[發明專利]基于圖像熵K均值聚類的3D-HEVC快速CU分割方法

有效

• 申請號: 202010418949.9
• 申請日: 2020-05-18
• 公開（公告）號: CN111741313B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 張樺;姚王澤;黃鴻飛;沈菲;戴國駿;吳以凡
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: H04N19/597
• 分類號: H04N19/597;H04N13/161;G06V10/762;G06V10/764
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于圖像熵K均值聚類的3D-HEVC快速CU分割方法，其特征在于該方法將視頻中的一幀圖像進行圖像二維熵計算，再經過K均值模型進行分類，具體包括如下步驟：

步驟1：選取不同序列以及不同QP值、不同尺寸的CU矩陣進行K均值離線訓練，得到離線訓練模型；

對于輸入的CU矩陣，將其劃分為四個子塊，并對每一個子塊及整個CU矩陣進行二維熵計算，形成一個五維向量；將五維向量輸入訓練模型，得到離線訓練模型，并根據離線訓練模型最終得到不同尺寸、不同QP的聚類中心；

步驟2：進行正式預測時，讀入CU矩陣，首先判斷該輸入CU矩陣屬于的QP值以及尺寸大小，然后將其劃分為四個子塊，分別計算其二維熵以及整體的二維熵并形成一個五維向量；將得到的五維向量輸入對應QP值與尺寸值的K均值離線訓練模型，進行聚類，得到預測結果；

步驟3：如果屬于聚類0，直接跳轉至步驟5；

步驟4：如果屬于聚類1，則讓該讀入的CU矩陣進入遞歸，將該CU矩陣劃分為4個大小為N/2*N/2的子塊，將每個子塊作為新的CU矩陣，跳轉到步驟2；所述的N為CU矩陣的尺寸；

步驟5：該CU矩陣不需要劃分，劃分過程結束。

2.根據權利要求1所述的基于圖像熵K均值聚類的3D-HEVC快速CU分割方法，其特征在于步驟1所述的二維熵計算如下：

首先將CU矩陣平均分成四個子塊，對每個子塊以及整個CU矩陣分別進行計算；對于每個子塊以及整個CU矩陣，遍歷其所有像素點并計算像素點周圍其余8個像素點的均值；如果該像素為CU四個角落點，則計算其周圍三個像素點均值；若該像素為CU四個邊點，則計算其周圍五個像素點均值；同時進行統計當像素點數值為i時，其周圍像素均值為j的數量，由此得到特征二元組f(i,j)；通過特征二元組f(i,j)計算該特征二元組f(i,j)的比例值，公式如下：

p_(i,j)＝f(i,j)/N′₂

其中N′為所遍歷對象的尺寸長度；

最后計算CU矩陣的二維熵，公式如下：

計算出每個子塊以及整個CU矩陣的二維熵，并將其合為一組五維向量。

3.根據權利要求1或2所述的基于圖像熵K均值聚類的3D-HEVC快速CU分割方法，其特征在于步驟1所述的K均值算法如下：

從3D-HEVC的測試序列GT_fly,street，kendo，balloons，shark，hall，newspaper，dancer中，用其原始算法得到的QP分別為25、30、35、40，CU尺寸分別為64、32、16的矩陣各一萬個，且所有矩陣都已經標記是否需要劃分；

然后以同QP同尺寸的一萬個矩陣為單位進行訓練；分別將每個矩陣平均分為四個子塊，計算其子塊與整體的二維熵并合并成一個五維向量；

對得到的所有五維向量進行預處理，去除偏差值大于預設閾值的數據；

最后將進行預處理篩選所得到的最終數據集分別進行K均值聚類訓練，最終得到不同QP不同尺寸共12個聚類模型，其中將每個模型的聚類0設為不需要劃分，聚類1設為需要劃分。

4.根據權利要求3所述的基于圖像熵K均值聚類的3D-HEVC快速CU分割方法，其特征在于每個模型的聚類0和聚類1的分類實現如下：

對于已經訓練好的模型，輸入原始訓練數據進行分類，若得到的結果中，聚類0所對應的需要劃分的矩陣比例多，則聚類0為需要劃分，聚類1為不需要劃分，反之，若聚類1所對應的需要劃分的矩陣比例多，則聚類1為需要劃分，聚類0為不需要劃分；將所有表示需要劃分的聚類點都設定為聚類1，將所有表示不需要劃分的聚類點都設定為聚類0，以作為統一使用。