CN112738520B - 一种vr全景视频信息处理方法 - Google Patents

一种vr全景视频信息处理方法 Download PDF

Info

Publication number
CN112738520B
CN112738520B CN202011557500.7A CN202011557500A CN112738520B CN 112738520 B CN112738520 B CN 112738520B CN 202011557500 A CN202011557500 A CN 202011557500A CN 112738520 B CN112738520 B CN 112738520B
Authority
CN
China
Prior art keywords
coding
unit
coding tree
region
sample
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
CN202011557500.7A
Other languages
English (en)
Other versions
CN112738520A (zh
Inventor
夏玲
雷宇
夏伟康
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.)
Hubei Zhongyu Huachen Industrial Co ltd
Original Assignee
Hubei Zhongyu Huachen Industrial 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 Hubei Zhongyu Huachen Industrial Co ltd filed Critical Hubei Zhongyu Huachen Industrial Co ltd
Priority to CN202011557500.7A priority Critical patent/CN112738520B/zh
Publication of CN112738520A publication Critical patent/CN112738520A/zh
Application granted granted Critical
Publication of CN112738520B publication Critical patent/CN112738520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N19/134—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
    • H04N19/134—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
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • 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
    • H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
    • 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
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/96—Tree coding, e.g. quad-tree coding

Landscapes

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

Abstract

本申请属于全景视频数据处理方法技术领域，尤其涉及一种VR全景视频信息处理方法。包括优化视频帧内编码的步骤，所述优化视频帧内编码的步骤包括编码单元处理过程；所述编码单元处理过程包括如下步骤：S1、基于编码树单元门限值划分图像编码区域；S2、基于率失真优化值的建立不同区域的剪枝决策样本属性；S3、基于剪枝决策样本属性的预划分决策样本属性；S4、建立边缘区域64*64尺寸的编码单元的剪枝决策树；本申请中的通过改良其递归分区划分的步骤，能够基于已编码单元快速进行区域划分的关联性决策属性，有效提高HEVC四叉树编码方法的帧内预测效率，提高其准确度，对于改善全景视频的编码加码效率，同时避免局部失真变形具有良好效果。

