CN114866782B - 一种基于深度变维码率控制的视频图像处理方法 - Google Patents

一种基于深度变维码率控制的视频图像处理方法 Download PDF

Info

Publication number
CN114866782B
CN114866782B CN202210281524.7A CN202210281524A CN114866782B CN 114866782 B CN114866782 B CN 114866782B CN 202210281524 A CN202210281524 A CN 202210281524A CN 114866782 B CN114866782 B CN 114866782B
Authority
CN
China
Prior art keywords
image
network
dimension
distortion
code rate
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
CN202210281524.7A
Other languages
English (en)
Other versions
CN114866782A (zh
Inventor
杨郑龙
罗亦茜
李国平
王国中
范涛
赵海武
商习武
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202210281524.7A priority Critical patent/CN114866782B/zh
Publication of CN114866782A publication Critical patent/CN114866782A/zh
Application granted granted Critical
Publication of CN114866782B publication Critical patent/CN114866782B/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
    • H04N19/48—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using compressed domain processing techniques other than decoding, e.g. modification of transform coefficients, variable length coding [VLC] data or run-length data
    • 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
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种基于深度变维码率控制的视频图像处理方法，包括：步骤S1、将原始高分辨率图像进行双三次下采样和低通滤波，得到平滑滤波图像；步骤S2、利用降维修正网络生成的修正项对平滑滤波图像进行细节修正，得到降维修正图像；步骤S3、采用深度码率控制模型对降维修正图像进行编码；步骤S4、建立并级联率失真卷积网络模型，基于先知图像率失真特性和预测失真图像线性缩放准则，对失真图像线性补偿优化，得到无损降维图像；步骤S5、对无损降维图像进行双三次插值维度还原，得到模糊深维图像；步骤S6、采用升维特征预测网络对升维细节进行预测并优化，得到还原图像。与现有技术相比，本发明具有传输效率高、线性损失小以及码率精度高的优点。

