CN109660793B - 用于带宽压缩的预测方法 - Google Patents
用于带宽压缩的预测方法 Download PDFInfo
- Publication number
- CN109660793B CN109660793B CN201811260486.7A CN201811260486A CN109660793B CN 109660793 B CN109660793 B CN 109660793B CN 201811260486 A CN201811260486 A CN 201811260486A CN 109660793 B CN109660793 B CN 109660793B
- Authority
- CN
- China
- Prior art keywords
- value
- current
- prediction
- prediction residual
- adaptive template
- 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
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
- H04N19/10—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
- H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
-
- 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
- H04N19/59—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial sub-sampling or interpolation, e.g. alteration of picture size or resolution
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种用于带宽压缩的预测方法,包括:根据自适应模板获取当前MB的第一预测残差;获取当前MB的多个分量的纹理方向梯度值,获取当前MB的第二预测残差;分别计算第一预测残差的残差绝对值和以及基第二预测残差的残差绝对值和;选取第一预测残差和第二预测残差中残差绝对值和较小的预测残差为当前MB的最终预测残差;将当前MB的最终预测残差、当前MB的最终预测残差对应的预测方法的标志信息传输至码流中,与现有方法相比,通过预测选择算法在多种预测方法中选择最优的预测方法,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,增大带宽压缩率。
Description
技术领域
本发明涉及一种压缩技术领域,特别涉及一种用于带宽压缩的预测方法。
背景技术
随着人们对视频质量需求的不断增大,图像分辨率作为视频质量的重要特性,已经从720p和1080p过渡到目前的4K视频分辨率,对应的视频压缩标准也从H.264过渡到H.265。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。
为了克服这一问题,应用于芯片内的带宽压缩技术被提出。芯片内带宽压缩的目标是用较小的逻辑面积成本,尽可能的提高压缩倍数。芯片内压缩分为有损压缩和无损压缩两种,有损压缩技术被商业级视频处理芯片广泛采用,如监控、电视等领域;而无损压缩更多的应用于对图像质量有严格要求的军工级和航天级视频处理芯片。
带宽压缩主要由4个部分组成,包含:预测模块,量化模块,码控模块,熵编码模块。预测模块作为一个重要模块,通过寻找图像数据的相关性,减少图像空间冗余度,最终使图像数据的理论熵达到最小。然而,当待压缩图像的纹理复杂多变时,预测待压缩图像的复杂纹理区域时往往相关性较差,预测编码得不到精确的参考,导致理论极限熵得不到最大化的降低,影响预测模块的质量,成为目前需要解决的问题。
发明内容
因此,为解决现有技术存在的技术缺陷和不足,本发明提出一种用于带宽压缩的预测方法。
具体地,本发明一个实施例提出的一种用于带宽压缩的预测方法,包括:
通过第一预测方法获取第一预测残差,包括:建立自适应模板,根据所述自适应模板获取当前MB的第一预测残差;
通过第二预测方法获取第二预测残差,包括:获取所述当前MB的多个分量的纹理方向梯度值,确定所述当前MB的预测方向和参考值,根据所述参考值获取当前MB的第二预测残差;
获取最终预测残差,包括:分别计算所述第一预测残差的残差绝对值和以及所述基第二预测残差的残差绝对值和;选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为当前MB的最终预测残差;
将所述当前MB的最终预测残差、所述当前MB的最终预测残差对应的预测方法的标志信息传输至码流中。