Description

一种VR全景视频信息处理方法
技术领域
本申请属于全景视频数据处理方法技术领域，尤其涉及一种VR全景视频信息处理方法。
背景技术
VR(虚拟现实)技术是未来信息显示、会议交流以及娱乐交互等领域的一种重要发展方向，基于虚拟现实技术以及相应的硬件，能够帮助使用者或者交流对象即使在不同空间进行远距离沟通时也能够获得即时的，真是的反馈以及观感，能够有效提高信息收集以及处理的有效性，在不同行业中均具有很好的应用前景。对于虚拟现实技术而言，全景视频及图像的处理和使用技术是影响其实际应用效果以及成本、有效性的核心要素，虽然全景视频的发展由来已久，在部分早期摄影摄像设备以及影视作品中，均能够看到全景视频或图像的应用场景，但其主要还是用于各类主题或者大部分对象为静态物体或者背景的场合，对于具有大量动态元素例如比赛场景等场合，由于数据量大，图像以及视频内采样点需求众多，导致全景视频在不同区域的像素点在映射之后会发生失真变形，不仅导致视频在数据处理过程中更加复杂困难，再次解析之后还会导致失真变形现象更加严重，严重影响图像和视频的最终质量。
发明内容
本申请的目的在于，基于现状，提供一种用于处理全景视频或图像，在提高视频编码效率的基础上，降低图像失真变形概率的VR全景视频信息处理方法。
为实现上述目的，本申请采用如下技术方案。
一种VR全景视频信息处理方法，包括优化视频帧内编码的步骤，所述优化视频帧内编码的步骤包括编码单元处理过程；所述编码单元处理过程包括如下步骤：
S1、基于编码树单元门限值划分图像编码区域
基于HEVC四叉树编码方法的基本编码单元划分步骤；用于确定每个编码树单元门限值为
Figure GDA0003529255510000011
其中(i，j)为编码树单元左上角第一个像素的坐标值；对于编码树单元门限值超过L的区域作为中心区域，对于编码树单元门限值未超过L的区域作为边缘区域；
S2、基于率失真优化值的建立不同区域的剪枝决策样本属性；
将率失真优化值作为该编码树单元在剪枝决策中的样本属性，比较当前编码树单元与相邻的同尺寸编码树单元的率失真优化值，建立基于该编码树单元是否剪枝与率失真优化值比较值之间的剪枝决策关联；
在边缘区域，任意一个已经完成编码的编码树单元，对于其相邻的编码树单元，得到两个参考区，分别位于其左侧和上侧；上述两个参考区和该编码树单元区域命名为编码树比较区；对于每个编码树单元，分别对编码单元率失真优化值进行计算，并与当前编码树单元中右下侧编码单元的率失真优化值R0进行比较，并标记率失真优化值为r0的编码单元；对于每个编码树比较区，以所含编码单元中最小的率失真优化值作为其参考代价；得到左侧、上侧以及当前编码树区对应的参考代价分别为R左、R上、R；对于已经完成编码的编码树单元，分别将R左、R上、R与R0进行比较，将比较结果作为边缘区域剪枝决策样本属性(A1、A2、A3)；
其中
Figure GDA0003529255510000021
对于中心区域；
以当前已完成编码的编码树单元以及相邻的左侧或者上侧编码树单元作为其编码树比较区；参考代价的确定方法和边缘区域相同，已完成编码的编码树单元以及相邻编码树单元的参考代价对应为Q任、Q，对应的当前编码树单元中右下侧编码单元的率失真优化值为Q0，对应的中心区域的剪枝决策样本属性(B1、B2)为：
Figure GDA0003529255510000022
S3、基于剪枝决策样本属性的预划分决策样本属性
基于前述剪枝决策样本属性，构建已编码解码单元的深度信息，统计当前编码树单元周围编码单元的深度信息构造提前划分剪枝决策的样本属性；
具体而言，检查当前编码树单元左侧以及上侧的区域，统计当前解码单元相邻区域中深度为2和3的区域数量，该类区域成为标准区域；
对于边缘区域，其左侧区域，深度为2和3的标准区域的数量分别记为T2和T3，其上侧区域，深度为2和3的标准区域的数量分别记为S2和S3，则当前编码树单元的深度信息样本为(C1、C2、C3、C4)；其中：
Figure GDA0003529255510000031
对于中心区域，使用各含有三个属性值0、1、2的深度信息样本(D1、D2)；其中
Figure GDA0003529255510000032
其中U2为U3当前解码单元相邻区域中深度为2和3的区域的数量；
S4、建立边缘区域64*64尺寸的编码单元的剪枝决策树
