WO2017004889A1 - 基于jnd因子的超像素高斯滤波预处理方法 - Google Patents

基于jnd因子的超像素高斯滤波预处理方法 Download PDF

Info

Publication number
WO2017004889A1
WO2017004889A1 PCT/CN2015/089301 CN2015089301W WO2017004889A1 WO 2017004889 A1 WO2017004889 A1 WO 2017004889A1 CN 2015089301 W CN2015089301 W CN 2015089301W WO 2017004889 A1 WO2017004889 A1 WO 2017004889A1
Authority
WO
WIPO (PCT)
Prior art keywords
jnd
pixel
super
factor
gaussian filtering
Prior art date
Application number
PCT/CN2015/089301
Other languages
English (en)
French (fr)
Inventor
丁磊
王荣刚
王振宇
高文
Original Assignee
北京大学深圳研究生院
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 北京大学深圳研究生院 filed Critical 北京大学深圳研究生院
Publication of WO2017004889A1 publication Critical patent/WO2017004889A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals

Definitions

  • the present invention relates to the field of video preprocessing, and in particular to a superpixel Gaussian filtering preprocessing method based on a JND factor.
  • the video preprocessing technique is a series of processing operations performed before the video is encoded, and the main purpose is to reduce the code rate and improve the quality.
  • video preprocessing techniques mainly include traditional methods of filtering, interpolation and deinterlacing.
  • the pre-processing method based on the combination of the coding of the region of interest and JND can effectively improve the quality and efficiency of video coding.
  • the introduced noise can be filtered out, and the visual redundancy information can also be removed.
  • the technical problem to be solved by the present invention is to provide a super-pixel Gaussian filtering pre-processing method based on the JND factor, so as to bring about a significant drop in code rate without causing loss of subjective quality.
  • a super-pixel Gaussian filtering preprocessing method based on JND factor which includes the following steps:
  • Step one reading in the video image data: reading the video image data frame by frame for processing;
  • Step 2 Superpixel division: The image is segmented into super-pixels of predetermined size and composed of similar pixels based on the SLIC super-pixel method, so that each pixel in each super-pixel has similar smoothness and texture regions;
  • Step 3 JND factor calculation: Calculate the JND factor based on the visual information of each pixel in the super pixel and obtain the average value thereof, and obtain the correlation between the average value and the image texture and smoothness, the calculated JND The factor is the weighted luminance average difference;
  • Step 4 adaptive Gaussian filtering of the super pixel: determining the Gaussian filtering parameter of the super pixel according to the average value of the JND factor in the super pixel, and then performing Gaussian filtering operation on the corresponding super pixel by using the Gaussian filtering parameter, ie Obtain the pre-processed video frame.
  • step 3 the calculation formula of the JND factor is:
  • i represents the pixel value of the (A ⁇ position).
  • step 4 the Gaussian filtering parameter of the super pixel is determined according to the average value of the JND factor in the super pixel and using the following step function formula:
  • the average of the JND factors representing the pixels in the superpixel region, the two thresholds of the average value set by the Treshold lower fPTreshold upper 3 ⁇ 4, and b and c are the constant parameters of the gradient function.
  • the boundary region of the super pixel integrates the average sum of the coefficients of the super pixel.
  • the present invention divides an image into super pixels composed of similar pixels, and performs filtering because pixels in each super pixel have similar smoothness and texture regions.
  • Operation ⁇ in superpixels, that is, all pixels in the superpixel enjoy the same filtering intensity; and based on the visual JND factor and image smoothness, determine superpixel Gaussian filtering parameters for filtering, and the present invention will superpixel
  • the mean value of the JND factor is correlated with the Gaussian filter variance, and the quantization determines the variance of the Gaussian filtering operation of the superpixel, which can adaptively change with the texture and smoothness of the superpixel.
  • the present invention can finally perform an adaptive filtering operation on the video by combining the sensitivity of the human eye to the image region, which can bring about a significant decrease in the code rate without causing loss of subjective quality, in terms of code rate, under the same parameters.
  • the average rate of 9.3% and the highest rate of 29% was reduced, and the subjective quality did not decrease significantly.
  • FIG. 1 is a frame diagram of a JND factor based superpixel Gaussian filtering preprocessing method according to the present invention.
  • FIG. 2 is a schematic diagram of dividing a video frame into superpixels having an average size of 16 ⁇ 16 in an embodiment of the invention.
