WO2014168121A1 - 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム - Google Patents

画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム Download PDF

Info

Publication number
WO2014168121A1
WO2014168121A1 PCT/JP2014/060116 JP2014060116W WO2014168121A1 WO 2014168121 A1 WO2014168121 A1 WO 2014168121A1 JP 2014060116 W JP2014060116 W JP 2014060116W WO 2014168121 A1 WO2014168121 A1 WO 2014168121A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
prediction
encoding
decoding
unit
Prior art date
Application number
PCT/JP2014/060116
Other languages
English (en)
French (fr)
Inventor
信哉 志水
志織 杉本
木全　英明
明 小島
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to US14/782,050 priority Critical patent/US20160037172A1/en
Priority to KR1020157025982A priority patent/KR20150122706A/ko
Priority to CN201480020084.3A priority patent/CN105075257A/zh
Priority to JP2015511254A priority patent/JP5926451B2/ja
Publication of WO2014168121A1 publication Critical patent/WO2014168121A1/ja

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
    • H04N19/169—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
    • H04N19/172—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 picture, frame or field
    • 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
    • H04N19/169—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
    • H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
    • 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
    • H04N19/46—Embedding additional information in the video signal during the compression process
    • 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
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • 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
    • H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking

Definitions

  • the present invention relates to an image encoding method, an image decoding method, an image encoding device, an image decoding device, an image encoding program, and an image decoding program for encoding and decoding a multi-view image.
  • multi-view images composed of a plurality of images obtained by photographing the same subject and background with a plurality of cameras are known. These moving images taken by a plurality of cameras are called multi-view moving images (or multi-view images).
  • an image (moving image) captured by one camera is referred to as a “two-dimensional image (moving image)”, and a plurality of cameras having the same subject and background with different positions and orientations (hereinafter referred to as viewpoints).
  • viewpoints A group of two-dimensional images (two-dimensional moving images) photographed in the above is referred to as “multi-view images (multi-view images)”.
  • the two-dimensional moving image has a strong correlation in the time direction, and the encoding efficiency can be increased by using the correlation.
  • the encoding efficiency can be increased by using this correlation.
  • H. an international encoding standard.
  • high-efficiency encoding is performed using techniques such as motion compensation prediction, orthogonal transform, quantization, and entropy encoding.
  • H.M. In H.264, encoding using temporal correlation with a plurality of past or future frames is possible.
  • H. The details of the motion compensation prediction technique used in H.264 are described in Non-Patent Document 1, for example.
  • H. An outline of the motion compensation prediction technique used in H.264 will be described.
  • H. H.264 motion compensation prediction divides the encoding target frame into blocks of various sizes, and allows each block to have different motion vectors and different reference frames. By using a different motion vector for each block, it is possible to achieve highly accurate prediction that compensates for different motions for each subject. On the other hand, by using a different reference frame for each block, it is possible to realize highly accurate prediction in consideration of occlusion caused by temporal changes.
  • the difference between the multi-view image encoding method and the multi-view image encoding method is that, in addition to the correlation between cameras, the multi-view image has a temporal correlation at the same time. However, in either case, correlation between cameras can be used in the same way. Therefore, here, a method used in encoding a multi-view video is described.
  • FIG. 21 is a conceptual diagram showing parallax generated between cameras.
  • the image plane of a camera with parallel optical axes is looked down vertically. In this way, the position where the same part on the subject is projected on the image plane of a different camera is generally called a corresponding point.
  • each pixel value of the encoding target frame is predicted from the reference frame based on the correspondence relationship, and the prediction residual and the disparity information indicating the correspondence relationship are encoded. Since the parallax changes for each target camera pair and position, it is necessary to encode the parallax information for each region where the parallax compensation prediction is performed. In fact, H. In the H.264 multi-view video encoding scheme, a vector representing disparity information is encoded for each block using disparity compensation prediction.
  • Correspondence given by the parallax information can be represented by a one-dimensional quantity indicating the three-dimensional position of the subject instead of a two-dimensional vector based on epipolar geometric constraints by using camera parameters.
  • information indicating the three-dimensional position of the subject there are various expressions, but the distance from the reference camera to the subject or the coordinate value on the axis that is not parallel to the image plane of the camera is often used.
  • the reciprocal of the distance is used instead of the distance.
  • the reciprocal of the distance is information proportional to the parallax, there are cases where two reference cameras are set and expressed as a parallax amount between images taken by these cameras. Since there is no essential difference no matter what expression is used, in the following, information indicating these three-dimensional positions is expressed as depth without distinguishing by expression.
  • FIG. 22 is a conceptual diagram of epipolar geometric constraints.
  • the point on the image of another camera corresponding to the point on the image of one camera is constrained on a straight line called an epipolar line.
  • the corresponding point is uniquely determined on the epipolar line.
  • the corresponding point in the second camera image with respect to the subject projected at the position m in the first camera image is on the epipolar line when the subject position in the real space is M ′.
  • the subject position in the real space is M ′′, it is projected at the position m ′′ on the epipolar line.
  • Non-Patent Document 2 using this property, a synthesized image for the encoding target frame is generated from the reference frame according to the three-dimensional information of each subject given by the depth map (distance image) for the reference frame, By using prediction image candidates, highly accurate prediction is realized, and efficient multi-view video encoding is realized. Note that a composite image generated based on this depth is called a viewpoint composite image, a viewpoint interpolation image, or a parallax compensation image.
  • Non-Patent Document 3 for each region, a virtual depth map for the encoding target frame is generated from a depth map for the reference frame, and a corresponding point is obtained using the generated virtual depth map. While using a depth map, it is possible to generate a viewpoint composite image only for a necessary region.
  • Non-Patent Document 2 it is possible to realize highly efficient prediction using a viewpoint composite image in which parallax compensation is performed with high accuracy using three-dimensional information of a subject obtained from a depth map. .
  • the existing prediction for each area and the prediction based on the viewpoint composite image even when a viewpoint composite image with low accuracy is generated partially due to the influence of depth map quality and occlusion, By selecting whether or not the viewpoint composite image is a predicted image for each region, it is possible to prevent the code amount from increasing.
  • Non-Patent Document 2 a viewpoint composite image for one frame must be generated and stored regardless of whether the viewpoint composite image is used as a predicted image. There is a problem that memory consumption increases. In addition, when the parallax between the processing target image (encoding target image or decoding target image) and the reference frame is small, or when the quality of the depth map is high, the quality of the wide area of the processing target image is high. Although a viewpoint composite image is obtained, information indicating whether or not the viewpoint composite image is used as a predicted image has to be encoded for each region, which increases the amount of code.
  • Non-Patent Document 3 it is not necessary to generate a viewpoint composite image for an area not used for prediction, so that the problem of processing load and memory consumption can be solved.
  • the present invention has been made in view of such circumstances, and suppresses an increase in processing amount and memory consumption when a multi-view video is encoded or decoded while using a view synthesized image as one of the predicted images.
  • An object is to provide an image encoding method, an image decoding method, an image encoding device, an image decoding device, an image encoding program, and an image decoding program capable of realizing encoding with a small amount of code. .
  • the present invention when encoding a multi-view image consisting of a plurality of different viewpoint images, an encoded reference image for a viewpoint different from the encoding target image, and a reference depth map for a subject in the reference image Is an image encoding device that performs encoding while predicting images between different viewpoints, and generates a viewpoint composite image for the entire encoding target image using the reference image and the reference depth map A prediction synthesized image generation unit that performs prediction for each encoding target block obtained by dividing the encoding target image as a prediction unit, or performs prediction using the viewpoint synthetic image for the entire encoding target image A prediction unit setting unit that selects the prediction unit, a prediction unit information encoding unit that encodes information indicating the selected prediction unit, and the prediction target unit for each encoding target block When performing the measurement is selected, the encoding target image, for each of the encoding target block, and an encoding target image predictive encoding unit for prediction encoding while selecting a prediction image generation method.
  • the image encoding device when the prediction unit is selected to perform prediction using the viewpoint composite image for the entire encoding target image as the prediction unit, and the encoding target image and the viewpoint composite image A view synthesis prediction residual encoding unit that encodes the difference may be further included.
  • the image encoding device of the present invention estimates an image unit prediction rate distortion cost that is an image unit prediction rate distortion cost that is a rate distortion cost when predicting and encoding the entire encoding target image with the viewpoint composite image.
  • a cost estimation unit, and the prediction unit setting unit may set the prediction unit by comparing the image unit prediction rate distortion cost with the block unit prediction rate distortion cost. .
  • the image encoding device of the present invention generates a partial viewpoint synthesized image that is a viewpoint synthesized image for the encoding target block, using the reference image and the reference depth map for each encoding target block.
  • a composite image generation unit may be further included, and the encoding target image predictive encoding unit may use the partial viewpoint composite image as a predicted image candidate.
  • the image encoding device generates prediction information for each encoding target block when the prediction unit is selected to perform prediction using the viewpoint composite image on the entire image as the prediction unit. You may further have an information generation part.
  • the prediction information generation unit determines a prediction block size
  • the viewpoint composite image generation unit repeats the process of generating a viewpoint composite image for each prediction block size, You may make it produce
  • the prediction information generation unit may estimate a disparity vector and generate prediction information as a disparity compensation prediction.
  • the prediction information generation unit may determine a prediction method and generate prediction information for the prediction method.
  • the present invention provides a decoded reference image for a viewpoint different from the decoding target image and a subject in the reference image when decoding the decoding target image from code data of a multi-viewpoint image including a plurality of different viewpoint images.
  • An image decoding apparatus that performs decoding while predicting images between different viewpoints using a reference depth map for the image, and using the reference image and the reference depth map, a viewpoint composite image for the entire decoding target image Whether to perform prediction for each decoding target block obtained by dividing the decoding target image from the code data, or to perform prediction using the viewpoint synthetic image for the entire decoding target image
  • a prediction unit information decoding unit that decodes information of a prediction unit indicating the prediction unit, and the prediction unit performs prediction on the entire decoded image using the viewpoint composite image
  • a decoding target image setting unit that uses the viewpoint synthesized image as the decoding target image, and when the prediction unit indicates prediction for each decoding target block, from the code data, the decoding target block
  • the decoding target image setting unit decodes a difference between the decoding target image and the viewpoint synthesized image from code data, and adds the difference and the viewpoint synthesized image to add the decoding target.
  • An image may be generated.
  • the image decoding apparatus generates a partial viewpoint synthesized image that generates a partial viewpoint synthesized image that is a viewpoint synthesized image for the decoding target block, using the reference image and the reference depth map for each decoding target block. May be further included, and the decoding target image decoding unit may use the partial viewpoint synthesized image as a predicted image candidate.
  • the image decoding apparatus of the present invention generates prediction information for each decoding target block when the prediction unit indicates that prediction is performed on the entire decoded image using the viewpoint synthesized image. It may further have a part.
  • the prediction information generation unit determines a prediction block size
  • the viewpoint composite image generation unit repeats the process of generating a viewpoint composite image for each prediction block size, thereby decoding the decoding You may make it produce
  • the prediction information generation unit may estimate a disparity vector and generate prediction information as a disparity compensation prediction.
  • the prediction information generation unit may determine a prediction method and generate prediction information for the prediction method.
  • the present invention when encoding a multi-view image consisting of a plurality of different viewpoint images, an encoded reference image for a viewpoint different from the encoding target image, and a reference depth map for a subject in the reference image, Is an image encoding method that performs encoding while predicting images between different viewpoints, and generates a viewpoint composite image for the entire encoding target image using the reference image and the reference depth map.
  • a viewpoint synthesized image generation step, and prediction is performed for each encoding target block obtained by dividing the encoding target image, or prediction is performed on the entire encoding target image using the viewpoint synthetic image.
  • the present invention provides a decoded reference image for a viewpoint different from the decoding target image and a subject in the reference image when decoding the decoding target image from code data of a multi-viewpoint image including a plurality of different viewpoint images. And a reference synthesized image for the entire decoding target image using the reference image and the reference depth map. Whether to perform prediction for each decoding target block obtained by dividing the decoding target image from the code data, or to perform prediction using the viewpoint combining image for the entire decoding target image A prediction unit information decoding step for decoding information on a prediction unit indicating the prediction unit using the viewpoint composite image for the prediction unit.
  • the present invention is an image encoding program for causing a computer to execute the image encoding method.
  • the present invention is an image decoding program for causing a computer to execute the image decoding method.
  • One aspect of the present invention is a computer-readable recording medium on which the image encoding program is recorded.
  • One aspect of the present invention is a computer-readable recording medium on which the image decoding program is recorded.
  • the amount of calculation and the memory during decoding are adaptively switched between prediction for the entire encoding target image and prediction for each encoding target block.
  • FIG. 7 It is a block diagram which shows the image coding apparatus by the 1st Embodiment of this invention. It is a flowchart which shows operation
  • movement of the image coding apparatus shown in FIG. 7 is a flowchart showing another operation of the image encoding device shown in FIG. 1.
  • FIG. 7 It is a block diagram which shows the image coding apparatus by the 2nd Embodiment of this invention.
  • 5 is a flowchart illustrating an operation of the image encoding device illustrated in FIG. 4.
  • 6 is a flowchart showing another operation of the image encoding device shown in FIG. 4.
  • FIG. 9 is a flowchart showing a processing operation for constructing and outputting a bit stream for frame-based prediction in the image encoding device shown in FIGS. 7 and 8.
  • FIG. It is a block diagram which shows the image decoding apparatus by the 5th Embodiment of this invention. It is a flowchart which shows the operation
  • movement of the image decoding apparatus shown in FIG. Fig. 11 is a flowchart showing another operation of the image decoding apparatus shown in Fig. 10. It is a block diagram which shows the image decoding apparatus by the 6th Embodiment of this invention. It is a flowchart which shows operation
  • movement of the image decoding apparatus shown in FIG. Fig. 17 is a flowchart showing an operation of the image decoding device shown in Fig. 16. It is a block diagram which shows the image coding apparatus by the 9th Embodiment of this invention. It is a block diagram which shows the image decoding apparatus by the 10th Embodiment of this invention. It is a conceptual diagram which shows the parallax which arises between two cameras. It is a conceptual diagram explaining an epipolar geometric constraint.
  • a multi-viewpoint image captured by two cameras a first camera (referred to as camera A) and a second camera (referred to as camera B), is encoded.
  • a description will be given assuming that an image of the camera B is encoded or decoded as a reference image.
  • information necessary for obtaining the parallax from the depth information is given separately. Specifically, it is an external parameter representing the positional relationship between the camera A and the camera B and an internal parameter representing projection information on the image plane by the camera, but parallax can be obtained from the depth information even in other forms.
