论文部分内容阅读
与高级视频编码标准AVC(Advanced Video Coding)相比,高效率视频编码标准HEVC(High Efficiency Video Coding)大大提高了编码效率,这得益于HEVC采用了许多新的编码技术。但是新技术的引入增加了编码器的计算复杂度,也阻碍了HEVC的应用。因此,研究HEVC快速编码算法具有非常重要的意义。本文主要研究基于机器学习的HEVC帧内预测快速块划分算法,主要创新性工作如下:(1)提出了一种基于支持向量机SVM(Support Vector Machine)的帧内预测快速块划分算法,其创新性在于利用图像方差、边缘方向、梯度方向、量化步长和编码单元CU(Coding Unit)尺寸大小五类共九个特征提高了SVM模型的分类准确性。首先在离线阶段提取CU块的特征值作为输入数据,提取CU块的划分与否作为标签以此来训练SVM离线模型。该SVM模型选用径向基函数RBF(Radical Basis Function)为核函数,惩罚参数C和RBF参数γ是由网格搜索法确定的。在线阶段提取当前CU块的特征值并将其输入到SVM离线模型中,最后通过SVM离线模型的预测值判断当前CU块是否继续划分。实验结果表明,该算法与HM13.0标准算法相比将编码时间缩短50.5%,而编码比特率BD-Rate(Bj?ntegaard Delta Bit Rate)仅仅增加0.92%。与经典帧内预测快速块划分算法相比,该算法在编码时间和编码性能上都有良好表现,其中编码时间缩短30.1%,而BD-Rate也减少0.87%。与同样使用支持向量机算法的文献相比,该算法减少11.6%的编码时间,而BD-Rate也减少0.13%。(2)提出了一种基于贝叶斯决策的帧内预测快速块划分算法,其创新性在于去掉了传统贝叶斯算法的离线训练阶段,并且利用图像方差、边缘方向、梯度方向和编码单元CU尺寸大小四类共八个特征提高了贝叶斯分类器的分类准确性。首先通过场景变化检测将视频帧划分为快速块划分帧和在线学习帧,场景变化检测方法是基于平均灰度差值实现的。其次,对于场景发生变化的视频帧和在线学习视频帧,进行标准块划分,并提取编码单元CU的特征值,以此建立高斯混合模型。该模型是根据EM(Exception Maximization)算法来确定模型的具体参数,并由K-Means算法初始化参数值。对于在快速块划分视频帧,提取当前编码单元CU的特征值并将其输入到高斯混合模型中,最后通过最小错误率贝叶斯公式判断当前CU块是否继续划分。实验结果表明,该算法与HM13.0标准算法相比将编码时间缩短52.2%,而仅仅增加0.99%的编码比特率BD-Rate。与经典帧内预测快速块划分算法相比,该算法在编码时间和编码性能上都有良好表现,其中编码时间缩短30.6%,而BD-Rate也减少0.82%。与同样使用贝叶斯决策算法的文献相比,该算法减少19.3%的编码时间,而BD-Rate仅增加0.09%。