Description

一种基于深度变维码率控制的视频图像处理方法
技术领域
本发明涉及视频图像编解码技术领域，尤其是涉及一种基于深度变维码率控制的视频图像处理方法。
背景技术
21世纪以来，4K、8k、HDR(High Dynamic Range)以及360度全景声等视频技术得到了快速发展和应用，但随之而来的是视频数据量爆发式增长，对存储和传输技术带来了巨大挑战。新一代视频编码标准H.266/VVC(Versatile Video Coding)目标是比上一代标准H.265/HEVC的编码性能提高一倍，但是视频数据量的增长已远超编码压缩性能的提升，尤其是对于4K超高清或以上分辨率视频的压缩，其编码码率已达到了很高地步。由此可见，高分辨率视频的编码将占用大量的带宽资源，因此亟需有效方法来降低编码码率。
目前国内研究现状：目前大多采用传统的码控方法，如MPEG-1中的可变码率控制模型、MPEG-2中的TM5模型和MPEG-4中的VM8模型。还有H.263中的TMN8模型、H.264/AVC中的二次R-Q模型以及H.265/HEVC中的R-ρ模型、URQ模型和R-λ模型。此外，还有以主观评价为基础的码率控制算法；以视觉感兴趣区域重点码控的码控算法；以编码树单元为基础通过构建泰勒级数展开式的闭合解，估计每个编码树单元的最优码率的码控算法等等。
但是，传统的图像变维手段很难对高分辨率图像进行恢复，难以实现多源图像精确融合以及高效信息提取与先验；此外，深度变维技术在码率控制中却少有应用，主要难点在于变维视频特性与码控编码的关系机理未知。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种传输效率高、线性损失小以及码率精度高的基于深度变维码率控制的视频图像处理方法。
本发明的目的可以通过以下技术方案来实现：
本发明提供了一种基于深度变维码率控制的视频图像处理方法，该方法包括以下步骤：
步骤S1、将原始高分辨率图像进行双三次下采样和低通滤波，得到平滑滤波图像；
步骤S2、利用降维修正网络生成的修正项对所述平滑滤波图像进行细节修正，得到降维修正图像；
步骤S3、采用深度码率控制模型对所述降维修正图像进行编码，重建后生成失真图像；
步骤S4、建立并级联率失真卷积网络模型，基于先知图像率失真特性和预测失真图像线性缩放准则，对所述失真图像线性补偿优化，得到无损降维图像；
步骤S5、对所述无损降维图像进行双三次插值维度还原，得到模糊深维图像；
步骤S6、采用升维特征预测网络对升维细节进行预测并优化，得到还原图像。
优选地，所述步骤S2中的降维修正网络的优化目标为：
式中，x为原始高分辨率图像，x*为理想最佳降维图像；Red(·)为需要训练的降维修正网络，θ1为降维修正网络的参数；down(·)为对图像进行双三次下采样加上低通滤波操作。
优选地，所述步骤S4中的升维特征预测网络的优化目标为：
式中，x′为深度码控模块输出图像，Ris(·)为需要训练的升维特征预测网络，θ2为升维特征预测网络的参数，bicup(·)为双三次插值操作。
优选地，所述降维修正网络和升维特征预测网络采用联合优化方式进行训练，其中联合优化目标为：
式中，参数θ1和θ2采用渐进交替迭代优化方法进行获取。
优选地，所述参数θ1和θ2采用渐进交替迭代优化方法进行获取，具体为：固定参数θ2，训练参数θ1，然后固定训练后的参数θ1，对参数θ2进行训练，接着再固定训练后的参数θ2，训练参数θ1，交互往替，直至达到最优；
Red(·)与Ris(·)交替迭代的损失函数分别定义为：
式中，N为数据集大小。
优选地，所述步骤S3中的深度码率控制模型的优化目标为：
式中，Cod(·)为码控编码过程，Dcod(·)为码控解码过程，与/>分别为码控编解码参数。
优选地，所述步骤S4具体为：
采用并级联率失真卷积网络模型从非线性损失中分离出码控编码失真损失；
利用先知图像率失真特性和预测失真图像线性缩放准则，对生成的失真图像线性补偿优化，得到无损降维图像。
优选地，所述并级联率失真卷积网络模型包括一级并联网络和二级级联网络；所述一级并联网络包括10个结构相同的失真图像预测卷积网络；所述二级级联网络包括1个码率预测卷积网络。
优选地，所述步骤S4具体为：
降维图像输入至一级并联网络，得到10个不同的失真图像D1～D10，再将其输入至二级级联网络，得到产生所述失真图像D1～D10对应的码率点r1～r10；
将失真图像D1～D10转换为失真值d1～d10，结合求得的对应码率点r1～r10，得到10对率失真点(r1,d1)～(r10,d10)，线性拟合得到当前图像的真实率失真特性；
在10对预测的率失真点中，选取与当前码率最近的1对率失真点(rj，dj)和对应的失真图wj；将Dj中的每一个失真像素在拟合函数y＝F(x)下进行线性缩放，预测当前码率下的失真图，对编码重建图像进行补偿。
优选地，所述失真图像预测卷积网络的优化目标为：
式中，T为测试集的大小，W为图像长，H为图像宽，ω为网络的参数集；为理想降维图像，/>为像素的预测失真值，/>为像素的真实失真值；
所述码率预测卷积网络的优化目标为：
式中，T为测试集的大小，q(ψ,Di)为失真图像，ψ为网络的参数集，Di为预测码率值，为真实码率值。
与现有技术相比，本发明具有以下优点：
本发明通过研究码率控制内部机理，使用卷积神经网络变维码控输出，从而完成视频图像有效降维、高效码控以及精准还原的变维码率控制策略；此方法具有传输效率高、线性损失小，码率精度高等特点，研究内容具有重要的现实意义，在科学和工程上都具有实用性和参考价值。
