一种基于图像纹理特征的视频编码帧内预测方法
【技术领域】
[0001] 本发明涉及数字视频通信领域中的视频信息处理，具体是涉及一种基于图像纹理 特征的视频编码帧内预测方法。
【背景技术】
[0002] 随着移动互联网以及多媒体技术的不断发展，数字电视、网络电视、视频会议等 随处可见。人们对高清及超高清视频的需求越来越大。面对当今视频应用往高清晰度、 高帧率、高压缩率发展的趋势，目前广泛应用的视频编码标准H. 264已逐渐出现一些局 限性。在这一形势下，VCEG和MPEG两大标准组织在2010年联合成立了 JCT-VC(Joint Collaborative Team on Video Coding)组织，开始制定新一代视频编码标准HEVC(High Efficiency Video Coding，高效率视频编码）并于2013年1月正式成为国际视频编码标 准。
[0003] HEVC沿袭了Η. 26x和MPEG系列的基于块的联合预测熵编码混合模型。在帧内预测 方面增加了基于四叉树的灵活编码结构及更加丰富的预测模式能更好地适应各种类型的 视频需求，也和当前高分辨率视频的发展需求相符合，但随之而来的高复杂度却成为HEVC 广泛应用的瓶颈。HEVC首次提出的基于四叉树的⑶(Coding Unit，编码单元）划分模式，⑶ 尺寸按照递归的方式，从64X 64, 32 X 32,16 X 16,8 X 8中选择率失真代价最小的作为最优 尺寸。图1展示了一个IXU的划分实例，其中CT1表示深度为i的CU，⑶。对应尺寸64X 64， ⑶淋应尺寸32 X 32,以此类推。同时HEVC引入PU (Prediction Unit，预测单元）作为预测 过程的基本单位，尺寸和CU相比，增加了更为细致的4X4尺寸，帧内预测模式也增加到35 种，使得预测过程更为精确，如图2所示。引进的这些创新技术使得HEVC和H. 264相比，在 保证相同视频质量的同时，码率可减少50%左右。可见，在可用到带宽限制的条件下，HEVC 能很好适应高清视频编码质量的要求，具有巨大的市场应用潜力。然而，在取得高效率的同 时，HEVC编码的计算复杂度也显著增加，成为其广泛推广的瓶颈。而在HEVC帧内预测编码 中，最佳CU划分方式及最佳模式的选择占整个编码时间的80%，因此研究一种快速的帧内 算法对于降低HEVC的编码复杂度极为重要。
[0004] 对于帧内预测的优化，已经提出了众多的提案。为了降低帧内预测复杂的RD运算 的次数，HEVC的帧内预测模式应用粗略模式决策（Rough Mode Decision，RMD)和提取最可 能模式（Most Probable Mode，MPM)的方法得到了精简的最佳候选模式集合，从而减少率失 真（Rate Distortion，RD)计算次数。这两种方案已经被应用在HEVC的测试源码HM中。 但是这两种模式仅从每个CU深度的模式选择上进行优化，没有考虑CU划分过程中更大的 冗余过程。
[0005] 文献[1] "利用平滑区域检测的HEVC帧内编码快速算法"（作者：蒋洁，郭宝龙等， 出处：西安电子科技大学学报（自然科学版），2013年6月，第40卷，第三期，194-200页） 提出了一种利用当前编码单元的率失真判断区域平滑程度，从而跳过不适合的编码划分。 在HM4. 0上测试，在高效配置下节省了 18. 6 %的编码时间。
[0006] 文献[2] "一种HEVC快速帧内模式判断算法"（作者：石飞宇，刘昱，出处：数字电 视，2013年，第37卷，第11期，8-11页），通过将35种帧内预测模式进行分级计算，利用其 中17种模式技能得出最爱预测模式。节省了 50. 17%的编码时间和4. 2%的码率提高。
【发明内容】
[0007] 本发明的目的在于提供一种基于图像纹理特征的视频编码帧内预测方法。
[0008] 本发明的步骤如下：
