-
公开(公告)号：CN111246218A
公开(公告)日：2020-06-05
申请号：CN202010046667.0
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/96 , H04N19/176 , H04N19/107
Abstract: 本发明提出了一种基于JND模型的CU分割预测和模式决策纹理编码方法，其步骤为：首先，启动模式决策，通过亮度JND模型、空间JND模型和时间JND模型构建纹理视频的多视图纹理JND模型；其次，根据纹理视频的内容设置多视图纹理JND模型的阈值，并根据阈值将纹理视频的树块分为三种类型；再根据当前树块所属类型对当前树块进行自适应CU分割；最后，根据当前树块所属的类型对自适应CU分割的树块进行快速模式决策的预测，确定树块的最佳编码模式。本发明利用JND模型分析纹理图像的树块特征，在早期阶段跳过纹理视频的一些树块，可显著降低3D-HEVC的编码复杂度，同时视频的RD性能的损失可以忽略不计。
-
公开(公告)号：CN111083495A
公开(公告)日：2020-04-28
申请号：CN201911149001.1
申请日：2019-11-21
Applicant: 郑州轻工业大学
IPC: H04N19/567 , H04N19/176 , H04N19/96 , H04N19/70
Abstract: 本发明提出了一种用于降低复杂性的快速高效的3D-HEVC方法，其步骤为：首先，启动树块的决策，导出空间-时间、先前编码视图和纹理深度的对应树块上的预测变量；根据预测变量识别相邻树块与当前树块的运动复杂度，并将当前树块分为静态和复杂运动树块；根据静态或复杂运动树块的运动特性自适应的跳过纹理树块和深度树块的CU深度级别；根据预测变量计算当前树块的率失真代价与相邻树块的率失真代价值，跳过不必要的模式决策，提前终止模式预测。本发明通过执行快速CU深度级别范围确定方法和执行自适应提前终止模式预测方法，能够降低3D-HEVC编码器的计算复杂度，在保证率失真代价值性能的前提下，有效地节省了HTM的编码时间。
-
公开(公告)号：CN111246218B
公开(公告)日：2023-07-14
申请号：CN202010046667.0
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/96 , H04N19/176 , H04N19/107
Abstract: 本发明提出了一种基于JND模型的CU分割预测和模式决策纹理编码方法，其步骤为：首先，启动模式决策，通过亮度JND模型、空间JND模型和时间JND模型构建纹理视频的多视图纹理JND模型；其次，根据纹理视频的内容设置多视图纹理JND模型的阈值，并根据阈值将纹理视频的树块分为三种类型；再根据当前树块所属类型对当前树块进行自适应CU分割；最后，根据当前树块所属的类型对自适应CU分割的树块进行快速模式决策的预测，确定树块的最佳编码模式。本发明利用JND模型分析纹理图像的树块特征，在早期阶段跳过纹理视频的一些树块，可显著降低3D‑HEVC的编码复杂度，同时视频的RD性能的损失可以忽略不计。
-
公开(公告)号：CN111462261B
公开(公告)日：2023-05-05
申请号：CN202010262211.8
申请日：2020-04-06
Applicant: 郑州轻工业大学
IPC: G06T9/00 , G06V10/764
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区和帧内决策方法，其步骤为：首先，利用标准差计算当前CU的纹理复杂度，并根据纹理复杂度将当前CU分为平滑区域、普通区域或复杂区域；其次，针对平滑区域和普通区域利用原始预测方式进行编码，输出最佳帧内模式预测；针对复杂区域利用随机森林分类器模型进行分类；最后，利用基于纹理区域特征的快速帧内预测模式优化方法对复杂区域进行帧内模式预测，输出最佳帧内模式。本发明通过基于随机森林分类器和基于纹理区域特征的快速帧内预测模式优化方法对CU进行帧内编码预测，得到最优的帧内编码模式，能够减少一半以上的编码模式的计算，降低了计算复杂度，节省了编码时间。
-
公开(公告)号：CN111212292B
公开(公告)日：2023-04-28
申请号：CN202010046795.5
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/96 , H04N19/176 , H04N19/119 , H04N19/147 , H04N19/109 , H04N19/11 , H04N19/19 , H04N19/14
Abstract: 本发明提出了一种基于H.266的自适应CU分区和跳过模式方法，其步骤为：首先，利用编码器将视频划分为编码树单元；其次，根据编码树单元的不同分别利用改进的贝叶斯决策或相邻块单元的RD成本信息对CU块进行分割；再根据分割后的子CU块的相邻块及分割前的CU块的相关性，计算子CU块的相邻块及分割前的CU块的RD成本的平均值，并作为帧间预测的阈值；最后，根据子CU块的RD成本与帧间预测的阈值的关系，判断子CU块是否帧间预测确定最佳编码模式。本发明利用时间和空间的相关性分析当前CU块的特征，进行自适应CU分区及早期跳过模式检测，有效降低了CU分区以及预测过程的复杂度，从而加速编码过程。
-
Patent Agency Ranking
公开(公告)号：CN112929658B
公开(公告)日：2022-12-09
申请号：CN202110161928.8
申请日：2021-02-05
Applicant: 郑州轻大产业技术研究院有限公司 , 郑州轻工业大学