附图说明
图1为本发明的深度变维码率控制方法结构框图；
图2为本发明的并级联率失真预测网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，一种基于深度变维码率控制的视频图像处理方法，该方法包括以下步骤：
步骤S1、将原始高分辨率图像进行双三次下采样和低通滤波，得到平滑滤波图像；
步骤S2、利用降维修正网络生成的修正项对所述平滑滤波图像进行细节修正，得到降维修正图像，其中，所述降维修正网络的优化目标为：
式中，x为原始高分辨率图像，x*为理想最佳降维图像；Red(·)为需要训练的降维修正网络，θ1为降维修正网络的参数；down(·)为对图像进行双三次下采样加上低通滤波操作；
步骤S3、采用深度码率控制模型对所述降维修正图像进行编码，重建后生成失真图像，其中，所述深度码率控制模型的优化目标为：
式中，Cod(·)为码控编码过程，Dcod(·)为码控解码过程，与/>分别为码控编解码参数；
高效码控的实质是对公式(2)的进行优化，建立的并级联深度卷积网络，可以先知编码单元真实率失真特性。根据求导优化，得到拉格朗日系数为：
由于d＝F(r)为拟合的线性关系；
每个编码单元的目标码率为：
其中，ω为权重，可以根据每个编码单元复杂程度求得，rlfet为实际剩余码率，为剩余未编码的编码单元计算总码率，M为剩余未编码的编码单元数量，W为平滑常数。
量化参数QP表达式为：
QP＝[a·ln(λ)+b] (5)
其中，a与b为常数，为向上取整操作。由于可以先知当前编码图像的真实率失真特性，只需利用公式(4)保证对码率进行高精度控制，无论其结果如何，总是可以根据公式(3)得到当前目标码率下的最优拉格朗日因子，再结合公式(5)，使得码率和编码性能达到最佳。
步骤S4、采用并级联率失真卷积网络模型从非线性损失中分离出码控编码失真损失；利用先知图像率失真特性和预测失真图像线性缩放准则，对生成的失真图像线性补偿优化，得到无损降维图像；
变维码控整体非线性损失包括图像变维特征损失和码控编码失真带来的损失，因此采用并级联率失真卷积网络模型从非线性损失中分离出码控编码失真损失，完成对公式(2)中x*近似或者完全等于下面所述公式(8)中的x′，则编码控过程几乎是无损；
如图2所示，本实施例构建的并级联率失真卷积网络模型包括一级并联网络和二级级联网络；所述一级并联网络包括10个结构相同的失真图像预测卷积网络；所述二级级联网络包括1个码率预测卷积网络。
所述失真图像预测卷积网络的优化目标为：
式中，T为测试集的大小，W为图像长，H为图像宽，ω为网络的参数集；为理想降维图像，/>为像素的预测失真值，/>为像素的真实失真值；
所述码率预测卷积网络的优化目标为：
式中，T为测试集的大小，q(ψ,Di)为失真图像，ψ为网络的参数集，Di为预测码率值，为真实码率值。
整个网络的工作过程为：将降维图像输入至一级并联网络，得到10个不同的失真图像D1～D10，再将其输入至二级级联网络，得到产生所述失真图像D1～D10对应的码率点r1～r10；将失真图像D1～D10转换为失真值d1～d10，结合求得的对应码率点r1～r10，得到10对率失真点(r1,d1)～(r10,d10)，线性拟合得到当前图像的真实率失真特性；
在10对预测的率失真点中，选取与当前码率最近的1对率失真点(rj，dj)和对应的失真图Dj；将Dj中的每一个失真像素在拟合函数y＝F(x)下进行线性缩放，预测当前码率下的失真图，对编码重建图像进行补偿。
在码率控制过程中，需要对当前码率下的编码失真图像进行预测。由于编码图像失真变化符合先知的率失真特征，编码像素失真变化也具有类似的率失真特性。在10对预测的率失真点中，选取与当前码率最近的1对率失真点(rj，dj)和对应的失真图Dj，Dj对中的每一个失真像素在拟合函数y＝F(x)下进行线性缩放，预测当前码率下的失真图，从而对编码重建图像进行补偿，使得x*尽可能的等于x′。
步骤S5、对所述无损降维图像进行双三次插值维度还原，得到模糊深维图像；
步骤S6、采用升维特征预测网络对升维细节进行预测并优化，得到还原图像。
升维维特征预测网络的优化目标为：
其中，x′为深度码控模块输出图像，Ris(·)为需要训练的升维特征预测网络，θ2为升维特征预测网络的参数，bicup(·)为双三次插值操作；
本实施例中，公式(1)优化目标是降维修正网络参数，公式(2)优化目标/>是深度码控网络参数，公式(8)优化目标/>是升维特征预测网络参数
由于公式(1)中的x*未知，无法对公式(1)直接进行优化，而经过深度码率控制模块后，可以近似的认为x*等于x′。因此，本实施例的降维修正网络和升维特征预测网络采用联合优化方式进行训练，其中联合优化目标为：
式中，参数θ1和θ2采用渐进交替迭代优化方法进行获取，具体为：固定参数θ2，训练参数θ1，然后固定训练后的参数θ1，对参数θ2进行训练，接着再固定训练后的参数θ2，训练参数θ1，交互往替，直至达到最优；Red(·)与Ris(·)交替迭代的损失函数分别定义为：
式中，N为数据集大小。在Red(·)与Ris(·)在交替训练过程中，损失在不断减小。当数据集足够大，联合优化目标是可以通过公式(10)与公式(11)交替进行获得。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (2)