  • information that can specify the position between the symbols [] is added to an image, video frame, or depth map to add the position. It is assumed that the image signal sampled by the pixels and the depth corresponding thereto are shown.
  • the coordinate value or block at a position where the coordinate or block is shifted by the amount of the vector by adding the coordinate value or the index value that can be associated with the block and the vector is represented.
  • FIG. 1 is a block diagram showing a configuration of an image encoding device according to the first embodiment of the present invention.
  • the image encoding device 100a includes an encoding target image input unit 101, an encoding target image memory 102, a reference image input unit 103, a reference depth map input unit 104, a viewpoint composite image generation unit 105, a viewpoint.
  • a composite image memory 106, a frame unit prediction RD (Rate Distortion) cost calculation unit 107, an image encoding unit 108, a block unit prediction RD cost calculation unit 109, a prediction unit determination unit 110, and a bit stream generation unit 111 are provided.
  • the encoding target image input unit 101 inputs an image to be encoded.
  • the image to be encoded is referred to as an encoding target image.
  • an image of camera B is input.
  • a camera that captures an encoding target image (camera B in this case) is referred to as an encoding target camera.
  • the encoding target image memory 102 stores the input encoding target image.
  • the reference image input unit 103 inputs an image to be referred to when generating a viewpoint composite image (parallax compensation image).
  • the image input here is referred to as a reference image.
  • an image of camera A is input.
  • the reference depth map input unit 104 inputs a depth map to be referred to when generating a viewpoint composite image.
  • the depth map for the reference image is input, but a depth map for another camera may be input.
  • this depth map is referred to as a reference depth map.
  • the depth map represents the three-dimensional position of the subject shown in each pixel of the corresponding image. Any information may be used as long as the three-dimensional position can be obtained by information such as separately provided camera parameters. For example, a distance from the camera to the subject, a coordinate value with respect to an axis that is not parallel to the image plane, and a parallax amount with respect to another camera (for example, camera B) can be used.
  • a parallax map that directly expresses the amount of parallax may be used instead of the depth map.
  • the depth map is passed in the form of an image.
  • the image may not be in the form of an image.
  • the camera (here, camera A) corresponding to the reference depth map is referred to as a reference depth camera.
  • the viewpoint composite image generation unit 105 obtains a correspondence relationship between the pixels of the encoding target image and the pixels of the reference image using the reference depth map, and generates a viewpoint composite image for the encoding target image.
  • the viewpoint composite image memory 106 stores a viewpoint composite image for the generated encoding target image.
  • the frame unit prediction RD cost calculation unit 107 calculates a rate distortion cost when the encoding target image is predicted on a frame basis using the viewpoint composite image.
  • the image encoding unit 108 predictively encodes the encoding target image in units of blocks while using the viewpoint composite image.
  • the block unit prediction RD cost calculation unit 109 calculates a rate distortion cost when the encoding target image is predictively encoded in units of blocks while using the viewpoint composite image.
  • the prediction unit determination unit 110 determines whether to predict the encoding target image in units of frames or in units of blocks based on the rate distortion cost. Based on the determination by the prediction unit determination unit 110, the bit stream generation unit 111 constructs and outputs a bit stream for the encoding target image.
  • FIG. 2 is a flowchart showing the operation of the image encoding device 100a shown in FIG.
  • the encoding target image input unit 101 receives the encoding target image Org and stores it in the encoding target image memory 102 (step S101).
  • the reference image input unit 103 inputs a reference image
  • the reference depth map input unit 104 inputs the reference depth map
  • the viewpoint composite image generation unit 105 step S102.
  • the reference image and the reference depth map input in step S102 are the same as those obtained on the decoding side, such as those obtained by decoding already encoded ones. This is to suppress the occurrence of coding noise such as drift by using exactly the same information obtained by the decoding device. However, when the generation of such coding noise is allowed, the one that can be obtained only on the coding side, such as the one before coding, may be input.
  • the reference depth map in addition to the one already decoded, the depth map estimated by applying stereo matching or the like to the multi-viewpoint images decoded for a plurality of cameras, or decoded
  • the depth map estimated using the disparity vector, the motion vector, and the like can also be used as the same one can be obtained on the decoding side.
  • the viewpoint composite image generation unit 105 generates a viewpoint composite image Synth for the encoding target image and stores it in the viewpoint composite image memory 106 (step S103).
  • the process here may be any method as long as it uses a reference image and a reference depth map to synthesize an image in the encoding target camera.
  • the frame unit prediction RD cost calculation unit 107 calculates a rate distortion cost when the entire encoding target image is predicted and encoded with the viewpoint composite image (step S104).
  • the rate distortion cost is a value represented by a weighted sum of a generated code amount and distortion caused by encoding, as shown in the following equation (1).
  • Cost m is an RD cost
  • D m is an encoding result of an image obtained as a result of encoding (more precisely, a decoded image obtained by decoding a bit stream of the encoding result).
  • the amount of distortion R m is the code amount of the bit stream obtained as a result of encoding
  • ⁇ is a Lagrange undetermined multiplier that depends on the target bit rate and target quality. Any scale may be used as the amount of distortion. For example, signal distortion such as SSD (Sum of Squared Differences) and SAD (Sum of Absolute Differences) And a measure of distortion related to subjective quality such as SSIM (Structural Similarity) can be used.
  • m represents a method used for encoding
  • frame represents a coding method based on prediction in frame units using a viewpoint composite image.
  • any method may be used as long as information indicating generation and selection of a predicted image is not encoded in each region.
  • the decoding result for the encoding target image is a viewpoint composite image
  • the decoding result for the encoding target image is a viewpoint composite image
  • a method of skipping encoding of the encoding target image and using the information indicating the skip as the encoding result will be described.
  • the prediction image is a viewpoint composite image in the entire encoding target image
  • another method such as a method of transform encoding the prediction residual of the encoding target image for each frame or region may be used.
  • the amount of distortion is expressed by SSD, it is assumed that the decoding result for the encoding target image is a viewpoint composite image, and the encoding of the encoding target image is skipped, and information indicating the skip is used as the encoding result.
  • the distortion amount D frame in this case is expressed by the following equation (2).
  • p is an index representing the pixel position
  • sigma p represents the sum for all the pixels in the encoding target image.
  • the code amount R frame is assumed to be 1 bit here. Note that a flag having a length of 1 bit or more may be used, or entropy coding may be performed together with flags for other frames to obtain a code amount of less than 1 bit.
  • the image encoding unit 108 performs encoding while generating a predicted image for each region (encoding target block) obtained by dividing the encoding target image (step S105).
  • Any encoding method may be used as long as the image is divided and encoded for each block.
  • the H.P. A method according to H.264 / AVC may be used.
  • a method using a viewpoint composite image may be used as a predicted image candidate to be selected for each block, or a method not using it may be used.
  • the block unit prediction RD cost calculation unit 109 divides the encoding target image into a plurality of blocks, and rate distortion when encoding while selecting a prediction method for each block
  • the cost Cost block is calculated (step S106).
  • the block unit prediction RD cost Cost block is the distortion amount D block for the image to be encoded of the image of the encoding result in step S105 (more precisely, the decoded image obtained by decoding the bit stream of the encoding result).
  • the code amount R block obtained by adding the code amount of the flag indicating that the encoding of the encoding target image was not skipped to the code amount of the bit stream as the encoding result in step S105 Therefore, calculate.
  • the prediction unit determination unit 110 determines to determine a prediction unit by comparing the rate distortion costs (step S107). Note that the rate distortion cost defined by equation (1) indicates that the smaller the value is, the better the coding efficiency is. Therefore, a prediction unit having a small rate distortion cost is selected. If a rate distortion cost indicating that the coding efficiency is better as the value is larger is used, it is necessary to reverse the determination and select a prediction unit having a larger rate distortion cost.
  • the bit stream generation unit 111 selects the bit stream for performing the frame unit prediction. Generate (step S108).
  • the generated bit stream is an output of the image encoding device 100a.
  • a 1-bit flag indicating that the entire decoded image is a viewpoint synthesized image is a bit stream in this case.
  • the prediction image is a viewpoint composite image in the entire encoding target image, and the prediction residual of the encoding target image is transform-coded for each frame or block.
  • a bit stream in which a bit stream corresponding to the prediction residual is concatenated with the flag is generated.
  • a bitstream for the prediction residual may be newly generated, but the bitstream generated in step S104 may be stored in a memory or the like, and the bitstream may be read from the memory or the like and used. .
  • the bit stream generation unit 111 generates a bit stream for performing block unit prediction (step S109). ).
  • the generated bit stream is an output of the image encoding device 100a.
  • a bit stream is generated by concatenating the bit stream generated by the image encoding unit 108 in step S105 to a 1-bit flag indicating that the entire decoded image is not a viewpoint synthesized image. Note that the bit stream generated in step S105 may be stored in a memory or the like, read out and used, or generated again.
  • the image encoding device 100a outputs a bit stream for the image signal. That is, a parameter set and a header indicating information such as an image size are separately added to the bit stream output from the image encoding device 100a as necessary.
  • FIG. 3 is a flowchart showing a processing operation in the case where determination is performed for each block as an example. Parts that perform the same processing as the processing operation shown in FIG.
  • the processing operation shown in FIG. 3 is different from the processing operation shown in FIG. 2 in that after calculating the frame-unit predicted RD cost, for each block, encoding processing, rate distortion cost calculation processing, and prediction unit determination processing. It is a point that repeats. That is, first, the variable blk indicating the index of the block, which is a unit for performing the encoding process for dividing the image to be encoded, is set to zero, and the block unit prediction rate distortion cost Cost block is initialized with ⁇ (step 110).
  • step S114 while adding the variable blk by 1 (step S114), the following processing (steps S111 to 113, step S107) is repeated until the variable blk reaches the number of blocks numBlks in the encoding target image (step S115). .
  • Cost block is initialized with ⁇ . However, it is necessary to perform initialization with an appropriate value according to the bit amount of information representing the prediction unit and the unit of the code amount when calculating the RD cost. There is.
  • the information indicating the prediction unit is 1 bit
  • the code amount in the RD cost calculation is in units of bits.
  • the image encoding unit 108 encodes the encoding target image for the block represented by the variable blk (step S111). Any method may be used for encoding as long as decoding is possible on the decoding side.
  • MPEG-2 and H.264 In general video encoding or image encoding such as H.264 and JPEG, a prediction image is generated by selecting one mode from a plurality of prediction modes for each block, and an encoding target image, a prediction image, Are subjected to frequency conversion such as DCT. Next, encoding is performed by sequentially applying quantization, binarization, and entropy encoding to the value obtained as a result of the frequency conversion. Note that in encoding, a viewpoint composite image may be used as one of predicted image candidates.
  • step S112 calculate the rate distortion cost Cost blk for block blk (step S112).
  • the processing here is the same as the processing in step S106 described above except that the range of the target image is different. That is, the calculation is performed according to the equation (1) from the distortion amount D blk and the code amount R blk of the block blk. Then, the rate distortion cost for the block blk obtained by calculation is added to the cost block (step S113), and the prediction unit is determined by comparing with the cost frame (step S107).
  • the cost block is equal to or higher than the cost frame , it is determined that the prediction for each frame is used, and the processing for each block is ended. Since the determination is performed for each block, when the processing is completed for all the blocks, it is determined that the prediction of the block unit is used without determining the prediction unit again.
  • the same viewpoint composite image is used for the case where the prediction is performed in frame units and the case where the prediction is performed in block units, but the viewpoint composite images may be generated by different methods.
  • the amount of memory for accumulating viewpoint composite images is reduced by referring to the information of already encoded blocks, and the quality of the viewpoint composite images is improved. It doesn't matter.
  • the quality of the decoded image obtained on the decoding side may be improved by performing synthesis in consideration of consistency and objective quality in the entire frame.
  • FIG. 4 is a block diagram illustrating a configuration of an image encoding device when a viewpoint composite image is generated by a different method for each prediction unit.
  • the difference between the image encoding device 100a shown in FIG. 1 and the image encoding device 100b shown in FIG. 4 is that in the image encoding device 100b, a frame unit viewpoint composite image generation unit 114 and a block unit viewpoint composite image generation unit 115 are two.
  • One viewpoint composite image generation unit is provided, and a viewpoint composite image memory is not necessarily provided.
  • symbol is attached
  • the frame-unit viewpoint composite image generation unit 114 obtains a correspondence relationship between the pixels of the encoding target image and the pixels of the reference image using the reference depth map, and generates a viewpoint composite image for the entire encoding target image.
  • the block-unit viewpoint composite image generation unit 115 generates a viewpoint composite image for each block on which the encoding process of the encoding target image is performed using the reference depth map.
  • FIGS. 5 and 6 are flowcharts showing the operation of the image encoding device 100b shown in FIG.
  • FIG. 5 is a processing operation in the case where the prediction unit is determined after performing the encoding using the prediction in block units for all the blocks, and FIG. Processing operation.
  • FIG. 5 or FIG. 6 the same reference numerals are given to the same processes as those in the flowchart shown in FIG. 2 or FIG.
  • a viewpoint composite image for that block is generated for each block separately from the viewpoint composite image generated for prediction in units of frames. This is a point to be processed (step S117).
  • any method may be used as the process for generating the viewpoint composite image for each block.
  • the method described in Non-Patent Document 3 may be used.
  • the prediction information is information used for generating a prediction image such as a prediction block size, a prediction mode, a motion / disparity vector, and decoding a prediction residual.
  • 7 and 8 can be used to generate prediction information for each block obtained by dividing the image to be encoded when it is determined to perform frame-by-frame prediction and to encode another frame.
  • It is a block diagram which shows the structure of the image coding apparatus in the case of doing.
  • the image encoding device 100c shown in FIG. 7 corresponds to the image encoding device 100a shown in FIG. 1, and the image encoding device 100d shown in FIG. 8 is a block diagram corresponding to the image encoding device 100b shown in FIG.
  • the difference is that a block unit prediction information generation unit 116 is further provided.
  • symbol is attached
  • the block unit prediction information generation unit 116 When it is determined that prediction in units of frames is performed, the block unit prediction information generation unit 116 generates prediction information for each block obtained by dividing the encoding target image, and encodes another frame. Output. Note that when another frame is encoded by the same image encoding device, the generated information is passed to the image encoding unit 108.
  • the processing operations executed by the image encoding device 100c shown in FIG. 7 and the image encoding device 100d shown in FIG. 8 are basically the same as those described above, and construct and output a bit stream for frame prediction.
  • the processing to be performed (step S108) only executes the processing operation shown in FIG.
  • FIG. 9 is a flowchart showing a processing operation for constructing and outputting a bit stream of frame unit prediction.
  • a bit stream for frame prediction is constructed and output (step S1801). This process is the same as step S108 described above.
  • the block unit prediction information generation unit 116 generates and outputs prediction information for each block obtained by dividing the encoding target image (step S1802).
  • the prediction information can be generated as long as the decoding side can generate the same information.
  • the predicted block size may be as large as possible or as small as possible.
  • a different block size may be set for each block by making a determination based on the used depth map and the generated viewpoint composite image.
  • the block size may be adaptively determined so as to be as large as possible a set of pixels having similar pixel values and depth values.
  • mode information and motion / disparity vectors indicating prediction using a viewpoint composite image may be set for all blocks when prediction is performed for each block. Further, the mode information corresponding to the inter-viewpoint prediction mode and the disparity vector obtained from the depth or the like may be set as the mode information and the motion / disparity vector, respectively.
