基于自适应量化矩阵的硬判决量化算法

在视频编码中,视频量化一般分为硬判决量化(HDQ)和软判决量化(SDQ),HDQ与SDQ相比,编码性能虽有所损失,但其编码复杂度低,易于硬件实现的优点依旧是主流编码器所主要采用的量化算法。人眼具有对图像中的高频细节不敏感的特性。因此,基于Bayes最小误判概率约束,离线构建基于视频内容自适应的量化矩阵,在模拟感知SDQ算法机理下,对高频低频分量采用不同的量化步长,提高视频的主观质量和HDQ算法性能。仿真实验表明,相比于传统的HDQ算法,该文算法能达到平均5.048%的码率节省,其中WVGA和WQVGA格式平均达到10.65%的码率节省。相比于感知SDQ算法,平均码率增加仅有1.464%;算法复杂度方面,编码一帧的时间相比于感知SDQ节省了32.956%。

一种内容自适应的硬判决量化算法

在视频编码器中,软判决量化可获得最优编码性能,但其中维特比算法会导致严重的系数间串行处理依赖.比较而言,基于死区的硬判决量化算法率失真性能有所损失,但不存在系数间依赖,且非常适合硬件并行流水处理.今采用离线统计的方法,分析余弦变换系数的分布情况,量化余数对量化的具体影响,构建了基于余弦变换系数分布参数,量化余数的自适应偏移模型.基于该模型提出一种内容自适应的硬判决量化算法.仿真结果表明,该算法在保证并行化处理的条件下,其编码性能相比于传统的硬判决量化有一定的提升,可接近软判决量化算法性能.

TCM模型的自适应硬判决量化算法

在视频编码中,DCT系数分布模型是率失真理论模型的基础,视频量化一般可分别为硬判决量化(HDQ)以及软判决量化(SDQ),SDQ算法能实现最优编码性能,但其中维特比算法会导致严重的系数间串行处理依赖.比较而言,基于死区(deadzone)的HDQ算法率失真性能略有损失,但是不考虑系数间的相关性.提出了一种基于分段逼近TCM模型(Transparent Composite Model)的自适应硬判决量化算法,采用更精确的DCT分布估计模型,估算不同频率分量DCT系数的分布参数.根据模型参数及DCT系数分布参数,优化构造自适应的死区偏移量模型.实验表明,相对于固定偏移量HDQ算法,其编码性能非常接近于SDQ算法.

基于有记忆信源模型的视频编码量化算法研究

针对视音频优化量化算法研究,本文通过模拟最佳软判决量化特点,引入系数间的相关性,在硬判决量化基础上提出一种有记忆信源模型的量化算法。该模型统计了量化块中每个位置编码比特节省估计量,利用贝叶斯二值判别法计算出可区分量化结果的最佳估计阈值,二值做差得到码率节省余量,利用码率节省余量实现对量化偏移量的动态调节,从而优化量化算法。实验表明,基于本文的有记忆信源模型相较于传统硬判决量化有显著性能提升,BD-PSNR有0.0964d B提升,相当于3.5723%码率节省。本文偏移量模型基于离线建模,实时计算所需额外计算复杂度较小,适合硬件编码器架构设计实现。