CN116260973B - 一种时域滤波方法、装置、电子设备及存储介质 - Google Patents
一种时域滤波方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116260973B CN116260973B CN202310344071.2A CN202310344071A CN116260973B CN 116260973 B CN116260973 B CN 116260973B CN 202310344071 A CN202310344071 A CN 202310344071A CN 116260973 B CN116260973 B CN 116260973B
- Authority
- CN
- China
- Prior art keywords
- coding block
- filtering
- parameter
- time domain
- parameter threshold
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 292
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012216 screening Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000002123 temporal effect Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04N19/169—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
- H04N19/10—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
- H04N19/10—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
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- 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)
Abstract
本公开提供了一种时域滤波方法、装置、电子设备及存储介质，涉及图像处理技术领域，具体涉及信号处理、视频图像处理以及视频图像编码等技术领域，包括：获取当前视频帧的各编码块；根据编码块筛选参数，从各所述编码块中筛选目标编码块；对所述目标编码块进行时域滤波处理。本公开实施例能够提高时域滤波的处理效率，进而提高编码效率。
Description
技术领域
本公开涉及图像处理技术领域，具体涉及信号处理、视频图像处理以及视频图像编码等技术领域。
背景技术
视频质量是在视频应用推广中最重要的评价指标，但视频在采集的过程中，因为各种各样的原因，会引入不同程度的噪声。这些噪声不一定可以被肉眼观察到。因此视频图像一般都需要进行滤波后再进入编码器进行编码的过程。时域滤波技术是一种视频前处理技术，其通过采用基于块的运动搜索方法，从相邻帧中找出当前块的最佳匹配块，并利用最佳匹配块对当前块进行加权滤波，对源视频起到降噪的效果，能够提升帧间预测的效率，从而提升视频整体的编码效率。
发明内容
本公开实施例提供了一种时域滤波方法、装置、电子设备及存储介质，能够提高时域滤波的处理效率，进而提高编码效率。
第一方面，本公开实施例提供了一种时域滤波方法，包括：
获取当前视频帧的各编码块；
根据编码块筛选参数，从各所述编码块中筛选目标编码块；
对所述目标编码块进行时域滤波处理。
第二方面，本公开实施例提供了一种时域滤波装置，包括：
编码块获取模块，用于获取当前视频帧的各编码块；
目标编码块筛选模块，用于根据编码块筛选参数，从各所述编码块中筛选目标编码块；
时域滤波处理模块，用于对所述目标编码块进行时域滤波处理。
第三方面，本公开实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面实施例所提供的时域滤波方法。
第四方面，本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面实施例所提供的时域滤波方法。
第五方面，本公开实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面实施例所提供的时域滤波方法。
本公开实施例通过根据编码块筛选参数，从当前视频帧的各编码块中筛选目标编码块，以对目标编码块进行时域滤波处理，解决现有时域滤波方法存在的耗时较长以致效率较低的问题，能够提高时域滤波的处理效率，进而提高编码效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种时域滤波方法的流程图；
图2是本公开实施例提供的一种时域滤波方法的流程图；
图3是本公开实施例提供的一种视频编码流程的示意图；
图4是本公开实施例提供的一种时域滤波装置的结构图；
图5是用来实现本公开实施例的时域滤波方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在一个示例中，图1是本公开实施例提供的一种时域滤波方法的流程图，本实施例可适用于仅对筛选的目标编码块进行时域滤波，以提高时域滤波的处理效率的情况，该方法可以由时域滤波装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中。该电子设备可以是终端设备，也可以是服务器设备，本公开实施例并不对电子设备的具体设备类型进行限定。相应的，如图1所示，该方法包括如下操作：
S110、获取当前视频帧的各编码块。
其中，当前视频帧也即当前需要进行编码的视频帧。编码块可以是当前视频帧划分得到的编码块。
可以理解的是，在对视频帧进行编码之前，需要先对视频帧图像进行划分得到多个编码块。示例性的，可以将整个视频帧划分成若干个正方形的编码树块，进一步件编码树块继续划分成编码块。
S120、根据编码块筛选参数，从各所述编码块中筛选目标编码块。
