CN110545416B - 一种基于深度学习的超高清片源检测方法 - Google Patents

一种基于深度学习的超高清片源检测方法 Download PDF

Info

Publication number
CN110545416B
CN110545416B CN201910825906.XA CN201910825906A CN110545416B CN 110545416 B CN110545416 B CN 110545416B CN 201910825906 A CN201910825906 A CN 201910825906A CN 110545416 B CN110545416 B CN 110545416B
Authority
CN
China
Prior art keywords
detection
color gamut
video
film source
format
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
CN201910825906.XA
Other languages
English (en)
Other versions
CN110545416A (zh
Inventor
周芸
胡潇
郭晓强
李小雨
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.)
Research Institute Of Radio And Television Science State Administration Of Radio And Television
Original Assignee
Research Institute Of Radio And Television Science State Administration Of Radio And Television
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 Research Institute Of Radio And Television Science State Administration Of Radio And Television filed Critical Research Institute Of Radio And Television Science State Administration Of Radio And Television
Priority to CN201910825906.XA priority Critical patent/CN110545416B/zh
Publication of CN110545416A publication Critical patent/CN110545416A/zh
Application granted granted Critical
Publication of CN110545416B publication Critical patent/CN110545416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/015—High-definition television systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种基于深度学习的超高清片源检测方法，其主要技术特点是：对超高清片源进行技术符合性检测；对视频文件封装格式进行检测；对码流文件进行检测；构造色域检测的卷积神经网络模型，对视频片源的色域进行检测；构造转换曲线检测的卷积神经网络模型，对视频片源的转换曲线进行检测。本发明设计合理，其通过检测文件格式封装信息，可检测到文件头中封装的相应信息是否符合技术标准，通过检测编码后的码流信息，可检测到码流中标识的相应信息是否正确，并在片源内容特征检测上有效结合了卷积神经网络模型，可检测视频内容实际的色域类别以及测视频内容实际的转换曲线类别，获得了优良的检测结果，使得系统整体检测准确率大大提高。

