一種HEVC幀內(nèi)編碼快速決策組合算法

易清明,謝志煌,石 敏

(暨南大學 信息科學技術(shù)學院,廣州 510632)

1 引 言

由視頻編碼聯(lián)合組(JCT-VC)制定的最新視頻編碼標準——高效視頻編碼H.265/HEVC(HEVC,high efficiency video coding)[1]致力于提高視頻壓縮性能,與當前普及的高級視頻編碼標準H.264/AVC(AVC,Advanced Video Coding)相比,節(jié)省了大約50%的碼率.HEVC引用四叉樹結(jié)構(gòu)概念對圖像進行劃分成編碼樹單元(CTU,coding tree unit),如圖1所示,最大編碼單元(LCU,largest coding unit)大小為64×64,最小編碼單元(SCU,smallest coding unit)大小為8×8.同時,HEVC將幀內(nèi)預(yù)測模式從H.264/AVC的9種擴大到了35種,包括33種角度預(yù)測模式、DC模式和Planar模式[2].四叉樹結(jié)構(gòu)的靈活劃分編碼單元和眾多的預(yù)測模式不僅顯著提升了壓縮效率,同時大幅增加了計算復(fù)雜度,不利于實時應(yīng)用.因此,降低HEVC的編碼復(fù)雜度是近幾年的研究熱點.

在幀內(nèi)編碼過程中,一個LCU最終劃分結(jié)構(gòu)的確定,需要依次從深度0到深度3的全部遍歷計算,即1+4+4×4+4×4×4=85 個CU的預(yù)測過程.而預(yù)測過程中,每一個PU包括向下繼續(xù)劃分的4×4大小PU均需要遍歷35種預(yù)測模式的粗模式?jīng)Q策(RMD)過程,即1×35+4×35+16×35+64×35+256×35=11935次粗模式?jīng)Q策.接著,仍需要進行包括最可能模式(MPMs,most probable modes)在內(nèi)的候選模式列表的率失真(RD)代價計算,得出最后的最優(yōu)模式.

圖1 CU劃分結(jié)構(gòu)Fig.1 CU partition structure

為了降低編碼的計算復(fù)雜度,許多學者對HEVC幀內(nèi)編碼的快速算法進行研究.在預(yù)測模式?jīng)Q策方面,文獻[3]提出一種基于邊緣檢測和根據(jù)絕對誤差和(SATD,sum of absolute transformed difference)計算代價分類的算法,該算法提前減少RDO候選模式個數(shù)以達到減少編碼時間.文獻[4]提出一種類似于三步搜索法的方法,在RMD階段根據(jù)原始模型計算得到的哈達瑪變換代價(HAD cost,Hadamard transform based cost)逐步縮小預(yù)測模式候選列表,同樣減少了遍歷所有的預(yù)測模式所帶來的計算復(fù)雜度.文獻[5]根據(jù)相鄰PU的像素值和當前PU像素值的相似度對預(yù)測模式進行篩選,雖然該算法取得不錯的編碼時間縮減,但對預(yù)測模式的過度排除導(dǎo)致率失真性能損失不小.

在編碼單元大小決策方面,文獻[6]通過對當前CU和向下劃分的四個子CU率失真代價進行比較,決定是否終止CU繼續(xù)劃分.文獻[7]根據(jù)紋理特征提出一種CU深度快速決策算法,紋理復(fù)雜的CU則從最大深度向最小深度反向預(yù)測,紋理平滑的CU則從最小深度從最大深度進行編碼,并根據(jù)方差提前終止劃分.文獻[8]設(shè)計了多個紋理探測器對水平方向、垂直方向、45°方向和135°方向進行檢測再與下一層的4個子編碼單元進行比較決定是否終止劃分或提前劃分.文獻[9]利用機器學習的線性支持向量機(linear-SVM)對編碼單元的劃分與否進行分類.文獻[10]運用方差閾值法來對CU深度做決策,在進行幀內(nèi)預(yù)測之前對整個CU的方差計算與閾值進行比較,直接決定CU的劃分深度后再進行幀內(nèi)預(yù)測.