  • FIG. 3 is a schematic diagram of a filter for calculating a weighted luminance average value according to the present invention.
  • FIG. 4 is a reconstruction diagram of the present invention based on a weighted luminance average.
  • 5 is a three-selection region value of the weighted luminance average reconstruction map of the present invention.
  • the implementation of the preprocessing method is based on a JND factor based superpixel Gaussian filtering preprocessing system
  • the system consists of three main modules: a SLIC superpixel-based image segmentation module, a vision-based JDN factor calculation module, and a JND-based adaptive Gaussian filter module.
  • the present invention provides a super-pixel Gaussian filtering preprocessing method based on JND factor, the main steps are as follows:
  • Step 1 Read video image data: Read video image data frame by frame for processing;
  • Step 2 super pixel division: using SLIC super pixel (Superpixel) method to divide the image into super pixels of a predetermined size;
  • Step 3 JND factor calculation: Calculating the JND factor based on visual information of each pixel in the super pixel
  • Step 4 adaptive Gaussian filtering of the super pixel: determining the Gaussian filtering parameter of the super pixel according to the average value of the JND factor in the super pixel, and then performing Gaussian filtering operation on the corresponding super pixel by using the Gaussian filtering parameter, wherein The boundary region of the superpixel integrates the average sum of the coefficients of the superpixels to which it belongs.
  • step 1 when the video frame is read, it is not necessary to consider the domain-related information between the preceding and succeeding frames.
  • the SLIC superpixel based method is preferably used (refer to Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.) Split the image into superpixels with an average size of about 16x16 (one macroblock size). Of course, depending on the actual situation and needs, Set the size of the super pixel to another value. As can be seen from Figure 2, the image is segmented into superpixels composed of similar pixels, each of which has similar smoothness and texture regions.
  • Step 3 is implemented.
  • the JND mainly includes two factors, namely, an average background luminance and a weighted luminance average difference, and the present invention adopts a weighted luminance average difference G (x, y) (specifically
  • the calculation method can refer to the following documents: Document 1, Yang X, Lin W, Lu Z, et al.
  • gk( ) is a filter, which represents a pixel value of 3 positions, as shown in FIG. 3 .
  • Step 4 is implemented, and three regions are selected from the left image of FIG. 6 for Gaussian filtering of the same parameter. It can be seen that the lower the texture complexity, the higher the smoothness is, the easier it is after Gaussian filtering. It is perceived by the human eye, and the complex texture area undergoes the same filtering operation, which will obviously bring about visual changes and subjective quality degradation. Therefore, in the Gaussian filtering operation, the smoothing area can be increased in filtering intensity without causing a drop in subjective quality. As described above, since the pixels in each super pixel have similar smoothness and texture regions, the filtering operation is performed, in units of super pixels, that is, super pixels. All pixels within have the same filtering strength.
  • the strength of Gaussian filtering is determined by the filtering window and its standard deviation.
  • the filter window takes a size of 3x3, and the deviation of the filter strength is
  • the average of the JND factors representing the pixels in the superpixel region, the two thresholds of the average value set by the Treshold lower fPTreshold upper 3 ⁇ 4, and b and c are the constant parameters of the gradient function.
  • texture complexity and subjective quality are subject to the same slight Gaussian filtering, and no subjective visual changes can be detected, and the same filtering strength is adopted, making these texture complex regions
  • the smooth similarity is better, on the one hand, the code rate can be reduced more, and on the other hand, it is not easy to cause visual changes.
  • Treshold ⁇ lS and T reS hold upp ⁇ 30 ⁇ will get relatively good experimental results.
  • the original sequence and the video pre-processing sequence are encoded on the H.265 HM13.0 encoder with the same parameters set.
  • the test used a total of 8 sequences of 832x480p, 1280x720p and 1920xl080p, and then compared the corresponding code rate and subjective quality under each parameter.
  • the measurement method of SSIM is also used.
  • MOS measurement a 65-inch Skyworth LCD display (65E810U) is used, and the measurement distance is three times the height of the image. Finally, an average rate reduction of 9% is obtained, the code rate of each sequence, PSNR and MO The comparison of S is described in detail in Table 1 below.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