Description

一种基于深度学习的超高清片源检测方法
技术领域
本发明属于计算机视觉图像分类领域，尤其是一种基于深度学习的超高清片源检测方法。
背景技术
4K超高清视频与高清视频相比，具有高分辨率、高帧率、宽色域、高量化精度、高动态范围等技术特征，能给观众带来身临其境的观看体验。为了规范超高清质量，我国已发布了用于超高清视频编码的GY/T 299.1-2016、用于超高清节目制作的GY/T 307-2017、用于高动态范围节目制作的GY/T 315-2018等标准。相关标准规定，超高清片源技术参数上需满足：分辨率为3840x2160(4K超高清)和7680x4320(8K超高清)，帧率为50P(更高可以到100P和120P),量化精度为10bit(更高可以到12bit)，色域为BT.2020，转换曲线为PQ和HLG两种。
然而，实际应用中，在节目制作、交换、传输等各个环节都有可能造成4K超高清节目质量不满足技术标准要求，严重损害了4K超高清市场的积极性。例如：视频封装参数不符合要求，如BT.709色域、8bit、Gamma曲线等；视频封装参数符合规定，但实际内容并不符合，如封装参数为BT.2020色域，实际内容是BT.709色域；封装参数是HDR，实际是SDR等；视频封装参数和内容本身符合标准，但质量较差，如经过高清视频上变换得到的超高清视频。
因此，如何对超高清视频片源进行解析和检测并有效保证超高清节目片源的质量把控是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服上述现有技术存在的不足，提供一种基于深度学习的超高清片源检测方法，其能够从文件格式、编码码流、内容特征三个层次来对超高清视频片源进行解析和检测，逐步分析相关技术指标的符合性，达到多层次、多角度的检测目的，有效保证超高清节目片源的质量把控，确保呈现给观众真正符合标准的超高清电视节目。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于深度学习的超高清片源检测方法，包括以下步骤：
步骤1、对超高清片源进行技术符合性检测；
步骤2、对视频文件封装格式进行检测；
步骤3、对文件格式解封装后的码流文件进行检测；
步骤4、构造色域检测的卷积神经网络模型，对视频片源的色域进行检测；
步骤5、构造转换曲线检测的卷积神经网络模型，对视频片源的转换曲线进行检测。
进一步，所述超高清片源的技术参数需满足：分辨率为3840x2160和7680x4320，帧率为50P及以上,量化精度为10bit和12bit，色域为BT.2020，转换曲线为PQ和HLG两种。
进一步，所述步骤1的技术符合性检测包括文件格式检测、编码码流格式检测和内容特征检测，所述内容特征检测包括色域检测和转换曲线检测。
进一步，所述步骤2的视频文件封装格式包括制播域的MXF格式和传输域的TS格式，具体检测检测方法为：
对于MXF格式，文件头中包含视频相关的元数据，包括分辨率、帧率、量化精度、编码方式信息，以及通过图像实体描述符记录与色域和HDR相关的转换曲线、颜色转换矩阵和色域；
对于TS格式，文件头中含有与编码方式相关的stream_type和相关描述符，用于确定所封装视频的编码格式。
进一步，所述步骤3的检测内容包括编码类和级、分辨率、帧率、量化精度的视频编码技术指标，以及与动态范围和色域相关的转换曲线、彩色信号转换矩阵的序列头标识信息。
进一步，所述步骤3的具体检测方法包括以下步骤：
⑴对文件格式解封装后，得到编码基本流，码流包含编码类和级、分辨率、帧率、量化精度等视频编码技术指标,与动态范围和色域相关的转换曲线、彩色信号转换矩阵等在序列头信息中标识；
⑵对于H.264/AVC编码和H.265/HEVC编码，在序列头VUI的vui_parameters()语法中对色域、转换曲线和颜色转换矩阵字段进行标识；
⑶对于AVS2编码，在序列头的sequence_display_extension()语法中对色域、转换曲线和颜色转换矩阵字段进行标识。
进一步，所述步骤4的检测内容包括BT.709和BT.2020两种色域类别。
进一步，所述步骤4的检测方法为：首先将BT.709和BT.2020的图像划分为统一的像素尺寸，然后批量地输入卷积神经网络进行训练，经过多次迭代，得到色域分类网络模型。
进一步，所述步骤5的检测内容包括Gamma、HLG、PQ三种转换曲线类别。
进一步，所述步骤5构建转换曲线检测的卷积神经网络模型的方法为：首先将Gamma、HLG和PQ的图像划分为统一尺寸的图像块，然后批量地馈送入神经网络进行训练，经过多次迭代，得到转换曲线分类网络模型。
本发明的优点和积极效果是：
本发明设计合理，其采用多层次、全方位的检测思路，通过检测文件格式封装信息，可检测到文件头中封装的相应信息是否符合技术标准，通过检测编码后的码流信息，可检测到码流中标识的相应信息是否正确，并在片源内容特征检测上有效结合了卷积神经网络模型，可检测视频内容实际的色域类别以及测视频内容实际的转换曲线类别，获得了优良的检测结果，使得系统整体检测准确率大大提高。
附图说明
图1是本发明的超高清片源检测方法原理图。
具体实施方式
以下结合附图对本发明的实施做进一步详述。
一种基于深度学习的超高清片源检测方法，如图1所示，包括以下步骤：
步骤1、对超高清片源进行技术符合性检测，技术符合行检测包括文件格式检测、编码码流格式检测、内容特征检测。
在本步骤中，对超高清片源进行技术符合性检测需要依照我国超高清电视技术标准的规定进行检测，超高清片源技术参数上需满足：分辨率为3840x2160(4K超高清)和7680x4320(8K超高清)，帧率为50P(更高可以到100P和120P),量化精度为10bit(更高可以到12bit)，色域为BT.2020，转换曲线为PQ和HLG两种。当前存在的超高清片源可能在文件格式封装、编码码流标识、实际内容三个方面与技术标准不符合，因此，对以上技术参数进行检测，所述检测方法的步骤为：