1.一种基于深度变维码率控制的视频图像处理方法，其特征在于，该方法包括以下步骤：
步骤S1、将原始高分辨率图像进行双三次下采样和低通滤波，得到平滑滤波图像；
步骤S2、利用降维修正网络生成的修正项对所述平滑滤波图像进行细节修正，得到降维修正图像；降维修正网络的优化目标为：
式中，x为原始高分辨率图像，x*为理想最佳降维图像；Red(·)为需要训练的降维修正网络，θ1为降维修正网络的参数；down(·)为对图像进行双三次下采样加上低通滤波操作；
步骤S3、采用深度码率控制模型对所述降维修正图像进行编码，重建后生成失真图像；
步骤S4、建立并级联率失真卷积网络模型，基于先知图像率失真特性和预测失真图像线性缩放准则，对所述失真图像线性补偿优化，得到无损降维图像；
步骤S5、对所述无损降维图像进行双三次插值维度还原，得到模糊深维图像；
步骤S6、采用升维特征预测网络对升维细节进行预测并优化，得到还原图像；
所述升维特征预测网络的优化目标为：
式中，x′为深度码控模块输出图像，Ris(·)为需要训练的升维特征预测网络，θ2为升维特征预测网络的参数，bicup(·)为双三次插值操作；
所述降维修正网络和升维特征预测网络采用联合优化方式进行训练，其中联合优化目标为：
式中，参数θ1和θ2采用渐进交替迭代优化方法进行获取；
所述深度码率控制模型的优化目标为：
式中，Cod(·)为码控编码过程，Dcod(·)为码控解码过程，与/>分别为码控编解码参数；
所述失真图像预测卷积网络的优化目标为：
式中，T为测试集的大小，W为图像长，H为图像宽，ω为网络的参数集；为理想降维图像，/>为像素的预测失真值，/>为像素的真实失真值；
所述码率预测卷积网络的优化目标为：
式中，T为测试集的大小，q(ψ，Di)为失真图像，ψ为网络的参数集，Di为预测码率值，为真实码率值；
所述步骤S4具体为：
采用并级联率失真卷积网络模型从非线性损失中分离出码控编码失真损失；
利用先知图像率失真特性和预测失真图像线性缩放准则，对生成的失真图像线性补偿优化，得到无损降维图像；
所述并级联率失真卷积网络模型包括一级并联网络和二级级联网络；所述一级并联网络包括10个结构相同的失真图像预测卷积网络；所述二级级联网络包括1个码率预测卷积网络；
降维图像输入至一级并联网络，得到10个不同的失真图像D1～D10，再将其输入至二级级联网络，得到产生所述失真图像D1～D10对应的码率点r1～r10；
将失真图像D1～D10转换为失真值d1～d10，结合求得的对应码率点r1～r10，得到10对率失真点(r1，d1)～(r10，d10)，线性拟合得到当前图像的真实率失真特性；
在10对预测的率失真点中，选取与当前码率最近的1对率失真点(rj，dj)和对应的失真图Dj；将Dj中的每一个失真像素在拟合函数y＝F(x)下进行线性缩放，预测当前码率下的失真图，对编码重建图像进行补偿。
2.根据权利要求1所述的一种基于深度变维码率控制的视频图像处理方法，其特征在于，所述参数θ1和θ2采用渐进交替迭代优化方法进行获取，具体为：固定参数θ2，训练参数θ1，然后固定训练后的参数θ1，对参数θ2进行训练，接着再固定训练后的参数θ2，训练参数θ1，交互往替，直至达到最优；
Red(·)与Ris(·)交替迭代的损失函数分别定义为：
式中，N为数据集大小。
CN202210281524.7A 2022-03-21 2022-03-21 一种基于深度变维码率控制的视频图像处理方法 Active CN114866782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210281524.7A CN114866782B (zh) 2022-03-21 2022-03-21 一种基于深度变维码率控制的视频图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210281524.7A CN114866782B (zh) 2022-03-21 2022-03-21 一种基于深度变维码率控制的视频图像处理方法