一种基于JND因子的超像素高斯滤波预处理方法，包括如下步骤：读入视频图像数据；超像素划分：基于SLIC超像素方法将该图像分割成为预定大小且由相似像素组成的超像素；JND因子计算：计算超像素内每个像素点的基于视觉信息的JND因子并获得其平均值，并得出该平均值与图像纹理和平滑度的关联，所计算的JND因子为加权亮度平均差；超像素的自适应高斯滤波：根据超像素内JND因子的平均值确定该超像素的高斯滤波参数，再采用所述高斯滤波参数对对应的超像素进行高斯滤波操作，即获得预处理后的视频帧。通过结合人眼对图像区域的敏感程度对视频进行自适应的滤波操作，可以带来明显的码率的下降而不引起主观质量的损失。

Description

发明名称：基于 JND因子的超像素高斯滤波预处理方法 技术领域
[0001] 本发明涉及视频预处理领域， 特别是涉及到基于 JND因子的超像素高斯滤波预 处理方法。
背景技术
[0002] 随着信息技术的发展， 尤其是高清视频和移动互联网的发展， 多媒体视频的数 量以及需求呈现快速的膨胀。 新一代视频编码标准 HEVC的发展较上一代的标准 已经降低了 50%的码率， 发展下一代新的视频编码标准并带到实际的应用中仍然 需要较长的发展吋间， 而通过结合视频预处理的技术， 可以明显地提升视频编 码的效率和提升其主观质量。
[0003] 视频预处理技术是在视频进行编码前， 对其进行的一系列处理操作， 主要目的 是为了降低码率和提升质量。 经过多年的研究发展， 视频预处理技术主要包括 传统的滤波、 插值和去隔行等方法。 基于感兴趣区域的编码和 JND相结合的预处 理方法都可以有效地提升视频编码的质量和效率。
[0004] 在常见的滤波操作中， 可以滤除引入的噪声， 同吋也可以去除视觉冗余信息。
然而整幅图像中人眼对各个区域的敏感程度不同， 每个区域的平滑度和纹理复 杂度也不相同， 在常用的滤波操作中， 虽然可以明显地降低码率， 但是也会带 来严重的主观质量的下降。
技术问题
[0005] 本发明所要解决的技术问题是， 提供一种基于 JND因子的超像素高斯滤波预处 理方法， 以便能带来明显的码率的下降而不引起主观质量的损失。
问题的解决方案
技术解决方案
[0006] 为解决上述技术问题， 本发明采用如下技术方案： 一种基于 JND因子的超像素 高斯滤波预处理方法， 其包括如下步骤：
[0007] 步骤一、 读入视频图像数据： 逐帧读入视频图像数据进行处理； [0008] 步骤二、 超像素划分： 基于 SLIC超像素方法将该图像分割成为预定大小且由相 似像素组成的超像素， 使得每个超像素内的各像素具有相似的平滑度和纹理区 域；
[0009] 步骤三、 JND因子计算： 计算超像素内每个像素点的基于视觉信息的 JND因子 并获得其平均值， 并得出该平均值与图像纹理和平滑度的关联， 所计算的 JND因 子为加权亮度平均差；
[0010] 步骤四、 超像素的自适应高斯滤波： 根据超像素内 JND因子的平均值确定该超 像素的高斯滤波参数， 再采用所述高斯滤波参数对对应的超像素进行高斯滤波 操作， 即获得预处理后的视频帧。
[0011] 进一步地， 步骤三中， 所述 JND因子的计算公式为：
Figure imgf000004_0001
[0014] 而 为滤波器， i( 表示 ( A }位置的像素值。
[0015] 进一步地， 步骤四中， 根据超像素内 JND因子的平均值并采用如下阶梯函数公 式确定该超像素的高斯滤波参数：
[0016] σ =
Figure imgf000004_0002
(3)
[0017] 其中，
表示该超像素区域内的像素的 JND因子的平均值， Treshold lowerfPTreshold upper¾ 设定的该平均值的两个阈值， 而 b和 c为该梯度函数的常量参数。 [0018] 进一步地， 步骤四中， 超像素的边界区域综合所属超像素的系数的平均和。 发明的有益效果
有益效果
[0019] 通过采用上述技术方案， 本发明具有以下技术效果： 本发明通过将图像分割为 相似像素组成的超像素， 由于每个超像素内的像素具有相似的平滑度和纹理区 域， 因此进行滤波操作吋， 以超像素为单位， 即超像素内的所有像素享有相同 的滤波强度； 并基于视觉的 JND因子与图像平滑度关联， 确定超像素高斯滤波参 数进行滤波处理， 而且本发明将超像素内的 JND因子的平均值与高斯滤波方差关 联起来， 量化决定超像素进行高斯滤波操作的方差， 该方差随着超像素的纹理 和平滑度能自适应变化。 从而， 本发明最终可以通过结合人眼对图像区域的敏 感程度对视频进行自适应的滤波操作， 可以带来明显的码率的下降而不引起主 观质量的损失， 在码率上， 相同参数下获得了平均 9.3%、 最高 29%的码率下降， 并且主观质量无明显下降。
对附图的简要说明
附图说明
[0020] 图 1是本发明基于 JND因子的超像素高斯滤波预处理方法的框架图。