在已有算法的基礎(chǔ)上,本文提出一種應(yīng)用于預(yù)測模式?jīng)Q策和編碼單元大小決策的快速組合算法.在編碼單元劃分上,我們在每一個CU深度層都利用方差閾值法將決策劃分成三種:首先對于復(fù)雜CU我們提前進行劃分;接著對于平滑CU我們終止其再向下劃分;而第三種即為不確定類,此類當前CU大小不能用閾值法準確判定是否終止劃分或提前劃分,故不做處理.完成快速劃分決策的編碼單元在幀內(nèi)預(yù)測過程中,對角度模式和填充漸變模式進行分別處理,排除低可能性的預(yù)測模式,減少不必要的計算.

2 預(yù)測模式快速決策

HEVC編碼器的幀內(nèi)預(yù)測過程主要由以下三個步驟完成:第一步,粗模式?jīng)Q策(RMD)對所有的35種預(yù)測模式進行代價遞增排序,然后根據(jù)表1選取對應(yīng)個數(shù)的預(yù)測模式組成候選模式列表;第二步候選模式列表與最佳可能模式列表匹配,若最佳可能模式列表中有候選模式列表不包含的預(yù)測模式,則更新到候選模式列表中;最后一步即將更新后的候選模式列表通過RDO選出最優(yōu)模式.整個過程中,最后一步的RDO計算復(fù)雜度最高.

表1 RDO候選模式數(shù)量
Table 1 Number of candidate modes in RDO

PU size64×6432×3216×168×84×4number33388

我們對幀內(nèi)預(yù)測過程做了直觀的時間損耗分析如表2所示,RDO的計算復(fù)雜度極高使得它占據(jù)整個預(yù)測過程超過一半的時間損耗,而RMD也占據(jù)了近乎四分之一的時間損耗,因此準確地找出PU的最佳預(yù)測模式或準確地排除低可能性的預(yù)測模式就能夠有效地降低幀內(nèi)預(yù)測過程的計算復(fù)雜度.本文在預(yù)測模式快速決策上設(shè)計了兩個子算法,分別為角度模式快速篩選(AMFE,angular modes fast exclusion)算法和基于統(tǒng)計分析的概率決策(SAPD,statistical analysis based probabilistic decision)算法.

表2 幀內(nèi)預(yù)測過程時間損耗占比
Table 2 Proportion of time consumption in intra prediction

SequencesRMDRDOothersFlowervase25.4%60.4%14.2%KeibaC23.6%57.1%19.3%Mobisode226.5%54.4%19.1%ChinaSpeed22.1%59.0%18.9%Average24.4%57.7%17.9%

2.1 角度模式快速篩選

本文對角度預(yù)測模式設(shè)計了四個方向探測器,如圖2所示.對于當前PU中的每個像素都進行這四個方向的檢測,檢測允許存在一定的像素偏移,即方向像素差小于3的均視為

圖2 四個方向探測器Fig.2 Four directional detectors

偏移像素不做處理,像素差大于等于3則視為變化像素,累加對應(yīng)方向的懲罰權(quán)值(DPWs,directional penalty weights),計算如式(1)所示:

(1)

其中,pixelc為中心像素,pixeli為各方向上的像素.PU中所有像素遍歷完四個方向后得到的四個懲罰權(quán)值總和即為最終的方向懲罰權(quán)值.越小的DPWs證明PU在該方向的方向特征越強,越大的DPWs表示PU在該方向的像素值變化越大,該方向的方向特征越弱.因此,我們可以根據(jù)DPWs對33種角度預(yù)測模式進行篩選,通過小于懲罰閾值的最小DPWs所檢測出的方向,在RMD之前根據(jù)表3選擇對應(yīng)方向的角度預(yù)測模式組,降低RMD的計算復(fù)雜度.