基于此,本发明具备如下优点:
1、本发明通过定义自适应模板表位的数量和MB的像素的方式,计算当前MB的预测残差,与现有的方法相比,当待压缩图像的纹理较为复杂时,定义不同的自适应模板对应不同的纹理区域,更容易提高当前MB中的像素与自适应模板中选定的像素匹配的概率,能够提高对复杂纹理区域求预测残差值的精度,进一步降低理论极限熵,增大带宽压缩率。
2、本发明通过预测选择算法在多种预测方法中选择最优的预测方法,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,增大带宽压缩率。
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用于带宽压缩的预测方法流程图;
图2为本发明实施例提供的一种自适应模板预测方法流程图;
图3为本发明实施例提供的一种自适应模板的示意图;
图4为本发明实施例提供的另一种自适应模板的预测方法流程图;
图5为本发明实施例提供的另一种自适应模板的示意图;
图6为本发明实施例提供的一种自适应纹理预测的相邻参考像素的示意图;
图7为本发明实施例提供的一种像素级多分量参考的自适应方向预测方法的流程示意图;
图8为本发明实施例提供的一种像素级多分量参考的自适应方向预测方法的算法原理示意图;
图9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10为本发明实施例提供的一种梯度值计算示意图;
图11为本发明实施例提供的另一种像素级多分量参考的自适应方向预测方法的算法原理示意图。
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用于带宽压缩的预测方法流程图,该方法包括如下步骤:
通过第一预测方法获取第一预测残差,包括:建立自适应模板,根据所述自适应模板获取当前MB的第一预测残差;
通过第二预测方法获取第二预测残差,包括:获取所述当前MB的多个分量的纹理方向梯度值,确定所述当前MB的预测方向和参考值,根据所述参考值获取当前MB的第二预测残差;
获取最终预测残差,包括:分别计算所述第一预测残差的残差绝对值和以及所述基第二预测残差的残差绝对值和;选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为当前MB的最终预测残差;
将所述当前MB的最终预测残差、所述当前MB的最终预测残差对应的预测方法的标志信息传输至码流中。
优选地,建立自适应模板,包括:
建立自适应模板列表;
确定所述当前MB对应的自适应模板的表位数量以及表位序号;
初始化填充所述自适应模板。
优选地,根据所述自适应模板获取当前MB的第一预测残差,包括:
检测所述当前MB的相邻参考方向MB重建值;
判断所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值是否一致,以确定所述自适应模板的更新方式;
更新所述自适应模板并获取所述当前MB的第一预测残差。
优选地,判断所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值是否一致,以确定所述自适应模板的更新方式,包括:
若所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值不一致,则将所述相邻参考方向的MB重建值更新到所述自适应模板的设定表位序号,且将所述自适应模板的表位序号从所述设定表位序号之后顺序移位;
若所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值一致,则将一致的所述自适应模板中的填充重建值与所述设定表位序号位置的重建值更换;
其中,判断所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值一致的公式为:
其中,Cur为当前MB的原始像素值,CurRec为当前MB的重建值,ABS为求绝对值,Pred为模板中填充的重建值,MBnum为当前MB中像素数量,a1和a2为权重系数,Thr0为阈值;
优选地,所述相邻参考方向包括上参考方向、左参考方向、左上参考方向或右上参考方向。
进一步地,更新所述自适应模板并获取所述当前MB的第一预测残差,包括:
选取更新的所述自适应模板中M个表位;
通过所述M个表位中的重建值确定所述当前MB的当前像素的预测像素值;
通过点对点求差获取所述第一预测残差;其中,所述第一预测残差为所述当前MB的所有像素的预测残差。
具体地,获取所述当前MB的多个分量的纹理方向梯度值,包括:
通过所述多个分量的周围分量,分别确定所述多个分量中的每个分量的N个纹理方向梯度值。
优选地,确定所述当前MB的预测方向和参考值,包括:
加权处理所述纹理方向梯度值以获取第一加权梯度值;加权处理所述第一加权梯度值以获取第二加权梯度值;
通过所述第二加权梯度值得到每个分量的参考方向;加权处理所述参考方向的分量像素值以获取当前分量像素的参考值;