[0021] 图 2是本发明一实施例中将视频帧划分为平均大小为 16x16的超像素的示意图。
[0022] 图 3是本发明计算加权亮度平均值的滤波器示意图。
[0023] 图 4是本发明基于加权亮度平均值的重建图。
[0024] 图 5是本发明加权亮度平均值重建图三个选取区域值。
[0025] 图 6是本发明 lena图像以及三个区域的高斯滤波对比。
[0026] 图 7是本发明预处理后的图像主观质量与原始图像。
本发明的实施方式
[0027] 需要说明的是， 在不冲突的情况下， 本申请中的实施例及实施例中的特征可以 相互结合， 下面结合附图和具体实施例对本发明作进一步详细说明。
[0028] 所述预处理方法的实施是基于一个基于 JND因子的超像素高斯滤波预处理系统 ， 而该系统包含三个主要模块： 一个基于 SLIC超像素 （Superpixel) 的图像分割 模块， 一个基于视觉的 JDN因子计算模块， 一个基于 JND因子的适应高斯滤波模 块。
[0029] 本发明提供一种基于 JND因子的超像素高斯滤波预处理方法， 主要步骤如下：
[0030] 步骤一、 读入视频图像数据： 逐帧读入视频图像数据进行处理；
[0031] 步骤二、 超像素划分： 采用基于 SLIC超像素 （Superpixel) 的方法将该图像分 割成为预定大小的超像素；
[0032] 步骤三、 JND因子计算： 计算超像素内每个像素点的基于视觉信息的 JND因子
(加权亮度平均差） 并获得其平均值， 并得出该平均值与图像纹理和平滑度的 关联；
[0033] 步骤四、 超像素的自适应高斯滤波： 根据超像素内 JND因子的平均值确定该超 像素的高斯滤波参数， 再采用所述高斯滤波参数对对应的超像素进行高斯滤波 操作， 其中， 超像素的边界区域综合所属超像素的系数的平均和。
[0034] 在具体实施吋， 步骤一中， 在读入视频帧吋， 不需要考虑前后帧之间的吋域相 关信息。
[0035] 而在步骤二中， 优选采用基于 SLIC超像素的方法 （可参考 Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.) 将图像分割成平均大约为 16x16大小 （一个宏块大小） 的超像素， 当然， 根据实际情况及需求， 也可以考虑将超像素的大小设定为其他数值。 由 图 2可以看出， 图像被分割为由相似像素组成的超像素， 每个超像素内的像素都 有相似的平滑度和纹理区域。
[0036] 实施步骤三吋， 在现有的 JND计算方法中， JND主要包含两个因子， 分别是平 均背景亮度和加权亮度平均差， 本发明采用加权亮度平均差 G (x, y) (具体的 计算方法可以参考以下文献： 文献 1、 Yang X, Lin W, Lu Z, et al.
Motion-compensated residue preprocessing in video coding based on
just-noticeable-distortion profile [J]. IEEE Transactions on Circuits and Systems for Video Technology, 2005, 15(6): 742-752.； 文献 2、 Chou C H, Li Y C. A perceptually tuned subband image coder based on the measure of
just-noticeable-distortion profile [J]. IEEE Transactions on Circuits and Systems for Video Technology, 1995, 5(6): 467-476.) ， 其计算公式如下：
[0037] ： ： ？讓 ( 1)
[0038] 其中:
Figure imgf000007_0001
[0039] 而 gk( )为滤波器， 表示 3位置的像素值， 如图 3所示。
[0040] 由于每个像素点的 G (x, y) 值普遍很小， 为了更容易说明问题， 可以在每个像 素点的 G (x, y) 值加上 50而得到一个重建图像， 如图 4所示， 可以看出， 根据加 权亮度平均差的值加上 50所构成的重建图像的结构与纹理都和原图像相同。
[0041] 为便于说明情况， 在重建图像上选择三个有代表性的区域的宏块： 宏块位置坐 标
[0042] 分别为 （2， 2) 纹理复杂的草地区域， （16， 9) 平滑单一的后马背， （18， 7 ) 骑手腿和马鞍之间的连接区域。 并在宏块中选择最后一个 8x8区域的数据展示 如图 5所示， 可以看出， 图像中马背区域的 G (x, y) 值最低， 紧接着是草地区域 ， 最大值区域是骑手与马之间的交接区域。 而这三个区域中马后背的平滑程度 最高， 纹理复杂度最低， 紧接着是草地还有交接区域。 由此可以断定： 加权亮 度平均差的大小与该像素区域的纹理平滑度成反比， 即： 当 G (x, y) 值越小吋 ， 其平滑程度越高。