其中，编码块筛选参数可以是用于筛选目标编码块所参考的参数。目标编码块也即执行时域滤波必要性较高的编码块。
S130、对所述目标编码块进行时域滤波处理。
目前，在现有的时域滤波技术中，会对当前视频帧所有的编码块均执行时域滤波过程，包括运动搜索和滤波两个过程。其中，运动搜索指的是采用基于编码块的运动搜索方法，找出相邻帧中的最佳匹配编码块，并利用其对当前编码块进行加权滤波，起到降噪的效果，从而提升编码效率。可以理解的是，对所有编码块均执行时域滤波，整个过程耗时较多，会极大降低编码效率。
在实际应用中，对于部分编码块，比如纹理过于平坦简单的块，以及时域相关性较差的块，执行时域滤波的必要性是较低的。也即，执行时域滤波的必要性较低的编码块是否执行时域滤波，对视频编码整体的主观质量和客观质量几乎无影响。
因此，在保证视频编码质量的基础上，合理对需要编码的编码块进行筛选，仅对筛选出来的部分目标目标编码块进行时域滤波处理，对非必要的编码块直接略过时域滤波处理，既能够保证视频的编码质量和编码性能，同时也能降低时域滤波过程的耗时，提高时域滤波的处理效率，进而提高编码效率。
本公开实施例通过根据编码块筛选参数，从当前视频帧的各编码块中筛选目标编码块，以对目标编码块进行时域滤波处理，解决现有时域滤波方法存在的耗时较长以致效率较低的问题，能够提高时域滤波的处理效率，进而提高编码效率。
在一个示例中，图2是本公开实施例提供的一种时域滤波方法的流程图，本公开实施例在上述各实施例的技术方案的基础上，进行了优化改进，给出了根据编码块筛选参数从各编码块中筛选目标编码块的多种具体可选的实现方式。
如图2所示的一种时域滤波方法，包括：
S210、获取当前视频帧的各编码块。
S220、对所述当前视频帧的各编码块计算时域滤波关联参数。
可选的，编码块筛选参数可以包括时域滤波关联参数。时域滤波关联参数也即能够影响时域滤波效果的相关参数。可选的，时域滤波关联参数可以包括但不限于纹理复杂度参数和/或时域相关性参数等。其中，纹理复杂度参数可以表征编码块的纹理复杂程度。可以理解的是，编码块的纹理复杂程度越高，其时域滤波处理的必要性越高。时域相关性参数可以表征编码块的时域相关性。可以理解的是，编码块的时域相关性越高，其时域滤波处理的必要性越高。
在本公开的一个可选实施例中，若所述时域滤波关联参数包括纹理复杂度参数，则所述对当前视频帧的各编码块计算时域滤波关联参数，可以包括：对所述当前视频帧的各编码块计算纹理影响因子；其中，所述纹理影响因子可以包括像素方差和/或索贝尔算子；根据所述纹理影响因子计算所述编码块的纹理复杂度参数。
其中，纹理影响因子可以是能够反应编码块纹理复杂度的相关参数。
在本公开实施例中，可以计算编码块的像素方差和/或索贝尔(sobel)算子等能够准确表征编码块的纹理复杂程度的纹理影响因子，并根据纹理影响因子计算编码块的纹理复杂度参数。
上述技术方案，通过采用不同类型的纹理影响因子计算编码块的纹理复杂度参数，可以保证纹理复杂度参数计算的准确性。
在本公开的一个可选实施例中，所述根据所述纹理影响因子计算所述编码块的纹理复杂度参数，可以包括：将所述像素方差或所述索贝尔算子作为所述编码块的纹理复杂度参数；或，确定所述编码块的所述像素方差匹配的第一因子权重和所述索贝尔算子匹配的第二因子权重；计算所述像素方差与所述第一因子权重的第一乘积值，以及所述索贝尔算子与所述第二因子权重的第二乘积值；计算所述第一乘积值和所述第二乘积值的和值，作为所述编码块的纹理复杂度参数。
其中，第一因子权重可以表征像素方差对纹理复杂度参数的影响程度。第二因子权重可以表征索贝尔算子对纹理复杂度参数的影响程度。可选的，第一因子权重和第二因子权重的和值可以为1。第一乘积值可以是像素方差与第一因子权重的乘积值，第二乘积值可以是索贝尔算子与第二因子权重的乘积值。
可选的，可以直接将计算得到的像素方差或索贝尔算子作为编码块的纹理复杂度参数。或者，还可以将计算得到像素方差和索贝尔算子，进一步综合计算编码块的纹理复杂度参数。在同时根据像素方差和索贝尔算子计算编码块的纹理复杂度参数时，可以分别对像素方差和索贝尔算子设置匹配的第一因子权重和第二因子权重。可选的，因子权重可以通过离线训练的方式确定，或者，也可以采用经验值直接确定因子权重的取值。相应的，可以分别计算像素方差与第一因子权重的第一乘积值，以及索贝尔算子与第二因子权重的第二乘积值，进而计算第一乘积值和第二乘积值的和值，作为编码块的纹理复杂度参数。
可以理解的是，直接将计算得到的像素方差或索贝尔算子作为编码块的纹理复杂度参数，能够提高纹理复杂度参数的计算效率。相应的，根据像素方差和索贝尔算子综合计算编码块的纹理复杂度参数，可以提高纹理复杂度参数的准确率。
在本公开的一个可选实施例中，若所述时域滤波关联参数包括时域相关性参数；则所述对当前视频帧的各编码块计算时域滤波关联参数，可以包括：计算所述编码块的第一率失真代价和第二率失真代价；将所述第一率失真代价和所述第二率失真代价作为所述时域相关性参数。
其中，第一率失真代价可以是编码块的帧内预测模式的率失真代价。第二率失真代价可以是编码块的帧间预测模式的率失真代价。
在本公开实施例中，还可以计算编码块的帧内预测模式的率失真代价作为第一率失真代价，并计算编码块的帧间预测模式的率失真代价作为第二率失真代价，进而将帧内预测模式的率失真代价和帧间预测模式的率失真代价作为时域相关性参数，用于确定编码块的时域相关性特征，以根据编码块的相关性特征确定编码块进行时域滤波处理的必要性。
S230、确定所述时域滤波关联参数的滤波参数阈值。
S240、根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定所述目标编码块。
其中，滤波参数阈值可以用于对对应的时域滤波关联参数进行判断。可以理解的是，时域滤波关联参数不同，对应配置的滤波参数阈值也可以不同。