  • the disparity vector may be obtained by searching the reference image using the viewpoint composite image for the block as a template.
  • an optimal block size and prediction mode may be estimated and generated by analyzing the viewpoint synthesized image as an encoding target image.
  • the prediction mode intra-screen prediction, motion compensation prediction, or the like may be selectable.
  • the encoding efficiency of another frame can be improved. This is because when similar frames are encoded, such as frames that are temporally continuous or frames of the same subject, the motion vectors and the prediction modes are also correlated, so the redundancy is removed using these correlations. It is because it can.
  • FIG. 10 is a block diagram showing the configuration of the image decoding apparatus according to this embodiment.
  • the image decoding apparatus 200a includes a bit stream input unit 201, a bit stream memory 202, a reference image input unit 203, a reference depth map input unit 204, a viewpoint synthesized image generation unit 205, a viewpoint synthesized image memory 206, A prediction unit information decoding unit 207 and an image decoding unit 208 are provided.
  • the bit stream input unit 101 inputs a bit stream of an image to be decoded.
  • the image to be decoded is referred to as a decoding target image.
  • the image of the camera B is indicated.
  • a camera that captures a decoding target image (camera B in this case) is referred to as a decoding target camera.
  • the bit stream memory 202 stores a bit stream for the input decoding target image.
  • the reference image input unit 203 inputs an image to be referred to when generating a viewpoint composite image (parallax compensation image).
  • the image input here is referred to as a reference image.
  • the reference depth map input unit 204 inputs a depth map to be referred to when generating a viewpoint composite image.
  • the depth map for the reference image is input, but a depth map for another camera may be input.
  • this depth map is referred to as a reference depth map.
  • the depth map represents the three-dimensional position of the subject shown in each pixel of the corresponding image. Any information may be used as long as the three-dimensional position can be obtained by information such as separately provided camera parameters. For example, a distance from the camera to the subject, a coordinate value with respect to an axis that is not parallel to the image plane, and a parallax amount with respect to another camera (for example, camera B) can be used.
  • a parallax map that directly expresses the amount of parallax may be used instead of the depth map.
  • the depth map is passed in the form of an image.
  • the image may not be in the form of an image.
  • the camera (here, camera A) corresponding to the reference depth map is referred to as a reference depth camera.
  • the viewpoint synthesized image generation unit 205 uses the reference depth map to obtain a correspondence relationship between the pixels of the decoding target image and the pixels of the reference image, and generates a viewpoint synthesized image for the decoding target image.
  • the viewpoint synthesized image memory 206 stores viewpoint synthesized images for the generated decoding target images.
  • the prediction unit information decoding unit 207 decodes information indicating whether the decoding target image is predicted in units of frames or in units of blocks from the bitstream.
  • the image decoding unit 208 decodes the decoding target image from the bit stream based on the information decoded by the prediction unit information decoding unit 207 and outputs the decoded image.
  • FIG. 11 is a flowchart showing the operation of the image decoding device 200a shown in FIG.
  • the bit stream input unit 201 inputs a bit stream obtained by encoding a decoding target image and stores it in the bit stream memory 202 (step S201).
  • the reference image input unit 203 inputs a reference image
  • the reference depth map input unit 204 inputs the reference depth map, and outputs it to the viewpoint composite image generation unit 205 (step S202).
  • the reference image and reference depth map input in step S202 are the same as those used on the encoding side. This is to suppress the occurrence of coding noise such as drift by using exactly the same information as that obtained by the image coding apparatus. However, if such encoding noise is allowed to occur, a different one from that used at the time of encoding may be input.
  • the reference depth map in addition to those separately decoded, a depth map estimated by applying stereo matching or the like to multi-viewpoint images decoded for a plurality of cameras, decoded parallax vectors, and motion vectors In some cases, a depth map or the like estimated using the above is used.
  • the viewpoint synthesized image generation unit 205 generates a viewpoint synthesized image Synth for the decoding target image and stores it in the viewpoint synthesized image memory 206 (step S203).
  • the processing here is the same as step S103 at the time of encoding described above.
  • it is necessary to use the same method as that used at the time of coding. A method different from the method used at the time of conversion may be used.
  • the prediction unit information decoding unit 207 decodes information representing the prediction unit from the bit stream (step S204). For example, when the prediction unit is represented by the first bit of the bitstream for the decoding target image, the prediction unit is determined by reading the 1 bit.
  • the image decoding unit 208 decodes the decoding target image according to the obtained prediction unit.
  • the obtained decoding target image is an output of the image decoding device 200a. If the decoding target image is used when decoding other frames, such as when the present invention is used for moving image decoding or multi-viewpoint image decoding, the decoding target image is stored in a separately determined decoding image memory. .
  • a method corresponding to the method used at the time of encoding is used.
  • decoding is performed by setting a viewpoint composite image as a decoded image.
  • prediction in units of blocks is performed, the decoding target image is decoded while generating a prediction image by a designated method for each region (decoding target block) obtained by dividing the decoding target image. For example, the H.P.
  • the bit stream for the image signal is input to the image decoding apparatus 200a. That is, a parameter set or header indicating information such as image size is interpreted outside the image decoding device 200a as necessary, and information necessary for decoding is notified to the image decoding device 200a.
  • FIG. 12 is a flowchart showing a processing operation for generating a viewpoint composite image only when the prediction unit is a frame unit.
  • the processing operation shown in FIG. 12 differs from the processing operation shown in FIG. 11 in that the reference image and reference depth map are input (step S202) and the viewpoint composite image is generated based on the determination of the prediction unit (step S206). Whether or not (Step S203) is executed is determined.
  • the same viewpoint composite image is used for the case where the prediction is performed in units of frames and the case where the prediction is performed in units of blocks, but the viewpoint composite images may be generated by different methods.
  • the amount of memory for storing the viewpoint composite image is reduced by referring to the information of the already decoded blocks, thereby improving the quality of the viewpoint composite image. It doesn't matter.
  • the quality of the viewpoint synthesized image and the decoding target image may be improved by performing synthesis in consideration of the consistency and objective quality in the entire frame.
  • FIG. 13 is a block diagram illustrating a configuration of an image decoding device when a viewpoint composite image is generated by a different method for each prediction unit.
  • the image decoding device 200b shown in FIG. 13 is different from the image decoding device 200a shown in FIG. 10 in that two viewpoint composite image generation units, a frame unit viewpoint composite image generation unit 209 and a block unit viewpoint composite image generation unit 210, The switch 211 is provided, and the viewpoint composite image memory is not necessarily provided. Note that the same components as those of the image decoding device 200a are denoted by the same reference numerals and description thereof is omitted.
  • the frame-unit viewpoint composite image generation unit 209 obtains a correspondence relationship between the pixels of the decoding target image and the pixels of the reference image using the reference depth map, and generates a viewpoint composite image for the entire decoding target image.
  • the block-unit viewpoint composite image generation unit 210 generates a viewpoint composite image for each block on which the decoding process of the decoding target image is performed using the reference depth map.
  • the switch 211 switches the viewpoint composite image input to the image decoding unit 208 according to the prediction unit output by the prediction unit information decoding unit 207.
  • FIG. 14 is a flowchart showing the processing operation of the image decoding apparatus 100b shown in FIG.
  • the processing operation shown in FIG. 14 is different from the processing operation shown in FIG. 11 or FIG. 12 in that the viewpoint composite image to be generated is switched according to the prediction unit obtained by decoding (step S206). .
  • the process of generating a block-unit viewpoint composite image (step S210) and the process of decoding the decoding target image (step S211) are repeated for each block.
  • the variable indicating the index for the block to be decoded is blk, and is represented by the number of blocks numBlks in the decoding target image.
  • step S207 The process for generating the viewpoint composite image for the entire frame (step S207) is the same as step S203 described above.
  • any method may be used as a method for generating the viewpoint composite image for each block.
  • the method described in Non-Patent Document 3 may be used.
  • the process of decoding the decoding target image (step S208 and step S211) is the same as step S205 described above, except that the prediction unit is fixed and the unit to be processed is different.
  • prediction information when prediction in frame units is performed, only information indicating the prediction unit is generated for the decoding target image, and prediction information is not generated for each block of the decoding target image.
  • prediction information for each block not included in the bitstream may be generated so that it can be referred to when another frame is decoded.
  • the prediction information is information used for generating a prediction image such as a prediction block size, a prediction mode, a motion / disparity vector, and decoding a prediction residual.
  • FIG. 15 and FIG. 15 and FIG. 16 show a case where prediction information is generated for each block obtained by dividing a decoding target image so that it can be referred to when another frame is decoded when it is determined to perform prediction in units of frames.
  • It is a block diagram which shows the structure of the image decoding apparatus.
  • An image decoding device 200c shown in FIG. 15 corresponds to the image decoding device 200a shown in FIG. 10, and an image decoding device 200d shown in FIG. 16 is a block diagram corresponding to the image decoding device 200b shown in FIG.
  • the difference is that a block unit prediction information generation unit 212 is further provided.
  • symbol is attached
  • the block unit prediction information generation unit 212 When it is determined that prediction in units of frames is performed, the block unit prediction information generation unit 212 generates prediction information for each decoding target block obtained by dividing the decoding target image, and to an image encoding device that decodes another frame. Output. Note that when another frame is encoded by the same image decoding apparatus, the generated information is passed to the image decoding unit 208.
  • FIGS. 17 and 18 are flowcharts showing the processing operations of the image decoding device 200c shown in FIG. 15 and the image decoding device 200d shown in FIG. Since the basic processing is the same as the processing operation shown in FIGS. 11 and 14, the same reference numerals are given to the steps for performing the same processing as described above, and the description thereof is omitted.
  • a process (step S214) for generating and outputting prediction information for each block when the prediction unit is a frame unit is added.
  • the prediction information is generated in the same way as the information generated on the encoding side, any information may be generated.
  • the predicted block size may be as large as possible or as small as possible.
  • a different block size may be set for each block by making a determination based on the used depth map and the generated viewpoint composite image.
  • the block size may be adaptively determined so as to be as large as possible a set of pixels having similar pixel values and depth values.
  • mode information and motion / disparity vectors indicating prediction using a viewpoint composite image may be set for all blocks when prediction is performed for each block. Further, the mode information corresponding to the inter-viewpoint prediction mode and the disparity vector obtained from the depth or the like may be set as the mode information and the motion / disparity vector, respectively.
  • the disparity vector may be obtained by searching the reference image using the viewpoint composite image for the block as a template.
  • an optimal block size and prediction mode may be estimated and generated by analyzing the viewpoint synthesized image as an encoding target image.
  • the prediction mode intra-screen prediction, motion compensation prediction, or the like may be selectable.
  • the process of encoding and decoding one frame has been described. However, it can be applied to moving picture encoding by repeating a plurality of frames. It can also be applied only to some frames or some blocks of a moving image. For example, you may apply only to the one part area
  • the reference depth map is described as a depth map for an image captured by a camera different from the encoding target camera or the decoding target camera, but the encoding target image or the decoding target image
  • the depth maps for images taken by the encoding target camera or the decoding target camera at different times may be used as the reference depth map.
  • FIG. 19 is a block diagram illustrating a hardware configuration when the above-described image encoding device 100 is configured by a computer and a software program.
  • the system shown in FIG. 19 includes a CPU 50, a memory 51 such as a RAM, an encoding target image input unit 52, a reference image input unit 53, a reference depth map input unit 54, a program storage device 55, and a bit stream output.
  • the unit 56 is connected by a bus.
  • the CPU 50 executes a program.
  • a memory 51 such as a RAM stores programs and data accessed by the CPU 50.
  • the encoding target image input unit 52 inputs an encoding target image signal from a camera or the like (the encoding target image input unit 52 may be a storage unit that stores an image signal from a disk device or the like).
  • the reference image input unit 53 inputs an image signal to be referred from a camera or the like (the reference image input unit 53 may be a storage unit that stores an image signal from a disk device or the like).
  • the reference depth map input unit 54 inputs a depth map for a camera having a position and orientation different from that of the camera that captured the encoding target image from the depth camera or the like (the reference depth map input unit 54 is a depth map by a disk device or the like). May also be a storage unit that stores.
  • the program storage device 55 stores an image encoding program 551 that is a software program that causes the CPU 50 to execute an image encoding process.
  • the bit stream output unit 56 outputs a bit stream generated by the CPU 50 executing the image encoding program 551 loaded in the memory 51 via a network, for example (the bit stream output unit 56 is a disk device or the like). May be a storage unit that stores a bitstream of
  • FIG. 20 is a block diagram showing a hardware configuration when the above-described image decoding apparatus 200 is configured by a computer and a software program.
  • the system shown in FIG. 20 includes a CPU 60, a memory 51 such as a RAM, a bitstream input unit 62, a reference image input unit 63, a reference depth map input unit 64, a program storage device 65, and a decoding target image output unit. 66 are connected by a bus.
  • the CPU 60 executes a program.
  • a memory 51 such as a RAM stores programs and data accessed by the CPU 60.
  • the bit stream input unit 62 inputs a bit stream encoded by the image encoding device according to this method (the bit stream input unit 62 may be a storage unit that stores an image signal from a disk device or the like).
  • the reference image input unit 63 inputs a reference target image signal from a camera or the like (the reference image input unit 63 may be a storage unit that stores an image signal from a disk device or the like).
  • the reference depth map input unit 64 inputs a depth map for a camera having a position and orientation different from that of the camera that captured the decoding target from the depth camera or the like (the reference depth map input unit 64 stores depth information by a disk device or the like). It may be a storage unit).
  • the program storage device 65 stores an image decoding program 651 that is a software program that causes the CPU 60 to execute an image decoding process.
  • the decoding target image output unit 66 outputs the decoding target image obtained by decoding the bitstream to the playback device or the like by the CPU 60 executing the image decoding program 651 loaded in the memory 61 (decoding target image).
  • the output unit 66 may be a storage unit that stores an image signal from a disk device or the like).
  • the image encoding device 100 and the image decoding device 200 in the above-described embodiment may be realized by a computer.
  • a program for realizing this function may be recorded on a computer-readable recording medium, and the program recorded on this recording medium may be read into a computer system and executed.
  • the “computer system” includes an OS and hardware such as peripheral devices.
  • the “computer-readable recording medium” refers to a storage device such as a flexible medium, a magneto-optical disk, a portable medium such as a ROM or a CD-ROM, and a hard disk incorporated in a computer system.
  • the “computer-readable recording medium” dynamically holds a program for a short time like a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line.
  • a volatile memory inside a computer system serving as a server or a client in that case may be included and a program held for a certain period of time.
  • the program may be for realizing a part of the functions described above, and may be a program capable of realizing the functions described above in combination with a program already recorded in the computer system. It may be realized using hardware such as PLD (Programmable Logic Device) or FPGA (Field Programmable Gate Array).
  • the present invention can be applied to an application in which it is indispensable to achieve high coding efficiency without increasing the calculation amount and memory consumption during decoding.
  • Reference depth map input unit 205... Viewpoint composite image generation unit, 206 ... viewpoint composite image memory, 207 ... Prediction unit information decoding unit, 208: Image decoding unit, 209 ... Frame-unit viewpoint composite image generation unit, 211... Switch 212: A block unit prediction information generation unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

