[發明專利]一種視頻壓縮中的預測方法有效
| 申請號: | 201811260568.1 | 申請日: | 2018-10-26 |
| 公開(公告)號: | CN109561301B | 公開(公告)日: | 2020-08-11 |
| 發明(設計)人: | 冉文方;李雯 | 申請(專利權)人: | 蘇州龍盈軟件開發有限公司 |
| 主分類號: | H04N19/103 | 分類號: | H04N19/103;H04N19/50;H04N19/176;H04N19/182;H04N19/132 |
| 代理公司: | 北京權智天下知識產權代理事務所(普通合伙) 11638 | 代理人: | 王新愛 |
| 地址: | 215000 江蘇省蘇州市相城區*** | 國省代碼: | 江蘇;32 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 視頻壓縮 中的 預測 方法 | ||
1.一種視頻壓縮中的預測方法,其特征在于,包括:
S1.采用第一預測方法計算圖像的第一預測殘差;S1包括:S11.確定當前像素的多個像素分量;S12.計算所述多個像素分量的紋理方向梯度值;S13.通過所述紋理方向梯度值以及加權系數確定當前像素分量的參考值;S14.通過所述參考值確定當前像素分量像素的預測殘差;S15.將所述圖像的每一個像素作為當前像素,重復步驟S11~步驟S14,得到每一個像素的預測殘差,選擇最小的預測殘差作為所述圖像的第一預測殘差;
S2.采用第二預測方法計算所述圖像的第二預測殘差;S2包括:S21.選用等距采樣方式對當前宏塊進行采樣;S22.對當前宏塊的采樣點進行預測,獲得當前宏塊采樣點的預測殘差;S23.求取當前宏塊非采樣點的預測殘差;S24.比較所述采樣點的預測殘差和所述非采樣點的預測殘差的大小,得到最小預測殘差,將所述最小預測殘差確定為所述圖像的第二預測殘差;
S3.根據所述第一預測殘差計算所述圖像的第一殘差主觀和,根據所述第二預測殘差計算所述圖像的第二殘差主觀和;S3包括:S31.根據所述第一預測殘差計算第一殘差絕對值和第一標準差,根據所述第二預測殘差計算第二殘差絕對值和第二標準差:S32.根據所述第一殘差絕對值、所述第一標準差、第一權重系數和第二權重系數計算所述圖像的第一殘差主觀和;根據所述第二殘差絕對值、所述第二標準差、第三權重系數和第四權重系數計算所述圖像的第二殘差主觀和;
S4.根據所述第一殘差主觀和和所述第二殘差主觀和完成所述圖像的預測。
2.根據權利要求1所述的視頻壓縮中的預測方法,其特征在于,所述步驟S13包括:
S1301.通過所述紋理方向的梯度值以及第一加權系數獲得第一加權梯度值;
S1302.根據所述第一加權梯度值以及第二加權系數獲得第二加權梯度值;
S1303.根據所述第二加權梯度值得到每個像素分量的參考方向;
S1304.通過所述參考方向的像素分量像素值以及第三加權值獲得所述當前像素分量的參考值。
3.根據權利要求1所述的視頻壓縮中的預測方法,其特征在于,所述步驟S22包括:
S2201.利用點對點預測方式對所述當前宏塊的采樣點進行預測,利用像素值求差,獲取所述當前宏塊采樣點的預測殘差;
S2202.對所述當前宏塊的非采樣點進行預測,利用預測公式獲取所述當前宏塊非采樣點的預測殘差。
4.根據權利要求3所述的視頻壓縮中的預測方法,其特征在于,
所述的點對點預測方式是將所述當前宏塊的像素與所述當前宏塊相鄰正上方宏塊中的像素進行預測。
5.根據權利要求4所述的視頻壓縮中的預測方法,其特征在于,所述預測公式為:
Re si=(sample1-sample0)*(i+1)/(num+1)+sample0,
其中Res為預測殘差,simple0和simple1為連續的采樣點,i為非采樣點索引,num為非采樣點數量。
6.根據權利要求1所述的視頻壓縮中的預測方法,其特征在于,步驟S4包括:
S41.比較第一殘差主觀和和第二殘差主觀和的大小;
S42.若所述第一殘差主觀和大于所述第二殘差主觀和,將所述第二預測殘差以及所述第二預測方法對應的標記信息傳輸到碼流中,完成所述視頻壓縮的預測;若所述第一殘差主觀和小于所述第二殘差主觀和,則將所述第一預測殘差以及所述第一預測方法對應的標記信息傳輸到碼流中,完成所述視頻壓縮的預測。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于蘇州龍盈軟件開發有限公司,未經蘇州龍盈軟件開發有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201811260568.1/1.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:業務質量檢測方法及裝置
- 下一篇:基于視頻壓縮的自適應預測方法