文件格式检测→编码码流格式检测→内容特征检测。
其中，内容特征检测主要包括色域、转换曲线检测。
步骤2、对常见的视频文件封装格式进行检测，检测内容包括文件头封装的视频分辨率、帧率、编码标准、量化精度等信息。本步骤的具体实现方法为：
⑴文件格式检测支持常见的TIFF、MXF、mp4、avi、mov、ts等多种文件封装格式。制播域目前一般采用MXF(Material eXchange Format，素材交换格式)，传输域一般采用TS(Transport Stream，传输流)，以这两种常用格式为例，介绍文件格式检测的具体内容。
⑵对于MXF格式，文件头中包含视频相关的元数据，包括分辨率、帧率、量化精度、编码方式信息。此外，还可以通过图像实体描述符记录与色域和HDR相关的转换曲线、颜色转换矩阵和色域，相关参数定义见表1。
表1 MXF文件中图像实体描述符定义
Figure BDA0002189059150000031
⑶对于TS格式，文件头中含有与编码方式相关的stream_type和相关描述符，用于确定所封装视频的编码格式，具体定义见表2。
表2 TS文件中视频封装定义
序号 流类型 stream_type
1 GY/T299.1—2016视频(AVS2视频) 0xD2
2 ITU-TH.265|ISO/IEC 23008-2(H.265/HEVC视频) 0x24
3 ITU-TH.264|ISO/IEC 14496-10(H.264/AVC视频) 0x1b
步骤3、对文件格式解封装后的码流文件进行检测，检测内容包括编码类和级、分辨率、帧率、量化精度等视频编码技术指标，以及与动态范围和色域相关的转换曲线、彩色信号转换矩阵等序列头标识信息。本步骤的具体实现方法为：
⑴对文件格式解封装后，可以得到编码基本流，码流包含编码类和级、分辨率、帧率、量化精度等视频编码技术指标,与动态范围和色域相关的转换曲线、彩色信号转换矩阵等在序列头信息中标识。
⑵对于H.264/AVC编码和H.265/HEVC编码，在序列头VUI(Video usabilityinformation，视频使用信息)vui_parameters()语法中对色域(colour_primaries)、转换曲线(transfer_characteristics)和颜色转换矩阵(matrix_coeffs)等字段进行标识，具体定义见表3。
表3 VUI中字段标识定义
Figure BDA0002189059150000041
⑶对于AVS2编码，在序列头sequence_display_extension()语法中对色域(colour_primaries)、转换曲线(transfer_characteristics)和颜色转换矩阵(matrix_coeffs)等字段进行标识，具体定义见表4。
表4 AVS2编码流标识
Figure BDA0002189059150000042
步骤4、构造色域检测的卷积神经网络模型，对视频片源的色域进行检测，包括BT.709和BT.2020两种色域类别。本步骤的具体实现方法为：
首先，将BT.709和BT.2020的图像划分为统一的像素尺寸，然后批量地输入卷积神经网络进行训练，经过多次迭代，得到色域分类网络模型。
步骤5、构造转换曲线检测的卷积神经网络模型，对视频片源的转换曲线进行检测，包括Gamma、HLG、PQ三种转换曲线类别。本步骤的具体实现方法为：
首先将Gamma、HLG和PQ的图像划分为统一尺寸的图像块，然后批量地馈送入神经网络进行训练，迭代多次网络收敛后，得到转换曲线分类网络模型。
下面按照本发明方法进行测试，进一步说明本发明的性能。
测试环境：Windows 10、Visual Studio 2015、Python
测试数据：公开的、项目组拍摄的测试序列共175个。其中BT.709序列20个，BT.2020序列155个，在BT.2020序列中，HLG序列134个，PQ序列21个。关于序列的详细说明见表5。
表5测试序列详细说明
Figure BDA0002189059150000051
测试指标：
本发明使用的测试指标分为两类：文件格式检测和编码码流检测部分，以技术标准中的相关技术标识为测试指标；色域和转换曲线检测部分，以检测准确率作为测试指标。其中，对于色域和转换曲线的测试指标具体说明如下：在测试过程中，网络模型的输出结果是当前输入图像属于某一类的概率。具体来说，通过将输入图像裁剪为小块，根据输出的概率判断每一个小块的类别，进而根据所设阈值，当某一帧内预测为某一类别的块所占比例超过阈值时，则判断该帧属于该类别。其中，在预测块的类别时，遵循深度学习分类任务的常规方法，若网络输出的预测概率大于给定阈值(实验中设为0.5)，则认为当前块属于这一类。
试验结果如下：
表6文件格式检测结果
检测项目 技术要求 检测结果
输入文件格式 支持MXF、TS等封装格式的视频文件输入 符合
分辨率 可以正确显示输入文件头封装的分辨率 3840x2160
帧率 可以正确显示输入文件头封装的帧率 50P
宽高比 可以正确显示输入文件头封装的宽高比 16：9
比特精度 可以正确显示输入文件头封装的比特精度 10bit
采样格式 可以正确显示输入文件头封装的采样格式 符合
电平范围 可以正确显示输入文件头封装的电平范围 符合
色域 可以正确显示输入文件头封装的色域 符合
表7编码码流检测结果
Figure BDA0002189059150000052
Figure BDA0002189059150000061
表8色域和转换曲线检测结果
Figure BDA0002189059150000062
通过以上测试结果可以看出，本发明优于目前其他的片源检测算法，系统整体检测准确率较高。
本发明未述及之处适用于现有技术。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (2)