　複数の異なる視点の画像からなる多視点画像を符号化する際に、処理対象画像とは異なる視点に対する参照画像と、参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら符号化を行う画像符号化装置であって、参照画像と参照デプスマップとを用いて、符号化対象画像全体に対する視点合成画像を生成する視点合成画像生成部と、予測単位として、前記符号化対象画像を分割した符号化対象ブロックごとに予測を行うか、前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うかを設定する予測単位設定部と、予測単位を示す情報を符号化する予測単位情報符号化部と、予測単位として前記符号化対象ブロックごとに予測を行うことが選択された場合に、前記符号化対象画像を、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら予測符号化する符号化対象画像予測符号化部とを有する。

Description

画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム
　本発明は、多視点画像を符号化及び復号する画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラムに関する。
　本願は、２０１３年４月１１日に、日本に出願された特願２０１３－８２９５６号に基づき優先権を主張し、その内容をここに援用する。
　従来から、複数のカメラで同じ被写体と背景を撮影した複数の画像からなる多視点画像（Multiview images：マルチビューイメージ）が知られている。この複数のカメラで撮影した動画像のことを多視点動画像（または多視点映像）という。以下の説明では１つのカメラで撮影された画像（動画像）を”２次元画像（動画像）”と称し、同じ被写体と背景とを位置や向き（以下、視点と称する）が異なる複数のカメラで撮影した２次元画像（２次元動画像）群を”多視点画像（多視点動画像）”と称する。
　２次元動画像は、時間方向に関して強い相関があり、その相関を利用することによって符号化効率を高めることができる。一方、多視点画像や多視点動画像では、各カメラが同期されている場合、各カメラの映像の同じ時刻に対応するフレーム（画像）は、全く同じ状態の被写体と背景を別の位置から撮影したものであるので、カメラ間（同じ時刻の異なる２次元画像間）で強い相関がある。多視点画像や多視点動画像の符号化においては、この相関を利用することによって符号化効率を高めることができる。
　ここで、２次元動画像の符号化技術に関する従来技術を説明する。国際符号化標準であるＨ．２６４、ＭＰＥＧ－２、ＭＰＥＧ－４をはじめとした従来の多くの２次元動画像符号化方式では、動き補償予測、直交変換、量子化、エントロピー符号化という技術を利用して、高効率な符号化を行う。例えば、Ｈ．２６４では、過去あるいは未来の複数枚のフレームとの時間相関を利用した符号化が可能である。
　Ｈ．２６４で使われている動き補償予測技術の詳細については、例えば非特許文献１に記載されている。Ｈ．２６４で使われている動き補償予測技術の概要を説明する。Ｈ．２６４の動き補償予測は、符号化対象フレームを様々なサイズのブロックに分割し、各ブロックで異なる動きベクトルと異なる参照フレームを持つことを許可している。各ブロックで異なる動きベクトルを使用することで、被写体ごとに異なる動きを補償した精度の高い予測を実現している。一方、各ブロックで異なる参照フレームを使用することで、時間変化によって生じるオクルージョンを考慮した精度の高い予測を実現している。
　次に、従来の多視点画像や多視点動画像の符号化方式について説明する。多視点画像の符号化方法と、多視点動画像の符号化方法との違いは、多視点動画像にはカメラ間の相関に加えて、時間方向の相関が同時に存在するということである。しかし、どちらの場合でも、同じ方法でカメラ間の相関を利用することができる。そのため、ここでは多視点動画像の符号化において用いられる方法について説明する。
　多視点動画像の符号化については、カメラ間の相関を利用するために、動き補償予測を同じ時刻の異なるカメラで撮影された画像に適用した”視差補償予測”によって高効率に多視点動画像を符号化する方式が従来から存在する。ここで、視差とは、異なる位置に配置されたカメラの画像平面上で、被写体上の同じ部分が存在する位置の差である。図２１は、カメラ間で生じる視差を示す概念図である。図２１に示す概念図では、光軸が平行なカメラの画像平面を垂直に見下ろしたものとなっている。このように、異なるカメラの画像平面上で被写体上の同じ部分が投影される位置は、一般的に対応点と呼ばれる。
　視差補償予測では、この対応関係に基づいて、符号化対象フレームの各画素値を参照フレームから予測して、その予測残差と、対応関係を示す視差情報とを符号化する。視差は対象とするカメラ対や位置ごとに変化するため、視差補償予測を行う領域ごとに視差情報を符号化することが必要である。実際に、Ｈ．２６４の多視点動画像符号化方式では、視差補償予測を用いるブロックごとに視差情報を表すベクトルを符号化している。
　視差情報によって与えられる対応関係は、カメラパラメータを用いることで、エピポーラ幾何拘束に基づき、２次元ベクトルではなく、被写体の３次元位置を示す１次元量で表すことができる。被写体の３次元位置を示す情報としては、様々な表現が存在するが、基準となるカメラから被写体までの距離や、カメラの画像平面と平行ではない軸上の座標値を用いることが多い。なお、距離ではなく距離の逆数を用いる場合もある。また、距離の逆数は視差に比例する情報となるため、基準となるカメラを２つ設定し、それらのカメラで撮影された画像間での視差量として表現する場合もある。どのような表現を用いたとしても本質的な違いはないため、以下では、表現による区別をせずに、それら３次元位置を示す情報をデプスと表現する。
　図２２はエピポーラ幾何拘束の概念図である。エピポーラ幾何拘束によれば、あるカメラの画像上の点に対応する別のカメラの画像上の点はエピポーラ線という直線上に拘束される。このとき、その画素に対するデプスが得られた場合、対応点はエピポーラ線上に一意に定まる。例えば、図２２に示すように、第１のカメラ画像においてｍの位置に投影された被写体に対する第２のカメラ画像での対応点は、実空間における被写体の位置がＭ’の場合にはエピポーラ線上の位置ｍ’に、実空間における被写体の位置がＭ’’の場合にはエピポーラ線上の位置ｍ’’に、投影される。
　非特許文献２では、この性質を利用して、参照フレームに対するデプスマップ（距離画像）によって与えられる各被写体の３次元情報に従って、参照フレームから符号化対象フレームに対する合成画像を生成し、領域ごとの予測画像の候補とすることで、精度の高い予測を実現し、効率的な多視点動画像の符号化を実現している。なお、このデプスに基づいて生成される合成画像は視点合成画像、視点補間画像、または視差補償画像と呼ばれる。
　さらに、非特許文献３では、領域ごとに、参照フレームに対するデプスマップから符号化対象フレームに対する仮想デプスマップを生成し、その生成された仮想デプスマップを用いて対応点を求めることで、参照フレームに対するデプスマップを使いながらも、必要な領域に対してのみ視点合成画像を生成することを可能にしている。
ITU-T Recommendation H.264 (03/2009), "Advanced video coding for generic audiovisual services", March, 2009. S. Shimizu, H. Kimata, and Y. Ohtani, "Adaptive appearance compensated view synthesis prediction for Multiview Video Coding", In Proceedings of 16th IEEE International Conference on Image Processing (ICIP), pp.2949-2952, 7-10 Nov. 2009. S.Shimizu, S. Sugimoto, and H. Kimata, "CE1.h: Backward Projection based View Synthesis Prediction using Derived Disparity Vector", JCT-3V Input Contribution, JCT3V-C0100, Jan. 2013.
　非特許文献２に記載の方法によれば、デプスマップから得られる被写体の三次元情報を用いて高精度な視差補償を行った視点合成画像によって、高効率な予測を実現することが可能である。また、領域ごとに既存の予測と視点合成画像による予測を選択することで、デプスマップの品質やオクルージョンの影響を受けて、部分的には精度が低い視点合成画像が生成される場合においても、領域ごとに視点合成画像を予測画像とするか否かを選択することで、符号量が増加してしまうのを防ぐことが可能である。
　しかしながら、非特許文献２に記載の方法では、視点合成画像を予測画像として利用するか否かにかかわらず、１フレーム分の視点合成画像を生成して蓄積しなくてはならないため、処理負荷やメモリ消費量が増加してしまうという問題がある。また、処理対象画像（符号化対象画像または復号対象画像）と参照フレームとの間の視差が少ない場合や、デプスマップの品質が高い場合などは、処理対象画像の広い領域に対して高品質な視点合成画像が得られるが、領域ごとに、視点合成画像を予測画像として利用したか否かを示す情報を符号化しなくてはならないため、符号量が増加してしまうという問題もある。
　一方、非特許文献３の方法を用いることで、予測に用いない領域に対する視点合成画像を生成する必要がなくなるため、処理負荷とメモリ消費量の問題を解決することが可能である。
　しかしながら、一般に正しいデプスマップと比べて仮想デプスマップの品質は低く、生成される視点合成画像の品質も低下するため、非特許文献２と比べて符号量が増加してしまうという問題が発生する。また、領域ごとに、視点合成画像を予測画像として利用したか否かを示す情報を符号化することによる符号量の増加の問題を解決することはできない。
　本発明は、このような事情に鑑みてなされたもので、視点合成画像を予測画像の１つとして用いながら多視点動画像を符号化または復号する際に、処理量及び消費メモリの増加を抑えつつ、少ない符号量での符号化を実現することができる画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラムを提供することを目的とする。
　本発明は、複数の異なる視点の画像からなる多視点画像を符号化する際に、符号化対象画像とは異なる視点に対する符号化済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら符号化を行う画像符号化装置であって、前記参照画像と前記参照デプスマップとを用いて、前記符号化対象画像全体に対する視点合成画像を生成する視点合成画像生成部と、予測単位として、前記符号化対象画像を分割した符号化対象ブロックごとに予測を行うか、前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うかを選択する予測単位設定部と、選択された前記予測単位を示す情報を符号化する予測単位情報符号化部と、前記予測単位として前記符号化対象ブロックごとに予測を行うことが選択された場合に、前記符号化対象画像を、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら予測符号化する符号化対象画像予測符号化部とを有する。
　本発明の画像符号化装置は、前記予測単位として前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うことが選択された場合に、前記符号化対象画像と前記視点合成画像の差分を符号化する視点合成予測残差符号化部を更に有してもよい。
　本発明の画像符号化装置は、前記符号化対象画像全体を前記視点合成画像で予測して符号化する場合のレート歪みコストである画像単位予測レート歪みコストを推定する画像単位予測レート歪みコスト推定部と、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら前記符号化対象画像を予測符号化する場合のレート歪みコストであるブロック単位予測レート歪みコストを推定するブロック単位予測レート歪みコスト推定部とを更に有してもよく、前記予測単位設定部では、前記画像単位予測レート歪みコストと前記ブロック単位予測レート歪みコストとを比較して前記予測単位を設定するようにしてもよい。
　本発明の画像符号化装置は、前記符号化対象ブロックごとに、前記参照画像と前記参照デプスマップとを用いて、前記符号化対象ブロックに対する視点合成画像である部分視点合成画像を生成する部分視点合成画像生成部を更に有してもよく、前記符号化対象画像予測符号化部では、前記部分視点合成画像を予測画像の候補として用いるようにしてもよい。
　本発明の画像符号化装置は、前記予測単位として画像全体に対して前記視点合成画像を用いて予測を行うことが選択された場合に、前記符号化対象ブロックごとに、予測情報を生成する予測情報生成部を更に有してもよい。
　本発明の画像符号化装置において、前記予測情報生成部では、予測ブロックサイズを決定し、前記視点合成画像生成部では、前記予測ブロックサイズごとに視点合成画像を生成する処理を繰り返すことで、前記符号化対象画像全体に対する前記視点合成画像を生成するようにしてもよい。
　本発明の画像符号化装置において、前記予測情報生成部では、視差ベクトルを推定し、視差補償予測としての予測情報を生成するようにしてもよい。
　本発明の画像符号化装置において、前記予測情報生成部では、予測方法を決定し、当該予測方法に対する予測情報を生成するようにしてもよい。
　本発明は、複数の異なる視点の画像からなる多視点画像の符号データから、復号対象画像を復号する際に、復号対象画像とは異なる視点に対する復号済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら復号を行う画像復号装置であって、前記参照画像と前記参照デプスマップとを用いて、前記復号対象画像全体に対する視点合成画像を生成する視点合成画像生成部と、前記符号データから前記復号対象画像を分割した復号対象ブロックごとに予測を行うか、前記復号対象画像全体に対して前記視点合成画像を用いて予測を行うかを示す予測単位の情報を復号する予測単位情報復号部と、前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記視点合成画像を前記復号対象画像とする復号対象画像設定部と、前記予測単位が前記復号対象ブロックごとに予測を行うことを示す場合に、前記符号データから、前記復号対象ブロックごとに予測画像を生成しながら、復号対象画像を復号する復号対象画像復号部とを有する。
　本発明の画像復号装置は、前記復号対象画像設定部において、符号データから前記復号対象画像と前記視点合成画像の差分を復号し、当該差分と前記視点合成画像とを足し合わせることで前記復号対象画像を生成するようにしてもよい。
　本発明の画像復号装置は、前記復号対象ブロックごとに、前記参照画像と前記参照デプスマップとを用いて、前記復号対象ブロックに対する視点合成画像である部分視点合成画像を生成する部分視点合成画像生成部を更に有してもよく、前記復号対象画像復号部では、前記部分視点合成画像を予測画像の候補として用いるようにしてもよい。
　本発明の画像復号装置は、前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記復号対象ブロックごとに、予測情報を生成する予測情報生成部を更に有してもよい。
　本発明の画像復号装置は、前記予測情報生成部において、予測ブロックサイズを決定し、前記視点合成画像生成部において、前記予測ブロックサイズごとに視点合成画像を生成する処理を繰り返すことで、前記復号対象画像全体に対する前記視点合成画像を生成するようにしてもよい。
