基于HEVC的帧内预测模式决策和编码单元划分快速算法

针对高效视频编码（HEVC）帧内预测过程中的高计算复杂度问题,提出一种基于纹理特征的预测模式选择和编码单元划分的快速帧内预测算法。利用每一深度层纹理方向强度判断编码单元是否需要进行分割,并且减少候选模式数量。首先,在每一深度层编码单元上结合像素方差,以像素点为单位计算相应的纹理方向强度,确定其纹理复杂度并结合阈值策略预测最终划分深度;其次,比较垂直和水平方向强度关系及统计预测候选模式概率分布,以减少预测模式数量,确定最优候选模式子集,进一步降低编码复杂度。所提算法与平台HM15.0相比,编码时间平均节省51.997%,BDPSNR（Bjontegaard Delta Peak Signal-to-Noise Rate）仅降低0.059 dB,BDBR（Bjontegaard Delta Bit Rate）仅上升了1.018%。实验数据表明,在保证信噪比和比特率基本不变的同时,所提算法能有效降低编码复杂度,利于HEVC的实时视频应用。     

基于纹理特征的HEVC帧内编码快速算法

为了降低高效视频编码（HEVC）帧内编码的复杂度,提出了一种基于编码块纹理特征的帧内编码快速算法.首先,对当前编码单元（CU）进行预处理,获取CU的纹理复杂程度和方向特性.其次,根据纹理复杂度决定部分CU是否划分,跳过率失真代价计算,减少不必要的划分与裁剪.然后,根据纹理方向减少帧内预测模式的数量,降低帧内预测过程的复杂度.实验结果表明,在全I帧模式下快速算法与HM10.0相比,码率（BR）上升0.649%,峰值信噪比（PSNR）降低0.059 dB,帧内编码时间平均减少56.18%.     

基于局部边界特性的HEVC帧内快速预测算法

HEVC(High Efficiency Video Coding)的编码性能足可以达到H.264/AVC的两倍。在帧内编码方面HEVC的性能提高主要来自于更精准的预测模式和更灵活的分块大小,同时带来了巨大的计算复杂度。为了大幅降低编码复杂度,提出的算法利用视频的局部纹理特性,首先用索贝尔算子提取当前编码单元CU(Coding Unit)的局部边界信息。分析边界信息后,停止不包含明显边界的CU的子块划分,对包含明显边界的CU快速选择预测方向为边界纹理方向。实验结果证明,提出的算法可以在视频质量基本不变的情况下,使帧内编码复杂度降低近一半。     

基于纹理特性与空域相关的高效视频编码帧内分级快速算法

为了降低高效视频编码(HEVC)标准的编码复杂度,提出一种基于纹理特性与空域相关性的帧内分级快速算法。首先,采用最大编码单元(LCU)级的快速算法,通过利用相邻LCU的编码深度值加权预测得到当前LCU的预测深度,并利用块标准差和自适应阈值策略确定当前LCU的纹理复杂度,将当前LCU的预测深度和纹理复杂度相结合来预测当前LCU的最有可能深度范围(MPDR);其次,采用编码单元(CU)级的深度判决快速算法(CUDD-FA),将基于边缘图的CU深度预判策略和基于率失真(RD)代价相关性的CU提前中止策略相结合,实现了CU级深度的提前确定,进一步降低了帧内编码复杂度。与原始HEVC算法相比,所提算法在全I帧编码模式下编码时间平均减少41.81%,BD-rate(Bjøntegaard Delta bit rate)仅上升0.74%,BDPSNR(Bjøntegaard Delta Peak Signal-to-Noise Rate)仅降低0.038 dB;与代表性文献算法相比,所提算法在编码时间节省更多的情况下率失真性能更好。实验结果表明,在率失真性能损失可以忽略不计的前提下,所提算法能有效降低HEVC帧内编码复杂度,特别是高分辨率视频序列,有利于HEVC的实时视频应用。     

基于梯度的H.265/HEVC帧内预测硬件加速算法研究

HEVC即H.265,是目前最新的视频编码标准。相比于前一代视频编码标准,H.265/HEVC虽然能够明显改善视频压缩效率,但是却带来了更高的计算复杂度,尤其是在帧内预测过程中。为了解决这个问题,提出一种基于梯度的帧内预测硬件加速算法来跳过一些帧内预测模式和划分深度的预测过程,从而达到减少计算的目的。利用图像梯度信息来粗略估计编码单元的纹理方向和纹理复杂度,其中纹理方向用来估计编码单元的最优帧内预测方向,纹理复杂度用来判断是否跳过当前划分深度的预测编码过程。实验表明,相比于H.265/HEVC测试模型HM16.18,本文提出的算法能够减少6059%的编码时间,仅造成0.38 dB的BD PSNR减少和8.52%的BD-Rate增加。     

