基于时空域复杂度特征的LCU级码率分配算法

提出一种新的最大编码单元(Largest Coding Unit,LCU)级码率分配算法,在保证码率准确性的前提下提升视频质量。首先,选择更符合人眼视觉特性的结构相似性(Structural Similarity,SSIM)图像评价算法来衡量每个LCU的空域复杂度,通过已编码帧的失真度来衡量每个LCU的时域复杂度,基于多元线性回归函数对时空域复杂度特征与实际编码比特数之间的关系进行数学建模。最后,依据时空域复杂度特征因子指导编码帧中每个LCU分配合理的目标码率。实验结果表明,在保证码率精确性的情况下,所提的LCU级码率分配算法具有较高的编码效率,率失真性能平均提高了1.25%。

基于LCD模型的LCU选择性视频加密

为满足视频加密中部分信息加密的需求,提出一种基于最大编码单元(LCU)的选择性视频加密方案。结合高效视频编码标准得到四叉树分割下的编码单元差值图,设计LCU灰度相关度与中心距离加权融合的LCU相关距离模型,统计差值图的LCU相关性,使LCU具备可选择性加密能力,并将Arnold置乱算法应用于方块化的LCU,通过多LCU块的加密增加破解难度。实验结果表明,与现有视频加密方案相比,该方案对于视频关键区域的加密具有更高的安全性。

基于多类支持向量机的3D-HEVC深度视频帧内编码快速算法

深度视频编码中最优深度划分和模式选择过程具有非常高的计算复杂度。提出了基于多类支持向量机(MSVM,multi-class support vector machine)的深度视频帧内编码快速算法。该算法包括离线模型训练和快速编码2个部分。在离线模型训练中,用深度视频最大编码单元(LCU,largest coding unit)的最优划分深度作为标签,当前LCU的空域复杂度、空域相邻LCU的最优划分深度和彩色视频对应LCU的最优划分深度作为特征去构造MSVM模型。在编码时,提取LCU的特征,根据MSVM模型得到划分深度的预测值。根据该预测值提前终止编码单元递归划分和模式选择过程。实验结果表明,提出的算法在几乎不影响虚拟视点质量的情况下,平均节省35.91%的总体编码时间和40.04%的深度编码时间。

基于FSCD-CNN的深度图像快速帧内预测模式选择算法

针对3D-HEVC的多视点视频加深度图的编码格式和四叉树编码结构所带来的编码复杂度问题,提出了一种深度图像快速帧内预测模式选择算法。首先,从深度视频序列中以最优的深度图最大编码单元(largest coding unit, LCU)划分深度为标签获取训练集;其次,构建了适用于LCU的Cu深度快速选择卷积神经网络(fast selecting Cu’s depth-convolutional neural network, FSCD-CNN);最后,对深度图LCU进行划分深度预测,跳过部分编码模式决策,实现最佳LCU划分。实验结果表明,与相关文献对比,所提算法在保持了编码性能的同时平均减少了15%的编码时间,实验验证了其有效性和可靠性。

一种HEVC帧内编码的快速算法

针对高效视频编码(HEVC)帧内预测复杂度高和耗时长的缺点,提出一种HEVC帧内编码的快速算法。首先根据相邻编码单元的时空域相关性,缩小编码单元深度遍历范围,提前中止或跳过不必要的深度,同时在选择当前编码单元的最佳模式时,根据Planar模式是否可为最佳模式,分别采取不同的方案减少预测模式数量。实验结果表明,与HM10.0相比,提出的算法能在保持编码性能的同时将编码时间减少约30%,加快了帧内编码的速度,具有很好的实用性。