　本発明の画像復号装置は、前記予測情報生成部において、視差ベクトルを推定し、視差補償予測としての予測情報を生成するようにしてもよい。
　本発明の画像復号装置は、前記予測情報生成部において、予測方法を決定し、当該予測方法に対する予測情報を生成するようにしてもよい。
　本発明は、複数の異なる視点の画像からなる多視点画像を符号化する際に、符号化対象画像とは異なる視点に対する符号化済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら符号化を行う画像符号化方法であって、前記参照画像と前記参照デプスマップとを用いて、前記符号化対象画像全体に対する視点合成画像を生成する視点合成画像生成ステップと、予測単位として、前記符号化対象画像を分割した符号化対象ブロックごとに予測を行うか、前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うかを選択する予測単位設定ステップと、選択された前記予測単位を示す情報を符号化する予測単位情報符号化ステップと、前記予測単位として前記符号化対象ブロックごとに予測を行うことが選択された場合に、前記符号化対象画像を、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら予測符号化する符号化対象画像予測符号化ステップとを備える。
　本発明は、複数の異なる視点の画像からなる多視点画像の符号データから、復号対象画像を復号する際に、復号対象画像とは異なる視点に対する復号済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら復号を行う画像復号方法であって、前記参照画像と前記参照デプスマップとを用いて、前記復号対象画像全体に対する視点合成画像を生成する視点合成画像生成ステップと、前記符号データから前記復号対象画像を分割した復号対象ブロックごとに予測を行うか、前記復号対象画像全体に対して前記視点合成画像を用いて予測を行うかを示す予測単位の情報を復号する予測単位情報復号ステップと、前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記視点合成画像を前記復号対象画像とする復号対象画像設定ステップと、前記予測単位が前記復号対象ブロックごとに予測を行うことを示す場合に、前記符号データから、前記復号対象ブロックごとに予測画像を生成しながら、復号対象画像を復号する復号対象画像復号ステップとを備える。
　本発明は、コンピュータに、前記画像符号化方法を実行させるための画像符号化プログラムである。
　本発明は、コンピュータに、前記画像復号方法を実行させるための画像復号プログラムである。
　本発明の一態様は、前記画像符号化プログラムを記録したコンピュータ読み取り可能な記録媒体である。
　本発明の一態様は、前記画像復号プログラムを記録したコンピュータ読み取り可能な記録媒体である。
　本発明によれば、視点合成画像を予測画像の１つとして用いる際に、符号化対象画像全体に対する予測と符号化対象ブロック単位の予測を適応的に切り替えることで、復号時の演算量及びメモリ消費量を増加させずに、少ない符号量で多視点画像及び多視点動画像を符号化することができるという効果が得られる。
本発明の第１の実施形態による画像符号化装置を示すブロック図である。 図１に示す画像符号化装置の動作を示すフローチャートである。 図１に示す画像符号化装置の他の動作を示すフローチャートである。 本発明の第２の実施形態による画像符号化装置を示すブロック図である。 図４に示す画像符号化装置の動作を示すフローチャートである。 図４に示す画像符号化装置の他の動作を示すフローチャートである。 本発明の第３の実施形態による画像符号化装置を示すブロック図である。 本発明の第４の実施形態による画像符号化装置を示すブロック図である。 図７および図８に示す画像符号化装置におけるフレーム単位予測のビットストリームを構築・出力する処理動作を示すフローチャートである。 本発明の第５の実施形態による画像復号装置を示すブロック図である。 図１０に示す画像復号置の動作を示すフローチャートである。 図１０に示す画像復号置の他の動作を示すフローチャートである。 本発明の第６の実施形態による画像復号装置を示すブロック図である。 図１３に示す画像復号装置の動作を示すフローチャートである。 本発明の第７の実施形態による画像復号装置を示すブロック図である。 本発明の第８の実施形態による画像復号装置を示すブロック図である。 図１５に示す画像復号装置の動作を示すフローチャートである。 図１６に示す画像復号装置の動作を示すフローチャートである。 本発明の第９の実施形態による画像符号化装置を示すブロック図である。 本発明の第１０の実施形態による画像復号装置を示すブロック図である。 ２つのカメラ間で生じる視差を示す概念図である。 エピポーラ幾何拘束を説明する概念図である。
　以下、図面を参照して、本発明の実施形態による画像符号化装置及び画像復号装置を説明する。以下の説明においては、第１のカメラ（カメラＡという）、第２のカメラ（カメラＢという）の２つのカメラで撮影された多視点画像を符号化する場合を想定し、カメラＡの画像を参照画像としてカメラＢの画像を符号化または復号するものとして説明する。
　なお、デプス情報から視差を得るために必要となる情報は別途与えられているものとする。具体的には、カメラＡとカメラＢの位置関係を表す外部パラメータや、カメラによる画像平面への投影情報を表す内部パラメータであるが、これら以外の形態であってもデプス情報から視差が得られるものであれば、別の情報が与えられていてもよい。これらのカメラパラメータに関する詳しい説明は、例えば、文献「Oliver Faugeras, "Three-Dimension Computer Vision", MIT Press; BCTC/UFF-006.37 F259 1993, ISBN:0-262-06158-9.」に記載されている。この文献には、複数のカメラの位置関係を示すパラメータや、カメラによる画像平面への投影情報を表すパラメータに関する説明が記載されている。
　以下の説明では、画像や映像フレーム、デプスマップに対して、記号［］で挟まれた位置を特定可能な情報（座標値もしくは座標値に対応付け可能なインデックス）を付加することで、その位置の画素によってサンプリングされた画像信号や、それに対するデプスを示すものとする。また、座標値やブロックに対応付け可能なインデックス値とベクトルの加算によって、その座標やブロックをベクトルの分だけずらした位置の座標値やブロックを表すものとする。
　図１は本発明の第１の実施形態による画像符号化装置の構成を示すブロック図である。画像符号化装置１００ａは、図１に示すように、符号化対象画像入力部１０１、符号化対象画像メモリ１０２、参照画像入力部１０３、参照デプスマップ入力部１０４、視点合成画像生成部１０５、視点合成画像メモリ１０６、フレーム単位予測ＲＤ（Rate Distortion）コスト計算部１０７、画像符号化部１０８、ブロック単位予測ＲＤコスト計算部１０９、予測単位判定部１１０及びビットストリーム生成部１１１を備えている。
　符号化対象画像入力部１０１は、符号化対象となる画像を入力する。以下では、この符号化対象となる画像を符号化対象画像と称する。ここではカメラＢの画像を入力するものとする。また、符号化対象画像を撮影したカメラ（ここではカメラＢ）を符号化対象カメラと称する。符号化対象画像メモリ１０２は、入力した符号化対象画像を記憶する。参照画像入力部１０３は、視点合成画像（視差補償画像）を生成する際に参照する画像を入力する。以下では、ここで入力された画像を参照画像と呼ぶ。ここではカメラＡの画像を入力するものとする。
　参照デプスマップ入力部１０４は、視点合成画像を生成する際に参照するデプスマップを入力する。ここでは、参照画像に対するデプスマップを入力するものとするが、別のカメラに対するデプスマップでも構わない。以下では、このデプスマップを参照デプスマップと称する。なお、デプスマップとは対応する画像の各画素に写っている被写体の３次元位置を表すものである。別途与えられるカメラパラメータ等の情報によって３次元位置が得られるものであれば、どのような情報でもよい。例えば、カメラから被写体までの距離や、画像平面とは平行ではない軸に対する座標値、別のカメラ（例えばカメラＢ）に対する視差量を用いることができる。また、ここでは視差量が得られれば構わないので、デプスマップではなく、視差量を直接表現した視差マップを用いても構わない。なお、ここではデプスマップとして画像の形態で渡されるものとしているが、同様の情報が得られるのであれば、画像の形態でなくても構わない。以下では、参照デプスマップに対応するカメラ（ここではカメラＡ）を参照デプスカメラと称する。
　視点合成画像生成部１０５は、参照デプスマップを用いて、符号化対象画像の画素と参照画像の画素との対応関係を求め、符号化対象画像に対する視点合成画像を生成する。視点合成画像メモリ１０６は生成された符号化対象画像に対する視点合成画像を蓄積する。
フレーム単位予測ＲＤコスト計算部１０７は、視点合成画像を用いて符号化対象画像をフレーム単位で予測した際のレート歪みコストを計算する。画像符号化部１０８は、視点合成画像を用いながら、符号化対象画像をブロック単位で予測符号化する。ブロック単位予測ＲＤコスト計算部１０９は、視点合成画像を用いながら、符号化対象画像をブロック単位で予測符号化した際のレート歪みコストを計算する。予測単位判定部１１０は、レート歪みコストに基づいて、符号化対象画像をフレーム単位で予測するか、ブロック単位で予測符号化するかを決定する。ビットストリーム生成部１１１は、予測単位決定部１１０の決定に基づき、符号化対象画像に対するビットストリームを構築して出力する。
　次に、図２を参照して、図１に示す画像符号化装置１００ａの動作を説明する。図２は、図１に示す画像符号化装置１００ａの動作を示すフローチャートである。まず、符号化対象画像入力部１０１は、符号化対象画像Ｏｒｇを入力し、符号化対象画像メモリ１０２に記憶する（ステップＳ１０１）。次に、参照画像入力部１０３は参照画像を入力し、参照デプスマップ入力部１０４は参照デプスマップを入力し、視点合成画像生成部１０５へ出力する（ステップＳ１０２）。
　なお、ステップＳ１０２で入力される参照画像、参照デプスマップは、既に符号化済みのものを復号したものなど、復号側で得られるものと同じものとする。これは復号装置で得られるものと全く同じ情報を用いることで、ドリフト等の符号化ノイズの発生を抑えるためである。ただし、そのような符号化ノイズの発生を許容する場合には、符号化前のものなど、符号化側でしか得られないものが入力されてもよい。参照デプスマップに関しては、既に符号化済みのものを復号したもの以外に、複数のカメラに対して復号された多視点画像に対してステレオマッチング等を適用することで推定したデプスマップや、復号された視差ベクトルや動きベクトルなどを用いて推定されるデプスマップなども、復号側で同じものが得られるものとして用いることができる。
　次に、視点合成画像生成部１０５は、符号化対象画像に対する視点合成画像Ｓｙｎｔｈを生成し、視点合成画像メモリ１０６に記憶する（ステップＳ１０３）。ここでの処理は、参照画像と参照デプスマップとを用いて、符号化対象カメラにおける画像を合成する方法であれば、どのような方法を用いても構わない。例えば、非特許文献２や文献「Y. Mori, N. Fukushima, T. Fuji, and M. Tanimoto, “View Generation with 3D Warping Using Depth Information for FTV”, In Proceedings of 3DTV-CON2008, pp. 229-232, May 2008.」に記載されている方法を用いても構わない。
　次に、視点合成画像が得られたら、フレーム単位予測ＲＤコスト計算部１０７は、符号化対象画像全体を視点合成画像で予測して符号化する場合のレート歪みコストを計算する（ステップＳ１０４）。レート歪みコストとは、次の（１）式に示すように、発生符号量と符号化よって生じる歪みの重み付き和で表される値である。
Figure JPOXMLDOC01-appb-M000001
　（１）式において、ＣｏｓｔｍがＲＤコストであり、Ｄｍは符号化した結果得られる画像（正確には符号化結果のビットストリームを復号して得られる復号画像）の符号化対象画像からの歪み量、Ｒｍは符号化した結果得られるビットストリームの符号量、λはターゲットビットレートや目標品質などに依存するラグランジュ未定乗数である。なお、歪み量としてはどのような尺度を用いても構わないが、例えば、ＳＳＤ（Ｓｕｍ　ｏｆ　Ｓｑｕａｒｅｄ　Ｄｉｆｆｅｒｅｎｃｅｓ：差分二乗和）やＳＡＤ（Ｓｕｍ　ｏｆ　Ａｂｓｏｌｕｔｅ　Ｄｉｆｆｅｒｅｎｃｅｓ：差分絶対値和）などの信号的な歪みを表す尺度や、ＳＳＩＭ（Ｓｔｒｕｃｔｕｒａｌ　Ｓｉｍｉｌａｒｉｔｙ：構造的類似性）などの主観品質にかかわる歪みの尺度を用いることができる。
　（１）式において、ｍは符号化に用いた手法を示し、ｆｒａｍｅが視点合成画像を用いたフレーム単位での予測による符号化手法を表すものとする。視点合成画像を用いたフレーム単位での予測による符号化手法としては、各領域において予測画像の生成や選択について示す情報を符号化しないものであれば、どのような方法を用いても構わない。
　ここでは、符号化対象画像に対する復号結果が視点合成画像であるとして、符号化対象画像の符号化をスキップし、スキップしたことを示す情報を符号化結果とする方法を用いる場合について説明するが、符号化対象画像全体で予測画像が視点合成画像であるとして、符号化対象画像の予測残差をフレームまたは領域ごとに変換符号化する方法など別の方法を用いても構わない。
　歪み量をＳＳＤで表すとすると、符号化対象画像に対する復号結果が視点合成画像であるとして、符号化対象画像の符号化をスキップし、スキップしたことを示す情報を符号化結果とする方法を用いる場合の歪み量Ｄｆｒａｍｅは次の（２）式で表される。
Figure JPOXMLDOC01-appb-M000002
 　なお、ｐは画素位置を表すインデックスであり、Σｐは符号化対象画像内の全ての画素に対する和を表す。
　スキップしたことを示す情報はスキップしたか否かのフラグで表すことができるため、ここでは、その符号量Ｒｆｒａｍｅを１ビットとする。なお、１ビット以上の長さのフラグを用いても構わないし、他のフレームに対するフラグとまとめてエントロピー符号化することで１ビット未満の符号量としても構わない。
　次に、画像符号化部１０８は、符号化対象画像を分割した領域（符号化対象ブロック）ごとに予測画像を生成しながら符号化する（ステップＳ１０５）。符号化する方法は、画像を分割してブロックごとに符号化する方法であれば、どのような方法を用いても構わない。例えば、非特許文献１に記載のＨ．２６４／ＡＶＣに準ずる方式を用いても構わない。なお、ブロックごとに選択する予測画像の候補として、視点合成画像を用いる方式であっても構わないし、用いない方式であっても構わない。
　次に、ブロックごとの符号化が完了したら、ブロック単位予測ＲＤコスト計算部１０９は、符号化対象画像を複数のブロックに分割し、ブロックごとに予測方式を選択しながら符号化する場合のレート歪みコストＣｏｓｔｂｌｏｃｋを計算する（ステップＳ１０６）。ここでは、ブロック単位予測ＲＤコストＣｏｓｔｂｌｏｃｋは、ステップＳ１０５における符号化結果の画像（正確には符号化結果のビットストリームを復号して得られる復号画像）の符号化対象画像に対する歪み量Ｄｂｌｏｃｋと、ステップＳ１０５における符号化結果のビットストリームの符号量に符号化対象画像の符号化をスキップしなかったことを示すフラグの符号量を足した符号量Ｒｂｌｏｃｋとを用いて、（１）式にしたがって計算する。