用所述当前分量像素值减去所述当前分量像素的参考值,得到所述当前分量像素的预测残差;。
进一步地,用所述当前分量像素值减去所述当前分量像素的参考值,得到所述当前分量像素的预测残差之后,还包括:
并行处理或串行处理所述当前像素的所有分量像素以获取所述当前像素的所有分量像素的预测残差,所述当前像素的所有分量像素的预测残差为所述第二预测残差。
具体地,设定当前MB的大小为m*n,即当前MB的大小为m*n个像素;分别计算所述第一预测残差的残差绝对值和以及所述基第二预测残差的残差绝对值和;
其中,k为预测模式的序号,Res为预测残差,ABS为取绝对值,i为当前MB的当前分量像素。
选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为最终预测残差;
选取所述最终预测残差对应的预测方法为最终预测方法。
进一步地,在步骤S43之后还包括:
在码流中传输所述最终预测方法的除所述预测残差之外的附加标志位。
本实施例提供的预测方法通过预测选择算法在多种预测方法中选择最优的预测方法,解决了当待压缩图像的纹理复杂多变时现有预测方法的预测编码得不到精确的参考,导致理论极限熵得不到最大化的降低的问题;本实施例提供的预测方法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,增大带宽压缩率。
实施例二
具体地,第一预测方法为自适应模板预测方法。请参见图2,图2为本发明实施例提供的一种自适应模板预测方法流程图。本实施例在上述实施例的基础上对本发明提出的第一预测方法进行详细介绍,该预测方法包括如下步骤:
步骤1、建立并更新自适应模板
请参见图3,图3为本发明实施例提供的一种自适应模板的示意图。该自适应模板的建立包括如下步骤:
步骤11、定义自适应模板的表位数量以及表位序号
优选地,可以定义自适应模板的表位数量为4个、8个、16个或32个;本实施例以表位数量为16个为例说明,其它数量的表位同理。自适应模板的表位数量为16,表位序号从0到15依次排列,序号越小,优先级越高,每个表位记录一个MB的一组重建值。MB大小可设定,本实施例以16*1为例,即每个MB的大小为16*1个像素,即每个MB有16个重建值。
步骤12、自适应模板的初始化填充
自适应模板的初始状态为空,将某一MB的重建值填充到序号为0的表位;继续填充自适应模板,将序号为0的表位中的重建值顺序移位到序号为1的表位中,将下一个MB的重建值填充到序号为0的表位;以此类推,每次填充自适应模板时,将已填充的N个表位位置顺序向后移位,移一个表位位置,将待填充的MB的重建值填充到序号为0的表位,直到自适应模板中的16个表位填充完毕。具体为:每次进行MB的重建值填充前,按序号从小到大,检测当前MB的重建值与列表中所有已填充的重建值的一致性;若不具备一致性,那么列表从序号0到序号N-1,共N个有效位置顺序向后移位,当前MB的重建值放在列表0位置。若具备一致性,列表中模板表位位置不变,可选择将自适应模板中与当前MB重建值一致的表位中已填充重建值更新为当前MB的重建值或者不更新。检测一致性的公式如下所示:
其中,Cur为当前MB的原始像素值,CurRec为当前MB的重建值,ABS为求绝对值,Pred为模板中填充的重建值,MBnum为当前MB中像素数量,a1和a2为权重系数,Thr0为阈值,Thr0的取值根据用户需求确定。a1和a2的取值可以是预先设定的固定值,进一步地,a1+a2=1,优选地,a1可以选取为0.5,a2可以选取为0.5,a1和a2也可以灵活调整大小。当的值小于Thr0时,k的取值为1,1代表具备一致性,则可以判断为具备一致性;反之,当的值大于Thr0时,k的取值为0,则可以判断为不具备一致性。
步骤13、自适应模板初始化填充后的更新
自适应模板初始化填充后,检测图像中的其余MB,更新自适应模板,更新方法如下:
若当前MB存在上参考MB,检测正上参考MB与自适应模板中已填充的重建值的一致性,若不具备一致性,先将自适应模板所有表位序号从0开始顺序移位,表位序号最后一个移除列表,再将上参考MB的重建值更新到自适应模板表位序号为0的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为0的位置的重建值对换,并可以更新模板中所有重建值。
同理,若当前MB存在左参考MB,检测左侧参考MB与自适应模板中已填充的重建值的一致性,若不具备一致性,先将自适应模板中以表位序号为1开始的表位序号顺序移位,表位序号最后一个移除列表,再将左参考MB的重建值更新到自适应模板表位序号为1的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为1的位置的重建值对换,并可以更新模板中所有重建值。