[0043] 实施步骤四吋， 从图 6左边的 lena图像选取三个区域进行相同参数的高斯滤波， 可以看出纹理复杂度越低， 平滑度越高的区域在进行高斯滤波后， 更不容易被 人眼所察觉， 而纹理复杂区域在进行相同的滤波操作吋， 会明显带来视觉的变 化以及主观质量的下降。 因此， 在高斯滤波操作吋， 对平滑的区域可以加大滤 波强度而不会引起主观质量的下降。 如上所述， 由于每个超像素内的像素具有 相似的平滑度和纹理区域， 因此进行滤波操作吋， 以超像素为单位， 即超像素 内的所有像素享有相同的滤波强度。
[0044] 为了简单地量化整个超像素的平滑程度， 采用区域内所有像素的加权平均亮度 差的平均值
作为衡量超像素平滑程度的量化值。 由上面实验可知，
越大， 该区域纹理或者边界就越复杂， 人眼对滤波平滑操作带来的变化就会越 敏感进而需要减少其滤波强度， 甚至不进行滤波。 由前述可知， 高斯滤波的强 度由滤波窗口和其标准差决定。 在该方法中， 滤波窗口取 3x3大小， 滤波强度的 标 差即由
所决定。 可以看出高斯滤波方差与 ■
负相关， 为简化计算方法， 可采用以下简单的阶梯函数:
[0045]
d 儘^ t ' ξ if r < Treslioidk lower J = c, else if Tresl < CL < Tresliold upper
o&erwise
(3)
[0046] 其中，
表示该超像素区域内的像素的 JND因子的平均值， Treshold lowerfPTreshold upper¾ 设定的该平均值的两个阈值， 而 b和 c为该梯度函数的常量参数。
[0047] 当
低于下限阈值吋， 直接定义为高斯滤波的标准差与 线性负相关。 而当
介于下限阈值和上限阈值之间吋， 纹理复杂度以及主观质量在进行相同的轻微 的高斯滤波吋， 并不会发生可以察觉的主观视觉变化， 而且采取相同的滤波强 度， 使得这些纹理复杂区域的平滑相似性更好， 一方面可以更多地降低码率， 另一方面也不容易引起视觉变化。 而当
大于上限阈值吋， 认为该情况下的纹理复杂度对高斯滤波带来的操作会十分敏 感， 即整幅图像中的关键特征区域， 对该区域进行处理吋， 直接不进行处理， 保留最原始的特征。 对每个超像素的边界进行处理吋， 滤波操作的参数取自其 所属的超像素。 如图 7所示， 图 7中的上图为采用本发明预处理方法处理后的图 像， 其主观质量与图 7中的下图所示的经全局高斯滤波处理后的图像无明显差别 ， 并且明显高于整幅图像的直接视频预处理方法。
[0048] 超像素的划分往往带有明显的边界信息， 而边界信息的处理好坏程度会直接影 响图像质量。 而由于每个边界像素点至少会属于一个超像素， 因此， 在处理边 界吋的滤波参数吋， 取所属的每个超像素的系数值和的平均值作为滤波参数， 从而综合考虑了每个超像素对边界的影响。
[0049] 以下通过一个具体的实验例来说明本发明的实施效果。
[0050] 在该实验例中， 以上各公式中的对应参数的取值为： b=8.5， d coefficient=0.5 , c=l
， Treshold ^ lS和 TreShold upp^30吋， 会获得相对比较好的实验结果。 将原始 序列和视频预处理序列， 在 H.265 HM13.0编码器上， 设定相同的参数进行编码 。 测试使用了 832x480p、 1280x720p和 1920xl080p总共 8个序列， 然后比较各个 参数下对应的码率和主观质量。
[0051] 主观质量测试中， 除了使用传统的 MOS值测量方法， 还使用了 SSIM的测量方 法。 MOS测量中， 使用 65寸的创维 LCD显示器 （65E810U) ， 测量距离是图像 高度的三倍。 最终获得了平均 9%的码率下降， 各个序列的码率， PSNR以及 MO S的对比在如下的表 1中进行了详细描述。
[0052] 表 1
[]
Figure imgf000010_0001
[0053]
[0054] 在码率上， 相同参数下获得了平均 9.3%、 最高 29%的码率下降， ， MOS值从 5 到 1表示不可察觉到视觉质量严重损失， MOS平均值 4.95， 可以看出在获得该幅 度的码率下降的同吋而不会引起主观质量的明显下降。 而于高斯滤波本身破坏 了前后帧之间的吋域相关性， 从而导致视频预处理带来效果会减弱。 同吋当 QP 增大时， 更多的系数会被量化成 0， 因而 QP越大， 码率下降会越低。
[0055] 尽管已经示出和描述了本发明的实施例， 对于本领域的普通技术人员而言， 可 以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化 、 修改、 替换和变型， 本发明的范围由所附权利要求及其等同范围限定。