相应的，对当前视频帧的各编码块计算时域滤波关联参数后，可以根据时域滤波关联参数的类型，确定时域滤波关联参数匹配的滤波参数阈值。示例性的，当时域滤波关联参数仅包括纹理复杂度参数时，时域滤波关联参数匹配的滤波参数阈值可以包括第一滤波参数阈值。当时域滤波关联参数仅包括时域相关性参数时，时域滤波关联参数匹配的滤波参数阈值可以包括第二滤波参数阈值。当时域滤波关联参数同时包括纹理复杂度参数和时域相关性参数时，时域滤波关联参数匹配的滤波参数阈值可以包括第一滤波参数阈值和第二滤波参数阈值。进一步的，可以对时域滤波关联参数与其匹配的滤波参数阈值之间比较大小关系，并根据比较结果从各编码块中筛选确定目标编码块。
上述技术方案，通过根据时域滤波关联参数与滤波参数阈值之间的大小关系筛选目标编码块，能够提高目标编码块的筛选效率。
在本公开的一个可选实施例中，所述滤波参数阈值可以包括第一滤波参数阈值和/或第二滤波参数阈值；所述确定所述时域滤波关联参数的滤波参数阈值，可以包括：获取所述滤波参数阈值的经验值；根据所述滤波参数阈值的经验值确定所述时域滤波关联参数的滤波参数阈值；或，根据滤波参数阈值模型，输出所述时域滤波关联参数的滤波参数阈值。
其中，第一滤波参数阈值可以用于对纹理复杂度参数进行判断，以确定编码块的纹理复杂程度。第二滤波参数阈值可以用于对时域相关性参数进行判断，以确定编码块的时域相关性特征。滤波参数阈值模型可以是一种基于人工智能的神经网络模型，如深度神经网络模型等，只要能够智能化且准确化地输出滤波参数阈值即可，本公开实施例并不对滤波参数阈值模型的模型类型进行限定。
在本公开实施例中，时域滤波关联参数的滤波参数阈值可以采用离线训练的方式确定，以提高时域滤波处理的效率。可选的，时域滤波关联参数的滤波参数阈值的离线训练方式可以包括多种方式。例如，可以对第一滤波参数阈值和/或第二滤波参数阈值分别采用经验值赋值的方式进行配置。或者，还可以采用相关的样本数据预先训练滤波参数阈值模型，并在滤波参数阈值模型训练完成后，通过滤波参数阈值模型自动计算输出第一滤波参数阈值和/或第二滤波参数阈值。通过滤波参数阈值模型输出滤波参数阈值的方式提高了滤波参数阈值的准确率和阈值配置的智能性。
在本公开的一个可选实施例中，若所述时域滤波关联参数包括所述纹理复杂度参数，则所述滤波参数阈值可以包括第一滤波参数阈值；所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定目标编码块，可以包括：将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为所述目标编码块。
在本公开实施例中，当根据纹理复杂度参数从各编码块中确定目标编码块时，可以对编码块的纹理复杂度参数与第一滤波参数阈值之间比较大小关系，当编码块的纹理复杂度参数大于或等于第一滤波参数阈值时，表明该编码块的纹理比较复杂，执行时域滤波处理的必要性较高，可以将该编码块确定为目标编码块。
上述技术方案，通过纹理复杂度参数和对应的第一滤波参数阈值筛选目标编码块，可以实现对纹理较为复杂的编码块进行时域滤波处理，而对纹理过于平坦的编码块则跳过时域滤波处理过程，能够在保证编码质量的基础上提高时域滤波处理的效率，进而提高视频编码的效率。
若所述时域滤波关联参数包括所述时域相关性参数，则所述滤波参数阈值包括第二滤波参数阈值；所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定目标编码块，可以包括：计算所述编码块的第一率失真代价与所述第二滤波参数阈值的第三乘积值；在确定所述编码块的第二率失真代价小于或等于所述第三乘积值的情况下，将所述编码块确定为所述目标编码块。
其中，第三乘积值可以是编码块的第一率失真代价与第二滤波参数阈值之间的乘积值。
在本公开实施例中，当根据时域相关性参数从各编码块中确定目标编码块时，可以首先计算编码块的第一率失真代价与第二滤波参数阈值的第三乘积值，并对第三乘积值与该编码块的第二率失真代价之间比较大小关系。当编码块的第二率失真代价小于或等于第三乘积值时，表明该编码块的时域相关性较强，执行时域滤波处理的必要性较高，可以将该编码块确定为目标编码块。
上述技术方案，通过时域相关性参数和对应的第二滤波参数阈值筛选目标编码块，可以实现对时域相关性较强的编码块进行时域滤波处理，而对时域相关性较差的编码块则跳过时域滤波处理过程，能够在保证编码质量的基础上提高时域滤波处理的效率，进而提高视频编码的效率。
在本公开的一个可选实施例中，若所述时域滤波关联参数包括所述纹理复杂度参数和所述时域相关性参数，则所述滤波参数阈值可以包括第一滤波参数阈值和第二滤波参数阈值；所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定目标编码块，可以包括：将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为备选编码块；计算所述备选编码块的第一率失真代价与所述第二滤波参数阈值的第四乘积值；在确定所述备选编码块的第二率失真代价小于或等于所述第四乘积值的情况下，将所述备选编码块确定为所述目标编码块。
其中，备选编码块可以是通过纹理复杂度初步筛选出来可以进行时域滤波处理的编码块。第四乘积值可以是备选编码块的第一率失真代价与第二滤波参数阈值之间的乘积值。
在本公开实施例中，当同时根据纹理复杂度参数和时域相关性参数从各编码块中确定目标编码块时，可以首先将纹理复杂度参数大于或等于第一滤波参数阈值的编码块筛选为备选编码块，也即，首先筛选出纹理复杂度较高的编码块作为备选编码块。进一步的，计算备选编码块的第一率失真代价与第二滤波参数阈值的第四乘积值，并对第四乘积值与该备选编码块的第二率失真代价之间比较大小关系。当备选编码块的第二率失真代价小于或等于第四乘积值时，表明该备选编码块的纹理复杂度较高且时域相关性较强，执行时域滤波处理的必要性较高，可以将该编码块确定为目标编码块。
上述技术方案，通过纹理复杂度参数和时域相关性参数和对应的两个滤波参数阈值筛选目标编码块，可以实现对纹理复杂度较高且时域相关性较强的编码块进行时域滤波处理，而对纹理复杂度较低或纹理复杂度较高但时域相关性较差的编码块则跳过时域滤波处理过程，能够在保证编码质量的基础上进一步提高时域滤波处理的效率，进而提高视频编码的效率。