　次に、２つのレート歪みコストが得られたら、予測単位判定部１１０は、レート歪みコストを比較することで予測単位を決定する判定を行う（ステップＳ１０７）。なお、（１）式で定義されるレート歪みコストはその値が小さいほど符号化効率が良いことを示すため、小さなレート歪みコストを持つ予測単位を選択する。もし、値が大きいほど符号化効率が良いことを示すレート歪みコストを用いる場合は、判定を逆転させ、大きなレート歪みコストを持つ予測単位を選択する必要がある。
　判定の結果、視点合成画像を用いたフレーム単位の予測を用いると判定された（Ｃｏｓｔｂｌｏｃｋ＜Ｃｏｓｔｆｒａｍｅを満たさない）場合は、ビットストリーム生成部１１１は、フレーム単位予測を行う場合のビットストリームを生成する（ステップＳ１０８）。生成されたビットストリームが画像符号化装置１００ａの出力となる。ここでは、復号画像全体が視点合成画像であることを示す１ビットのフラグが、この場合のビットストリームとなる。
　なお、視点合成画像を用いたフレーム単位の予測を用いる方式として、符号化対象画像全体で予測画像が視点合成画像であるとし、符号化対象画像の予測残差をフレームまたはブロックごとに変換符号化する方式を用いた場合は、上記フラグに予測残差に対応するビットストリームが連結されたものが生成されるビットストリームとなる。このとき、予測残差に対するビットストリームは新たに生成しても構わないが、ステップＳ１０４において生成したビットストリームをメモリ等に記憶しておき、そのビットストリームをメモリ等から読み出して用いても構わない。これによって、予測残差に対するビットストリームの生成処理を複数回行うことを避け、符号化にかかる演算量を削減することが可能である。
　一方、判定の結果、ブロック単位の予測を用いると判定された（Ｃｏｓｔｂｌｏｃｋ＜Ｃｏｓｔｆｒａｍｅを満たす）場合は、ビットストリーム生成部１１１で、ブロック単位予測を行う場合のビットストリームを生成する（ステップＳ１０９）。生成されたビットストリームが画像符号化装置１００ａの出力となる。ここでは、復号画像全体が視点合成画像でないことを示す１ビットのフラグに、ステップＳ１０５で画像符号化部１０８が生成したビットストリームを連結したものが生成されるビットストリームとなる。なお、ステップＳ１０５で生成したビットストリームをメモリ等に蓄積しておき、それを読み出して用いても構わないし、再度生成し直しても構わない。
　ここでは、画像符号化装置１００ａは画像信号に対するビットストリームを出力している。すなわち、画像サイズ等の情報を示すパラメータセットやヘッダは、必要に応じて、画像符号化装置１００ａの出力したビットストリームに対して、別途追加されるものとする。
　上記の説明では、ブロック単位の予測を用いる符号化を全てのブロックに対して行った後に、予測単位の判定を行ったが、画像全体の歪み量と符号量を用いたレート歪みコストを用いる場合は、一定数のブロックを符号化するごとに判定を行っても構わない。図３は、その一例であるブロックごとに判定を行う場合の処理動作を示すフローチャートである。図２に示す処理動作と同じ処理を行う部分には同じ符号を付してその説明を省略する。
　図３に示す処理動作が、図２に示す処理動作と異なる点は、フレーム単位予測ＲＤコストを計算した後、ブロックごとに、符号化処理、レート歪みコスト計算処理、及び、予測単位の判定処理を繰り返す点である。すなわち、まず、符号化対象画像を分割した符号化処理を行う単位であるブロックのインデックスを示す変数ｂｌｋをゼロとし、ブロック単位予測レート歪みコストＣｏｓｔｂｌｏｃｋをλで初期化する（ステップ１１０）。次に、変数ｂｌｋを１ずつ加算しながら（ステップＳ１１４）、変数ｂｌｋが符号化対象画像内のブロック数ｎｕｍＢｌｋｓになるまで（ステップＳ１１５）、以下の処理（ステップＳ１１１～１１３、ステップＳ１０７）を繰り返す。なお、ステップ１１０において、Ｃｏｓｔｂｌｏｃｋをλで初期化したが、予測単位を表す情報のビット量と、ＲＤコストを算出するときの符号量の単位とに従った適切な値で初期化を行う必要がある。ここでは、予測単位を示す情報は１ビットであり、ＲＤコスト算出における符号量はビットを単位としている。
　符号化対象画像を分割した符号化対象ブロックごとに行われる処理では、まず、画像符号化部１０８は、変数ｂｌｋで表されるブロックに対する符号化対象画像を符号化する（ステップＳ１１１）。復号側で正しく復号可能であるならば、符号化にはどのような方法を用いてもよい。
　ＭＰＥＧ－２やＨ．２６４、ＪＰＥＧなどの一般的な動画像符号化または画像符号化では、ブロックごとに、複数の予測モードの中から１つのモードを選択して予測画像を生成し、符号化対象画像と予測画像との差分信号に対してＤＣＴなどの周波数変換を施す。次に、周波数変換の結果得られた値に対して、量子化、２値化、エントロピー符号化の処理を順に適用することで符号化を行う。なお、符号化において、視点合成画像を予測画像の候補の１つとして用いても構わない。
　次に、ブロックｂｌｋに対するレート歪みコストＣｏｓｔｂｌｋを計算する（ステップＳ１１２）。ここでの処理は対象となる画像の範囲が異なるだけで、前述のステップＳ１０６の処理と同じである。すなわち、ブロックｂｌｋの歪み量Ｄｂｌｋと符号量Ｒｂｌｋから、（１）式に従って計算を行う。そして、計算して得られたブロックｂｌｋに対するレート歪みコストを、Ｃｏｓｔｂｌｏｃｋに加算し（ステップＳ１１３）、Ｃｏｓｔｆｒａｍｅと比較することで、予測単位の判定を行う（ステップＳ１０７）。
　ＣｏｓｔｂｌｏｃｋがＣｏｓｔｆｒａｍｅ以上になった時点で、フレーム単位の予測を用いると判断し、ブロックごとの処理を終了する。なお、ブロックごとの判定を行っているため、全てのブロックについて処理が完了した場合は、再度予測単位を判定せずに、ブロック単位の予測を用いると判断する。
　上記の説明では、フレーム単位の予測を行う場合と、ブロック単位の予測を行う場合とで、同じ視点合成画像を用いたが、それぞれ異なる方法で視点合成画像を生成しても構わない。例えば、ブロック単位で予測を行う場合は、既に符号化済みのブロックの情報を参照して合成を行うことで、視点合成画像を蓄積するためのメモリ量を削減し、視点合成画像の品質を向上しても構わない。また、フレーム単位で予測を行う場合は、フレーム全体での整合性や客観的な品質を鑑みて合成を行うことで、復号側で得られる復号画像の品質を向上しても構わない。
　次に、図４を参照して、本発明の第２の実施形態による画像符号化装置を説明する。図４は、予測単位ごとに異なる方法で視点合成画像を生成する場合の画像符号化装置の構成を示すブロック図である。図１に示す画像符号化装置１００ａと図４に示す画像符号化装置１００ｂとの違いは、画像符号化装置１００ｂでは、フレーム単位視点合成画像生成部１１４とブロック単位視点合成画像生成部１１５という２つの視点合成画像生成部を備え、視点合成画像メモリを必ずしも備えない点である。なお、画像符号化装置１００ａと同じ構成には同じ符号を付してその説明を省略する。
　フレーム単位視点合成画像生成部１１４は、参照デプスマップを用いて、符号化対象画像の画素と参照画像の画素との対応関係を求め、符号化対象画像全体に対する視点合成画像を生成する。ブロック単位視点合成画像生成部１１５は、参照デプスマップを用いて、符号化対象画像の符号化処理を行うブロックごとに視点合成画像を生成する。
　次に、図５、図６を参照して、図４に示す画像符号化装置１００ｂの動作を説明する。
　図５及び図６は、図４に示す画像符号化装置１００ｂの動作を示すフローチャートである。図５は、ブロック単位の予測を用いる符号化を全てのブロックに対して行った後に、予測単位の判定を行う場合の処理動作であり、図６はブロックごとに符号化と判定を繰り返す場合の処理動作である。図５または図６において、図２または図３に示すフローチャートと同じ処理を行う部分には同じ符号を付し、その説明を省略する。
　図５または図６において、図２または図３に示す処理動作との違いは、フレーム単位で予測のために生成した視点合成画像とは別に、ブロックごとに、そのブロックに対する視点合成画像を生成する処理を行う点（ステップＳ１１７）である。なお、ブロックごとに視点合成画像を生成する処理としてはどのような方式を用いても構わないが、例えば、非特許文献３に記載の方法を用いても構わない。
　上記の説明では、フレーム単位の予測を行う場合には、符号化対象画像全体に対して予測単位を示す情報のみが生成され、符号化対象画像のブロックごとには予測情報が生成されないが、ビットストリームには含まれないブロックごとの予測情報を生成して、別のフレームを符号化する際に参照できるようにしても構わない。ここで、予測情報とは、予測ブロックサイズや予測モード、動き/視差ベクトルなどの予測画像の生成や予測残差の復号に使用される情報のことである。
　次に、図７および図８を参照して、本発明の第３および第４の実施形態による画像符号化装置を説明する。
　図７および図８は、フレーム単位の予測を行うと判定された際に、符号化対象画像を分割したブロックごとに予測情報を生成して、別のフレームを符号化する際に参照できるようにする場合の画像符号化装置の構成を示すブロック図である。図７に示す画像符号化装置１００ｃは図１に示す画像符号化装置１００ａに対応し、図８に示す画像符号化装置１００ｄは図４に示す画像符号化装置１００ｂに対応するブロック図である。それぞれで異なる点は、ブロック単位予測情報生成部１１６を更に備えている点である。なお、それぞれ同じ構成には同じ符号を付して、その説明を省略する。
　ブロック単位予測情報生成部１１６は、フレーム単位の予測を行うと判定された際に、符号化対象画像を分割したブロックごとに予測情報を生成し、別のフレームを符号化する画像符号化装置へ出力する。なお、同じ画像符号化装置で別のフレームを符号化する場合は、生成した情報は画像符号化部１０８へ渡されることになる。図７に示す画像符号化装置１００ｃ及び図８に示す画像符号化装置１００ｄの実行する処理動作は、上記の説明したものと基本的には同じであり、フレーム単位予測のビットストリームを構築・出力する処理（ステップＳ１０８）が、図９に示す処理動作が実行されることになるだけである。
　図９は、フレーム単位予測のビットストリームを構築・出力する処理動作を示すフローチャートである。まず、フレーム単位予測のビットストリームを構築・出力する（ステップＳ１８０１）。この処理は前述のステップＳ１０８と同じである。その後、ブロック単位予測情報生成部１１６において、符号化対象画像を分割したブロックごとに予測情報を生成・出力する（ステップＳ１８０２）。予測情報の生成は、復号側が同じ情報を生成可能であれば、どのような情報を生成しても構わない。
　例えば、予測ブロックサイズとしては、可能な限り大きなブロックサイズとしても構わないし、可能な限り小さなブロックサイズとしても構わない。また、使用したデプスマップや生成された視点合成画像を元に判定することでブロックごとに異なるブロックサイズを設定しても構わない。類似した画素値やデプス値を持つ画素のできるだけ大きな集合となるようにブロックサイズを適応的に決定しても構わない。
　予測モードや動き／視差ベクトルとしては、全てのブロックに対して、ブロックごとの予測を行う場合に視点合成画像を使用した予測を示すモード情報や動き／視差ベクトルを設定しても構わない。また、視点間予測モードに対応するモード情報とデプス等から得られる視差ベクトルを、それぞれモード情報や動き/視差ベクトルとして設定しても構わない。視差ベクトルに関しては、そのブロックに対する視点合成画像をテンプレートとして、参照画像上を探索することで求めても構わない。
　別の方法としては、視点合成画像を符号化対象画像とみなして解析することで、最適なブロックサイズや予測モードを推定して生成しても構わない。この場合、予測モードとしては、画面内予測や動き補償予測なども選択可能にしても構わない。
　このようにビットストリームからは得られない情報を生成し、別のフレームを符号化する際に参照可能にすることで、別のフレームの符号化効率を向上させることができる。これは、時間的に連続するフレームや同じ被写体を撮影したフレームなど類似したフレームを符号化する場合、動きベクトルや予測モードにも相関があるため、それらの相関を利用して冗長性を取り除くことができるためである。
　次に、本発明の第５の実施形態による画像復号装置について説明する。図１０は本実施形態における画像復号装置の構成を示すブロック図である。画像復号装置２００ａは、図１０に示すように、ビットストリーム入力部２０１、ビットストリームメモリ２０２、参照画像入力部２０３、参照デプスマップ入力部２０４、視点合成画像生成部２０５、視点合成画像メモリ２０６、予測単位情報復号部２０７及び画像復号部２０８を備えている。
　ビットストリーム入力部１０１は、復号対象となる画像のビットストリームを入力する。以下では、この復号対象となる画像を復号対象画像と呼ぶ。ここではカメラＢの画像を指す。また、以下では、復号対象画像を撮影したカメラ（ここではカメラＢ）を復号対象カメラと呼ぶ。ビットストリームメモリ２０２は、入力した復号対象画像に対するビットストリームを記憶する。参照画像入力部２０３は、視点合成画像（視差補償画像）を生成する際に参照する画像を入力する。以下では、ここで入力された画像を参照画像と呼ぶ。
ここではカメラＡの画像が入力されるものとする。
　参照デプスマップ入力部２０４は、視点合成画像を生成する際に参照するデプスマップを入力する。ここでは、参照画像に対するデプスマップを入力するものとするが、別のカメラに対するデプスマップでも構わない。以下では、このデプスマップを参照デプスマップと称する。なお、デプスマップとは対応する画像の各画素に写っている被写体の３次元位置を表すものである。別途与えられるカメラパラメータ等の情報によって３次元位置が得られるものであれば、どのような情報でもよい。例えば、カメラから被写体までの距離や、画像平面とは平行ではない軸に対する座標値、別のカメラ（例えばカメラＢ）に対する視差量を用いることができる。また、ここでは視差量が得られれば構わないので、デプスマップではなく、視差量を直接表現した視差マップを用いても構わない。なお、ここではデプスマップとして画像の形態で渡されるものとしているが、同様の情報が得られるのであれば、画像の形態でなくても構わない。以下では、参照デプスマップに対応するカメラ（ここではカメラＡ）を参照デプスカメラと称する。
　視点合成画像生成部２０５は、参照デプスマップを用いて、復号対象画像の画素と参照画像の画素との対応関係を求め、復号対象画像に対する視点合成画像を生成する。視点合成画像メモリ２０６は生成された復号対象画像に対する視点合成画像を蓄積する。予測単位情報復号部２０７は、ビットストリームから、復号対象画像がフレーム単位で予測されているか、ブロック単位で予測符号化されているかを示す情報を復号する。画像復号部２０８は、予測単位情報復号部２０７の復号した情報に基づき、ビットストリームから復号対象画像を復号して出力する。
　次に、図１１を参照して、図１０に示す画像復号装置２００ａの動作を説明する。図１１は、図１０に示す画像復号置２００ａの動作を示すフローチャートである。まず、ビットストリーム入力部２０１は、復号対象画像を符号化したビットストリームを入力し、ビットストリームメモリ２０２に記憶する（ステップＳ２０１）。次に、参照画像入力部２０３は参照画像を入力し、参照デプスマップ入力部２０４は参照デプスマップを入力し、視点合成画像生成部２０５へ出力する（ステップＳ２０２）。
　なお、ステップＳ２０２で入力される参照画像、参照デプスマップは、符号化側で使用されたものと同じものとする。これは画像符号化装置で得られるものと全く同じ情報を用いることで、ドリフト等の符号化ノイズの発生を抑えるためである。ただし、そのような符号化ノイズの発生を許容する場合には、符号化時に使用されたものと異なるものが入力されてもよい。参照デプスマップに関しては、別途復号したもの以外に、複数のカメラに対して復号された多視点画像に対してステレオマッチング等を適用することで推定したデプスマップや、復号された視差ベクトルや動きベクトルなどを用いて推定されるデプスマップなどを用いることもある。
