宏块像素分量的最大值和所述第M层子宏块像素分量的最小值；
步骤223、计算所述第M层子宏块像素分量的最大值和所述第M层子宏块像素分量的最小值的差值，得到表示所述差值的第M层子宏块最少比特数；
步骤224、根据所述第M层子宏块最少比特数得到不分割方式下所述第M层子宏块比特数(第三比特数)为：
SUB-SEG＝2N*BIT_MIN+BITDEPTH，
其中，BIT_MIN为第M层子宏块最少比特数，BITDEPTH为原始数据的比特深度。
如果需要确定第M层子宏块的预测残差，将该第M层子宏块的2N个像素分量，分别减去第M层子宏块像素分量的最小值，得到第M层子宏块的所有像素分量的预测残差。
如果不分割方式为最优方式，则最终输出第M层子宏块2N个预测残差数据、第M层子宏块中像素分量的最小值的原始像素，以及分割方式。
步骤3、将所述第M层子宏块比特数最小值对应的分割方式作为所述第M层子宏块的当前分割方式；
步骤4、计算所述第M层子宏块在所述当前分割方式下的每个待预测像素分量的预测残差；
步骤5、将所述当前分割方式、每个待预测像素分量的预测残差、所述比特数最小值对应的原始像素分量写入码流中；
步骤6、根据递归算法将第M-1层子宏块至第一层子宏块执行步骤1～步骤5确定每层子宏块的分割模式以及每个待预测像素分量的预测残差，将所述每层子宏块的当前分割方式、每个待预测像素分量的预测残差、所述比特数最小值对应的原始像素分量写入码流中。
视频通常可以包括一系列图片，每个图片被分成或分割成预定区域，如帧或块。当视频的区域被分割成块时，根据编码方法，分割块可以被分类成帧内块或帧间块。帧内块是指通过帧内预测编码方法编码的块。帧内预测编码方法通过使用其中执行当前编码的当前图片中的之前经受编码和解码的重构块的像素，预测当前块的像素，以产生预测的块，然后编码预测的块的像素和当前块的像素之间的差值。
在本实施例中，所述编码对象可以为一个64×64规格的宏块，也可以为一个64×64规格宏块的子宏块，更或者是具有更小尺寸规格的宏块的子宏块，例如，1/4、1/8、1/16或1/32的子样本。
当子宏块无法再被分割成更小的子宏块规格时，将所述分割方式的标识，以及所述编码后的残差数据写入码流中。具体在实际应用中，编码端和解码端都会预设一些宏块的尺寸规格，只有当宏块能被分割成这些规格时，或者说只有当图像宏块的尺寸规格大于这些预设的尺寸规格时，图像宏块才能被分割。
综上所述，本文中应用了具体个例对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本发明的保护范围应以所附的权利要求为准。

Claims (10)

1.一种基于图像场景的多预测方法，其特征在于，包括：
步骤1、将图像划分为若干宏块；
步骤2、将当前宏块的每个待预测像素分量按照不同预测方法分别获取预测残差；其中所述不同预测方法包括多像素分量预测方法和宏块分割预测方法；
步骤3、按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
2.根据权利要求1所述的方法，其特征在于，步骤2中所述多像素分量预测方法包括：
步骤211、根据当前待预测像素的每个像素分量确定所述待预测像素分量的参考值；
步骤212、根据所述参考值确定所述待预测像素分量的预测残差。
3.根据权利要求2所述的方法，其特征在于，步骤211包括：
确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；
将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
4.根据权利要求1所述的方法，其特征在于，步骤2中所述宏块分割预测方法，包括：
步骤221、将所述当前宏块按照不同分割模式划分为M层子宏块；
步骤222、分别计算所述不同分割模式下所述第M层子宏块的比特数；
步骤223、根据所述比特数确定所述第M层子宏块的最终分割模式；
步骤224、计算所述第M层子宏块的每个待预测像素分量的预测残差；
步骤225、根据递归算法将第M-1层子宏块至第一层子宏块执行步骤221～步骤224确定每层子宏块的分割模式以及每个待预测像素分量的预测残差。
5.根据权利要求4所述的方法，其特征在于，步骤221中不同分割模式包括水平分割、垂直分割和不分割。
6.一种基于图像场景的多预测系统，其特征在于，包括：
图像划分模块，用于将图像划分为若干宏块；
多像素分量预测模块，连接所述图像划分模块，用于将当前宏块的每个待预测像素分量获取第一预测残差；
宏块分割预测模块，连接所述图像划分模块，用于将当前宏块的每个待预测像素分量获取第二预测残差；
选择模块，分别连接所述多像素分量预测模块和宏块分割预测模块，用于按照预设算法根据所述不同预测方法分别获取的预测残差选择所述当前宏块的最终预测方法。
7.根据权利要求6所述的系统，其特征在于，多像素分量预测模块，包括：
参考值确定单元，根据当前待预测像素的每个像素分量确定所述待预测像素分量的参考值；
预测残差确定单元，用于根据所述参考值确定所述待预测像素分量的预测残差。
8.根据权利要求6所述的系统，其特征在于，参考值确定单元具体用于确定当前待预测像素的每个像素分量对应的多个纹理方向梯度值；将所述每个像素分量对应的多个纹理方向梯度值进行处理确定所述待预测像素分量的参考值。
9.根据权利要求6所述的方法，其特征在于，所述宏块分割预测模块，包括：
宏块分割单元，用于将所述当前宏块按照不同分割模式划分为M层子宏块；
比特数计算单元，连接至所述宏块分割单元，用于分别计算所述不同分割模式下每层子宏块的比特数；
分割模式确定单元，连接至所述比特数计算单元，用于根据所述比特数确定每M层子宏块的最终分割模式；
预测残差计算单元，连接至所述分割模式确定单元，用于计算每层子宏块的每个待预测像素分量的预测残差。
10.根据权利要求9所述的方法，其特征在于，所述宏块分割单元包括水平分割子单元、垂直分割子单元和不分割子单元。
CN201811261696.8A 2018-10-26 2018-10-26 基于图像场景的多预测方法及其系统 Withdrawn CN109302607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811261696.8A CN109302607A (zh) 2018-10-26 2018-10-26 基于图像场景的多预测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811261696.8A CN109302607A (zh) 2018-10-26 2018-10-26 基于图像场景的多预测方法及其系统