在本公开的一个可选实施例中，所述编码块筛选参数可以包括视频帧相似度；所述根据编码块筛选参数，从各所述编码块中筛选目标编码块，可以包括：确定所述当前视频帧的关联视频帧；计算所述当前视频帧与所述关联视频帧的视频帧相似度；在确定所述视频帧相似度大于或等于相似度阈值的情况下，根据所述关联视频帧的目标编码块确定所述当前视频帧的目标编码块。
其中，视频帧相似度可以表征两个视频帧之间的相似程度。关联视频帧可以是当前视频帧相关联的视频帧，例如可以是当前视频帧的上一个视频帧或当前视频帧的前第二个视频帧等。本公开实施例并不对关联视频帧与当前视频帧的相对位置进行限定。相似度阈值具体可以根据实际需求设定，如99％等，本公开实施例并不对相似度阈值的具体数值进行限定。
在本公开实施例中，还可以依据视频帧之间的视频帧相似度确定目标编码块。具体的，可以首先确定当前视频帧的关联视频帧，如确定当前视频帧前一帧视频帧作为其关联视频帧。进一步的，计算当前视频帧与关联视频帧的视频帧相似度，对比视频帧相似度与相似度阈值之间的大小关系。如果确定视频帧相似度大于或等于相似度阈值，表明当前视频帧和关联视频帧的相似度极高，此时可以直接依据关联视频帧的目标编码块确定当前视频帧的目标编码块，而无需对当前视频帧的各编码块逐一进行计算筛选。例如，可以获取关联视频帧中的目标编码块在关联视频帧的相对位置关系或编码块编号等编码块的标识信息，进而根据关联视频帧中的目标编码块在关联视频帧的相对位置关系或编码块编号等编码块的标识信息确定当前视频帧的目标编码块。
示例性的，假设关联视频帧中的目标编码块的编码块编号为1、2、5、7、8……，则可以将当前视频帧中编号为1、2、5、7、8……的编码块筛选为目标编码块。
上述技术方案，通过利用当前视频帧与关联视频帧之间的视频帧相似度筛选目标编码块，进一步提高了目标编码块的筛选效率，进而提高了时域滤波处理的效率和编码效率。
S250、对所述目标编码块进行时域滤波处理。
上述技术方案，通过采用多种不同类型的编码块筛选参数从各编码块中筛选目标编码块，丰富了目标编码块的筛选方式，能够提高时域滤波的处理效率，进而提高编码效率。
在一个示例中，图3是本公开实施例提供的一种视频编码流程的示意图。在一个具体的例子中，以纹理复杂度参数和时域相关性参数作为时域滤波关联参数具体说明视频编码的具体流程。如图3所示，视频编码的具体流程可以包括如下操作：
(1)输入当前视频帧；
(2)视频预分析模块执行当前视频预的分析过程：
a.计算当前视频帧中，所有编码块的像素方差Variance，保留结果；
b.计算当前视频帧中，所有编码块的帧内预测模式的率失真代价IntraCost，以及帧间预测模式的率失真代价InterCost，保留结果；
(3)通过视频帧与处理模块执行视频预处理过程，依次对当前视频帧中所有编码块进行判定，并根据判定结果执行时域滤波策略：
a.若当前编码块(图3中简称为当前块)的像素方差Variance<T1，则表明该编码块为纹理简单的编码块，执行步骤d；否则执行步骤b；其中，T1表示第一滤波参数阈值，可以离线训练得到；
b.若当前编码块的InterCost>IntraCost*T2，则表明当前编码块的时域相关性较差，执行步骤d；否则执行步骤c；其中，T2表示第二滤波参数阈值，可以离线训练得到；
c.对当前编码块执行时域滤波过程，包括运动搜索以及双边滤波；
d.执行下一个块的步骤a；
(4)在当前视频帧所有编码块均完成时域滤波策略后，对当前视频帧执行视频编码过程。
上述技术方案，通过利用编码块的纹理复杂度以及时域相关性等信息，筛选出纹理复杂度较高以及时域相关性较强的编码块，并对其执行时域滤波过程，而对于纹理复杂度较低以及时域相关性较差的编码块则跳过时域滤波过程，进而在保证视频主客观的编码性能和编码质量的前提下，提升时域滤波处理效率及编码效率。
需要说明的是，以上各实施例中各技术特征之间的任意排列组合也属于本公开的保护范围。
在一个示例中，图4是本公开实施例提供的一种时域滤波装置的结构图，本公开实施例可适用于仅对筛选的目标编码块进行时域滤波，以提高时域滤波的处理效率的情况，该装置通过软件和/或硬件实现，并具体配置于电子设备中。该电子设备可以是终端设备，也可以是服务器设备，本公开实施例并不对电子设备的具体设备类型进行限定。
如图4所示的一种时域滤波装置400，包括：编码块获取模块410、目标编码块筛选模块420和时域滤波处理模块430。其中，
编码块获取模块410，用于获取当前视频帧的各编码块；
目标编码块筛选模块420，用于根据编码块筛选参数，从各所述编码块中筛选目标编码块；
时域滤波处理模块430，用于对所述目标编码块进行时域滤波处理。
本公开实施例通过根据编码块筛选参数，从当前视频帧的各编码块中筛选目标编码块，以对目标编码块进行时域滤波处理，解决现有时域滤波方法存在的耗时较长以致效率较低的问题，能够提高时域滤波的处理效率，进而提高编码效率。
可选的，所述编码块筛选参数包括时域滤波关联参数；目标编码块筛选模块420还用于：对所述当前视频帧的各编码块计算所述时域滤波关联参数；其中，所述时域滤波关联参数包括纹理复杂度参数和/或时域相关性参数；确定所述时域滤波关联参数的滤波参数阈值；根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定所述目标编码块。
可选的，若所述时域滤波关联参数包括纹理复杂度参数，则目标编码块筛选模块420还用于：对所述当前视频帧的各编码块计算纹理影响因子；其中，所述纹理影响因子包括像素方差和/或索贝尔算子；根据所述纹理影响因子计算所述编码块的纹理复杂度参数。
可选的，目标编码块筛选模块420还用于：将所述像素方差或所述索贝尔算子作为所述编码块的纹理复杂度参数；或，确定所述编码块的所述像素方差匹配的第一因子权重和所述索贝尔算子匹配的第二因子权重；计算所述像素方差与所述第一因子权重的第一乘积值，以及所述索贝尔算子与所述第二因子权重的第二乘积值；计算所述第一乘积值和所述第二乘积值的和值，作为所述编码块的纹理复杂度参数。
可选的，若所述时域滤波关联参数包括时域相关性参数，则目标编码块筛选模块420还用于：计算所述编码块的第一率失真代价和第二率失真代价；将所述第一率失真代价和所述第二率失真代价作为所述时域相关性参数。
