[發(fā)明專利]幀內(nèi)預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201110306265.0
• 申請日: 2011-10-11
• 公開（公告）號: CN102427530A
• 公開（公告）日: 2012-04-25
• 發(fā)明（設(shè)計）人: 施云惠;尹寶才;王瑾;丁文鵬;李敬華
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: H04N7/26
• 分類號: H04N7/26;H04N7/32
• 代理公司: 北京中北知識產(chǎn)權(quán)代理有限公司 11253
• 代理人: 盧業(yè)強

技術(shù)領(lǐng)域

本發(fā)明屬于視頻編碼領(lǐng)域，涉及一種幀內(nèi)預(yù)測方法。

背景技術(shù)

作為最新一代的視頻編碼國際標(biāo)準(zhǔn)，H.264/AVC引入了諸如多方向幀內(nèi)預(yù)測等有效手段。多方向幀內(nèi)預(yù)測在降低圖像或者視頻序列中的幀內(nèi)編碼幀中的空間冗余上起到了重要的作用。H.264/AVC對4×4亮度塊和8×8亮度塊采用9種幀內(nèi)預(yù)測模式，而對16×16亮度塊和8×8色度塊采用4種幀內(nèi)預(yù)測模式。每個預(yù)測模式對應(yīng)一個特定方向，預(yù)測圖像塊根據(jù)它們已經(jīng)編碼的相鄰圖像塊預(yù)測得出。對于4×4圖像塊的9種幀內(nèi)預(yù)測模式中有8種帶方向的預(yù)測模式，如圖1所示。圖1中沒有表示的預(yù)測模式2即不帶方向的DC預(yù)測模式。DC預(yù)測模式中整個4×4圖像塊的預(yù)測值為其相鄰像素值的平均值，DC預(yù)測模式對平滑圖像塊更有效。帶方向的幀內(nèi)預(yù)測通過將已編碼的相鄰像素值沿著特定方向外推得到預(yù)測值，這對有簡單邊緣輪廓的圖像塊更有效。然而，這種基于外推的幀內(nèi)預(yù)測方式?jīng)]有利用幀內(nèi)的全局空間相關(guān)性，并且離已編碼的邊界像素較遠(yuǎn)的像素通常預(yù)測不準(zhǔn)。

許多相關(guān)研究已經(jīng)展開來改進幀內(nèi)預(yù)測效率。“Intra?Prediction?by?Template?Matching”，Thiow?Keng?Tan，Choong?Seng?Boon?and?Yoshinori?Suzuki；2006?IEEE?International?Conference?on?Image?Processing，pp.1693-1696中提出了一種基于模板匹配的幀內(nèi)預(yù)測方法，通過以當(dāng)前圖像塊的相鄰已編碼像素為模板在已編碼區(qū)域中搜索與其最相似的已編碼圖像塊獲得當(dāng)前圖像塊的預(yù)測值?！癐ntra?Prediction?by?Averaged?Template?Matching?Predictors”，Thiow?Keng?Tan，Choong?Seng?Boon?and?Yoshinori?Suzuki；2007?IEEE?Consumer?Communications?and?Networking?Conference，pp.405-409中在此基礎(chǔ)上通過將由多方向和不同尺寸的模板得到的預(yù)測值進行平均的方式做了進一步改進。在“Improved?H.264?Intra?Coding?Based?on?Bi-directional?Intra?Prediction，Directional?Transform，and?Adaptive?Coefficient?Scanning”，Yan?Ye?and?M.Karczewicz，2008?IEEE?International?Conference?on?Image?Processing，pp.2116-2119中通過額外的雙向幀內(nèi)預(yù)測模式和對某些預(yù)測模式的方向變換改進了幀內(nèi)預(yù)測的效果?！癝parse?Approximation?with?Adaptive?Dictionary?for?Image?Prediction”，M.Turkan?and?C.Guillemot，2009?IEEE?International?Conference?on?Image?Processing，pp.25-28提出了一種基于稀疏表示利用一組冗余字典的方法來解決幀內(nèi)預(yù)測問題，這為靜止圖像的編碼提供了一種新的思路。

矩陣填充問題用于從一個不完整矩陣的少量已知元素的樣本中恢復(fù)未知元素。這是一個病態(tài)問題，因為已知樣本遠(yuǎn)少于矩陣元素，解不唯一。然而，如果待恢復(fù)的矩陣是低秩或者近似低秩的，則矩陣可以通過解如下NP難的秩最小優(yōu)化問題精確重建：

min?rank(A)，s.t.A_ij＝M_ij，(i，j)∈Ω

其中A為待重建的矩陣，M為觀測矩陣并且M∈R^n×n，Ω為包含m個已知觀測元素的索引的子集。上述秩最小優(yōu)化問題可用如下的優(yōu)化問題代替：

min||A||_*，s.t.A_ij＝M_ij，(i，j)∈Ω

其中||A||_*為矩陣A的核范數(shù)，表示矩陣的奇異值之和。核范數(shù)用來作矩陣秩的替代是因為核范數(shù)是凸函數(shù)，可以通過半正定規(guī)劃的方式有效求解。Candes等已經(jīng)證明了矩陣秩最小的優(yōu)化問題和核范數(shù)最小的凸優(yōu)化問題有相同的唯一解。近來在解決低秩矩陣填充問題上的進展使其在諸如推薦系統(tǒng)、人臉識別和視頻去噪等諸多領(lǐng)域得到了應(yīng)用。與此同時，許多解秩最小優(yōu)化問題的有效算法如SVT和FPCA也已經(jīng)提出了。