若当前MB存在左上参考MB,检测左上参考MB与自适应模板中已填充的重建值的一致性,若不具备一致性,先将自适应模板中以表位序号为2开始的表位序号顺序移位,表位序号最后一个移除列表,再将上参考MB的重建值更新到自适应模板表位序号为2的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为2的位置的重建值对换,并可以更新自适应模板中所有重建值。
若当前MB存在右上参考,检测右上参考MB与自适应模板中已填充的重建值的一致性,若不具备一致性,先将自适应模板中以表位序号为3开始的表位序号顺序移位,表位序号最后一个移除列表,再将右参考MB的重建值更新到自适应模板表位序号为3的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为3的位置的重建值对换,并可以更新自适应模板中所有重建值。
其中,一致性检测方法参考步骤12中检测一致性的公式。
步骤2、获取自适应模板最优重建值
自适应模板更新完成之后,将当前MB与列表中每个表位的重建值进行匹配,根据公式,选取最优的M个表位。公式如下:
其中,Cur为当前MB的原始像素,Pred为自适应模板中每个表位填充的重建值;MBnum为当前MB中像素数量,c1和c2为权重系数,最终rdo越小,则该自适应模板表位中的重建值越优。
在一种实施方式中,c1和c2的取值可以是预先设定的固定值,进一步地,为了便于计算,可以直接将c1设定为1,将c2设定为0。
步骤3、确定加权预测像素值
分别对M个表位中的重建值中任一重建值加权处理得到预测像素值。如下公式:
predwi=(w1*Predi-1+w2*Predi+w3*Predi+1+w4)/4
其中,W1、W2、W3、W4为一组预测参数,predw为预测像素值,Pred为模板中M个表位中任一表位填充的重建值,i为Pred在表位中的排序。
预设T种W1、W2、W3、W4的不同组合,针对一个表位可以生成T种预测像素值,M个表位有M*T种预测像素值,最终在M*T种可能性中,根据rdo公式,选出最优的表位和对应的W1、W2、W3、W4。根据W1、W2、W3、W4计算该最优表位中的重建值的预测像素值,作为当前MB的参考值。
在一种实施方式中,W1、W2、W3、W4的取值可以是预先设定的固定值,进一步地,W1+W2+W3=3,优选地,W1、W2、W3分别选取为1,W1、W2、W3分别选取为0.5,2,0.5,W1、W2、W3可以根据实际情况,灵活调整大小。进一步地,W4可以选取为当前表位中所有填充的重建值的平均值,也可以选取为表位中与当前预测像素值排序对应的重建值。
进一步地,最优表位即为rdo中的最小值对应的表位。
步骤4、求残差
可选择点对点求差方式或自适应预测方式求残差。最终将残差值、列表表位序号和W1、W2、W3、W4的值发送到解码端,其中,点对点求差方式为将当前MB中的每个像素值对应减去最优表位中的每个重建值对应的预测像素值。
进一步地,重建像素指已压缩图像MB解压重建得到的像素,重建像素的像素值通常称为重建值。根据预测残差可以得到重建值,即将参考值加上预测残差可以得到重建值。
步骤5、判断MB是否处理完毕
当前MB完成点对点预测后,继续判断是否图像中的所有MB均完成预测操作,若是,则预测结束,否则,跳转到步骤1,继续进行后续MB的预测操作。
实施例三
请参见图4,图4为本发明实施例提供的另一种自适应模板的预测方法流程图。该预测方法包括如下步骤:
步骤1、将当前MB对应自适应模板更新
定义自适应模板表位数量为4个、8个、16个或32个;本实施例以自适应模板表位数量为8个为例说明,其它数量的自适应模板表位同理。数量为8的自适应模板,表位序号从0到8依次排列,序号越小,优先级越高,每个表位记录一组MB的重建值。MB大小可设定,请参见图5,图5为本发明实施例提供的另一种自适应模板的示意图。本实施例以8*2大小为例,即每个MB的大小为8*2个像素,即每个MB有8*2个重建值。
自适应模板表位序号为4~7的位置存储预先设定的4组重建值;检测当前MB上相邻MB的重建值与自适应模板中已填充的重建值的一致性,若不具备一致性,将上相邻MB的重建值填充到自适应模板表位序号为0的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为0的位置的重建值对换,并可以更新模板中所有重建值。
检测当前MB左相邻MB的重建值与自适应模板中已填充的重建值的一致性,若不具备一致性,将左相邻MB的重建值填充到自适应模板表位序号为1的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为1的位置的重建值对换,并可以更新模板中所有重建值。
检测当前MB左上相邻MB的重建值与自适应模板中已填充的重建值的一致性,若不具备一致性,将左上相邻MB的重建值填充到自适应模板表位序号为2的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为2的位置的重建值对换,并可以更新模板中所有重建值。