Publications (1)

Publication Number Publication Date
CN109302607A true CN109302607A (zh) 2019-02-01

Family

ID=65158133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811261696.8A Withdrawn CN109302607A (zh) 2018-10-26 2018-10-26 基于图像场景的多预测方法及其系统

Country Status (1)

Country Link
CN (1) CN109302607A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112714318A (zh) * 2020-12-09 2021-04-27 上海顺久电子科技有限公司 一种图像数据的压缩方法及其压缩装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1589022A (zh) * 2004-08-26 2005-03-02 中芯联合（北京）微电子有限公司 多模式运动估计中由朝向树决定的宏块分割模式选择方法
CN101888549A (zh) * 2010-06-18 2010-11-17 浙江大学 基于变换域信息的帧内4×4预测模式选择方法
CN102186081A (zh) * 2011-05-11 2011-09-14 北京航空航天大学 一种基于梯度向量的h.264帧内模式选择方法
CN103338371A (zh) * 2013-06-07 2013-10-02 东华理工大学 一种快速高效率视频编码帧内模式判决方法
CN107071416A (zh) * 2017-01-06 2017-08-18 华南理工大学 一种hevc帧内预测模式快速选择方法
CN108632607A (zh) * 2018-05-09 2018-10-09 北京大学深圳研究生院 一种基于多角度自适应帧内预测的点云属性压缩方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1589022A (zh) * 2004-08-26 2005-03-02 中芯联合（北京）微电子有限公司 多模式运动估计中由朝向树决定的宏块分割模式选择方法
CN101888549A (zh) * 2010-06-18 2010-11-17 浙江大学 基于变换域信息的帧内4×4预测模式选择方法
CN102186081A (zh) * 2011-05-11 2011-09-14 北京航空航天大学 一种基于梯度向量的h.264帧内模式选择方法
CN103338371A (zh) * 2013-06-07 2013-10-02 东华理工大学 一种快速高效率视频编码帧内模式判决方法
CN107071416A (zh) * 2017-01-06 2017-08-18 华南理工大学 一种hevc帧内预测模式快速选择方法
CN108632607A (zh) * 2018-05-09 2018-10-09 北京大学深圳研究生院 一种基于多角度自适应帧内预测的点云属性压缩方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112714318A (zh) * 2020-12-09 2021-04-27 上海顺久电子科技有限公司 一种图像数据的压缩方法及其压缩装置
CN112714318B (zh) * 2020-12-09 2023-11-07 上海顺久电子科技有限公司 一种图像数据的压缩方法及其压缩装置

Similar Documents

Publication Publication Date Title
RU2674306C1 (ru) Устройство кодирования движущихся изображений, устройство декодирования движущихся изображений, способ кодирования движущихся изображений и способ декодирования движущихся изображений
RU2654153C1 (ru) Устройство кодирования изображений, устройство декодирования изображений, способ кодирования изображений и способ декодирования изображений
ES2602326T3 (es) Selección de filtro para pre-procesamiento de vídeo en aplicaciones de vídeo
JP5054826B2 (ja) 時空間的複雑度を用いた符号化モード決定方法及び装置
RU2628259C1 (ru) Устройство кодирования изображений, устройство декодирования изображений, способ кодирования изображений и способ декодирования изображений
CN107087200B (zh) 针对高效率视频编码标准的跳过编码模式提前判决方法
Lainema et al. Angular intra prediction in high efficiency video coding (HEVC)
CN104853191B (zh) 一种hevc的快速编码方法
WO2011101452A2 (en) Data compression for video
US8189667B2 (en) Moving picture encoding apparatus
CN109302607A (zh) 基于图像场景的多预测方法及其系统
WO2012176387A1 (ja) 動画像符号化装置、動画像復号装置、動画像符号化方法及び動画像復号方法
CN109587481B (zh) 视频编码方法及设备
CN109413421A (zh) 视频编码方法、设备以及视频解码方法、设备
CN109302605B (zh) 基于多核处理器的图像编码方法及设备
CN109379599A (zh) 基于视频编码的复杂纹理预测方法
Kao et al. A high-performance VLSI architecture for intra prediction and mode decision in H. 264/AVC video encoding
JP4869986B2 (ja) 動画像符号化装置
CN109561303B (zh) 一种基于视频压缩的预测方法
Corrêa et al. Low-Complexity Hierarchical Mode Decision Algorithms Targeting VLSI Architecture Design for the H. 264/AVC Video Encoder.
Mamatha et al. BIT RATE REDUCTION FOR H. 264/AVC VIDEO BASED ON NOVEL HEXAGON SEARCH ALGORITHM.
Li et al. Fast mode decision based on human noticeable luminance difference and rate distortion cost for H. 264/AVC
JP4243472B2 (ja) 画像符号化装置、画像符号化方法および画像符号化プログラム
Zhu et al. A highly efficient pipeline architecture of RDO-based mode decision design for AVS HD video encoder
CN109547791B (zh) 图像帧内预测方法及其装置

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190201