CN109600609A - 带宽压缩矩阵量化和反量化方法 - Google Patents

带宽压缩矩阵量化和反量化方法 Download PDF

Info

Publication number
CN109600609A
CN109600609A CN201811261716.1A CN201811261716A CN109600609A CN 109600609 A CN109600609 A CN 109600609A CN 201811261716 A CN201811261716 A CN 201811261716A CN 109600609 A CN109600609 A CN 109600609A
Authority
CN
China
Prior art keywords
quantization
residual
distribution type
type
matrix
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Withdrawn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
CN201811261716.1A
Other languages
English (en)
Inventor
张莹
冉文方
罗瑜
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 CN201811261716.1A priority Critical patent/CN109600609A/zh
Publication of CN109600609A publication Critical patent/CN109600609A/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Withdrawn legal-status Critical Current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
    • H04N19/102—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
    • H04N19/124—Quantisation
    • 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
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/587—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal sub-sampling or interpolation, e.g. decimation or subsequent interpolation of pictures in a video sequence

Landscapes

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

Abstract

本发明涉及一种带宽压缩矩阵量化和反量化方法，该量化方法包括：获取图像宏模块各像素预测残差；根据所述预测残差获取残差分布类型；根据所述残差分布类型获取量化矩阵；根据所述量化矩阵对所述预测残差进行量化。本发明的带宽压缩矩阵量化方法不但可以实现像素级量化，而且传输的用于反量化的数据少，能够节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。

