一种快速HEVC编码单元决策算法

分析高效视频编码标准(HEVC)的编码单元算法,针对当前视频编码标准计算复杂度大的问题,基于相邻编码单元相关性和纹理特性,提出一种快速HEVC编码单元决策算法。该算法统计当前编码单元和相邻编码单元的相关性,分析编码单元的纹理复杂度,并没定合理的阈值,决定检测是否提前终止,以此快速找到最优编码单元。仿真结果表明,该算法与HEVC参考软件HM8.0相比,在码率增加忽略不计的情况下,编码时间平均缩短了37.4%,最高可达48.2%。     

一种快速HEVC帧内预测模式决策算法

高性能视频编码(HEVC)标准是视频编码联合小组提出的新的视频编码标准。针对HEVC帧内预测模式决策的高计算复杂度问题,提出一种基于边缘方向强度检测的快速帧内预测模式决策算法。将35种帧内预测模式根据5个基本方向分为5个预测候选模式集合,每个集合中有11种预测模式。分别计算预测单元(PU)的5个方向的方向强度,以及每个方向所占比例,选择比例最大的方向所对应的候选模式集合为该PU块的候选预测模式,有效减少帧内预测的计算复杂度。实验结果证明,与HM8.0相比,该算法能够以保证视频质量为前提,在高效率条件和低复杂度条件下平均节省15%和18%的编码时间。     

HEVC快速编码深度选择算法

高效视频编码（High Efficiency Video Coding,HEVC）作为下一代新的视频编码标准,旨在有限网络带宽下传输高质量的网络视频。与现有的视频编码标准相比,高效视频编码具有更高的灵活性和压缩率。编码单元（Coding Unit,CU）是视频编码处理的基本单元,原有的算法通过四叉树递归获取最佳CU深度,在提高视频压缩性能的同时引入了较高的计算复杂度。针对该问题,提出了一种快速编码深度选择算法,该算法利用相邻CU的深度信息计算一个深度预测特征值,通过该特征值进行深度选择,以避免不必要的计算,降低计算复杂度。实验结果表明,该算法在保证视频压缩效果的同时有效降低了计算复杂度。     

基于运动特性的HEVC帧间模式快速决策算法

针对高性能视频编码采用四叉树结构大大增加了编码复杂度的问题,提出了一种基于运动特性的帧间模式快速决策算法。首先,对不同运动区域下的编码单元（Coding Unit,CU）块,利用当前CU与空时域相邻CU深度相关性减少当前CU深度的遍历范围;然后,依据当前CU与其时空域相邻CU及上一深度CU对应的预测单元（Prediction Unit,PU）在空间划分上的相似性,减少PU模式的遍历范围,加速帧间预测过程。实验结果表明,相比于HM16.9,在不同编码接入方式下该算法可平均降低54%左右的编码时间,且输出比特率增加较少。     

高效视频编码帧内快速深度决策算法

针对新一代高效视频编码（HEVC）帧内预测中编码单元（CU）的编码深度选择过程中计算复杂度较高的问题,提出了一种基于空域相关性的帧内快速深度决策算法。首先,利用相邻已编码树单元（CTU）的深度通过线性加权得到当前CTU深度估计值;然后,对当前CTU深度估计值设置较为合适的深度双阈值提前终止编码树单元的划分或跳过CTU的某些深度,来缩小当前CTU的深度范围,从而减少不必要的深度计算。实验结果表明：与HM12.0相比,所提算法对比较简单的视频序列编码时间的减少比较明显,在亮度峰值信噪比（Y-PSNR）几乎不变的情况下（平均降低0.02 dB）,编码时间平均减少了34.6%。此外,所提算法容易与其他算法进行融合,能进一步降低HEVC的帧内计算复杂度,最终达到实时传送高清视频的目的。     

针对HEVC编码单元的二分深度划分算法

为了降低高效率视频编码（HEVC）的编码单元（CU）进行四叉树递归遍历的时间,提出一种改进的编码单元快速划分算法.首先,利用帧间时间域的相关性,提取前一帧相同位置CU的最优划分结构,以预测当前CU的划分深度;然后通过改进编码CU结构划分遍历的算法,减少CTU （Coding Tree Unit）四叉树结构的遍历,即从二分深度开始遍历,在每一步遍历之前,判断是否提前终止遍历.实验表明,与HM15.0中的基准划分算法相比,本文算法能够在保证编码性能的同时,降低了55.4%的编码时间,提高了HEVC的编码效率.     