Publications (2)

Publication Number Publication Date
CN114866782A CN114866782A (zh) 2022-08-05
CN114866782B true CN114866782B (zh) 2024-05-31

Family

ID=82627162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210281524.7A Active CN114866782B (zh) 2022-03-21 2022-03-21 一种基于深度变维码率控制的视频图像处理方法

Country Status (1)

Country Link
CN (1) CN114866782B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737823A (zh) * 2018-04-04 2018-11-02 中国传媒大学 基于超分辨技术的图像编码方法和装置、解码方法和装置
CN110087092A (zh) * 2019-03-11 2019-08-02 西安电子科技大学 基于图像重构卷积神经网络的低码率视频编解码方法
CN111009018A (zh) * 2019-12-24 2020-04-14 苏州天必佑科技有限公司 基于深度神经网络的图像降维和重建方法
US10909728B1 (en) * 2019-05-01 2021-02-02 Amazon Technologies, Inc. Learned lossy image compression codec
KR20210018668A (ko) * 2019-08-08 2021-02-18 동국대학교 산학협력단 딥러닝 신경 네트워크를 사용하여 다운샘플링을 수행하는 이미지 처리 시스템 및 방법, 영상 스트리밍 서버 시스템
CN113313774A (zh) * 2020-02-26 2021-08-27 华为技术有限公司 图像处理方法、装置、电子设备及存储介质
CN114175652A (zh) * 2019-08-19 2022-03-11 三星电子株式会社 解码设备及其操作方法以及人工智能(ai)放大设备及其操作方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10721471B2 (en) * 2017-10-26 2020-07-21 Intel Corporation Deep learning based quantization parameter estimation for video encoding

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737823A (zh) * 2018-04-04 2018-11-02 中国传媒大学 基于超分辨技术的图像编码方法和装置、解码方法和装置
CN110087092A (zh) * 2019-03-11 2019-08-02 西安电子科技大学 基于图像重构卷积神经网络的低码率视频编解码方法
US10909728B1 (en) * 2019-05-01 2021-02-02 Amazon Technologies, Inc. Learned lossy image compression codec
KR20210018668A (ko) * 2019-08-08 2021-02-18 동국대학교 산학협력단 딥러닝 신경 네트워크를 사용하여 다운샘플링을 수행하는 이미지 처리 시스템 및 방법, 영상 스트리밍 서버 시스템
CN114175652A (zh) * 2019-08-19 2022-03-11 三星电子株式会社 解码设备及其操作方法以及人工智能(ai)放大设备及其操作方法
CN111009018A (zh) * 2019-12-24 2020-04-14 苏州天必佑科技有限公司 基于深度神经网络的图像降维和重建方法
CN113313774A (zh) * 2020-02-26 2021-08-27 华为技术有限公司 图像处理方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A CNN-Based Optimal CTU λ Decision for HEVC Intra Rate Control;Lili WEI等;IEICE TRANS. INF. & SYST., VOL.E104–D, NO.10 OCTOBER 2021;20210719;全文 *

Also Published As

Publication number Publication date
CN114866782A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
Hu et al. Coarse-to-fine deep video coding with hyperprior-guided mode prediction
CN102474599B (zh) 用于对图像进行编码的方法和设备,用于对编码图像进行解码的方法和设备
CN102835106B (zh) 用于视频的数据压缩
CN106131566B (zh) 用于基于变换和反变换执行内插的方法和设备
US7471724B2 (en) Method and apparatus for adaptive multiple-dimensional signal sequences encoding/decoding
CN103220527B (zh) 图像编码方法及装置以及其解码方法及装置
US8144770B2 (en) Apparatus and method for encoding moving picture
CN102484719B (zh) 对视频编码的方法和设备及对视频解码的方法和设备
TWI816439B (zh) 以區塊為基礎之預測技術
CN105721878A (zh) Hevc视频编解码中执行帧内预测的图像处理装置及方法
CN102970531B (zh) Jpeg-ls近无损图像压缩编码器硬件实现方法
CN103765884A (zh) 使用非对称插值滤波器的图像插值的方法及其设备
RU2573747C2 (ru) Способ и устройство кодирования видео, способ и устройство декодирования видео и программы для них
CN104320657A (zh) Hevc无损视频编码的预测模式选择方法及相应的编码方法
CN104767999B (zh) 一种基于失真测量的hevc码率控制模型参数更新算法
CN103118262B (zh) 率失真优化方法及装置、视频编码方法及系统
CN104796705A (zh) 一种基于ssim的hevc视频编码率失真优化与码率控制算法
CN101299818B (zh) 基于整像素搜索结果的n级亚像素搜索方法
CN104811728A (zh) 一种视频内容自适应的运动搜索方法
CN103581670A (zh) H264自适应帧内模式选择码率估计的率失真优化方法及其装置
CN106534855B (zh) 一种面向satd的拉格朗日因子计算方法
CN114866782B (zh) 一种基于深度变维码率控制的视频图像处理方法
CN103442229A (zh) 适用于hevc标准的编码器中sao模式判决的比特率估计方法
CN114915789A (zh) 一种帧间的拉格朗日乘子优化方法、系统、设备及介质
Ringis et al. Per Clip Lagrangian Multiplier Optimisation for HEVC

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