可选的，所述滤波参数阈值包括第一滤波参数阈值和/或第二滤波参数阈值；目标编码块筛选模块420还用于：获取所述滤波参数阈值的经验值；根据所述滤波参数阈值的经验值确定所述时域滤波关联参数的滤波参数阈值；或，根据滤波参数阈值模型，输出所述时域滤波关联参数的滤波参数阈值。
可选的，若所述时域滤波关联参数包括所述纹理复杂度参数，则所述滤波参数阈值包括第一滤波参数阈值；目标编码块筛选模块420还用于：将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为所述目标编码块。
可选的，若所述时域滤波关联参数包括所述时域相关性参数，则所述滤波参数阈值包括第二滤波参数阈值；目标编码块筛选模块420还用于：计算所述编码块的第一率失真代价与所述第二滤波参数阈值的第三乘积值；在确定所述编码块的第二率失真代价小于或等于所述第三乘积值的情况下，将所述编码块确定为所述目标编码块。
可选的，若所述时域滤波关联参数包括所述纹理复杂度参数和所述时域相关性参数，则所述滤波参数阈值包括第一滤波参数阈值和第二滤波参数阈值；目标编码块筛选模块420还用于：将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为备选编码块；计算所述备选编码块的第一率失真代价与所述第二滤波参数阈值的第四乘积值；在确定所述备选编码块的第二率失真代价小于或等于所述第四乘积值的情况下，将所述备选编码块确定为所述目标编码块。
可选的，所述编码块筛选参数包括视频帧相似度；目标编码块筛选模块420还用于：确定所述当前视频帧的关联视频帧；计算所述当前视频帧与所述关联视频帧的视频帧相似度；在确定所述视频帧相似度大于或等于相似度阈值的情况下，根据所述关联视频帧的目标编码块确定所述当前视频帧的目标编码块。
上述时域滤波装置可执行本公开任意实施例所提供的时域滤波方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的时域滤波方法。
由于上述所介绍的时域滤波装置为可以执行本公开实施例中的时域滤波方法的装置，故而基于本公开实施例中所介绍的时域滤波方法，本领域所属技术人员能够了解本实施例的时域滤波装置的具体实施方式以及其各种变化形式，所以在此对于该时域滤波装置如何实现本公开实施例中的时域滤波方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中时域滤波方法所采用的装置，都属于本公开所欲保护的范围。
在一个示例中，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如时域滤波方法。例如，在一些实施例中，时域滤波方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的时域滤波方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行时域滤波方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器还可以分布式系统的服务器，或者是结合了区块链的服务器。
本公开实施例通过根据编码块筛选参数，从当前视频帧的各编码块中筛选目标编码块，以对目标编码块进行时域滤波处理，解决现有时域滤波方法存在的耗时较长以致效率较低的问题，能够提高时域滤波的处理效率，进而提高编码效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种时域滤波方法，包括：
获取当前视频帧的各编码块；
根据编码块筛选参数，从各所述编码块中筛选目标编码块；
对所述目标编码块进行时域滤波处理；
其中，所述编码块筛选参数包括时域滤波关联参数；所述根据编码块筛选参数，从各所述编码块中筛选目标编码块，包括：
对所述当前视频帧的各编码块计算所述时域滤波关联参数；其中，所述时域滤波关联参数包括纹理复杂度参数；
确定所述时域滤波关联参数的滤波参数阈值；
根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定所述目标编码块；
其中，所述对所述当前视频帧的各编码块计算所述时域滤波关联参数，包括：
对所述当前视频帧的各编码块计算纹理影响因子；其中，所述纹理影响因子包括像素方差和/或索贝尔算子；
根据所述纹理影响因子计算所述编码块的纹理复杂度参数；
若所述时域滤波关联参数包括所述纹理复杂度参数，则所述滤波参数阈值包括第一滤波参数阈值；
所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定所述目标编码块，包括：
将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为所述目标编码块。
2.根据权利要求1所述的方法，其中，所述根据所述纹理影响因子计算所述编码块的纹理复杂度参数，包括：
将所述像素方差或所述索贝尔算子作为所述编码块的纹理复杂度参数；或
确定所述编码块的所述像素方差匹配的第一因子权重和所述索贝尔算子匹配的第二因子权重；
计算所述像素方差与所述第一因子权重的第一乘积值，以及所述索贝尔算子与所述第二因子权重的第二乘积值；
计算所述第一乘积值和所述第二乘积值的和值，作为所述编码块的纹理复杂度参数。
3.根据权利要求1所述的方法，其中，所述时域滤波关联参数还包括时域相关性参数，所述对所述当前视频帧的各编码块计算所述时域滤波关联参数，包括：
计算所述编码块的第一率失真代价和第二率失真代价；其中，所述第一率失真代价为编码块的帧内预测模式的率失真代价，所述第二率失真代价为编码块的帧间预测模式的率失真代价；
将所述第一率失真代价和所述第二率失真代价作为所述时域相关性参数。
4.根据权利要求1所述的方法，其中，所述滤波参数阈值包括第一滤波参数阈值和/或第二滤波参数阈值；
所述确定所述时域滤波关联参数的滤波参数阈值，包括：
获取所述滤波参数阈值的经验值；
根据所述滤波参数阈值的经验值确定所述时域滤波关联参数的滤波参数阈值；或
根据滤波参数阈值模型，输出所述时域滤波关联参数的滤波参数阈值。
5.根据权利要求3所述的方法，其中，若所述时域滤波关联参数包括所述时域相关性参数，则所述滤波参数阈值包括第二滤波参数阈值；