多策略的HEVC帧内快速预测算法

为降低高效视频编码(HEVC)帧内预测过程的计算复杂度,提出一种利用灰度直方图结合自相关函数的快速深度选择算法。统计每个最大编码单元(CU)的灰度值分布,生成其灰度直方图,利用灰度直方图的自相关函数排除不必要的深度计算。同时针对帧内预测模式的优化,给出3个减少帧内候选模式数量的有效策略。应用梯度边缘检测进一步减少8×8CU的候选模式数量,使用模式相关以及当前CU的纹理特征,对满足一定条件的CU只选取2种预测模式进行率失真优化计算。实验结果表明,与原始HM10.1相比,该算法平均可以节省约48%的编码时间,同时又能保持较高的视频质量。     

联合深度视频增强的3D-HEVC帧内编码快速算法

目的 针对高效3维视频编码标准（3D-HEVC）深度视频编码复杂度高和获取不准确的两个问题,现有算法单独进行处理,并没有进行联合优化。为了同时提升深度视频编码速度和编码效率,提出一种联合深度视频增强处理和帧内快速编码的方法。方法 首先,引入深度视频空域增强处理,消除深度视频中的虚假纹理信息,增强其空域相关性,为编码单元（CU）划分和预测模式选择提供进一步优化的空间;然后,针对增强处理过的深度视频的空域特征,利用纹理复杂度将CU进行分类,提前终止平坦CU的分割过程,减少了CU分割次数;最后,利用边缘强度对预测单元（PU）进行分类,跳过低边缘强度PU的深度模型模式。结果 实验结果表明,与原始3D-HEVC的算法相比,本文算法平均节省62.91%深度视频编码时间,并且在相同虚拟视点质量情况下节省4.63%的码率。与当前代表性的帧内低复杂度编码算法相比,本文算法深度视频编码时间进一步减少26.10%,相同虚拟视点质量情况下,编码码率节省5.20%。结论 该方法通过深度视频增强处理,保证了虚拟视点质量,提升了编码效率。对深度视频帧内编码过程中复杂度较高的CU划分和预测模式选择分别进行优化,减少了率失真代价计算次数,有效地降低了帧内编码复杂度。     

基于深度学习帧内编码快速划分算法

为降低H.266/VVC(versatile video coding)帧内编码复杂度，提出一种基于纹理分类的卷积注意力机制神经网络CBAM-CNN(convolutional block attention module-convolution neural network)模型的快速帧内编码单元划分方法，替代嵌套多类型四叉树QTMT(quadtree with nested multi-type tree)的遍历搜索。综合考虑每个编码单元CU(codinguint)纹理特征，建立基于阈值的纹理分类模型，判断64×64的编码单元是否划分；设计并训练一种CBAM-CNN网络模型，预测32×32,16×16CU的划分结果。仿真结果表明，所提算法使帧内编码时间平均减少43.217%,编码比特率仅增加0.894%,有效降低了帧内预测的编码复杂度。     

基于提前终止编码单元划分的快速帧内预测算法

为了降低高效视频编码HEVC(High Efficiency Video Coding)帧内预测过程的计算复杂度,提出一种提前终止编码单元(CU)划分的快速帧内预测算法。首先,针对HEVC编码结构,提出一种纹理复杂度测度的方法(即像素亮度方差值)。然后,分析不同纹理特性对帧内预测编码单元层次结构的影响,提出一种基于像素亮度方差值统计的提前终止编码单元的方法。对不同层次结构的编码单元进行像素亮度方差值统计,同时结合平均像素代价值统计,设置合理的阈值,自适应提前终止编码单元的划分,从而降低了帧内预测的编码复杂度。实验结果表明,在保证信噪比和比特率不变的情况下,该算法与HEVC参考软件HM10.0相比,编码时间平均节省32%。     

面向CPU-GPU平台的HEVC编码器优化

针对CPU-GPU平台提供了一种能显著降低高效视频编码(high efficiency video coding,简称HEVC)复杂度的优化方案.根据编码器的复杂度分布及不同模块的特点,针对帧内预测、帧间预测以及环路滤波分别进行了优化.在帧内预测中,基于相邻编码单元(coding unit,简称CU)之间的相关性,提出了一种CU的深度决策方法以及一种减少率失真优化(RDO)的模式数量的方法,降低了帧内编码的复杂度.在帧间预测中,提出将耗时最大的运动估计模块完善在图形处理单元(GPU)上,通过中央处理单元(CPU)和GPU的流水线工作获得了明显的加速,并基于预测残差的能量提出了一种编码单元提前终止划分的方法,有效降低了帧间编码复杂度.在环路滤波中,提出了一种GPU端的自适应样本点补偿(sample adaptive offset,简称SAO)参数决策方法及去块滤波方法,有效分担了CPU端的复杂度.上述优化实现在HM16.2上,实验结果表明,提出的优化方案可以获得高达68%的编码复杂度节省,而平均性能损失仅为0.5%.