Claims

权利要求书
[权利要求 1] 一种基于 JND因子的超像素高斯滤波预处理方法， 其特征在于， 包括 如下步骤：
步骤一、 读入视频图像数据： 逐帧读入视频图像数据进行处理； 步骤二、 超像素划分： 基于 SLIC超像素方法将该图像分割成为预定 大小且由相似像素组成的超像素， 使得每个超像素内的各像素具有相 似的平滑度和纹理区域；
步骤三、 JND因子计算： 计算超像素内每个像素点的基于视觉信息的 JND因子并获得其平均值， 并得出该平均值与图像纹理和平滑度的关 联， 所计算的 JND因子为加权亮度平均差；
步骤四、 超像素的自适应高斯滤波： 根据超像素内 JND因子的平均值 确定该超像素的高斯滤波参数， 再采用所述高斯滤波参数对对应的超 像素进行高斯滤波操作， 即获得预处理后的视频帧。
[权利要求 2] 如权利要求 1所述的基于 JND因子的超像素高斯滤波预处理方法， 其 特征在于， 步骤三中， 所述 JND因子的计算公式为：
咖 ): 議薦滅薩衡賺 Ϊ
(1)
其中：
Figure imgf000012_0001
(2)
而
Figure imgf000012_0002
为滤波器，
Figure imgf000012_0003
表示
翻 位置的像素值。
[权利要求 3] 如权利要求 1所述的基于 JND因子的超像素高斯滤波预处理方法， 其 特征在于， 步骤四中， 根据超像素内 JND因子的平均值并采用如下阶 梯函数公式确定该超像素的高斯滤波参数：
0" €, else if Tres oM丽 er <
:, otherwise
(3
其中，
Figure imgf000013_0001
表示该超像素区域内的像素的 JND因子的平均值， Treshold lower 和 Treshold uppCT为设定的该平均值的两个阈值， 而 b和 c为该梯度函数的 常量参数。
[权利要求 4] 如权利要求 1所述的基于 JND因子的超像素高斯滤波预处理方法， 其 特征在于， 步骤四中， 超像素的边界区域的滤波参数采用其所属的各 个超像素的滤波参数的平均值。
PCT/CN2015/089301 2015-07-08 2015-09-10 基于jnd因子的超像素高斯滤波预处理方法 WO2017004889A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510396783.4 2015-07-08
CN201510396783.4A CN104992419A (zh) 2015-07-08 2015-07-08 基于jnd因子的超像素高斯滤波预处理方法

Publications (1)

Publication Number Publication Date
WO2017004889A1 true WO2017004889A1 (zh) 2017-01-12

Family

ID=54304227

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/089301 WO2017004889A1 (zh) 2015-07-08 2015-09-10 基于jnd因子的超像素高斯滤波预处理方法

Country Status (2)

Country Link
CN (1) CN104992419A (zh)
WO (1) WO2017004889A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559316A (zh) * 2018-10-09 2019-04-02 浙江工业大学 一种改进的基于超像素的图论分割方法
CN110169059A (zh) * 2017-01-13 2019-08-23 谷歌有限责任公司 视频代码化的复合预测
CN112040231A (zh) * 2020-09-08 2020-12-04 重庆理工大学 一种基于感知噪声信道模型的视频编码方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280816B (zh) * 2017-12-19 2020-09-18 维沃移动通信有限公司 一种高斯滤波方法及移动终端
CN108280797B (zh) * 2018-01-26 2021-08-31 江西理工大学 一种基于纹理复杂度和jnd模型的图像数字水印算法系统
CN110062234B (zh) * 2019-04-29 2023-03-28 同济大学 一种基于区域恰可察觉失真的感知视频编码方法