Description

带宽压缩矩阵量化和反量化方法
技术领域
本发明属于压缩技术领域，具体涉及一种带宽压缩矩阵量化和反量化方法。
背景技术
随着视频应用不断向高清晰度、高帧率、高压缩率方向发展，视频压缩标准已经从H.264过渡到H.265。对于视频处理芯片，分辨率的成倍数增加，不但会造成芯片面积成本的大幅度增加，而且也会对总线带宽和功耗带来很大的冲击。
视频压缩通常使用编码器对源视频进行编码以实现带宽压缩，传输到解码端恢复视频。但编码、传输、解码处理可能是有损的，这种损失可能产自量化和反量化处理过程。量化算法中有损量化常采用空域量化算法，其优点为对源视频和恢复视频之间的像素损失可以严格控制，运算复杂度低，因此，更适合对压缩损失、运算复杂度要求较高的低倍率压缩。现有的空余量化方法中，对一个图像块MB宏模块(Macro Block，简称MB)的所有像素进行量化处理中采用相同的量化参数(Quantization Parameter,简称QP)，因此存在很多缺点，如：对跨纹理边界的图像块MB，由于人眼主观特性，对不同纹理采用相同QP，不但会造成主观损失，而且不能节约编码比特数；图像块MB中，预测残差大小不一，对所有像素点采用相同QP，会扩大的原始像素和重建像素之间的差异损失。为了解决上述问题，现有技术还有采用像素级量化，该方法虽然可以避免以上问题，但是由于每个像素都要传输一个量化参数，会导致大量的附加bit，起不到压缩的效果。
因此，如何研制出一种重建损失小、且不会增加带宽负担的量化方法已经成为研究的热点问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种带宽压缩矩阵量化和反量化方法。
本发明的一个实施例提供了一种带宽压缩矩阵量化方法，包括：
获取图像宏模块各像素预测残差；
根据所述预测残差获取残差分布类型；
根据所述残差分布类型获取量化矩阵；
根据所述量化矩阵对所述预测残差进行量化。
在本发明的一个实施例中，所述获取图像宏模块各像素预测残差之后，还包括：将所述图像宏模块各像素预测残差转化为一维预测残差矩阵。
在本发明的一个实施例中，所述根据所述预测残差获取残差分布类型包括：根据所述预测残差矩阵中预测残差的分布获取所述残差分布类型。
在本发明的一个实施例中，所述残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型、普通型。
在本发明的一个实施例中，所述残差分布类型还包括：波浪1型和波浪2型。
在本发明的一个实施例中，根据所述残差分布类型获取量化矩阵包括：
获取基准QPB；
根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵。
在本发明的一个实施例中，所述根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵包括：
根据所述基准QPB和所述原始像素比特深度分别计算量化参数最大值、量化参数最小值、量化参数差异值；
根据所述残差分布类型、所述量化参数最大值、所述量化参数最小值、所述量化参数差异值计算所述量化矩阵。
在本发明的一个实施例中，所述根据所述量化矩阵对所述预测残差进行量化包括：
根据所述量化矩阵和所述预测残差获得量化残差；
将所述残差分布类型、所述基准QPB、所述量化残差写入码流。
本发明的另一个实施例提供了一种带宽压缩矩阵反量化方法，其特征在于，包括如下步骤：
获取码流中的残差分布类型、基准QPB、量化残差；
根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差。
在本发明的一个实施例中，所述根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差包括：
根据所述残差分布类型和所述基准QPB获得量化矩阵；
根据所述量化残差和所述量化矩阵获得所述反量化残差。
本发明的带宽压缩矩阵量化方法不但可以实现像素级量化，而且传输的用于反量化的数据少，能够节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。
附图说明
图1为本发明实施例提供的一种带宽压缩矩阵量化方法流程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1，图1为本发明实施例提供的一种带宽压缩矩阵量化方法流程图。
获取图像宏模块各像素预测残差；
根据所述预测残差获取残差分布类型；
根据所述残差分布类型获取量化矩阵；
根据所述量化矩阵对所述预测残差进行量化。
其中，所述获取图像宏模块各像素预测残差之后，还包括：将所述图像宏模块各像素预测残差转化为一维预测残差矩阵。
其中，所述根据所述预测残差获取残差分布类型包括：根据所述预测残差矩阵中预测残差的分布获取所述残差分布类型。
其中，所述残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型、普通型。
其中，所述残差分布类型还包括：波浪1型和波浪2型。
其中，根据所述残差分布类型获取量化矩阵包括：
获取基准QPB；
根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵。
其中，所述根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵包括：
根据所述基准QPB和所述原始像素比特深度分别计算量化参数最大值、量化参数最小值、量化参数差异值；
根据所述残差分布类型、所述量化参数最大值、所述量化参数最小值、所述量化参数差异值计算所述量化矩阵。
其中，所述根据所述量化矩阵对所述预测残差进行量化之后还包括：
将残差分布类型、基准QPB、量化残差写入码流。
本发明实施例带宽压缩矩阵量化方法不但可以实现像素级量化，而且传输的用于反量化的数据少，能够节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。
实施例二
在上述实施例的基础上，本实施例详细介绍一种带宽压缩矩阵量化方法，包括：
S21：设置量化矩阵大小。获取待量化MB，将MB平铺到1维；即若MB为8*4，平铺后为32*1，且平铺顺序可设定。设平铺后MB中像素数量大小为n，此处n为4的倍数，则可设置量化矩阵大小和MB大小相同，为n*1；此处量化矩阵大小也可以和MB不同。
S22：首先根据MB中预测残差分布情况以确定残差分布类型。残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型，普通型。