所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定目标编码块，还包括：
计算所述编码块的第一率失真代价与所述第二滤波参数阈值的第三乘积值；
在确定所述编码块的第二率失真代价小于或等于所述第三乘积值的情况下，将所述编码块确定为所述目标编码块。
6.根据权利要求3所述的方法，其中，若所述时域滤波关联参数包括所述纹理复杂度参数和所述时域相关性参数，则所述滤波参数阈值包括第一滤波参数阈值和第二滤波参数阈值；
所述根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定目标编码块，还包括：
将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为备选编码块；
计算所述备选编码块的第一率失真代价与所述第二滤波参数阈值的第四乘积值；
在确定所述备选编码块的第二率失真代价小于或等于所述第四乘积值的情况下，将所述备选编码块确定为所述目标编码块。
7.根据权利要求1所述的方法，其中，所述编码块筛选参数包括视频帧相似度；所述根据编码块筛选参数，从各所述编码块中筛选目标编码块，包括：
确定所述当前视频帧的关联视频帧；
计算所述当前视频帧与所述关联视频帧的视频帧相似度；
在确定所述视频帧相似度大于或等于相似度阈值的情况下，根据所述关联视频帧的目标编码块确定所述当前视频帧的目标编码块。
8.一种时域滤波装置，包括：
编码块获取模块，用于获取当前视频帧的各编码块；
目标编码块筛选模块，用于根据编码块筛选参数，从各所述编码块中筛选目标编码块；
时域滤波处理模块，用于对所述目标编码块进行时域滤波处理；
其中，所述编码块筛选参数包括时域滤波关联参数；所述目标编码块筛选模块还用于：
对所述当前视频帧的各编码块计算所述时域滤波关联参数；其中，所述时域滤波关联参数包括纹理复杂度参数；
确定所述时域滤波关联参数的滤波参数阈值；
根据所述时域滤波关联参数与所述滤波参数阈值之间的大小关系，从各所述编码块中确定所述目标编码块；
其中，所述目标编码块筛选模块还用于：
对所述当前视频帧的各编码块计算纹理影响因子；其中，所述纹理影响因子包括像素方差和/或索贝尔算子；
根据所述纹理影响因子计算所述编码块的纹理复杂度参数；
其中，若所述时域滤波关联参数包括所述纹理复杂度参数，则所述滤波参数阈值包括第一滤波参数阈值；所述目标编码块筛选模块还用于：
将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为所述目标编码块。
9.根据权利要求8所述的装置，其中，所述目标编码块筛选模块还用于：
将所述像素方差或所述索贝尔算子作为所述编码块的纹理复杂度参数；或
确定所述编码块的所述像素方差匹配的第一因子权重和所述索贝尔算子匹配的第二因子权重；
计算所述像素方差与所述第一因子权重的第一乘积值，以及所述索贝尔算子与所述第二因子权重的第二乘积值；
计算所述第一乘积值和所述第二乘积值的和值，作为所述编码块的纹理复杂度参数。
10.根据权利要求8所述的装置，其中，所述时域滤波关联参数还包括时域相关性参数，所述目标编码块筛选模块还用于：
计算所述编码块的第一率失真代价和第二率失真代价；其中，所述第一率失真代价为编码块的帧内预测模式的率失真代价，所述第二率失真代价为编码块的帧间预测模式的率失真代价；
将所述第一率失真代价和所述第二率失真代价作为所述时域相关性参数。
11.根据权利要求8所述的装置，其中，所述滤波参数阈值包括第一滤波参数阈值和/或第二滤波参数阈值；所述目标编码块筛选模块还用于：
获取所述滤波参数阈值的经验值；
根据所述滤波参数阈值的经验值确定所述时域滤波关联参数的滤波参数阈值；或
根据滤波参数阈值模型，输出所述时域滤波关联参数的滤波参数阈值。
12.根据权利要求10所述的装置，其中，若所述时域滤波关联参数包括所述时域相关性参数，则所述滤波参数阈值包括第二滤波参数阈值；所述目标编码块筛选模块还用于：
计算所述编码块的第一率失真代价与所述第二滤波参数阈值的第三乘积值；
在确定所述编码块的第二率失真代价小于或等于所述第三乘积值的情况下，将所述编码块确定为所述目标编码块。
13.根据权利要求10所述的装置，其中，若所述时域滤波关联参数包括所述纹理复杂度参数和所述时域相关性参数，则所述滤波参数阈值包括第一滤波参数阈值和第二滤波参数阈值；所述目标编码块筛选模块还用于：
将所述纹理复杂度参数大于或等于所述第一滤波参数阈值的编码块确定为备选编码块；
计算所述备选编码块的第一率失真代价与所述第二滤波参数阈值的第四乘积值；
在确定所述备选编码块的第二率失真代价小于或等于所述第四乘积值的情况下，将所述备选编码块确定为所述目标编码块。
14.根据权利要求8所述的装置，其中，所述编码块筛选参数包括视频帧相似度；所述目标编码块筛选模块还用于：
确定所述当前视频帧的关联视频帧；
计算所述当前视频帧与所述关联视频帧的视频帧相似度；
在确定所述视频帧相似度大于或等于相似度阈值的情况下，根据所述关联视频帧的目标编码块确定所述当前视频帧的目标编码块。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的时域滤波方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的时域滤波方法。
17.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的时域滤波方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310344071.2A CN116260973B (zh) | 2023-03-31 | 2023-03-31 | 一种时域滤波方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310344071.2A CN116260973B (zh) | 2023-03-31 | 2023-03-31 | 一种时域滤波方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116260973A CN116260973A (zh) | 2023-06-13 |