CN112634278B (zh) * 2020-10-30 2022-06-14 上海大学 基于超像素的恰可察觉失真方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710995A (zh) * 2009-12-10 2010-05-19 武汉大学 基于视觉特性的视频编码系统
CN101841723A (zh) * 2010-05-25 2010-09-22 东南大学 基于jnd和ar模型的感知视频压缩方法
CN103281554A (zh) * 2013-04-23 2013-09-04 宁波大学 一种基于人眼视觉特性的视频客观质量评价方法
US20140169451A1 (en) * 2012-12-13 2014-06-19 Mitsubishi Electric Research Laboratories, Inc. Perceptually Coding Images and Videos
CN104378636A (zh) * 2014-11-10 2015-02-25 中安消技术有限公司 一种视频图像编码方法及装置
CN104469386A (zh) * 2014-12-15 2015-03-25 西安电子科技大学 一种基于dof的恰可察觉误差模型的感知立体视频编码方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877127B (zh) * 2009-11-12 2012-04-11 北京大学 基于梯度剖面的图像无参考质量评价方法及系统
CN102271254B (zh) * 2011-07-22 2013-05-15 宁波大学 一种深度图像的预处理方法
JP5470415B2 (ja) * 2012-03-30 2014-04-16 Ｅｉｚｏ株式会社 イプシロンフィルタの閾値決定方法およびローパスフィルタの係数決定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710995A (zh) * 2009-12-10 2010-05-19 武汉大学 基于视觉特性的视频编码系统
CN101841723A (zh) * 2010-05-25 2010-09-22 东南大学 基于jnd和ar模型的感知视频压缩方法
US20140169451A1 (en) * 2012-12-13 2014-06-19 Mitsubishi Electric Research Laboratories, Inc. Perceptually Coding Images and Videos
CN103281554A (zh) * 2013-04-23 2013-09-04 宁波大学 一种基于人眼视觉特性的视频客观质量评价方法
CN104378636A (zh) * 2014-11-10 2015-02-25 中安消技术有限公司 一种视频图像编码方法及装置
CN104469386A (zh) * 2014-12-15 2015-03-25 西安电子科技大学 一种基于dof的恰可察觉误差模型的感知立体视频编码方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DING, LEI ET AL.: "Video Pre-Processing with JND-Based Gaussian Filtering of Superpixels", PROC. SPIE 9410, VISUAL INFORMATION PROCESSING AND COMMUNICATION VI, 941004, vol. 9410, 4 March 2015 (2015-03-04), XP060046491 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110169059A (zh) * 2017-01-13 2019-08-23 谷歌有限责任公司 视频代码化的复合预测
CN110169059B (zh) * 2017-01-13 2023-08-22 谷歌有限责任公司 视频代码化的复合预测
CN109559316A (zh) * 2018-10-09 2019-04-02 浙江工业大学 一种改进的基于超像素的图论分割方法
CN112040231A (zh) * 2020-09-08 2020-12-04 重庆理工大学 一种基于感知噪声信道模型的视频编码方法
CN112040231B (zh) * 2020-09-08 2022-10-25 重庆理工大学 一种基于感知噪声信道模型的视频编码方法