设该决策树样本集为Y，且Y由y个样本构成，样本中包含α0、α1两类，yk(k＝0、1)为样本集中含有的αk的数量，且样本集的基尼系数
Figure GDA0003529255510000033
其中
Figure GDA0003529255510000034
原始样本集Y具有两个属性，即分属于中心区域和边缘区域的剪枝决策样本属性，每个属性有三个取值；选择合适的剪枝决策样本数形之作为二分类划分标准；
将决策树样本集Y划分为两个子集Y1、Y2，且Y1＝{Y|Yi}Y2＝Y-Y1；其中Y1是指样本属性值满足某项指标的样本的集合；
设yk，j、(j＝1、2)为样本集Yj中样本属于αk的样本数量，则样本集Y的基尼系数为
Figure GDA0003529255510000035
基于Gini(Y)的取值，制定最小基尼系数，在剪叉决策树的各节点划分子节点，在每个子节点剪叉是否还存在其他划分方式，若得到的基尼系数小于最小基尼系数，则该子节点为叶节点，相应的解码单元不需要进行在划分，否则按照新的划分方式进行划分，直至所有子节点均分类为叶节点。
根据权利要求1所述一种VR全景视频信息处理方法，所述基本编码单元划分步骤中，每一幅图像被分割为多个互补的编码树单元，每个编码树单元则分别按照四叉树的方式的被划分为多个子编码单元并进行编码。
根据权利要求1所述一种VR全景视频信息处理方法，取L＝0.5，即对于编码树单元门限值超过0.5的区域作为中心区域，对于编码树单元门限值未超过0.5的区域作为边缘区域。
根据权利要求1所述一种VR全景视频信息处理方法，在S1中，对于任意编码树单元，当单个属性的值为2的时候，表示没有相同尺寸的编码单元在对应区域，当单个属性值为0的时候，表示当前解码单元有小概率向下划分，当单个属性值为1，表示当前解码单元向下划分的概率大，当三个属性值均为0，认为当前解码单元不会向下划分。
其有益效果在于：
本申请中的VR全景视频信息处理方法，针对全景视频编码过程中划分方案不科学，划分决策不完善的问题，提出了以HEVC四叉树编码方法的基础步骤为基础，通过改良其递归分区划分的步骤，利用与划分趋势与必要性关联的样本数形结合剪枝决策树配合实现分区决策模型或方法，利用该模型建立以及判断方法，能够基于已编码单元快速进行区域划分的关联性决策属性，快速对进一步划分的必要性进行判断，能够有效提高HEVC四叉树编码方法的帧内预测效率，提高其准确度，对于改善全景视频的编码加码效率，同时避免局部失真变形具有良好效果。
附图说明
本申请无附图。
具体实施方式
以下结合具体实施例对本申请作详细说明。
本申请的一种VR全景视频信息处理方法，包括优化视频帧内编码的步骤，所述优化视频帧内编码的步骤包括编码单元处理过程；
所述编码单元处理过程包括如下步骤：
S1、基于编码树单元门限值划分图像编码区域
本申请的基本内容基于HEVC四叉树编码方法的基本编码单元划分步骤；
在基本编码单元划分步骤中，每一幅图像被分割为多个互补的编码树单元，每个编码树单元则分别按照四叉树的方式的被划分为多个编码单元并进行编码；
本申请中用于确定每个编码树单元门限值为
Figure GDA0003529255510000041
其中(i，j)为编码树单元左上角第一个像素的坐标值；即对于编码树单元门限值超过L的区域作为中心区域，对于编码树单元门限值未超过L的区域作为边缘区域；
一般情况下，可以取L＝0.5，即对于编码树单元门限值超过0.5的区域作为中心区域，对于编码树单元门限值未超过0.5的区域作为边缘区域；
S2、基于率失真优化值的建立不同区域的剪枝决策样本属性；
为提高解码效率，同时降低视频处理时的数据需求，降低解码难度，本申请基于率失真优化值来判断当前编码树单元是否需要执行再划分，对于两个相邻的编码树单元，数据更复杂的一个将具有更高的率失真优化值，为此本申请中将率失真优化值作为该编码树单元在剪枝决策中的样本属性，通过比较当前编码树单元与相邻的同尺寸编码树单元的率失真优化值，建立基于该编码树单元是否剪枝与率失真优化值比较值之间的剪枝决策关联；
对于边缘区域；
由于全景图像中存在横向拉伸，会导致编码树单元的空间相关性的增大，在相邻的编码树单元中，位于其左侧的编码树单元的空间相关性会大于其上侧的编码树单元，其他方向的相关性则较弱；即对于任意一个已经完成编码的编码树单元，对于其相邻的编码树单元，可以得到两个参考区，分别位于其左侧和上侧；上述两个参考区和该编码树单元区域命名为编码树比较区；