表3 AMFE中RMD預(yù)測模式組
Table 3 Prediction modes groups for RMD in AMFE algorithm

DPWPrediction modesDPWA0,1,22,23,24,25,26,27,28,29,30DPWAR0,1,2,3,4,5,6,31,32,33,34DPWR 0,1,6,7,8,9,10,11,12,13,14DPWBR0,1,14,15,16,17,18,19,20,21,22

AMFE算法用錯誤率來決定懲罰閾值,錯誤率即滿足DPWs懲罰閾值編碼后的PU預(yù)測模式與原始HM模型編碼后的PU預(yù)測模式不匹配率.如圖3所示,訓練序列為Flowervase、Slideshow和BasketballDrive,分辨率分別為832×480、1280×720及1920×1080,量化參數(shù)為標準測試的22、27、32和37,測試PU大小為8×8.

圖3 懲罰閾值與錯誤率的關(guān)系Fig.3 Relation between thresholds and wrong hit rate

從圖中我們可以看出錯誤曲線對量化參數(shù)并不敏感,四條量化曲線幾乎穩(wěn)定重合,即在量化參數(shù)范圍內(nèi)視頻紋理特征基本不改變,懲罰閾值不因量化參數(shù)改變而改變.可以看到,錯誤曲線在錯誤率5%附近處有個拐點,當閾值逐步遞增時,錯誤率迅速增加,因此當PU大小為8×8時,平衡編碼時間和編碼質(zhì)量后,懲罰閾值選取為14,表4給出了其余的懲罰閾值.

表4 各大小PU的懲罰閾值
Table 4 Thresholds in each size of PU

PU size64×6432×3216×168×84×4Thresholds38813643141

我們還對滿足DPWs閾值條件的8×8及4×4大小的PU候選模式列表的選取率進行分析,如表5所示,因為大于8×8大小的PU候選模式均為3個,待RDO計算數(shù)量已經(jīng)很少故不做處理.表5中,CandN表示候選模式列表中的第N個候選預(yù)測模式,可以看出,兩種大小PU的前3個候選模式成為最優(yōu)模式的概率總和均超過95%,更新MPM后的概率總和分別達到了96.7%和98%.故將候選模式列表中的候選模式從8個縮減到3個后并更新MPM,不僅保證了預(yù)測準確率,也大大降低了RDO過程的計算時間.

表5 候選模式成為最優(yōu)模式的概率
Table 5 Proportions of each candidate mode being selected as the best mode

SizeCand0Cand1Cand2Cand3Cand4MPM8×880.3%11.0%4.0%1.2%0.8%1.4%4×489.2%6.2%1.8%0.6%0.4%0.8%

2.2 基于統(tǒng)計的概率決策

本文對不滿足AMFE算法的PU,進行原始HM編碼器的RMD過程后得到原始的候選模式列表.根據(jù)候選模式列表與最優(yōu)模式統(tǒng)計發(fā)現(xiàn),若候選模式列表中的前三模式包含DC、Planar和垂直模式(模式26)中任意兩個,則這三個模式成為該PU最優(yōu)模式的概率遠高于其他模式.表6統(tǒng)計了所有PU各種大小中滿足該特定條件且這三個預(yù)測模式最終被選取為最優(yōu)模式的概率.

表6 特定條件下三個預(yù)測模式成為最優(yōu)模式的概率
Table 6 Three candidates under specified condition being selected as the best mode

SequencesQPPU size64×6432×3216×168×84×4China-Speed2297.2%93.5%96.3%86.7%94.7%3793.8%95.7%97.1%96.6%98.7%KeibaC 2296.0%97.4%94.6%89.5%92.2%3795.0%96.1%98.2%96.5%98.8%Vidyo1 2292.6%88.5%93.4%88.6%94.9%3793.7%94.8%96.6%98.0%99.2%Average 94.7%94.3%96.0%92.6%96.4%

測試視頻序列為ChinaSpeed、KeibaC及Vidyo1,視頻內(nèi)容包含均等的紋理復(fù)雜和紋理簡單區(qū)域,量化參數(shù)為22和37.從表6我們可知,最低準確率為8×8大小PU的92.6%,最高準確率為4×4大小PU的96.4%,總平均準確率約為95%.以上數(shù)據(jù)表明,該特定條件在紋理復(fù)雜與簡單視頻序列、不同量化參數(shù)下都擁有較高的準確率.故滿足此特定條件的PU可以只選取這三種預(yù)測模式組成候選列表,有效減少候選模式數(shù)量,為后續(xù)的率失真代價計算節(jié)省時間.