　次に、視点合成画像生成部２０５は、復号対象画像に対する視点合成画像Ｓｙｎｔｈを生成し、視点合成画像メモリ２０６に記憶する（ステップＳ２０３）。ここでの処理は前述した符号化時のステップＳ１０３と同じである。なお、ドリフト等の符号化ノイズの発生を抑えるためには、符号化時に使用された方法と同じ方法をもちいる必要があるが、そのような符号化ノイズの発生を許容する場合には、符号化時に使用された方法と異なる方法を使用しても構わない。
　次に、視点合成画像が得られたら、予測単位情報復号部２０７は、ビットストリームから予測単位を表す情報を復号する（ステップＳ２０４）。例えば、復号対象画像に対するビットストリームの先頭の１ビットで予測単位を表している場合は、その１ビットを読み込んで予測単位を決定する。
　次に、その得られた予測単位に従って、画像復号部２０８は、復号対象画像を復号する。得られた復号対象画像は画像復号装置２００ａの出力となる。なお、本発明を動画像復号や多視点画像復号などに使う場合など、復号対象画像が他のフレームを復号する際に使われる場合は、復号対象画像は別途定められた復号画像メモリに記憶する。
　復号対象画像の復号には符号化時に用いられた方法に対応する方法を用いる。上記説明した画像符号化装置で生成されたビットストリームを復号する際に、フレーム単位の予測が行われる場合は、視点合成画像を復号画像として設定することで復号を行う。一方、ブロック単位の予測が行われる場合は、復号対象画像を分割した領域（復号対象ブロック）ごとに、指定された方法で予測画像を生成しながら復号対象画像を復号する。例えば、非特許文献１に記載のＨ．２６４／ＡＶＣに準ずる方式を用いて符号化されている場合は、ブロックごとに、ビットストリームから予測方法を示す情報や予測残差を復号し、復号した予測方法に従って生成した予測画像に予測残差を加えることで復号対象画像を復号する。なお、フレーム単位の予測を行う際に、予測残差を符号化した場合は、ビットストリームから予測残差を復号し、視点合成画像と足し合わせることで復号対象画像を復号する。
　ここでは、画像復号装置２００ａには画像信号に対するビットストリームが入力される。すなわち、画像サイズ等の情報を示すパラメータセットやヘッダは、必要に応じて、画像復号装置２００ａの外側で解釈され、復号に必要な情報は画像復号装置２００ａへ通知されるものとする。
　前述した説明では、ブロック単位の予測を行う際に、視点合成画像による予測が行われている可能性があることを想定している。しかし、ブロック単位の予測を行う際には、視点合成画像による予測が行われている可能性がない場合は、予測単位を復号した後に必要に応じて視点合成画像を生成しても構わない。図１２は、予測単位がフレーム単位のときのみに視点合成画像を生成する処理動作を示すフローチャートである。図１２に示す処理動作が、図１１に示す処理動作と異なる点は、予測単位の判定に基づいて（ステップＳ２０６）、参照画像および参照デプスマップの入力（ステップＳ２０２）と、視点合成画像の生成（ステップＳ２０３）とが実行されるか否かが決定されている点である。
　また、前述した説明では、フレーム単位の予測を行う場合と、ブロック単位の予測を行う場合とで、同じ視点合成画像を用いたが、それぞれ異なる方法で視点合成画像を生成しても構わない。例えば、ブロック単位で予測を行う場合は、既に復号済みのブロックの情報を参照して合成を行うことで、視点合成画像を蓄積するためのメモリ量を削減し、視点合成画像の品質を向上しても構わない。また、フレーム単位で予測を行う場合は、フレーム全体での整合性や客観的な品質を鑑みて合成を行うことで、視点合成画像及び復号対象画像の品質を向上しても構わない。
　次に、本発明の第６の実施形態による画像復号装置を説明する。図１３は、予測単位ごとに異なる方法で視点合成画像を生成する場合の画像復号装置の構成を示すブロック図である。図１３に示す画像復号装置２００ｂが、図１０に示す画像復号装置２００ａと異なる点は、フレーム単位視点合成画像生成部２０９とブロック単位視点合成画像生成部２１０という２つの視点合成画像生成部と、スイッチ２１１とを備え、視点合成画像メモリを必ずしも備えない点である。なお、画像復号装置２００ａと同じ構成部には同じ符号を付してその説明を省略する。
　フレーム単位視点合成画像生成部２０９は、参照デプスマップを用いて、復号対象画像の画素と参照画像の画素との対応関係を求め、復号対象画像全体に対する視点合成画像を生成する。ブロック単位視点合成画像生成部２１０は、参照デプスマップを用いて、復号対象画像の復号処理を行うブロックごとに視点合成画像を生成する。スイッチ２１１は予測単位情報復号部２０７の出力する予測単位に応じて画像復号部２０８へ入力する視点合成画像を切り替える。
　次に、図１４を参照して、図１３に示す画像復号装置１００ｂの処理動作を説明する。図１４は、図１３に示す画像復号装置１００ｂの処理動作を示すフローチャートである。
　図１４に示す処理動作が、図１１または図１２に示す処理動作と異なる点は、復号して得られた予測単位に応じて（ステップＳ２０６）、生成する視点合成画像を切り替えている点である。なお、ブロック単位の予測を行う場合は、ブロックごとに、ブロック単位視点合成画像を生成する処理（ステップＳ２１０）と復号対象画像を復号する処理（ステップＳ２１１）とを繰り返すことになる。このフローチャートでは、復号するブロックに対するインデックスを示す変数をｂｌｋとし、復号対象画像内のブロック数ｎｕｍＢｌｋｓで示した。
　フレーム全体に対して視点合成画像を生成する処理（ステップＳ２０７）は前述したステップＳ２０３と同じである。また、ブロックごとに視点合成画像を生成する方法としてはどのような方法を用いても構わないが、例えば、非特許文献３に記載の方法を用いても構わない。復号対象画像を復号する処理（ステップＳ２０８およびステップＳ２１１）は、それぞれ、予測単位が固定されているのに加え、処理する単位が異なるだけで、前述したステップＳ２０５と同じである。
　上記の説明では、フレーム単位の予測が行われていた場合には、復号対象画像に対しては予測単位を示す情報のみが生成され、復号対象画像のブロックごとには予測情報が生成されない。しかし、ビットストリームには含まれないブロックごとの予測情報を生成して、別のフレームを復号する際に参照できるようにしても構わない。ここで、予測情報とは、予測ブロックサイズや予測モード、動き/視差ベクトルなどの予測画像の生成や予測残差の復号に使用される情報のことである。
　次に、図１５および図１６を参照して、本発明の第７および第８の実施形態による画像復号装置を説明する。図１５および図１６は、フレーム単位の予測を行うと判定された際に、復号対象画像を分割したブロックごとに予測情報を生成して、別のフレームを復号する際に参照できるようにする場合の画像復号装置の構成を示すブロック図である。図１５に示す画像復号装置２００ｃは図１０に示す画像復号装置２００ａに対応し、図１６に示す画像復号装置２００ｄは図１３に示す画像復号装置２００ｂに対応するブロック図である。それぞれで異なる点は、ブロック単位予測情報生成部２１２を更に備える点である。なお、それぞれ同じ構成部には同じ符号を付して、その説明を省略する。
　ブロック単位予測情報生成部２１２は、フレーム単位の予測を行うと判定された際に、復号対象画像を分割した復号対象ブロックごとに予測情報を生成し、別のフレームを復号する画像符号化装置へ出力する。なお、同じ画像復号装置で別のフレームを符号化する場合は、生成した情報は画像復号部２０８へ渡されることになる。
　次に、図１７、図１８を参照して、図１５、図１６に示す画像復号装置２００ｃと画像復号装置２００ｄの処理動作を説明する。図１７、図１８は、図１５に示す画像復号装置２００ｃ及び図１６に示す画像復号装置２００ｄの処理動作を示すフローチャートである。基本的な処理は、それぞれ、図１１及び図１４に示す処理動作と同じであるため、前述した説明と同じ処理を行うステップについては同じ符号を付して、その説明を省略する。
　この場合に特有の処理としては、予測単位がフレーム単位であるとされた場合に、ブロックごとに予測情報を生成・出力する処理（ステップＳ２１４）が追加されている。なお、予測情報の生成は、符号化側で生成した情報と同じであれば、どのような情報を生成しても構わない。例えば、予測ブロックサイズとしては、可能な限り大きなブロックサイズとしても構わないし、可能な限り小さなブロックサイズとしても構わない。また、使用したデプスマップや生成された視点合成画像を元に判定することでブロックごとに異なるブロックサイズを設定しても構わない。類似した画素値やデプス値を持つ画素のできるだけ大きな集合となるようにブロックサイズを適応的に決定しても構わない。
　予測モードや動き／視差ベクトルとしては、全てのブロックに対して、ブロックごとの予測を行う場合に視点合成画像を使用した予測を示すモード情報や動き／視差ベクトルを設定しても構わない。また、視点間予測モードに対応するモード情報とデプス等から得られる視差ベクトルを、それぞれモード情報や動き/視差ベクトルとして設定しても構わない。視差ベクトルに関しては、そのブロックに対する視点合成画像をテンプレートとして、参照画像上を探索することで求めても構わない。
　別の方法としては、視点合成画像を符号化対象画像とみなして解析することで、最適なブロックサイズや予測モードを推定して生成しても構わない。この場合、予測モードとしては、画面内予測や動き補償予測なども選択可能にしても構わない。
　このようにビットストリームからは得られない情報を生成し、別のフレームを復号する際に参照可能にすることで、別のフレームの符号化効率を向上させることができる。これは、時間的に連続するフレームや同じ被写体を撮影したフレームなど類似したフレームを符号化する場合、動きベクトルや予測モードにも相関があるため、それらの相関を利用して冗長性を取り除くことができるためである。
　前述した説明においては、１フレームを符号化及び復号する処理を説明したが、複数フレーム繰り返すことで動画像符号化にも適用することができる。また、動画像の一部のフレームや一部のブロックにのみ適用することもできる。例えば、タイルやスライスと呼ばれるフレームを分割して得られる一部の領域に対してのみ適用しても構わない。また、インタレース画像などにおいて定義されるフィールドの一部または全体に対して適用しても構わない。さらに、前述した説明では画像符号化装置及び画像復号装置の構成及び処理動作を説明したが、これら画像符号化装置及び画像復号装置の各部の動作に対応した処理動作によって本発明の画像符号化方法及び画像復号方法を実現することができる。
　また、前述した説明においては、参照デプスマップが符号化対象カメラまたは復号対象カメラとは異なるカメラで撮影された画像に対するデプスマップであるとして説明を行ったが、符号化対象画像または復号対象画像とは異なる時刻に、符号化対象カメラまたは復号対象カメラによって撮影された画像に対するデプスマップを、参照デプスマップとして用いても構わない。
　図１９は、前述した画像符号化装置１００をコンピュータとソフトウェアプログラムとによって構成する場合のハードウェア構成を示すブロック図である。図１９に示すシステムは、ＣＰＵ５０と、ＲＡＭ等のメモリ５１と、符号化対象画像入力部５２と、参照画像入力部５３と、参照デプスマップ入力部５４と、プログラム記憶装置５５と、ビットストリーム出力部５６とが、バスで接続された構成になっている。
　ＣＰＵ５０は、プログラムを実行する。ＲＡＭ等のメモリ５１は、ＣＰＵ５０がアクセスするプログラムやデータが格納する。符号化対象画像入力部５２は、カメラ等からの符号化対象の画像信号を入力する（符号化対象画像入力部５２は、ディスク装置等による画像信号を記憶する記憶部でもよい）。参照画像入力部５３は、カメラ等からの参照対象の画像信号を入力する（参照画像入力部５３は、ディスク装置等による画像信号を記憶する記憶部でもよい）。参照デプスマップ入力部５４は、デプスカメラ等からの符号化対象画像を撮影したカメラとは異なる位置や向きのカメラに対するデプスマップを入力する（参照デプスマップ入力部５４は、ディスク装置等によるデプスマップを記憶する記憶部でもよい）。プログラム記憶装置５５は、画像符号化処理をＣＰＵ５０に実行させるソフトウェアプログラムである画像符号化プログラム５５１を格納する。ビットストリーム出力部５６は、ＣＰＵ５０がメモリ５１にロードされた画像符号化プログラム５５１を実行することにより生成されたビットストリームを、例えばネットワークを介して出力する（ビットストリーム出力部５６は、ディスク装置等によるビットストリームを記憶する記憶部でもよい）。
　図２０は、前述した画像復号装置２００をコンピュータとソフトウェアプログラムとによって構成する場合のハードウェア構成を示すブロック図である。図２０に示すシステムは、ＣＰＵ６０と、ＲＡＭ等のメモリ５１と、ビットストリーム入力部６２と、参照画像入力部６３と、参照デプスマップ入力部６４と、プログラム記憶装置６５と、復号対象画像出力部６６とが、バスで接続された構成になっている。
　ＣＰＵ６０は、プログラムを実行する。ＲＡＭ等のメモリ５１は、ＣＰＵ６０がアクセスするプログラムやデータを格納する。ビットストリーム入力部６２は、画像符号化装置が本手法により符号化したビットストリームを入力する（ビットストリーム入力部６２は、ディスク装置等による画像信号を記憶する記憶部でもよい）。参照画像入力部６３は、カメラ等からの参照対象の画像信号を入力する（参照画像入力部６３は、ディスク装置等による画像信号を記憶する記憶部でもよい）。参照デプスマップ入力部６４は、デプスカメラ等からの復号対象を撮影したカメラとは異なる位置や向きのカメラに対するデプスマップを入力する（参照デプスマップ入力部６４は、ディスク装置等によるデプス情報を記憶する記憶部でもよい）。プログラム記憶装置６５は、画像復号処理をＣＰＵ６０に実行させるソフトウェアプログラムである画像復号プログラム６５１を格納する。復号対象画像出力部６６は、ＣＰＵ６０がメモリ６１にロードされた画像復号プログラム６５１を実行することにより、ビットストリームを復号して得られた復号対象画像を、再生装置などに出力する（復号対象画像出力部６６は、ディスク装置等による画像信号を記憶する記憶部でもよい）。
　前述した実施形態における画像符号化装置１００及び画像復号装置２００をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されるものであってもよい。
　以上、図面を参照して本発明の実施の形態を説明してきたが、上記実施の形態は本発明の例示に過ぎず、本発明が上記実施の形態に限定されるものではないことは明らかである。したがって、本発明の技術思想及び範囲を逸脱しない範囲で構成要素の追加、省略、置換、その他の変更を行っても良い。
　符号化（復号）対象画像を撮影したカメラとは異なる位置から撮影された画像とその画像中の被写体に対するデプスマップを用いて、符号化（復号）対象画像に対して視点合成予測を行う際に、復号時の演算量及びメモリ消費量を増加させずに、高い符号化効率を達成することが不可欠な用途に適用できる。
　１０１・・・符号化対象画像入力部、
　１０２・・・符号化対象画像メモリ、
　１０３・・・参照画像入力部、
　１０４・・・参照デプスマップ入力部、
　１０５・・・視点合成画像生成部、
　１０６・・・視点合成画像メモリ、
　１０７・・・フレーム単位予測ＲＤコスト計算部、
　１０８・・・画像符号化部、
　１０９・・・ブロック単位予測ＲＤコスト計算部、
　１１０・・・予測単位判定部、
　１１１・・・ビットストリーム生成部、
　１１２・・・参照画像メモリ、
　１１３・・・参照デプスマップメモリ、
　１１４・・・フレーム単位視点合成画像生成部、
　１１５・・・ブロック単位視点合成画像生成部、
　１１６・・・ブロック単位予測情報生成部、
　２０１・・・ビットストリーム入力部、
　２０２・・・ビットストリームメモリ、
　２０３・・・参照画像入力部、
　２０４・・・参照デプスマップ入力部、
　２０５・・・視点合成画像生成部、
　２０６・・・視点合成画像メモリ、
　２０７・・・予測単位情報復号部、
　２０８・・・画像復号部、
　２０９・・・フレーム単位視点合成画像生成部、
　２１１・・・スイッチ、
　２１２・・・ブロック単位予測情報生成部。