首先计算残差分布系数Gradj，其中，j为1到4的整数，残差分布系数Gradj满足：
其中，ri为图像块MB中第i位的像素的预测残差的绝对值，i为0到n-1的整数。
分别判断Gradi是否满足如下条件：
如果Grad1＞a1，残差分布类型属于递弱型；
如果Grad2＞a2，残差分布类型属于递强型；
如果Grad3＞a3，残差分布类型属于弱强弱型；
如果Grad4＞a4，残差分布类型属于强弱强型；
如果以上条件都不满足，则残差分布类型属于普通型，其中，ajaj＝1.5，j为1到4的整数；aj可根据实际情况设置为其它值。
若残差分布类型不属于普通型，则残差分布类型属于max{Gradj，其中满足Gradj＞aj，j为1到4的整数}对应的类型。
S23：根据码率控制给出基准QPB，并确定基准QPB的最大值MAXQP、最小值MINQP、最大值与最小值的差异值DIFQP，具体步骤如下：
其中，最大值MAXQP、最小值MINQP、差异值DIFQP分别满足：
其中，bitdepth为图像块MB的像素的比特深度。
S24：根据残差分布类型、最大值MAXQP、最小值MINQP、差异值DIFQP构建量化矩阵，计算图像块MB从左到右每个像素点的量化参数QPi，QPi为图像块MB中第i位的量化参数，i为0到n-1的整数。其中，
若残差分布类型为递弱型，则QPi满足：
若残差分布类型为递强型，则QPi满足：
若残差分布类型为弱强弱型，则QPi满足：
若残差分布类型为强弱强型，则QPi满足：
若残差分布类型为普通型则QPi满足：
QPi＝QPB，0≤i≤n-1
最终求得量化矩阵为：QPmatrix＝QPi，0≤i≤n-1。
S25：采用步骤S24计算获得的量化矩阵对图像块MB中各像素的预测残差进行量化，对于各像素的预测残差，采用先补偿后量化的方法，具体满足如下公式：
Resqpi＝(Res+(1＜＜QPi)/2)＞＞QPi
其中，Resqpi为MB中第i个像素的量化残差，Res为图像块MB中第i个像素的预测残差。
其中，“＜＜”算式表示，若有表达式a＜＜m则表示将整型数a按二进制位向左移动m位，高位移出后，低位补0。
其中，“＞＞”算式表示，若有表达式a＞＞m则表示将整型数a按二进制位向右移动m位，低位移出后，高位补0。
S26：将残差分布类型标识号，基准QPB、量化残差写入码流。
本发明实施例通过不同的QP分配策略，构筑量化矩阵，采用量化矩阵对图像块进行量化，能够对图像块的不同纹理区域的量化进行区别处理，纹理复杂的区域人眼感知不明显，量化参数设置较大；纹理简单区域人眼感知较明显，因此量化参数设置较小。因此，本发明实施例的带宽压缩矩阵量化方法不但可以实现像素级量化，而且仅需要传送量化矩阵的序号，节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。
实施例三
本发明实施例在上述实施例的基础上，详细介绍另一种带宽压缩的矩阵量化方法，具体步骤如下：
S31：设置量化矩阵大小，本文设置图像块MB为8*1像素矩阵，量化矩阵根据图像块大小设置为8*1。其中，量化矩阵大小可以和MB大小不同，具体大小可以设置。
S32：首先检测图像块MB中，预测残差分布情况以确定残差分布类型。其中，残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型，普通型。首先计算残差分布系数Gradj，其中，j为1到4的整数，残差分布系数Gradj满足：
其中，ri为图像块MB中第i位的像素的预测残差的绝对值，i为1到8的整数。
分别判断Gradj是否满足如下条件：
如果Grad1＞a1，残差分布类型属于递弱型；
如果Grad2＞a2，残差分布类型属于递强型；
如果Grad3＞a3，残差分布类型属于弱强弱型；
如果Grad4＞a4，残差分布类型属于强弱强型；
其中，若以上条件都不满足，则残差分布类型属于普通型，其中，ajaj＝1.5，j为1到4的整数；aj可根据实际情况设置为其它值。
其中，Grad1、Grad2、Grad3、Grad4需要同时判断，若残差分布类型不属于普通型，则残差分布类型属于max{Gradj，其中满足Gradj＞aj，j为1到4的整数}对应的类型。
S33：根据码率控制给出基准QPB，并确定基准QPB的最大值MAXQP、最小值MINQP、最大值与最小值的差异值DIFQP，具体步骤如下：
其中，最大值MAXQP、最小值MINQP、差异值DIFQP分别满足：
其中，bitdepth为图像块MB的像素的比特深度。
S34：根据残差分布类型、最大值MAXQP、最小值MINQP、差异值DIFQP构建量化矩阵，计算图像块MB从左到右每个像素点的量化参数QPi，QPi为图像块MB中第i位的量化参数，i为0到7的整数。其中，
若残差分布类型为递弱型，则QPi满足：
若残差分布类型为递强型，则QPi满足：
若残差分布类型为弱强弱型，则QPi满足：
若残差分布类型为强弱强型，则QPi满足：
若残差分布类型为普通型则QPi满足：
QPi＝QPB，0≤i≤7
最终求得量化矩阵为：QPmatrix＝QPi，0≤i≤7。
S35：采用步骤S34计算获得的量化矩阵对图像块MB中各像素的预测残差进行量化，对于各像素的预测残差，采用先补偿后量化的方法，具体满足如下公式：
Resqpi＝(Res+(1＜＜QPi)/2)＞＞QPi
其中，Resqpi为图像块MB中第i个像素的量化残差，Res为图像块MB中第i个像素的预测残差。
S26：将残差分布类型，基准QPB、量化残差写入码流。
其中，不同的残差分布类型对应不同的残差分布类型标识号，可设置递弱型、递强型、弱强弱型、强弱强型、普通型分别用不同标记号进行表示，将差分布类型标识号固定存储在压缩端和解压端，写入码流时，只将残差分布类型标记号写入码流，这样可以方便传递，减少传输比特数。
本发明实施例通过不同的QP分配策略，构筑量化矩阵，采用量化矩阵对图像块MB进行量化，能够对图像块MB的不同纹理区域的量化进行区别处理，纹理复杂的区域人眼感知不明显，量化参数设置较大；纹理简单区域人眼感知较明显，因此量化参数设置较小。因此，本发明实施例的带宽压缩矩阵量化方法不但可以实现像素级量化，而且仅需要传送量化矩阵的序号，节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。
实施例四
本发明实施例在上述实施例的基础上，详细介绍另一种带宽压缩的矩阵量化方法，具体步骤如下：