同時,為了驗證此類條件并非極少情況,本文還測試了各視頻序列及各大小PU滿足此條件的占比如表7所示,該百分比為滿足SAPD的PU在視頻序列中所有相同大小PU的比例.如表所示,總平均比例為26.1%,表示超過四分之一的所有大小PU均能用SAPD進行快速篩選.最低比例為32×32大小的PU,平均所占比例為18.2%,接近五分之一.最高比例為4×4大小PU的37.4%,即所有4×4大小的PU中超過三分之一的PU包含該三種模式種的任意兩種,且由表6可知這三種預(yù)測模式擁有高達96.4%的概率成為最優(yōu)模式.

表7 SAPD在所有PU中的比例
Table 7 Ratios of PUs meeting SAPD at all size

SequencesQPPU size64×6432×3216×168×84×4China-Speed2236.9%19.9%17.4%20.0%29.5%3733.3%27.0%29.2%41.3%46.5%KeibaC 2227.4%9.7%13.0%19.1%27.8%3722.0%13.1%21.5%35.0%44.7%Vidyo1 2224.5%17.8%14.4%19.0%30.9%3721.8%22.1%30.5%42.9%45.1%Average 27.6%18.2%21.0%26.2%37.4%

2.3 預(yù)測模式快速決策算法流程

以上對幀內(nèi)預(yù)測模式快速決策的AMFE算法和SAPD算法做了詳細的分析,整合后的預(yù)測模式快速決策算法具體步驟如下:

1)獲取PU內(nèi)所有的亮度像素信息;

2)運用四個方向探測器對PU進行方向檢測得到四個DPWs與懲罰閾值進行比較,判斷紋理特征的強弱;

3)若方向紋理特征較強,執(zhí)行AMFE算法,根據(jù)表3選取對應(yīng)的預(yù)測模式組,通過RMD過程得到候選模式列表,并根據(jù)PU尺寸大小對候選模式數(shù)量自適應(yīng)縮減,跳過步驟4、5.若紋理特征較弱則執(zhí)行步驟4;

4)PU進入原始RMD過程得到候選模式列表,對原始候選模式列表進行檢測.若滿足SAPD特定條件,則執(zhí)行SAPD算法后跳過步驟5.若不滿足條件則進入步驟5;

5)執(zhí)行原始HM編碼器對PU進行幀內(nèi)預(yù)測.

3 編碼單元大小快速決策

HEVC幀內(nèi)編碼中,CTU的劃分和編碼單元內(nèi)的紋理復(fù)雜度有著緊密的聯(lián)系,編碼單元CU從最大尺寸64×64到最小尺寸8×8共有四層深度的劃分.大尺寸的CU適用于紋理較為簡單和平坦的區(qū)域,紋理復(fù)雜的區(qū)域由小尺寸的CU編碼則更為精確.圖4給出了原始HM模型幀內(nèi)編碼后的CTU劃分結(jié)構(gòu),編碼視頻序列為Johnny,量化參數(shù)為37,如圖,純色簡單背景區(qū)域均由大尺寸編碼單元直接編碼,而有方向信息且多變的區(qū)域則劃分為小尺寸編碼單元再編碼.

圖4 Johnny的CTU劃分結(jié)構(gòu)Fig.4 CTU partition structures of Johnny

文獻[7]、文獻[10]和文獻[11]均用方差或標準差來衡量編碼單元的紋理復(fù)雜度,文獻[10]用整個CU的方差與單一閾值比較,從而直接決定CU的劃分深度,但單一的閾值缺乏對各層CU紋理復(fù)雜度的考慮和整體方差不能準確表征局部信息,導(dǎo)致該算法雖然減少了編碼時間,但也帶來了大量的比特率增長,其他算法均有類似問題.為此本文提出根據(jù)水平和垂直方向的方差求解對CU的紋理復(fù)雜度進行更準確的判定,如圖5所示.