1.一种基于深度学习的超高清片源检测方法，其特征在于包括以下步骤：
步骤1、对超高清片源进行技术符合性检测；
步骤2、对视频文件封装格式进行检测；
步骤3、对文件格式解封装后的码流文件进行检测；
步骤4、构造色域检测的卷积神经网络模型，对视频片源的色域进行检测；
步骤5、构造转换曲线检测的卷积神经网络模型，对视频片源的转换曲线进行检测；
所述超高清片源的技术参数需满足：分辨率为3840x2160和7680x4320，帧率为50P及以上,量化精度为10bit和12bit，色域为BT.2020，转换曲线为PQ和HLG两种；
所述步骤2的视频文件封装格式包括制播域的MXF格式和传输域的TS格式，具体检测检测方法为：
对于MXF格式，文件头中包含视频相关的元数据，包括分辨率、帧率、量化精度、编码方式信息，以及通过图像实体描述符记录与色域和HDR相关的转换曲线、颜色转换矩阵和色域；
对于TS格式，文件头中含有与编码方式相关的stream_type和相关描述符，用于确定所封装视频的编码格式;
所述步骤3的检测内容包括编码类和级、分辨率、帧率、量化精度的视频编码技术指标，以及与动态范围和色域相关的转换曲线、彩色信号转换矩阵的序列头标识信息；具体检测方法包括以下步骤：⑴对文件格式解封装后，得到编码基本流，编码基本流包含编码类和级、分辨率、帧率、量化精度的视频编码技术指标,与动态范围和色域相关的转换曲线、彩色信号转换矩阵在序列头信息中标识；⑵对于H.264/AVC编码和H.265/HEVC编码，在序列头VUI的vui_parameters()语法中对色域、转换曲线和颜色转换矩阵字段进行标识；⑶对于AVS2编码，在序列头的sequence_display_extension()语法中对色域、转换曲线和颜色转换矩阵字段进行标识：
所述步骤4的检测内容包括BT.709和BT.2020两种色域类别；具体检测方法为：首先将BT.709和BT.2020的图像划分为统一的像素尺寸，然后批量地输入卷积神经网络进行训练，经过多次迭代，得到色域分类网络模型：
所述步骤5的检测内容包括Gamma、HLG、PQ三种转换曲线类别；
所述步骤5构建转换曲线检测的卷积神经网络模型的方法为：首先将Gamma、HLG和PQ的图像划分为统一尺寸的图像块，然后批量地馈送入神经网络进行训练，经过多次迭代，得到转换曲线分类网络模型。
2.根据权利要求1所述的一种基于深度学习的超高清片源检测方法，其特征在于：所述步骤1的技术符合性检测包括文件格式检测、编码码流格式检测和内容特征检测，所述内容特征检测包括色域检测和转换曲线检测。
CN201910825906.XA 2019-09-03 2019-09-03 一种基于深度学习的超高清片源检测方法 Active CN110545416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910825906.XA CN110545416B (zh) 2019-09-03 2019-09-03 一种基于深度学习的超高清片源检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910825906.XA CN110545416B (zh) 2019-09-03 2019-09-03 一种基于深度学习的超高清片源检测方法

