【技术实现步骤摘要】
基于深度学习和多特征融合的自适应CU拆分决策方法
本专利技术涉及图像处理
，特别是指一种基于深度学习和多特征融合的自适应CU拆分决策方法。
技术介绍
随着对视频压缩的更高要求，开发更有效的视频编码标准变得更加重要。JVET开发了下一代视频编码标准——H.266/VVC。H.266/VVC测试模型(VTM)实现了许多新颖的技术，可以显著提高编码效率。H.266/VVC使用四叉树嵌套多类型树(QTMT)的编码块体系结构进行块分区，这显示出更好的编码性能，但是导致极大的计算复杂度，可能是HEVC的5倍，并且H.266/VVC还包含67种帧内预测模式来进行帧内预测，其中，平面模式和DC模式与H.265/HEVC一样预测模式变得更加密集，因此可以获得更精确的预测，但同时计算复杂度也随之增加。此外，还引入了一些其他工具来提高编码效率，例如位置相关的帧内预测组合(DependentIntraPredictionCombination，PDPC)和多变换选择(MultipleTransformSelection，MTS)，这些技术显著...
【技术保护点】
1.一种基于深度学习和多特征融合的自适应CU拆分决策方法，其特征在于，其步骤如下：/nS1、根据量化参数函数和深度函数构建阈值模型，并根据当前CU的量化参数和深度计算当前CU的纹理分类的阈值；/nS2、利用标准偏差计算当前CU的纹理复杂度SD；/nS3、判断纹理复杂度SD是否小于步骤S1中的阈值，若是，当前CU为均匀CU，不执行拆分，否则，当前CU为复杂CU，执行步骤S4；/nS4、判断复杂CU是否位于图像的边缘，若是，执行步骤S5，否则，执行步骤S6；/nS5、利用基于多特征融合的CNN结构对复杂CU进行分类，当分类结果为1，即复杂CU拆分后的率失真小于拆分前的率失真，对...
【技术特征摘要】
1.一种基于深度学习和多特征融合的自适应CU拆分决策方法，其特征在于，其步骤如下：
S1、根据量化参数函数和深度函数构建阈值模型，并根据当前CU的量化参数和深度计算当前CU的纹理分类的阈值；
S2、利用标准偏差计算当前CU的纹理复杂度SD；
S3、判断纹理复杂度SD是否小于步骤S1中的阈值，若是，当前CU为均匀CU，不执行拆分，否则，当前CU为复杂CU，执行步骤S4；
S4、判断复杂CU是否位于图像的边缘，若是，执行步骤S5，否则，执行步骤S6；
S5、利用基于多特征融合的CNN结构对复杂CU进行分类，当分类结果为1，即复杂CU拆分后的率失真小于拆分前的率失真，对复杂CU进行拆分，否则，复杂CU不拆分；
S6、利用基于自适应的CNN结构对复杂CU进行分类，当分类结果为1，对复杂CU进行拆分，否则，复杂CU不拆分。
2.根据权利要求1所述的基于深度学习和多特征融合的自适应CU拆分决策方法，其特征在于，所述阈值模型为：
Th＝F(QP)×G(Depth)，
其中，Th表示纹理分类的阈值，Depth表示当前CU的深度，QP表示量化参数，F(·)表示量化参数函数，G(·)表示深度函数；
所述量化参数函数和深度函数分别为：
其中，RCU_Depth表示深度为Depth的当前CU在一帧图像中所占的比率。
3.根据权利要求1所述的基于深度学习和多特征融合的自适应CU拆分决策方法，其特征在于，所述纹理复杂度SD的表达式为：
其中，W和H分别代表当前CU的宽度和高度，p(x,y)代表(x,y)处的像素值。
4.根据权利要求1所述的基于深度学习和多特征融合的自适应CU拆分决策方法，其特征在于，所述利用基于多特征融合的CNN结构对复杂CU进行分类的方法为：
S51、采集M组视频序列中位于边缘的复杂CU，并对复杂CU进行翻转与旋转后作为数据集，数据集分为训练集I和测试集I；
S52、分别计算训练集I中每个复杂CU的标准差和深度特征；
S53、搭建网络结构为卷积层I-池化层I-卷积层II-池化层II-卷积层III-池化层III-卷积层IV...
【专利技术属性】
技术研发人员：赵进超，张秋闻，王兆博，王祎菡，崔腾耀，赵永博，郭睿骁，王晓，蒋斌，黄立勋，张伟伟，钱晓亮，吴庆岗，常化文，魏涛，孙丽君，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。