圖5 CU紋理計算方式Fig.5 Method of textural calculation in CU

如圖5對當前深度的CU計算對應(yīng)的方差,若該深度的CU紋理簡單,則其無論是水平方向還是垂直方向的紋理都十分平坦,即水平和垂直方向的方差都應(yīng)較小.若該深度的CU紋理較為復(fù)雜,則水平或垂直方向至少存在一個方差較大的情況.水平與垂直方差均值具體計算如式(2):

(2)

式(2)中,VARHor為水平方向的方差均值,VARVer為垂直方向的方差均值,mean(pixeli,:)為某行或某列的像素均值.當VARHor和VARVer都小于終止方差均值閾值時,表示當前CU的紋理比較簡單,直接用當前尺寸大小的編碼單元進行預(yù)測編碼,終止其向下劃分的過程;當VARHor和VARVer都大于劃分方差均值閾值時,表示當前CU的紋理比較復(fù)雜,該大小的編碼單元不能夠精確地預(yù)測編碼,則可以跳過預(yù)測過程直接向下劃分得到四個子CU,子CU再判定是否進行預(yù)測過程或繼續(xù)劃分;而VARHor和VARVer不滿足上述兩個閾值的情況均為不確定類,采用原始HM編碼器流程進行編碼.

我們利用李天一等學者所建立的CPIH數(shù)據(jù)庫[12](CPIH database,CTU Partition of Intra-mode HEVC database)對方差均值閾值進行測試選定.CPIH數(shù)據(jù)庫從原始圖像數(shù)據(jù)集(RAISE,Raw Images Dataset)中挑選2000幅分辨率為4928×3264的圖片后下采樣均等分成3個子集合,分辨率分別為2880×1920、1536×1024和768×512,且每一幀均由原始HM編碼器用標準幀內(nèi)編碼參數(shù)進行編碼.因為數(shù)據(jù)庫中的每一幅圖片的前后幀都是獨立的原始圖片,所以在數(shù)據(jù)集上沒有時域上的相關(guān)性,能夠最大化數(shù)據(jù)在幀內(nèi)編碼中的測試與訓練作用.

JCT-VC給出原始HM模型測試的視頻序列里,分辨率最小為D類的416×240,最大為A類的2560×1600,故本文選定測試樣本集為更符合分辨率范圍的3個子數(shù)據(jù)集,測試樣本的量化參數(shù)為22、27、32及37.我們對每一層深度的CU對應(yīng)4個量化參數(shù)分別從3個測試樣本集中隨機選取40000個CU測試樣本.例如,當CU深度為0時,量化參數(shù)為37,則分別從2880×1920、1536×1024和768×512選取由原始HM編碼器編碼后帶有是否向下繼續(xù)劃分標簽的40000個量化參數(shù)為37、64×64大小的CU測試樣本,共120000個CU測試樣本.終止和劃分的方差均值閾值測試結(jié)果最終的選取主要權(quán)衡準確率與總數(shù)比例,各大小編碼單元的閾值在不同量化參數(shù)下的選取如圖6所示.從圖中可以看出32×32與16×16的參數(shù)曲線更為接近,在大部分64×64編碼單元的劃分決策中,更多決策為提前劃分,主要是因為64×64包含的視頻內(nèi)容更豐富,而單一的預(yù)測模式不能很好地對當前區(qū)域的視頻內(nèi)容進行預(yù)測.

4 實驗結(jié)果與分析

本文的算法實驗以原始參考模型HM16.0為平臺,配置文件為all-intra-main,量化參數(shù)為22、27、32和37,測試視頻為官方推薦視頻序列,測試范圍為A類到E類全部.實驗平臺的硬件配置為Intel(R)-Core(TM)i5-4590 CPU,主頻為3.30GHz,內(nèi)存為8.00GB.

實驗編碼性能用比特率變化百分比ΔBR、推薦的比特率變化率BDBR[13]、峰值信噪比變化BDPSNR[13]及編碼時間減少百分比TS來衡量.其中,ΔBR按式(3)計算得到,TS按式(4)計算得到,式中BRprop、Tprop為本文提出的快速算法編碼后的比特率和編碼時間;BRHM、THM為原始HM16.0編碼后的比特率和編碼時間.