IPC: H04N19/122 , H04N19/147 , H04N19/159 , H04N19/186 , H04N19/96
Abstract: 本发明提出了一种针对VVC的基于深度强化学习的快速CU分区方法，用于解决现有编码技术中存在的计算复杂性和编码性能不平衡的技术问题。其步骤为：首先，通过计算率失真值的方式分别对视频序列中的单帧图像进行划分得到大小为32×32的CU，并保存每个32×32的CU的初始状态；其次，分别将每个32×32的CU的初始状态及其对应的动作输入DQN中进行训练，输出每个32×32的CU的最佳划分方式。本发明将拆分32×32的CU划分情况视为状态，将划分模式决策视为动作，将率失真值作为奖励，并由编码器作为智能体来连续做出编码决策。并通过DQN对32×32的CU进行编码模式的选择，既保证了迭代的稳定性，在不降低编码性能的前提下降低了计算复杂性。
-
公开(公告)号：CN111654698B
公开(公告)日：2022-03-22
申请号：CN202010534562.X
申请日：2020-06-12
Applicant: 郑州轻工业大学
IPC: H04N19/119 , H04N19/70 , H04N19/96 , G06V10/764 , G06V10/774 , G06K9/62
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区决策方法，其步骤为：首先，利用传统编码方法对视频序列进行编码，并在编码过程中记录与CU划分的类别相关的特征，并利用改进的F‑score特征选择方法计算特征的得分值，将得分值较高的特征作为特征子集；其次，根据CU划分的类别和特征子集构建改进的有向无环图DAG‑SVM分类器模型；最后，将待划分的CU的纹理复杂度、方向复杂度和量化步长输入改进的有向无环图DAG‑SVM分类器模型中，预测CU最佳划分类别。本发明通过改进的F‑score特征选择方法和改进的有向无环图支持向量机DAG‑SVM模型的结合，能够提前预测最佳CU分区，降低了计算复杂度，节省了编码时间。
-
公开(公告)号：CN112291562A
公开(公告)日：2021-01-29
申请号：CN202011183696.8
申请日：2020-10-29
Applicant: 郑州轻工业大学
IPC: H04N19/159 , H04N19/172 , H04N19/64
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区和帧内模式决策方法，其步骤为：首先，当CU大小为第一种尺寸时，选择有效特征来区分CU分区模式；其次，通过有效特征在线训练SVM分类器模型，并利用训练好的SVM分类器模型用于确定第一种尺寸对应的CU分区模式；当CU大小为第二种尺寸时，分别计算五个分割模式下CU的方差的方差，并将最大值对应的分割模式作为CU的最佳模式；最后，根据计算的划分后的CU的像素值偏差PVD将帧内预测模式分为垂直帧内模式和水平帧内模式，并使用改进的搜索方式确定最佳帧内预测模式。本发明既缩短了CU划分的时间，又减少了需要计算的帧内预测模式的数量，可以在保持编码质量的同时降低编码的计算复杂度。
-
公开(公告)号：CN111429497A
公开(公告)日：2020-07-17
申请号：CN202010201383.4
申请日：2020-03-20
Applicant: 郑州轻工业大学
Inventor： 赵进超 , 张秋闻 , 王兆博 , 王祎菡 , 崔腾耀 , 赵永博 , 郭睿骁 , 王晓 , 蒋斌 , 黄立勋 , 张伟伟 , 钱晓亮 , 吴庆岗 , 常化文 , 魏涛 , 孙丽君
Abstract: 本发明提出了一种基于深度学习和多特征融合的自适应CU拆分决策方法，其步骤为：首先，利用标准偏差计算当前CU的纹理复杂度SD，再利用量化参数函数和深度函数构建阈值模型，将当前CU分为复杂CU和均匀CU；其次，如果复杂CU属于边缘CU，则利用基于多特征融合的CNN结构对复杂CU进行判断是否拆分；否则，利用基于自适应的CNN结构对复杂CU进行判断是否拆分。本发明将深度学习和多特征融合相结合，解决了编码复杂性的问题。基于多特征融合的CNN结构和基于自适应的CNN结构均可成功处理训练样本，避免计算所有与复杂CU的率失真RDO，从而降低了计算复杂度，节省了编码时间。
-
公开(公告)号：CN111212292A
公开(公告)日：2020-05-29
申请号：CN202010046795.5
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/96 , H04N19/176 , H04N19/119 , H04N19/147 , H04N19/109 , H04N19/11 , H04N19/19 , H04N19/14
Abstract: 本发明提出了一种基于H.266的自适应CU分区和跳过模式方法，其步骤为：首先，利用编码器将视频划分为编码树单元；其次，根据编码树单元的不同分别利用改进的贝叶斯决策或相邻块单元的RD成本信息对CU块进行分割；再根据分割后的子CU块的相邻块及分割前的CU块的相关性，计算子CU块的相邻块及分割前的CU块的RD成本的平均值，并作为帧间预测的阈值；最后，根据子CU块的RD成本与帧间预测的阈值的关系，判断子CU块是否帧间预测确定最佳编码模式。本发明利用时间和空间的相关性分析当前CU块的特征，进行自适应CU分区及早期跳过模式检测，有效降低了CU分区以及预测过程的复杂度，从而加速编码过程。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.024 seconds)