检测当前MB右上相邻MB的重建值与自适应模板中已填充的重建值的一致性,若不具备一致性,将右上相邻MB的重建值填充到自适应模板表位序号为3的位置;若具备一致性,将一致的自适应模板中已填充重建值与表位序号为3的位置的重建值对换,并可以更新模板中所有重建值。
其中,一致性检测方法参考实施例二中步骤2中检测一致性的公式。
步骤2、自适应预测
自适应模板更新完成之后,将当前MB的像素值与自适应模板中所有存在的MB重建值进行自适应纹理预测,求解预测残差。
其中,请参见图6,图6为本发明实施例提供的一种自适应纹理预测的相邻参考像素的示意图。对自适应纹理预测中的参考像素进行选择,A、B、C、E为当前像素相邻的周围像素,即模板任一表位中与当前像素对应的重建值,D为当前像素分量左相邻的像素分量的重建值,其中像素A为左上相邻参考像素、像素B为上相邻参考像素、像素C为右上相邻参考像素、像素D为左相邻参考像素、像素E为像素A的左相邻参考像素:
a.若ABS(D-E)最小,即135度纹理,那么参考像素为像素A;
b.若ABS(D-A)最小,即垂直纹理,那么参考像素为像素B;
c.若ABS(D-B)最小,即45度纹理,那么参考像素为像素C;
d.若ABS(B-A)最小,即水平纹理,那么参考像素为像素D;
根据上述方式,选取参考像素,遍历模板中的所有表位,将选取的参考像素中的最小值作为最终的参考像素,将最终的参考像素值与当前MB的像素值求差得到该模式的预测残差。
步骤3、判断MB是否处理完毕
当前MB完成自适应预测后,继续判断是否图像中的所有MB均完成预测操作,若是,则预测结束,否则,跳转到步骤1,继续进行后续MB的预测操作。
实施例四
具体地,第二预测方法为像素级多分量参考的自适应方向预测方法。请参见图7,图7为本发明实施例提供的一种像素级多分量参考的自适应方向预测方法的流程示意图。本实施例在实施例一的基础上对本发明提出的第二预测方法进行详细介绍,该预测方法包括如下步骤:
步骤1、确定当前像素的多个分量;
步骤2、获取所述多个分量的纹理方向梯度值;
步骤3、通过所述纹理方向梯度值以及加权系数确定当前分量的参考值;
步骤4、通过所述参考值确定当前分量像素的预测残差。
其中,步骤2可以包括如下步骤:
步骤21、通过所述多个分量的周围分量,分别确定所述多个分量中的每个分量的N个纹理方向梯度值。
其中,步骤3中所述加权系数包括第一加权系数、第二加权系数以及第三加权系数。
其中,步骤3可以包括如下步骤:
步骤31、通过所述纹理方向梯度值及所述第一加权系数获取第一加权梯度值;
步骤32、通过所述第一加权梯度值及第二加权系数获取第二加权梯度值;
步骤33、通过所述第二加权梯度值得到每个分量的参考方向;
步骤34、通过所述参考方向的分量像素值及第三加权系数获取当前分量的参考值。
进一步地,步骤31可以包括如下步骤:
将所述纹理方向梯度值以及与之相应的所述第一加权系数相乘后进行加权运算获取第一加权梯度值。
进一步地,步骤32可以包括如下步骤:
步骤321、按照预设算法选取出所述第一加权梯度值的第一最优值;
步骤322、将多个分量的所述第一最优值以及与之相应的所述第二加权系数相乘后进行加权运算获取第二加权梯度值。
进一步地,步骤33可以包括如下步骤:
步骤331、按照预设算法选取出所述第二加权梯度值的第二最优值;
步骤332、将所述第二最优值作为所述参考方向。
进一步地,步骤34可以包括如下步骤:
将所述参考方向的分量像素值以及与所述分量像素值相应的所述第一加权系数相乘后进行加权运算获取当前分量的所述参考值。
其中,在步骤4之后还可以包括如下步骤:
步骤41、重复步骤2~4,获取所述当前像素的所有分量像素的预测残差。
其中,步骤41中所有分量像素的预测残差的获取为并行处理或串行处理。
实施例五
请参见图8、图9,图8为本发明实施例提供的一种像素级多分量参考的自适应方向预测方法的算法原理示意图,图9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。本实施例在上述实施例的基础上对本发明提出的像素级多分量参考的自适应方向预测方法进行详细描述,该预测方法包括如下步骤:
S21、定义当前像素有K(K>1)个分量,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3所示,CUR代表当前像素分量,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;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。
实施例六
请参见图10、图11,图10为本发明实施例提供的一种梯度值计算示意图;图11为本发明实施例提供的另一种像素级多分量参考的自适应方向预测方法的算法原理示意图。本实施例在上述实施例的基础上对本发明提出的像素级多分量参考的自适应方向预测方法举例描述。本实施例将当前像素分为Y、U、V三个分量,具体步骤如下:
S31、定义当前像素有三个分量,分别为分量Y、分量U、分量V;
S32、对于当前像素的三个分量,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4所示,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。
综上所述,本文中应用了具体个例对本发明用于带宽压缩的预测方法进行了阐述,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 (3)
1.一种用于带宽压缩的预测方法,其特征在于,包括:
建立自适应模板,根据所述自适应模板获取当前MB的第一预测残差;包括:
建立自适应模板列表;
确定所述当前MB对应的自适应模板的表位数量以及表位序号;
初始化填充所述自适应模板;
检测所述当前MB的相邻参考方向MB重建值;
判断所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值是否一致,以确定所述自适应模板的更新方式;若所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值不一致,则将所述相邻参考方向的MB重建值更新到所述自适应模板的设定表位序号,且将所述自适应模板的表位序号从所述设定表位序号之后顺序移位;
若所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值一致,则将一致的所述自适应模板中的填充重建值与所述设定表位序号位置的重建值更换;
其中,判断所述相邻参考方向MB的重建值与所述自适应模板中的填充重建值一致的公式为:
其中,Cur为当前MB的原始像素值,CurRec为当前MB的重建值,ABS为求绝对值,Pred为模板中填充的重建值,MBnum为当前MB中像素数量,a1和a2为权重系数,Thr0为阈值;当的值小于Thr0时,k的取值为1,代表具备一致性;反之,当的值大于Thr0时,k的取值为0,则判断为不具备一致性;
更新所述自适应模板并获取所述当前MB的第一预测残差;包括:
选取更新的所述自适应模板中最优的M个表位;公式如下:
其中,Cur为当前MB的原始像素,Pred为自适应模板中每个表位填充的重建值;MBnum为当前MB中像素数量,c1和c2为权重系数,最终rdo越小,则该自适应模板表位中的重建值越优;
通过所述M个表位中的重建值确定所述当前MB的当前像素的预测像素值;
通过点对点求差获取所述第一预测残差;其中,所述第一预测残差为所述当前MB的所有像素的预测残差;
获取所述当前MB的多个分量的纹理方向梯度值,确定所述当前MB的预测方向和参考值,根据所述参考值获取当前MB的第二预测残差;
分别计算所述第一预测残差的残差绝对值和以及所述第二预测残差的残差绝对值和;选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为当前MB的最终预测残差;
将所述当前MB的最终预测残差、所述当前MB的最终预测残差对应的预测方法的标志信息传输至码流中。
2.根据权利要求1所述的方法,其特征在于,所述相邻参考方向包括上参考方向、左参考方向、左上参考方向或右上参考方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260486.7A CN109660793B (zh) | 2018-10-26 | 2018-10-26 | 用于带宽压缩的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811260486.7A CN109660793B (zh) | 2018-10-26 | 2018-10-26 | 用于带宽压缩的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109660793A CN109660793A (zh) | 2019-04-19 |
CN109660793B true CN109660793B (zh) | 2021-03-16 |
Family
ID=66110721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811260486.7A Active CN109660793B (zh) | 2018-10-26 | 2018-10-26 | 用于带宽压缩的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109660793B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024383A (zh) * | 2012-12-14 | 2013-04-03 | 北京工业大学 | 一种基于hevc框架的帧内无损压缩编码方法 |