圖6 各量化參數(shù)下的方差均值閾值Fig.6 Thresholds of Var-Mean in different QPs

(3)

(4)

表8給出了本文總體算法、預(yù)測模式?jīng)Q策算法和編碼單元大小決策算法在四個量化參數(shù)下的編碼性能結(jié)果,從表中可以看出,本文總體算法與原始HM標準算法相比在編碼時間上平均節(jié)省38.0%,且BDBR僅有0.33%的增加.E類視頻序列中存在較多的紋理簡單區(qū)域,例如Johnny和KristenAndSara的視頻內(nèi)容里擁有大量單一純色的背景,這些區(qū)域可以直接終止大尺寸編碼單元的向下繼續(xù)劃分跳過不必要的預(yù)測計算,所以在編碼單元大小決策優(yōu)化上,E類的優(yōu)化時間平均為44.3%遠高于其他類.單一的紋理特征使得預(yù)測模式優(yōu)化算法能夠快速找到最優(yōu)模式,除E類的純色背景外,超高分辨率的A類視頻序列里中清晰的斑馬線、交通信號牌與地面標識都為算法的優(yōu)化對象.而BlowingBubbles和PartyScene等視頻內(nèi)容的細節(jié)信息豐富、紋理較為復(fù)雜,需要向下劃分得到更多的子編碼單元用更多的模式來精確預(yù)測,所以節(jié)省的編碼時間也最少.表9給出了本文總體算法與其他文獻在幀內(nèi)編碼快速算法上的比較,編碼條件均標準測試參數(shù),編碼性能用BDBR和TS進行衡量.

表8 實驗結(jié)果
Table 8 Experimental results

ClassSequencesMode DecisionCU Size DecisionProposed OverallBDBRTSBDBRTSΔBRBDBRBDPSNRTSATraffic0.15%18.4%0.31%21.6%0.16%0.46%-0.023038.6%(2560×1600)PeopleOnStreet0.12%20.9%0.41%32.3%0.27%0.57%-0.030242.3%B(1920×1080)ParkScene0.07%14.3%0.18%27.4%-0.07%0.29%-0.011836.8%BasketballDrive0.09%15.0%0.14%37.6%0.08%0.32%-0.007844.5%BQTerrace0.04%12.0%0.19%22.3%0.02%0.23%-0.013832.9%C(832×480)BasketballDrill-0.05%14.9%0.13%23.0%-0.11%0.18%-0.008933.5%BQMall0.11%15.2%0.37%22.7%0.27%0.45%-0.026832.3%PartyScene0.07%10.4%0%18.4%-0.05%0.08%-0.006125.0%RaceHorsesC0.06%13.7%0.13%23.9%-0.02%0.20%-0.011733.1%D(416×240)BasketballPass0.17%17.8%0%24.5%-0.01%0.21%-0.012037.6%BQSquare0.08%13.3%0.03%30.5%-0.05%0.14%-0.011137.7%BlowingBubbles0.04%13.3%0.01%12.1%0.25%0.11%-0.006222.5%RaceHorses0.13%14.0%0.08%21.4%0%0.26%-0.015931.8%E(1280×720)FourPeople0.09%20.8%0.38%35.2%0.15%0.57%-0.032045.2%Johnny0.17%22.7%0.54%50.1%0.30%0.71%-0.028958.6%KristenAndSara0.12%19.4%0.44%47.6%0.11%0.50%-0.024856.1%Average0.09%16.0%0.21%28.5%0.08%0.33%-0.016938.0%

表9 本文算法與其他算法的比較
Table 9 Comparisons between our method and others

MethodsBDBRTS[3]1.07%35.6%[5]0.99%25.0%[7]0.57%31.1%[11]0.81%33.3%Proposed0.33%38.0%