Publications (2)

Publication Number Publication Date
CN110545416A CN110545416A (zh) 2019-12-06
CN110545416B true CN110545416B (zh) 2020-10-16

Family

ID=68711090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910825906.XA Active CN110545416B (zh) 2019-09-03 2019-09-03 一种基于深度学习的超高清片源检测方法

Country Status (1)

Country Link
CN (1) CN110545416B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781931B (zh) * 2019-10-14 2022-03-08 国家广播电视总局广播电视科学研究院 一种局部特征提取和融合的超高清片源转换曲线检测方法
CN113382284B (zh) * 2020-03-10 2023-08-01 国家广播电视总局广播电视科学研究院 一种盗版视频的分类方法及装置
CN111385567B (zh) * 2020-03-12 2021-01-05 上海交通大学 一种超高清视频质量评价方法及装置
CN111696078B (zh) * 2020-05-14 2023-05-26 国家广播电视总局广播电视规划院 一种超高清视频检测方法及系统
CN112465664B (zh) * 2020-11-12 2022-05-03 贵州电网有限责任公司 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN113992880B (zh) * 2021-10-15 2024-04-12 上海佰贝科技发展股份有限公司 4k视频识别方法、系统、设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3104609A1 (en) * 2015-06-08 2016-12-14 Thomson Licensing Method and apparatus for color gamut scalability (cgs) video encoding with artifact detection
CN107197235A (zh) * 2017-06-26 2017-09-22 杭州当虹科技有限公司 一种hdr视频预处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4194859B2 (ja) * 2003-02-24 2008-12-10 リーダー電子株式会社 映像信号監視装置
CN102833543B (zh) * 2012-08-16 2014-08-13 中央电视台 一种视音频媒体文件视频编码格式检测装置与方法
CN106612428B (zh) * 2015-10-27 2018-12-04 成都鼎桥通信技术有限公司 一种高分辨率视频的参数检测方法
CN106791865B (zh) * 2017-01-20 2020-02-28 杭州当虹科技股份有限公司 基于高动态范围视频的自适应格式转换的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3104609A1 (en) * 2015-06-08 2016-12-14 Thomson Licensing Method and apparatus for color gamut scalability (cgs) video encoding with artifact detection
CN107197235A (zh) * 2017-06-26 2017-09-22 杭州当虹科技有限公司 一种hdr视频预处理方法

Also Published As

Publication number Publication date
CN110545416A (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
CN110545416B (zh) 一种基于深度学习的超高清片源检测方法
CN112272947B (zh) 一种视频信号处理的方法、装置及计算机可读存储介质
US11871011B2 (en) Efficient lossless compression of captured raw image information systems and methods
CN107147942B (zh) 视频信号传输方法、设备、装置以及存储介质
US10999607B2 (en) Methods, systems and apparatus for electro-optical and opto-electrical conversion of images and video
US20160105695A1 (en) Transmitting Display Management Metadata Over HDMI
CN105981391A (zh) 发送装置、发送方法、接收装置、接收方法、显示装置及显示方法
US20200394775A1 (en) Method and device for generating a second image from a first image
EP3367685B1 (en) Method and device for reconstructing image data from decoded image data
EP3051486A1 (en) Method and apparatus for encoding and decoding high dynamic range (HDR) videos
CN102833543B (zh) 一种视音频媒体文件视频编码格式检测装置与方法
CN107148780A (zh) 发送装置、发送方法、接收装置和接收方法
CN105850128B (zh) 对高动态范围图像编码和/或对比特流解码的方法和设备
CN115210715A (zh) 用于神经网络的压缩表示的高级语法
KR101357388B1 (ko) 임베디드 그래픽스 코딩: 병렬 디코딩을 위한 재배열된 비트스트림
EP3051823A1 (en) Methods, systems and aparatus for electro-optical and opto-electrical conversion of images and video
US20230298305A1 (en) Method and apparatus for optimizing hdr video display processing, and storage medium and terminal
US11490134B2 (en) Method and system for codec of visual feature data
CN105790768B (zh) 数据存储方法和系统
EP3557872A1 (en) Method and device for encoding an image or video with optimized compression efficiency preserving image or video fidelity
KR102280094B1 (ko) 이미지/비디오 신호에 관련된 비트 스트림을 생성하기 위한 방법, 특정 정보 데이터를 포함하는 비트 스트림, 그와 같은 특정 정보 데이터를 획득하기 위한 방법
CN109743627B (zh) 基于avs+视频编码数字电影包的播放方法
EP3369241A1 (en) Method and device for selecting a process to be applied on video data from a set of candidate processes driven by a common set of information data
CN109996077A (zh) 一种适用于显示面板检测的逻辑图像解压方法
EP4447003A1 (en) Method of determining segmentation mask, device, system data, data structure and non-transitory storage medium

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