| CN116260973B true CN116260973B (zh) | 2024-03-19 |
Family
ID=86688119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310344071.2A Active CN116260973B (zh) | 2023-03-31 | 2023-03-31 | 一种时域滤波方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116260973B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101355649A (zh) * | 2008-09-11 | 2009-01-28 | 松翰科技股份有限公司 | 去噪声的影像处理方法及其装置 |
| CN101448077A (zh) * | 2008-12-26 | 2009-06-03 | 四川虹微技术有限公司 | 一种自适应视频图像3d降噪方法 |
| WO2021030502A1 (en) * | 2019-08-12 | 2021-02-18 | Beijing Dajia Internet Information Technology Co., Ltd. | Methods and apparatuses for adaptive motion vector resolution in video coding |
| WO2021057481A1 (zh) * | 2019-09-27 | 2021-04-01 | 腾讯科技（深圳）有限公司 | 视频编解码方法和相关装置 |
| WO2021093499A1 (zh) * | 2019-11-15 | 2021-05-20 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
| CN113596442A (zh) * | 2021-07-07 | 2021-11-02 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN113613005A (zh) * | 2021-07-30 | 2021-11-05 | 百果园技术(新加坡)有限公司 | 一种基于时域滤波的视频降噪的方法及装置 |
| CN114079769A (zh) * | 2020-08-14 | 2022-02-22 | 腾讯科技（深圳）有限公司 | 视频编码方法、装置、设备及计算机可读存储介质 |
| CN114302137A (zh) * | 2021-12-23 | 2022-04-08 | 北京达佳互联信息技术有限公司 | 用于视频的时域滤波方法、装置、存储介质及电子设备 |
| CN114666584A (zh) * | 2022-04-02 | 2022-06-24 | 中山大学 | 一种基于高频置零的编码方法、装置、设备及介质 |
| WO2022227082A1 (zh) * | 2021-04-30 | 2022-11-03 | Oppo广东移动通信有限公司 | 块划分方法、编码器、解码器以及计算机存储介质 |
| WO2022237899A1 (en) * | 2021-05-14 | 2022-11-17 | Beijing Bytedance Network Technology Co., Ltd. | Method, device, and medium for video processing |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8879857B2 (en) * | 2005-09-27 | 2014-11-04 | Qualcomm Incorporated | Redundant data encoding methods and device |
| US8964852B2 (en) * | 2011-02-23 | 2015-02-24 | Qualcomm Incorporated | Multi-metric filtering |
| WO2015143624A1 (en) * | 2014-03-25 | 2015-10-01 | Spreadtrum Communications(Shanghai) Co., Ltd. | Methods and systems for denoising images |
| CN105472205B (zh) * | 2015-11-18 | 2020-01-24 | 腾讯科技（深圳）有限公司 | 编码过程中的实时视频降噪方法和装置 |
| US10223772B2 (en) * | 2016-03-22 | 2019-03-05 | Algolux Inc. | Method and system for denoising and demosaicing artifact suppression in digital images |
| US10448014B2 (en) * | 2017-05-23 | 2019-10-15 | Intel Corporation | Content adaptive motion compensated temporal filtering for denoising of noisy video for efficient coding |
| US20230051066A1 (en) * | 2021-07-27 | 2023-02-16 | Lemon Inc. | Partitioning Information In Neural Network-Based Video Coding |
-
2023