在上述基础之上，对于每个编码树单元，分别对编码单元率失真优化值进行计算，并与当前编码树单元中右下侧编码单元的率失真优化值R0进行比较，并标记与率失真优化值为r0的编码单元；对于每个编码树比较区，以所含编码单元中最小的率失真优化值作为其参考代价；得到左侧、上侧以及当前编码树区对应的参考代价分别为R左、R上、R；
对于已经完成编码的编码树单元，分别将R左、R上、R与R0进行比较，将比较结果作为边缘区域剪枝决策样本属性(A1、A2、A3)；
其中
Figure GDA0003529255510000051
则对于任意编码树单元，当单个属性的值为2的时候，表示没有相同尺寸的编码单元在对应区域，当单个属性值为0的时候，表示当前解码单元有小概率向下划分，当单个属性值为1，表示当前解码单元向下划分的概率大，当三个属性值均为0，可以认为当前解码单元不会向下划分；
对于中心区域；
由于其横向拉伸可以忽略，其各向空间相关性基本相同，因此以当前已完成编码的编码树单元以及相邻的一个编码树单元(左侧或者上侧)作为其编码树比较区；且参考代价的确定方法和边缘区域相同，已完成编码的编码树单元以及相邻编码树单元的参考代价对应为Q任、Q，对应的当前编码树单元中右下侧编码单元的率失真优化值为Q0，对应的中心区域的剪枝决策样本属性(B1、B2)为：
Figure GDA0003529255510000061
S3、基于剪枝决策样本属性的预划分决策样本属性
在编码过程中，已编码单元具有自身的纵向深度，编码单元的纵向深度与该解码单元及其附近区域的视频图像的复杂程度正相关，基于前述剪枝决策样本属性，我们可以构建已编码解码单元的深度信息，统计当前编码树单元周围编码单元的深度信息，即可构造提前划分剪枝决策的样本属性；该提前划分剪枝决策即该编码单元是否需要提前划分与其周围编码单元的深度的关联度；
在统计相邻编码单元的深度信息时，同样只需要检查当前编码树单元左侧以及上侧的区域，在HEVC四叉树编码方法中，最小的深度单位为4*4，因此本申请中仅统计当前解码单元相邻区域中深度为2和3的区域数量，该类区域成为标准区域，标准区域的数量为当前编码树单元的深度信息样本属性；
对于边缘区域，由于前述空间相关性的影响，其左侧和上侧呈现不同的属性值，对于其左侧区域，深度为2和3的标准区域的数量分别记为T2和T3，对于其上侧区域，深度为2和3的标准区域的数量分别记为S2和S3，则当前编码树单元的深度信息样本为(C1、C2、C3、C4)；其中：
Figure GDA0003529255510000062
易知的，当C1、C2、C3、C4的属性值均为0，则对应的解码树单元相对简单，一般不需要提前进一步划分，当四个属性值均为0，则大概率需要进一步划分
对于中心区域，由于相邻区域的标准区域的数量远多于边缘区域，且便于更好的标记，使用各含有三个属性值0、1、2的深度信息样本(D1、D2)；其中
Figure GDA0003529255510000063
其中U2为U3当前解码单元相邻区域中深度为2和3的区域的数量；
S4、建立边缘区域64*64尺寸的编码单元的剪枝决策树
设该决策树样本集为Y，且Y由y个样本构成，样本中包含α0、α1两类，yk(k＝0、1)为样本集中含有的αk的数量，且样本集的基尼系数
Figure GDA0003529255510000064
其中
Figure GDA0003529255510000065
原始样本集Y具有两个属性，即分属于中心区域和边缘区域的剪枝决策样本属性，每个属性有三个取值；选择合适的剪枝决策样本数形之作为二分类划分标准，则可以将决策树样本集Y划分为两个子集Y1、Y2，且Y1＝{Y|Yi}Y2＝Y-Y1；其中Y1是指样本属性值满足某项指标的样本的集合；设yk，j、(j＝1、2)为样本集Yj中样本属于αk的样本数量，则样本集Y的基尼系数为
Figure GDA0003529255510000071
基于Gini(Y)的取值，制定最小基尼系数，在剪叉决策树的各节点划分子节点，在每个子节点剪叉是否还存在其他划分方式，若得到的基尼系数小于最小基尼系数，则该子节点为叶节点，相应的解码单元不需要进行在划分，否则按照新的划分方式进行划分，直至所有子节点均分类为叶节点。
最后应当说明的是，本申请中各项属性参数的值仅是标志记号，非定量指标，且以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。

