-
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：CN111429497B
公开(公告)日：2023-05-05
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
IPC: G06T7/40 , G06T7/136 , G06T7/13 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464
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：CN111654698A
公开(公告)日：2020-09-11
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 , 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：CN111479110A
公开(公告)日：2020-07-31
申请号：CN202010293694.8
申请日：2020-04-15
Applicant: 郑州轻工业大学
IPC: H04N19/109 , H04N19/119 , H04N19/51 , H04N19/543 , H04N19/567
Abstract: 本发明提出了一种针对H.266/VVC的快速仿射运动估计方法，其步骤为：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分为静态区域或非静态区域；对于静态区域的CU，跳过仿射运动估计，直接利用运动估计对当前CU进行预测，并通过率失真优化的方法选择最佳的预测方向模式；对于非静态区域的CU，利用训练好的随机森林分类器RFC模型对当前CU进行分类，输出最佳的预测方向模式。对于静态区域的CU，本发明跳过仿射运动估计，降低了计算复杂度；对于非静态区域的CU，本发明通过提前训练好的模型直接进行预测方向模式的预测，避免了仿射运动估计的计算，从而降低仿射运动估计模块的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN111031303A
公开(公告)日：2020-04-17
申请号：CN201911150040.3
申请日：2019-11-21
Applicant: 郑州轻工业大学
IPC: H04N13/161 , H04N13/271 , H04N19/597
Abstract: 本发明提出了一种基于贝叶斯决策定理的3D-HEVC快速深度编码方法，其步骤为：首先确定深度图树块，分析不同量化参数之间的帧间模式分布；一方面，采用贝叶斯规则计算深度图树块的后验概率，并判断深度图树块的交互模式是否最佳确定深度图树块的最佳编码模式为SKIP/Merge模式；另一方面，根据贝叶斯规则计算深度图树块的贝叶斯成本，根据贝叶斯成本是否小于公差参数，早期确定终止深度图树块的CU修剪，确定最佳编码模式，或者利用3D-HEVC编码器分割深度图树块的CU，测试深度图树块的其他编码模式，找到最佳编码模式。本发明通过引入贝叶斯规则避免了测试深度图编码的其它帧间模式，既保证相似虚拟视点质量，又明显降低3D-HEVC深度编码复杂度。
-
公开(公告)号：CN112601087B
公开(公告)日：2022-10-18
申请号：CN202011320958.0
申请日：2020-11-23
Applicant: 郑州轻工业大学
IPC: H04N19/14 , H04N19/96 , H04N19/176 , H04N19/147
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分裂模式决策方法，用于解决H.266/VVC编码的计算复杂度高的技术问题。其步骤为：首先，采用原始VTM算法对待编码的当前帧的第一个CTU进行编码，并统计编码过程中该CTU所有CU的ASM，进而得到第一个CTU的最小阈值和最大阈值；其次，在对后续的视频序列编码时，将当前CU的ASM值与最小阈值和最大阈值进行对比，从而判断当前CU是否继续分裂。最后通过纹理方向算法计算需要进行分裂的CU的纹理方向，根据纹理方向选择出最佳CU分裂模式。本发明通过GLCM和SAD的结合，能够在节省大量计算量的前提下，提前预测最佳CU分裂模式，降低了计算复杂度，节省了编码时间。
-
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：CN112929657A
公开(公告)日：2021-06-08
申请号：CN202110086854.6
申请日：2021-01-22
Applicant: 郑州轻工业大学
IPC: H04N19/119 , H04N19/147 , H04N19/96
Abstract: 本发明提出了一种基于梯度与方差的H.266/VVC快速CU划分方法，其步骤为：首先根据方差值评估当前CU的同质性，判断是否能提前终止当前CU被进一步划分。然后利用Sobel算子提取当前CU的梯度特征，判断当前CU能否进行QT划分，从而跳过BT和TT划分。最后利用Canny算子提取当前CU纹理的边缘特征，根据当前CU的纹理趋向排除垂直或水平划分方向上的MT划分，将另一个方向的MT划分作为候选，将RDO‑cost最小的一个划分方式作为最优划分方式。本发明逐步对CU划分进行决策，通过早期终止和早期跳过加速CU划分过程，在保证编码质量的情况下，明显降低了CU划分的复杂度，大大提高了编码效率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.031 seconds)