- 2023-03-31 CN CN202310344071.2A patent/CN116260973B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101355649A (zh) * | 2008-09-11 | 2009-01-28 | 松翰科技股份有限公司 | 去噪声的影像处理方法及其装置 |
| CN101448077A (zh) * | 2008-12-26 | 2009-06-03 | 四川虹微技术有限公司 | 一种自适应视频图像3d降噪方法 |
| WO2021030502A1 (en) * | 2019-08-12 | 2021-02-18 | Beijing Dajia Internet Information Technology Co., Ltd. | Methods and apparatuses for adaptive motion vector resolution in video coding |
| WO2021057481A1 (zh) * | 2019-09-27 | 2021-04-01 | 腾讯科技（深圳）有限公司 | 视频编解码方法和相关装置 |
| WO2021093499A1 (zh) * | 2019-11-15 | 2021-05-20 | RealMe重庆移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
| CN114079769A (zh) * | 2020-08-14 | 2022-02-22 | 腾讯科技（深圳）有限公司 | 视频编码方法、装置、设备及计算机可读存储介质 |
| WO2022227082A1 (zh) * | 2021-04-30 | 2022-11-03 | Oppo广东移动通信有限公司 | 块划分方法、编码器、解码器以及计算机存储介质 |
| WO2022237899A1 (en) * | 2021-05-14 | 2022-11-17 | Beijing Bytedance Network Technology Co., Ltd. | Method, device, and medium for video processing |
| CN113596442A (zh) * | 2021-07-07 | 2021-11-02 | 北京百度网讯科技有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN113613005A (zh) * | 2021-07-30 | 2021-11-05 | 百果园技术(新加坡)有限公司 | 一种基于时域滤波的视频降噪的方法及装置 |
| CN114302137A (zh) * | 2021-12-23 | 2022-04-08 | 北京达佳互联信息技术有限公司 | 用于视频的时域滤波方法、装置、存储介质及电子设备 |
| CN114666584A (zh) * | 2022-04-02 | 2022-06-24 | 中山大学 | 一种基于高频置零的编码方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116260973A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
| CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
| CN113691733B (zh) | 视频抖动检测方法、装置、电子设备和存储介质 | |
| CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
| CN113596442B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
| CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
| CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
| CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
| CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
| CN116260973B (zh) | 一种时域滤波方法、装置、电子设备及存储介质 | |
| CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
| CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
| CN115512365A (zh) | 目标检测模型的训练、目标检测方法、装置及电子设备 | |
| CN115174774A (zh) | 一种深度图像的压缩方法、装置、设备及存储介质 | |
| CN115334309A (zh) | 帧内预测编码方法、装置、设备以及存储介质 | |
| CN113936158A (zh) | 一种标签匹配方法及装置 | |
| CN113033372A (zh) | 车辆定损方法、装置、电子设备及计算机可读存储介质 | |
| CN114501026B (zh) | 视频编码方法、装置、设备及存储介质 | |
| CN115361584B (zh) | 一种视频数据处理方法、装置、电子设备及可读存储介质 | |
| CN112866693B (zh) | 编码单元cu的划分方法、装置、电子设备和存储介质 | |
| CN117014602A (zh) | 参考帧筛选模型的训练方法、装置及计算机程序产品 | |
| CN114648814A (zh) | 人脸活体检测方法及模型的训练方法、装置、设备及介质 | |
| CN117615137A (zh) | 一种视频处理方法、装置、设备以及存储介质 | |
| CN115359233A (zh) | 目标检测方法、装置、电子设备和可读存储介质 |
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 |