Claims (4)

1.一种VR全景视频信息处理方法，其特征在于，包括优化视频帧内编码的步骤，所述优化视频帧内编码的步骤包括编码单元处理过程；所述编码单元处理过程包括如下步骤：
S1、基于编码树单元门限值划分图像编码区域
基于HEVC四叉树编码方法的基本编码单元划分步骤；用于确定每个编码树单元门限值为
Figure FDA0003529255500000011
其中(i，j)为编码树单元左上角第一个像素的坐标值；对于编码树单元门限值超过L的区域作为中心区域，对于编码树单元门限值未超过L的区域作为边缘区域；
S2、基于率失真优化值的建立不同区域的剪枝决策样本属性；
将率失真优化值作为该编码树单元在剪枝决策中的样本属性，比较当前编码树单元与相邻的同尺寸编码树单元的率失真优化值，建立基于该编码树单元是否剪枝与率失真优化值比较值之间的剪枝决策关联；
在边缘区域，任意一个已经完成编码的编码树单元，对于其相邻的编码树单元，得到两个参考区，分别位于其左侧和上侧；上述两个参考区和该编码树单元区域命名为编码树比较区；对于每个编码树单元，分别对编码单元率失真优化值进行计算，并与当前编码树单元中右下侧编码单元的率失真优化值R0进行比较，并标记率失真优化值为r0的编码单元；对于每个编码树比较区，以所含编码单元中最小的率失真优化值作为其参考代价；得到左侧、上侧以及当前编码树区对应的参考代价分别为R左、R上、R；对于已经完成编码的编码树单元，分别将R左、R上、R与R0进行比较，将比较结果作为边缘区域剪枝决策样本属性(A1、A2、A3)；
其中
Figure FDA0003529255500000012
对于中心区域；
以当前已完成编码的编码树单元以及相邻的左侧或者上侧编码树单元作为其编码树比较区；参考代价的确定方法和边缘区域相同，已完成编码的编码树单元以及相邻编码树单元的参考代价对应为Q任、Q，对应的当前编码树单元中右下侧编码单元的率失真优化值为Q0，对应的中心区域的剪枝决策样本属性(B1、B2)为：
Figure FDA0003529255500000021
S3、基于剪枝决策样本属性的预划分决策样本属性
基于前述剪枝决策样本属性，构建已编码解码单元的深度信息，统计当前编码树单元周围编码单元的深度信息构造提前划分剪枝决策的样本属性；
具体而言，检查当前编码树单元左侧以及上侧的区域，统计当前解码单元相邻区域中深度为2和3的区域数量，该类区域成为标准区域；
对于边缘区域，其左侧区域，深度为2和3的标准区域的数量分别记为T2和T3，其上侧区域，深度为2和3的标准区域的数量分别记为S2和S3，则当前编码树单元的深度信息样本为(C1、C2、C3、C4)；其中：
Figure FDA0003529255500000022
对于中心区域，使用各含有三个属性值0、1、2的深度信息样本(D1、D2)；其中
Figure FDA0003529255500000023
其中U2为U3当前解码单元相邻区域中深度为2和3的区域的数量；
S4、建立边缘区域64*64尺寸的编码单元的剪枝决策树
设该决策树样本集为Y，且Y由y个样本构成，样本中包含α0、α1两类，yk(k＝0、1)为样本集中含有的αk的数量，且样本集的基尼系数
Figure FDA0003529255500000024
其中
Figure FDA0003529255500000025
原始样本集Y具有两个属性，即分属于中心区域和边缘区域的剪枝决策样本属性，每个属性有三个取值；选择合适的剪枝决策样本数形之作为二分类划分标准；
将决策树样本集Y划分为两个子集Y1、Y2，且Y1＝{Y|Yi}Y2＝Y-Y1；其中Y1是指样本属性值满足某项指标的样本的集合；
设yk，j、(j＝1、2)为样本集Yj中样本属于αk的样本数量，则样本集Y的基尼系数为
Figure FDA0003529255500000026
基于Gini(Y)的取值，制定最小基尼系数，在剪叉决策树的各节点划分子节点，在每个子节点剪叉是否还存在其他划分方式，若得到的基尼系数小于最小基尼系数，则该子节点为叶节点，相应的解码单元不需要进行在划分，否则按照新的划分方式进行划分，直至所有子节点均分类为叶节点。
2.根据权利要求1所述一种VR全景视频信息处理方法，其特征在于，所述基本编码单元划分步骤中，每一幅图像被分割为多个互补的编码树单元，每个编码树单元则分别按照四叉树的方式的被划分为多个子编码单元并进行编码。
3.根据权利要求1所述一种VR全景视频信息处理方法，其特征在于，取L＝0.5，即对于编码树单元门限值超过0.5的区域作为中心区域，对于编码树单元门限值未超过0.5的区域作为边缘区域。
4.根据权利要求1所述一种VR全景视频信息处理方法，其特征在于，在S1中，对于任意编码树单元，当单个属性的值为2的时候，表示没有相同尺寸的编码单元在对应区域，当单个属性值为0的时候，表示当前解码单元有小概率向下划分，当单个属性值为1，表示当前解码单元向下划分的概率大，当三个属性值均为0，认为当前解码单元不会向下划分。
CN202011557500.7A 2020-12-23 2020-12-23 一种vr全景视频信息处理方法 Active CN112738520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011557500.7A CN112738520B (zh) 2020-12-23 2020-12-23 一种vr全景视频信息处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011557500.7A CN112738520B (zh) 2020-12-23 2020-12-23 一种vr全景视频信息处理方法