Claims (19)

  1. 　複数の異なる視点の画像からなる多視点画像を符号化する際に、符号化対象画像とは異なる視点に対する符号化済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら符号化を行う画像符号化装置であって、
    　前記参照画像と前記参照デプスマップとを用いて、前記符号化対象画像全体に対する視点合成画像を生成する視点合成画像生成部と、
    　予測単位として、前記符号化対象画像を分割した符号化対象ブロックごとに予測を行うか、前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うかを選択する予測単位設定部と、
    　選択された前記予測単位を示す情報を符号化する予測単位情報符号化部と、
    　前記予測単位として前記符号化対象ブロックごとに予測を行うことが選択された場合に、前記符号化対象画像を、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら予測符号化する符号化対象画像予測符号化部と
    　を備える画像符号化装置。
  2. 　前記予測単位として前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うことが選択された場合に、前記符号化対象画像と前記視点合成画像の差分を符号化する視点合成予測残差符号化部を更に有する請求項１に記載の画像符号化装置。
  3. 　前記符号化対象画像全体を前記視点合成画像で予測して符号化する場合のレート歪みコストである画像単位予測レート歪みコストを推定する画像単位予測レート歪みコスト推定部と、
    　前記符号化対象ブロックごとに、予測画像生成方法を選択しながら前記符号化対象画像を予測符号化する場合のレート歪みコストであるブロック単位予測レート歪みコストを推定するブロック単位予測レート歪みコスト推定部とを更に有し、
    　前記予測単位設定部では、前記画像単位予測レート歪みコストと前記ブロック単位予測レート歪みコストとを比較して前記予測単位を設定する請求項１または請求項２に記載の画像符号化装置。
  4. 　前記符号化対象ブロックごとに、前記参照画像と前記参照デプスマップとを用いて、前記符号化対象ブロックに対する視点合成画像である部分視点合成画像を生成する部分視点合成画像生成部を更に有し、
    　前記符号化対象画像予測符号化部では、前記部分視点合成画像を予測画像の候補として用いる請求項１から３のいずれか１項に記載の画像符号化装置。
  5. 　前記予測単位として画像全体に対して前記視点合成画像を用いて予測を行うことが選択された場合に、前記符号化対象ブロックごとに、予測情報を生成する予測情報生成部を更に有する請求項１から４のいずれか１項に記載の画像符号化装置。
  6. 　前記予測情報生成部では、予測ブロックサイズを決定し、
    　前記視点合成画像生成部では、前記予測ブロックサイズごとに視点合成画像を生成する処理を繰り返すことで、前記符号化対象画像全体に対する前記視点合成画像を生成する請求項５に記載の画像符号化装置。
  7. 　前記予測情報生成部では、視差ベクトルを推定し、視差補償予測としての予測情報を生成する請求項５に記載の画像符号化装置。
  8. 　前記予測情報生成部では、予測方法を決定し、当該予測方法に対する予測情報を生成する請求項５に記載の画像符号化装置。
  9. 　複数の異なる視点の画像からなる多視点画像の符号データから、復号対象画像を復号する際に、復号対象画像とは異なる視点に対する復号済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら復号を行う画像復号装置であって、
    　前記参照画像と前記参照デプスマップとを用いて、前記復号対象画像全体に対する視点合成画像を生成する視点合成画像生成部と、
    　前記符号データから前記復号対象画像を分割した復号対象ブロックごとに予測を行うか、前記復号対象画像全体に対して前記視点合成画像を用いて予測を行うかを示す予測単位の情報を復号する予測単位情報復号部と、
    　前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記視点合成画像を前記復号対象画像とする復号対象画像設定部と、
    　前記予測単位が前記復号対象ブロックごとに予測を行うことを示す場合に、前記符号データから、前記復号対象ブロックごとに予測画像を生成しながら、復号対象画像を復号する復号対象画像復号部と
    　を備える画像復号装置。
  10. 　前記復号対象画像設定部において、符号データから前記復号対象画像と前記視点合成画像の差分を復号し、当該差分と前記視点合成画像とを足し合わせることで前記復号対象画像を生成する請求項９に記載の画像復号装置。
  11. 　前記復号対象ブロックごとに、前記参照画像と前記参照デプスマップとを用いて、前記復号対象ブロックに対する視点合成画像である部分視点合成画像を生成する部分視点合成画像生成部を更に有し、
    　前記復号対象画像復号部では、前記部分視点合成画像を予測画像の候補として用いる請求項９または請求項１０に記載の画像復号装置。
  12. 　前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記復号対象ブロックごとに、予測情報を生成する予測情報生成部を更に有する請求項９から請求項１１のいずれか１項に記載の画像復号装置。
  13. 　前記予測情報生成部では、予測ブロックサイズを決定し、
    　前記視点合成画像生成部では、前記予測ブロックサイズごとに視点合成画像を生成する処理を繰り返すことで、前記復号対象画像全体に対する前記視点合成画像を生成する請求項１２に記載の画像復号装置。
  14. 　前記予測情報生成部では、視差ベクトルを推定し、視差補償予測としての予測情報を生成する請求項１２に記載の画像復号装置。
  15. 　前記予測情報生成部では、予測方法を決定し、当該予測方法に対する予測情報を生成する請求項１２に記載の画像復号装置。
  16. 　複数の異なる視点の画像からなる多視点画像を符号化する際に、符号化対象画像とは異なる視点に対する符号化済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら符号化を行う画像符号化方法であって、
    　前記参照画像と前記参照デプスマップとを用いて、前記符号化対象画像全体に対する視点合成画像を生成する視点合成画像生成ステップと、
    　予測単位として、前記符号化対象画像を分割した符号化対象ブロックごとに予測を行うか、前記符号化対象画像全体に対して前記視点合成画像を用いて予測を行うかを選択する予測単位設定ステップと、
    　選択された前記予測単位を示す情報を符号化する予測単位情報符号化ステップと、
    　前記予測単位として前記符号化対象ブロックごとに予測を行うことが選択された場合に、前記符号化対象画像を、前記符号化対象ブロックごとに、予測画像生成方法を選択しながら予測符号化する符号化対象画像予測符号化ステップと
    　を有することを特徴とする画像符号化方法。
  17. 　複数の異なる視点の画像からなる多視点画像の符号データから、復号対象画像を復号する際に、復号対象画像とは異なる視点に対する復号済みの参照画像と、前記参照画像中の被写体に対する参照デプスマップとを用いて、異なる視点間で画像を予測しながら復号を行う画像復号方法であって、
    　前記参照画像と前記参照デプスマップとを用いて、前記復号対象画像全体に対する視点合成画像を生成する視点合成画像生成ステップと、
    　前記符号データから前記復号対象画像を分割した復号対象ブロックごとに予測を行うか、前記復号対象画像全体に対して前記視点合成画像を用いて予測を行うかを示す予測単位の情報を復号する予測単位情報復号ステップと、
    　前記予測単位が前記復号画像全体に対して前記視点合成画像を用いて予測を行うことを示す場合に、前記視点合成画像を前記復号対象画像とする復号対象画像設定ステップと、
    　前記予測単位が前記復号対象ブロックごとに予測を行うことを示す場合に、前記符号データから、前記復号対象ブロックごとに予測画像を生成しながら、前記復号対象画像を復号する復号対象画像復号ステップと
    　を有することを特徴とする画像復号方法。
  18. 　コンピュータに、請求項１６に記載の画像符号化方法を実行させるための画像符号化プログラム。
  19. 　コンピュータに、請求項１７に記載の画像復号方法を実行させるための画像復号プログラム。
PCT/JP2014/060116 2013-04-11 2014-04-07 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム WO2014168121A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US14/782,050 US20160037172A1 (en) 2013-04-11 2014-04-07 Image encoding method, image decoding method, image encoding apparatus, image decoding apparatus, image encoding program, and image decoding program
KR1020157025982A KR20150122706A (ko) 2013-04-11 2014-04-07 화상 부호화 방법, 화상 복호 방법, 화상 부호화 장치, 화상 복호 장치, 화상 부호화 프로그램, 및 화상 복호 프로그램
CN201480020084.3A CN105075257A (zh) 2013-04-11 2014-04-07 图像编码方法、图像解码方法、图像编码装置、图像解码装置、图像编码程序、以及图像解码程序
JP2015511254A JP5926451B2 (ja) 2013-04-11 2014-04-07 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013082956 2013-04-11
JP2013-082956 2013-04-11

Publications (1)

Publication Number Publication Date
WO2014168121A1 true WO2014168121A1 (ja) 2014-10-16

Family

ID=51689528

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/060116 WO2014168121A1 (ja) 2013-04-11 2014-04-07 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム

Country Status (5)

Country Link
US (1) US20160037172A1 (ja)
JP (1) JP5926451B2 (ja)
KR (1) KR20150122706A (ja)
CN (1) CN105075257A (ja)
WO (1) WO2014168121A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020105520A1 (ja) * 2018-11-21 2020-05-28 日本電信電話株式会社 評価装置、評価方法、及びプログラム。

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10051279B2 (en) * 2014-07-01 2018-08-14 Samsung Display Co., Ltd. High quality display system combining compressed frame buffer and temporal compensation technique
CN112313938B (zh) * 2018-07-10 2022-06-21 奥林巴斯株式会社 摄像装置、图像校正方法以及计算机可读记录介质
US11107268B2 (en) * 2018-09-07 2021-08-31 Cognex Corporation Methods and apparatus for efficient data processing of initial correspondence assignments for three-dimensional reconstruction of an object
CN112114760A (zh) * 2020-08-13 2020-12-22 西安万像电子科技有限公司 图像处理方法及装置
CN114079779B (zh) * 2022-01-12 2022-05-17 深圳传音控股股份有限公司 图像处理方法、智能终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007013194A1 (ja) * 2005-07-26 2007-02-01 National University Corporation Nagoya University 画像情報圧縮方法及び自由視点テレビシステム
JP2011519226A (ja) * 2008-04-25 2011-06-30 トムソン ライセンシング 奥行きを用いた視点間スキップモード
WO2011105297A1 (ja) * 2010-02-23 2011-09-01 日本電信電話株式会社 動きベクトル推定方法、多視点映像符号化方法、多視点映像復号方法、動きベクトル推定装置、多視点映像符号化装置、多視点映像復号装置、動きベクトル推定プログラム、多視点映像符号化プログラム、及び多視点映像復号プログラム
JP2012124564A (ja) * 2010-12-06 2012-06-28 Nippon Telegr & Teleph Corp <Ntt> 多視点画像符号化方法，多視点画像復号方法，多視点画像符号化装置，多視点画像復号装置およびそれらのプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101059178B1 (ko) * 2006-12-28 2011-08-25 니폰덴신뎅와 가부시키가이샤 영상 부호화 방법 및 복호방법, 그들의 장치, 그들의 프로그램을 기록한 기억매체
JP2009272702A (ja) * 2008-04-30 2009-11-19 Canon Inc 動きベクトル探索装置及びその制御方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007013194A1 (ja) * 2005-07-26 2007-02-01 National University Corporation Nagoya University 画像情報圧縮方法及び自由視点テレビシステム
JP2011519226A (ja) * 2008-04-25 2011-06-30 トムソン ライセンシング 奥行きを用いた視点間スキップモード
WO2011105297A1 (ja) * 2010-02-23 2011-09-01 日本電信電話株式会社 動きベクトル推定方法、多視点映像符号化方法、多視点映像復号方法、動きベクトル推定装置、多視点映像符号化装置、多視点映像復号装置、動きベクトル推定プログラム、多視点映像符号化プログラム、及び多視点映像復号プログラム
JP2012124564A (ja) * 2010-12-06 2012-06-28 Nippon Telegr & Teleph Corp <Ntt> 多視点画像符号化方法，多視点画像復号方法，多視点画像符号化装置，多視点画像復号装置およびそれらのプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020105520A1 (ja) * 2018-11-21 2020-05-28 日本電信電話株式会社 評価装置、評価方法、及びプログラム。

Also Published As

Publication number Publication date
JPWO2014168121A1 (ja) 2017-02-16
US20160037172A1 (en) 2016-02-04
JP5926451B2 (ja) 2016-05-25
KR20150122706A (ko) 2015-11-02
CN105075257A (zh) 2015-11-18

Similar Documents

Publication Publication Date Title
JP5947977B2 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム及び画像復号プログラム
JP6232076B2 (ja) 映像符号化方法、映像復号方法、映像符号化装置、映像復号装置、映像符号化プログラム及び映像復号プログラム
JP5833757B2 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、画像復号プログラム及び記録媒体
JP5926451B2 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム
JP6307152B2 (ja) 画像符号化装置及び方法、画像復号装置及び方法、及び、それらのプログラム
WO2014050830A1 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、画像復号プログラム及び記録媒体
KR101648094B1 (ko) 화상 부호화 방법, 화상 복호 방법, 화상 부호화 장치, 화상 복호 장치, 화상 부호화 프로그램, 화상 복호 프로그램 및 기록매체
JP6053200B2 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム及び画像復号プログラム
JP6027143B2 (ja) 画像符号化方法、画像復号方法、画像符号化装置、画像復号装置、画像符号化プログラム、および画像復号プログラム
JP6232075B2 (ja) 映像符号化装置及び方法、映像復号装置及び方法、及び、それらのプログラム
KR101750421B1 (ko) 동화상 부호화 방법, 동화상 복호 방법, 동화상 부호화 장치, 동화상 복호 장치, 동화상 부호화 프로그램, 및 동화상 복호 프로그램
JP5706291B2 (ja) 映像符号化方法，映像復号方法，映像符号化装置，映像復号装置およびそれらのプログラム
JP6386466B2 (ja) 映像符号化装置及び方法、及び、映像復号装置及び方法
JP5759357B2 (ja) 映像符号化方法、映像復号方法、映像符号化装置、映像復号装置、映像符号化プログラム及び映像復号プログラム
WO2015098827A1 (ja) 映像符号化方法、映像復号方法、映像符号化装置、映像復号装置、映像符号化プログラム及び映像復号プログラム
JPWO2015141549A1 (ja) 動画像符号化装置及び方法、及び、動画像復号装置及び方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201480020084.3

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14782611

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2015511254

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20157025982

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14782050

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14782611

Country of ref document: EP

Kind code of ref document: A1