用于块匹配运动估值的正方形-菱形搜索算法

运动估值在视频图像编码中占有重要地位 ,该文首先研究了运动估值中的经典搜索算法并重点分析了菱形 (DS)算法 ;然后设计了一种新的综合模板 (SDP) ,它体现了粗定位和准确定位并行处理的思想 ,在此基础上提出了一种新的用于块匹配的运动估值搜索算法——正方形 -菱形搜索 (SDS)算法 .最后通过实验验证了该算法的有效性 .

用于块匹配运动估值的预测正方形-菱形搜索算法

在正方形-菱形搜索(SDS)的基础上,再根据视频序列图像帧相邻空间块和对应的运动向量的高度空间相关性,提出了一种预测正方形-菱形搜索算法(PSDS)。该算法在运动估值的过程中引入了预测运动向量的概念,与SDS算法具有相似的计算复杂度,但是视频编码质量优于SDS算法。

基于连续消除的正方形-菱形运动估计算法

在基于搜索起点预测和正方形-菱形算法(SDS)的基础上,结合连续消除算法(SEA),提出了一种新的运动估计算法:基于连续消除的正方形-菱形运动估计算法(SEA-SDS)。实验结果表明,该算法以比较小的代价取得了与全搜索算法(FS)相当的效果;在搜索次数和精度方面均优于菱形(DS)和正方形-菱形(SDS)快速运动估计算法。

基于PGDS的快速运动估计算法

为了提高块匹配运动估计算法的搜索速度与精度,提出一种鲁棒的基于空间预测和梯度下降法的菱形-方形快速匹配算法(PGDS);该算法主要思想是判断当前块的运动是否与相邻块相关,若相关,则求出预测矢量,然后以预测值为中心,运用高精度的SD-SP模板进行搜索;若不相关,则采用基于梯度下降法的菱形-方形搜索算法(GDS)从中心点开始搜索;实验结果表明,该算法与TSS,DS算法相比,搜索速度与精度都有明显的提高,且鲁棒性较强。

一种新的运动搜索算法

根据序列图像中运动矢量的中心偏置分布特性和矢量间的时空相关性,设计了一种基于连续消除的正方形--菱形搜索策略。在此基础上,融合了搜索起点预测和自适应搜索等技术,提出了一种可预测搜索起点的自适应的基于连续消除的正方形--菱形搜索算法(PA-SEA-SDS)。实验表明,该算法以较小的代价取得了与全搜索算法相当的效果,在搜索次数和精度上均优于菱形和正方形-菱形搜索算法。