CN105208387A (zh) * | 2015-10-16 | 2015-12-30 | 浙江工业大学 | 一种hevc帧内预测模式快速选择方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015085575A1 (en) * | 2013-12-13 | 2015-06-18 | Mediatek Singapore Pte. Ltd. | Methods for background residual prediction |
CN104796694B (zh) * | 2015-04-30 | 2017-08-15 | 上海交通大学 | 基于视频纹理信息的优化帧内视频编码方法 |
CN107509076B (zh) * | 2017-08-25 | 2019-10-18 | 中国软件与技术服务股份有限公司 | 一种面向超高清视频的编码优化方法 |
-
2018
- 2018-10-26 CN CN201811260486.7A patent/CN109660793B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024383A (zh) * | 2012-12-14 | 2013-04-03 | 北京工业大学 | 一种基于hevc框架的帧内无损压缩编码方法 |
CN105208387A (zh) * | 2015-10-16 | 2015-12-30 | 浙江工业大学 | 一种hevc帧内预测模式快速选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109660793A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110139109B (zh) | 图像的编码方法及相应终端 | |
CN101971631B (zh) | 自适应帧内模式选择 | |
CN102036067B (zh) | 运动图像编码设备及其控制方法 | |
CN105959698A (zh) | 用于基于变换和反变换执行内插的方法和设备 | |
JP4147632B2 (ja) | 画像情報変換装置、画像情報変換方法、およびテレビジョン受像機 | |
CN109660793B (zh) | 用于带宽压缩的预测方法 | |
EP1617675B1 (en) | Method and device for choosing a motion vector for the coding of a set of blocks | |
CN109413421B (zh) | 视频编码方法、设备以及视频解码方法、设备 | |
JP4241588B2 (ja) | 動画像符号化装置、及び動画像復号化装置 | |
CN109587481B (zh) | 视频编码方法及设备 | |
CN109561301B (zh) | 一种视频压缩中的预测方法 | |
US6993077B2 (en) | Experimental design for motion estimation | |
CN109547781B (zh) | 基于图像预测的压缩方法及设备 | |
Bartrina-Rapesta et al. | A novel rate-control for predictive image coding with constant quality | |
CN109561303B (zh) | 一种基于视频压缩的预测方法 | |
CN109302615B (zh) | 视频压缩的自适应模板预测方法 | |
CN111107345A (zh) | 视频编码方法及设备 | |
CN109510995B (zh) | 一种基于视频压缩的预测方法 | |
CN109510996B (zh) | 带宽压缩中的后选择预测方法 | |
CN110418133B (zh) | 用于为图像数据编码的方法和装置 | |
CN109587493B (zh) | 一种视频压缩中的预测方法 | |
WO2019057893A1 (en) | OBTAINING A TARGET REPRESENTATION OF A TIME SAMPLE OF A SIGNAL | |
JP2012120108A (ja) | 補間画像生成装置及びプログラム、並びに、動画像復号装置及びプログラム | |
CN111107351A (zh) | 一种视频压缩的预测方法 | |
US11363266B2 (en) | Method and system of performing inter-frame prediction in video compression |
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 |