Also Published As

Publication number Publication date
CN104992419A (zh) 2015-10-21

Similar Documents

Publication Publication Date Title
WO2017004889A1 (zh) 基于jnd因子的超像素高斯滤波预处理方法
TWI677239B (zh) 結合多個去雜訊化技術及並行分組圖像補塊的非局部適應性環路濾波器
EP2327219B1 (en) Reducing digital image noise
JP2006507775A (ja) 基準なしで圧縮ビデオシーケンスの品質を測定する方法及び装置
WO2018017866A1 (en) Video processing method and apparatus
JPH07203435A (ja) 歪んだ図形情報の強調方法及び装置
JP2001320586A (ja) 伸張画像の後処理方法及びインタレース動画の後処理方法
EP1692876A1 (en) Method and system for video quality measurements
US8401280B2 (en) Device for improving stereo matching results, method of improving stereo matching results using the device, and system for receiving stereo matching results
CN104378636B (zh) 一种视频图像编码方法及装置
CN107454413B (zh) 一种保留特征的视频编码方法
US20170345170A1 (en) Method of controlling a quality measure and system thereof
US20040141557A1 (en) Methods and apparatus for removing blocking artifacts of MPEG signals in real-time video reception
WO2006133613A1 (en) Method for reducing image block effects
WO2016033725A1 (zh) 视频编码中的块分割方式处理方法和相关装置
Vidal et al. New adaptive filters as perceptual preprocessing for rate-quality performance optimization of video coding
JP2001320713A (ja) 画像予備処理方法
JP2004023288A (ja) 動画像符号化のための前処理方式
CN112584153B (zh) 基于恰可察觉失真模型的视频压缩方法及装置
CN104994397B (zh) 基于时域信息的自适应视频预处理方法
CN112381744B (zh) 一种av1合成胶片颗粒自适应前处理的方法
CN114173131A (zh) 一种基于帧间相关性的视频压缩方法及系统
Atzori et al. Low-complexity post-processing for artifact reduction in block-DCT based video coding
Gao et al. Phase congruency based edge saliency detection and rate control for perceptual image and video coding
JP2004015340A (ja) 動画像符号化のための量子化制御方式

Legal Events

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

Ref document number: 15897545

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 12205A DATED 04/05/2018)

122 Ep: pct application non-entry in european phase

Ref document number: 15897545

Country of ref document: EP

Kind code of ref document: A1