S41：设置量化矩阵大小，本文设置图像块MB为8*1像素矩阵，量化矩阵根据图像块大小设置为16*1，即量化矩阵包括2个图像块MB。
S42：首先检测2个图像块MB中，预测残差分布情况以确定残差分布类型。其中，残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型，波浪形1型，波浪形2型，普通型。首先计算残差分布系数Gradj，其中，j为1到4的整数，残差分布系数Gradj满足：
其中，ri为图像块MB中第i位的像素的预测残差的绝对值，i为0到15的整数。
分别判断Gradj是否满足如下条件：
如果Grad1＞a1，残差分布类型属于递弱型；
如果Grad2＞a2，残差分布类型属于递强型；
如果Grad3＞a3，残差分布类型属于弱强弱型；
如果Grad4＞a4，残差分布类型属于强弱强型；
如果Grad5＞a5，残差分布类型属于波浪1型；
如果Grad6＞a6，残差分布类型属于波浪2型；
如果以上条件都不满足，则残差分布类型属于普通型，其中，其中，aj为设定的阈值，j为1到6的整数。
若残差分布类型不属于普通型，则残差分布类型属于max{Gradj，其中满足Gradj＞aj，j为1到6的整数}对应的类型。
本实施例中a1、a2、a3、a4为1.3，a5、a6为2。aj可根据具体情况设置为其它值。
S43：根据码率控制给出基准QPB，并确定基准QPB的最大值MAXQP、最小值MINQP、最大值与最小值的差异值DIFQP，具体步骤如下：
其中，最大值MAXQP、最小值MINQP、差异值DIFQP分别满足：
其中，bitdepth为图像块MB的像素的比特深度。
S44：根据残差分布类型、最大值MAXQP、最小值MINQP、差异值DIFQP构建量化矩阵，计算图像块MB从左到右每个像素点的量化参数QPi，QPi为图像块MB中第i位的量化参数，i为0到7的整数。其中，
若残差分布类型为递弱型，则QPi满足：
若残差分布类型为递强型，则QPi满足：
若残差分布类型为弱强弱型，则QPi满足：
若残差分布类型为强弱强型，则QPi满足：
若残差分布类型为波浪1型，则QPi满足：
若残差分布类型为波浪2型，则QPi满足：
若残差分布类型为普通型，则QPi满足：
QPi＝QPB，0≤i≤15
最终求得量化矩阵为：QPmatrix＝QPi，0≤i≤15。
S45：采用步骤S44计算获得的量化矩阵对图像块MB中各像素的预测残差进行量化，对于各像素的预测残差，采用先量化后补偿的方法，具体满足如下公式：
Resqpi＝Res＞＞QPi
其中，Resqpi为图像块MB中第i个像素的量化残差，Res为图像块MB中第i个像素的预测残差。
S46：将残差分布类型标识号，基准QPB、量化残差写入码流。
实施例五
本发明实施例介绍一种带宽压缩矩阵反量化方法，包括：
获取码流中的残差分布类型、基准QPB、量化残差；
根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差。
其中，所述根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差包括：
根据所述残差分布类型和基准QPB获得量化矩阵；
根据所述量化残差和所述量化矩阵获得所述反量化残差。
本发明的带宽压缩矩阵反量化方法不但可以实现像素级反量化，而且传输的用于反量化的数据少，能够节省大量比特数，能够进一步缩小量化造成的损失，同样的量化参数下，采用本发明实施例的方法恢复的图像损失较小。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种带宽压缩矩阵量化方法，其特征在于，包括如下步骤：
获取图像宏模块各像素预测残差；
根据所述预测残差获取残差分布类型；
根据所述残差分布类型获取量化矩阵；
根据所述量化矩阵对所述预测残差进行量化。
2.根据权利要求1所述的方法，其特征在于，所述获取图像宏模块各像素预测残差之后，还包括：将所述图像宏模块各像素预测残差转化为一维预测残差矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测残差获取残差分布类型包括：根据所述预测残差矩阵中预测残差的分布获取所述残差分布类型。
4.根据权利要求1所述的方法，其特征在于，所述残差分布类型包括：递弱型，递强型，强弱强型，弱强弱型、普通型。
5.根据权利要求4所述的方法，其特征在于，所述残差分布类型还包括：波浪1型和波浪2型。
6.根据权利要求1所述的方法，其特征在于，根据所述残差分布类型获取量化矩阵包括：
获取基准QPB；
根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵。
7.根据权利要求6所述的方法，其特征在于，所述根据所述残差分布类型、原始像素比特深度、所述基准QPB获取所述量化矩阵包括：
根据所述基准QPB和所述原始像素比特深度分别计算量化参数最大值、量化参数最小值、量化参数差异值；
根据所述残差分布类型、所述量化参数最大值、所述量化参数最小值、所述量化参数差异值计算所述量化矩阵。
8.根据权利要求6所述的方法，其特征在于，所述根据所述量化矩阵对所述预测残差进行量化包括：
根据所述量化矩阵和所述预测残差获得量化残差；
将所述残差分布类型、所述基准QPB、所述量化残差写入码流。
9.一种带宽压缩矩阵反量化方法，其特征在于，包括如下步骤：
获取码流中的残差分布类型、基准QPB、量化残差；
根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差。
10.根据权利要求9所述的方法，其特征在于，所述根据所述残差分布类型、所述基准QPB、所述量化残差获得反量化残差包括：
根据所述残差分布类型和所述基准QPB获得量化矩阵；
根据所述量化残差和所述量化矩阵获得所述反量化残差。
CN201811261716.1A 2018-10-26 2018-10-26 带宽压缩矩阵量化和反量化方法 Withdrawn CN109600609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811261716.1A CN109600609A (zh) 2018-10-26 2018-10-26 带宽压缩矩阵量化和反量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811261716.1A CN109600609A (zh) 2018-10-26 2018-10-26 带宽压缩矩阵量化和反量化方法