[0009] 步骤一：通过预处理统计，获取编码单元⑶图像的"强边缘"数Nstl^dge,具体包括 以下步骤：
[0010] 步骤al :计算当前编码单元⑶的像素梯度幅值和相角；
[0011] 在步骤al中，所述计算当前编码单元CU的像素梯度幅值和相角的具体方法可 为：
[0012] 首先，采用3X3的sobel算子进行编码单元⑶像素梯度计算，包括水平分量?^ 垂直分量G 1.:
[0013]
[0014]
[0015] 其中，P1, j为相应坐标（i，j)上的亮度分量像素值；
[0016] 接着，计算出像素梯度的幅值Ganip和相角Gang:
[0017]
[0018]
[0019] 步骤a2 :经校正和区间划分，将梯度相角映射到33种角度预测模式，具体对应关 系如表1所示；然后，将映射到相同预测模式的梯度幅值相加，得到对应模式在梯度直方图 中预测模式幅值，图3展示了一个LCU的梯度直方图，横坐标为33种角度预测模式，纵坐标 为梯度幅值histo(m):
[0020]
[0021] 步骤a3 :将角度预测模式m按照其对应的幅值histo(m)从大到小进行排列，得到 角度预测模式列表Φ ;
[0022] 步骤a4 :采用梯度直方图分组均值比较的方法获取当前⑶图像中"强边缘"的数 ^str edge?
[0023] 在步骤a4中，所述采用梯度直方图分组均值比较的方法获取当前⑶图像中"强边 缘"的数量N stu_的具体方法可为：
[0024] 首先，按照角度0, - π /4, - π /2和-3 π /4四个大方向将33中角度预测模式分为 四组，即[7, 14]，[15, 22]，[23, 30]，[31，6]，分组的方案并不唯一，可以根据精度要求的不 同，选定N个等间距的大方向，将33种角度预测模式均匀的分为N组；
[0025] 然后，计算每个分组的幅值的均值，若当前组的均值均高出左右相邻两组的均值 3dB，或当前组的均值大于选定的阈值，则增加 Ns&__的值，阈值在不同深度的CU中有不同 的取值，阈值Thr (depth)的计算公式如下：
[0026] Thr (depth) = (70-20 X depth) X 26 depth
[0027] 其中，CU的深度取值为0,1，2对应64X64,32X32, 16X 16尺寸的CU ;
[0028] 最后，记录当前编码单元⑶图像中"强边缘"的数量Ns&__。
[0029] 步骤a5 :选定用于⑶深度跳过和提前终止划分的"峰"数阈值Thrsktl^P Thr tCT，使 得当当前CU的Thr _时，最优CU的划分深度小于当前CU深度的概率小于10%; 而当当前CU的Nstt edgeS Thr ^时，最优CU的划分深度大于当前CU深度的概率小于15% ; 通过统计观察，选定Thrsktp= 4, Thr tCT= 1。
[0030] 步骤二、读入一个当前最大的编码单元IXU，开始进行帧内预测编码，并设定跳过 标志位flag_skip和终止标志位flag_terminate，初始值均设为false ;
[0031] 步骤三、判断当前编码单元⑶的尺寸，若⑶的尺寸为8 X 8,则跳到步骤五，否则转 到步骤四；
[0032] 步骤四、判断当前CU的"强边缘"数Ns&__，若Nstoedg^ Thrsktp,设置深度跳过 标志位flag_skip为true，则跳到步骤六；若Ns&_ edge< Thr tCT，设置划分终止标志位flag_ terminate为true，则转到步骤五；否则直接转到步骤五；
[0033] 步骤五、进入预测模式选择阶段，判断当前⑶的"强边缘"数Ns&__是否为0， 若为0,则跳过RMD (Rough Mode Decision，模式粗选）过程，直接选取非角度预测模式DC 和 Planar 模式和 MPM(Most Probable Mode,最可能模式）作为 RD0(Rate Distortion Optimization，率失真优化）候选模式；若