Publications (2)

Publication Number Publication Date
CN112738520A CN112738520A (zh) 2021-04-30
CN112738520B true CN112738520B (zh) 2022-07-05

Family

ID=75615739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011557500.7A Active CN112738520B (zh) 2020-12-23 2020-12-23 一种vr全景视频信息处理方法

Country Status (1)

Country Link
CN (1) CN112738520B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230396811A1 (en) * 2022-06-01 2023-12-07 Realtek Semiconductor Corp. Method and electronic device for processing video coding

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106454342A (zh) * 2016-09-07 2017-02-22 中山大学 一种视频压缩编码的帧间模式快速选择方法及系统
CN107371022A (zh) * 2017-08-26 2017-11-21 同济大学 应用于hevc医学影像无损编码的帧间编码单元快速划分方法
WO2018177254A1 (zh) * 2017-03-28 2018-10-04 华为技术有限公司 图像编/解码方法、视频编/解码器及视频编解码系统
CN110868593A (zh) * 2019-11-18 2020-03-06 北方工业大学 基于区域决策树的视频cu快速划分

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106454342A (zh) * 2016-09-07 2017-02-22 中山大学 一种视频压缩编码的帧间模式快速选择方法及系统
WO2018177254A1 (zh) * 2017-03-28 2018-10-04 华为技术有限公司 图像编/解码方法、视频编/解码器及视频编解码系统
CN107371022A (zh) * 2017-08-26 2017-11-21 同济大学 应用于hevc医学影像无损编码的帧间编码单元快速划分方法
CN110868593A (zh) * 2019-11-18 2020-03-06 北方工业大学 基于区域决策树的视频cu快速划分

Also Published As

Publication number Publication date
CN112738520A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN103002289B (zh) 面向监控应用的视频恒定质量编码装置及其编码方法
CN108513131B (zh) 一种自由视点视频深度图感兴趣区域编码方法
CN108288075A (zh) 一种改进ssd的轻量化小目标检测方法
CN111432210B (zh) 一种基于填充的点云属性压缩方法
CN106127799B (zh) 一种对于三维视频的视觉注意力检测方法
CN113516124B (zh) 基于计算机视觉技术的电能表用电信息识别算法
CN103826125B (zh) 用于已压缩监控视频的浓缩分析方法和装置
CN111355956A (zh) 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法
CN109040764B (zh) 一种基于决策树的hevc屏幕内容帧内快速编码算法
CN106341664A (zh) 一种数据处理方法及装置
CN112738520B (zh) 一种vr全景视频信息处理方法
CN113068034A (zh) 视频编码方法及装置、编码器、设备、存储介质
CN111447452B (zh) 数据编码方法及系统
CN110517270A (zh) 一种基于超像素深度网络的室内场景语义分割方法
CN115297288A (zh) 用于驾驶模拟器的监控数据存储方法
CN108391132A (zh) 文字块编码方法及装置
CN108616757A (zh) 一种翻拍后能提取水印的视频水印嵌入与提取方法
CN116935292A (zh) 一种基于自注意力模型的短视频场景分类方法及系统
CN108462878B (zh) 基于关键帧和指示符运动模型的教学视频压缩算法
CN113573058B (zh) 一种基于时空显著性融合的帧间图像编码方法
CN105007494A (zh) 一种3d视频深度图像模型模式的帧内楔形分割模式选择方法
CN108391130A (zh) 一种面向多视点视频的形状编码方法
CN114998930A (zh) 重遮挡图像集生成及重遮挡人体目标模型训练方法
CN111539874A (zh) 一种加速视频超分辨率重建的方法及装置
CN110853040A (zh) 一种基于超分辨率重建的图像协同分割方法

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
GR01 Patent grant
GR01 Patent grant