Publications (1)

Publication Number Publication Date
CN109600609A true CN109600609A (zh) 2019-04-09

Family

ID=65958412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811261716.1A Withdrawn CN109600609A (zh) 2018-10-26 2018-10-26 带宽压缩矩阵量化和反量化方法

Country Status (1)

Country Link
CN (1) CN109600609A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024022367A1 (zh) * 2022-07-26 2024-02-01 杭州海康威视数字技术股份有限公司 图像解码方法、编码方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024022367A1 (zh) * 2022-07-26 2024-02-01 杭州海康威视数字技术股份有限公司 图像解码方法、编码方法及装置

Similar Documents

Publication Publication Date Title
CN102057676B (zh) 用于视频编码器和解码器联合优化的方法和系统
CN109905711B (zh) 一种图像的处理方法、系统及终端设备
CN104994382B (zh) 一种感知率失真的优化方法
CN101707714B (zh) 多画面视频会议的图像处理方法和设备
CN104065976B (zh) 一种基于视频的图像压缩及保密传输方法
CN105898300B (zh) 一种基于恢复变换系数的改进变换系数符号位隐藏方法
WO2005122588A1 (en) Method for chroma deblocking
CN104581176A (zh) 无帧内误差漂移的h.264/avc压缩域鲁棒视频水印嵌入及提取方法
CN104333761A (zh) 一种hevc基本单元级码率分配方法
CN109600609A (zh) 带宽压缩矩阵量化和反量化方法
CN104902285B (zh) 一种图像编码方法
CN101742323B (zh) 无再损视频编码和解码的方法和装置
US20040258318A1 (en) Moving picture coding method
CN108521535A (zh) 一种基于图像混合处理的信息隐藏传输方法
CN102281434B (zh) 一种视频压缩方法及设备
JP6454229B2 (ja) 画像符号化装置、画像復号装置、画像符号化プログラム及び画像復号プログラム
KR20010019704A (ko) 움직임이 없는 배경을 갖는 영상의 매크로블록 단위 객체 기반부호화 처리 방법
CN114173131A (zh) 一种基于帧间相关性的视频压缩方法及系统
KR100598369B1 (ko) 블록 경계 영역 필터링 방법
KR100598368B1 (ko) 블록 경계 영역 필터링 방법
KR20060004616A (ko) 블록 경계 영역 필터링 방법
CN109257602B (zh) 自适应量化方法
KR100524856B1 (ko) 블록 경계 영역 필터링 방법
CN109510984A (zh) 一种压缩编码量化方法
CN107948643A (zh) 一种降低jpeg图像方块效应的方法

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

Application publication date: 20190409

WW01 Invention patent application withdrawn after publication