基于深度预测的HEVC编码单元快速划分算法

高效视频编码HEVC(High Efficiency Video Coding)采用计算复杂度较高的率失真优化方法对编码单元CU(Coding Unit)划分进行判决,具有较高的时间复杂度,编码所需时间较长。为降低HEVC编码复杂度,加快编码速度,提出一种基于深度预测的CU快速划分算法。首先依据当前CU与周围相邻CU和参考帧中当前位置CU的深度相关性,预测当前CU的最优深度,然后使用相邻相关分割法或依据当前CU深度和预测深度的关系对当前CU进行递归划分。为减少预测带来的误判,在CU深度级别由2级到3级的划分中,使用率失真或百分比的方式进行二次判定。实验结果表明,该算法与原始的HEVC编码方法相比,在亮度峰值信噪比减小0.07 d B,编码比特率增加0.88%的情况下,整体编码单元划分时间缩短37.7%,具有较高的时间效率。     

一种HEVC帧内编码的快速算法

针对高效视频编码（HEVC）帧内预测复杂度高和耗时长的缺点,提出一种HEVC帧内编码的快速算法。首先根据相邻编码单元的时空域相关性,缩小编码单元深度遍历范围,提前中止或跳过不必要的深度,同时在选择当前编码单元的最佳模式时,根据Planar模式是否可为最佳模式,分别采取不同的方案减少预测模式数量。实验结果表明,与HM10.0相比,提出的算法能在保持编码性能的同时将编码时间减少约30%,加快了帧内编码的速度,具有很好的实用性。     

HEVC快速帧内模式决策算法

在高效视频编码(HEVC)标准中,为降低编码单元和预测单元算法的计算复杂度,提出一种基于编码单元纹理和预测单元模式决策的快速帧内预测算法。通过统计编码单元的纹理复杂度,分析编码单元纹理的相关性,设定合理的纹理阈值,快速地决策当前编码单元的大小。改进预测单元模式决策算法,利用三步搜索方法,减少候选模式数量和帧内模式预测时间。算法结合了编码单元和预测单元的特点,仿真结果表明,与HEVC参考软件HM8.0相比,在增加较少码率,降低较少峰值信噪比的情况下,该算法的编码时间平均缩减40.9%,降低了编码复杂度。     

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%.     

基于纹理四叉树的快速HEVC帧内编码算法

针对高效视频编码(HEVC)中编码单元(CU)进行四叉树递归遍历时间较长的问题,提出一种基于纹理四叉树的快速HEVC帧内编码算法。采用Sobel算子对当前视频图像提取边缘,利用最大类间方差法剔除弱边缘并保留强边缘。通过递归方式对边缘图中的每个64×64单元建立纹理四叉树,使用视频图像的纹理四叉树结构对CU最优分割组合进行预测。对于不同大小的分割单元,无需完全递归遍历所有的CU深度,从而缩小CU搜索范围,节省编码时间。实验结果表明,与HEVC标准算法相比,该算法亮度分量的码率平均增加了0.50%,信噪比和编码时间分别减少了0.03d B和28.70%。     

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。     

An Effective CU Depth Decision Method for HEVC Using Machine Learning

This paper presents an effective machine learning-based depth selection algorithm for CTU (Coding Tree Unit) in HEVC (High Efficiency Video Coding). Existing machine learning methods are limited in their ability in handling the initial depth decision of CU (Coding Unit) and selecting the proper set of input features for the depth selection model. In this paper, we first propose a new classification approach for the initial division depth prediction. In particular, we study the correlation of the texture complexity, QPs (quantization parameters) and the depth decision of the CUs to forecast the original partition depth of the current CUs. Secondly, we further aim to determine the input features of the classifier by analysing the correlation between depth decision of the CUs, picture distortion and the bit-rate. Using the found relationships, we also study a decision method for the end partition depth of the current CUs using bit-rate and picture distortion as input. Finally, we formulate the depth division of the CUs as a binary classification problem and use the nearest neighbor classifier to conduct classification. Our proposed method can significantly improve the efficiency of inter-frame coding by circumventing the traversing cost of the division depth. It shows that the mentioned method can reduce the time spent by 34.56% compared to HM-16.9 while keeping the partition depth of the CUs correct.