從表中我們可以看出,本文算法在BDBR和TS都優(yōu)于其他算法,編碼節(jié)省時間與我們最接近的是文獻[3]和文獻[11]的算法,但兩種算法在BDBR上都由較大的丟失.通過表9對比表明,本文算法在所有視頻類的平均優(yōu)化性能指標都比其他算法要好,即具有廣泛適用性.表10給出了本文算法與其他優(yōu)秀算法在高清及超清視頻序列中性能表現(xiàn)的詳細對比,除用BDBR及TS進行對比外,為了公平地評價優(yōu)化算法的編碼性能,我們引入評價參數(shù)(BDBR/TS×100)[14].該評價參數(shù)反映了編碼復(fù)雜度和BDBR直接的關(guān)系,算法性能越優(yōu)秀,參數(shù)值越小.

文獻[15]與文獻[16]均在預(yù)測模式?jīng)Q策和編碼單元大小決策上做優(yōu)化,三種算法在超清及高清視頻的編碼時間上均有較大的優(yōu)化.文獻[16]與本文在編碼時間節(jié)省上的性能表現(xiàn)與本文相差無幾,而BDBR卻高出了0.31%之多.而文獻[15]雖然在平均TS上比本文算法高出11.6%,但平均BDBR近乎是本文算法的三倍,編碼質(zhì)量損失較大.由前文可知,E類視頻序列中存在大量紋理簡單背景,優(yōu)化算法可以大大縮短編碼時間,但不準確的判斷會導(dǎo)致BDBR的急劇上升與編碼質(zhì)量的下降.通過E類序列的編碼性能比較可知,本文算法的TS略高于文獻[16],低于文獻[15],但文獻[15]的E類序列的平均BDBR為1.84%,大于本文算法0.59%的三倍之多,證明本文算法比文獻[15]與文獻[16]能更準確地找到最適合的編碼單元劃分與最佳預(yù)測模式.因為本文算法在編碼單元的決策上嚴格的篩選和預(yù)測模式上高準確率的選擇,讓編碼過程減少對模糊部分做出錯誤判斷.

表10 本文算法與其他算法在高清及超清視頻序列 上的編碼性能比較
Table 10 Performance comparisons between ourmethod and others in HD and UHD videos

SequencesMethod[15]Method[16]ProposedBDBRTSBDBRTSBDBRTSTraffic1.03%51.0%0.41%46.5%0.46%38.6%PeopleOnStreet0.96%52.3%0.40%48.7%0.57%42.3%ParkScene0.72%47.7%0.51%42.4%0.29%36.8%BasketballDrive1.58%61.2%0.89%50.2%0.32%44.5%FourPeople1.44%57.2%0.96%52.2%0.57%45.2%Johnny2.35%68.4%0.68%49.7%0.71%58.6%KristenAndSara1.73%65.5%1.04%57.5%0.50%56.1%Average1.40%57.6%0.70%49.6%0.49%46.0%BDBR/TS×1002.431.4111.07

在BDBR/TS×100這項評價參數(shù)的對比上,本文算法平均僅有1.07,為三種算法最低,表明編碼性能更優(yōu)秀,即本文算法在擁有同等的編碼時間優(yōu)化能力情況下,具有更優(yōu)秀的編碼質(zhì)量.

5 總 結(jié)

為了降低HEVC幀內(nèi)編碼的計算復(fù)雜度,本文提出了一種幀內(nèi)編碼快速決策組合算法,包括對預(yù)測模式的快速選擇算法和編碼單元大小的快速決策算法.在預(yù)測模式選擇上,本文設(shè)計了四個方向探測器和應(yīng)用數(shù)據(jù)統(tǒng)計分析,分別減少RMD和RDO的候選模式數(shù)量,減少兩個過程的計算復(fù)雜度.在編碼單元大小決策方面,本文對紋理復(fù)雜度進行分析,根據(jù)方差均值對編碼單元劃分決策進行分類,方差均值閾值則由編碼單元數(shù)據(jù)庫權(quán)衡準確率和占比測試得出.實驗結(jié)果表明,本文算法與HM 16.0相比,在保證編碼性能幾乎無損失的情況下,幀內(nèi)編碼時間平均減少38.0%.