技术领域
[0001] 本
发明属于视频压缩技术领域，具体涉及一种用于视频压缩的预测方法。
背景技术
[0002] 随着人们对视频
质量需求的不断增大，图像
分辨率作为视频质量的重要特性，已经从720p和1080p过渡到目前的4K视频分辨率，对应的视频压缩标准也从H.264过渡到H.265。对于视频处理芯片，分辨率的成倍数增加，不但会造成芯片面积成本的大幅度增加，而且也会对总线带宽和功耗带来很大的冲击。
[0003] 为了克服这一问题，应用于芯片内的带宽压缩技术被提出。芯片内带宽压缩的目标是用较小的逻辑面积成本，尽可能的提高压缩倍数。芯片内压缩分为
有损压缩和
无损压缩两种，有损压缩技术被商业级视频处理芯片广泛采用，如监控、电视等领域；而无损压缩更多的应用于对图像质量有严格要求的军工级和航天级视频处理芯片。
[0004] 带宽压缩主要由4个部分组成，包含：预测模
块，量化模块，码控模块，
熵编码模块。预测模块作为一个重要模块，通过寻找图像数据的相关性，减少
图像空间冗余度，最终使图像数据的理论熵达到最小。然而，当待压缩图像的纹理复杂多变时，预测待压缩图像的复杂纹理区域时往往相关性较差，预测编码得不到精确的参考，导致理论极限熵得不到最大化的降低，影响预测模块的质量，成为目前需要解决的问题。
发明内容
[0005] 为了解决
现有技术中存在的上述问题，本发明提供了一种用于视频压缩的预测方法。本发明要解决的技术问题通过以下技术方案实现：
[0006] 本发明提供了一种用于视频压缩的预测方法，所述方法包括：
[0007] 将图像分为相同大小的多个MB，选取一个MB为当前MB；
[0008] 通过基于
像素级单分量参考的预测方法对所述当前MB进行预测，获得所述当前MB的第一预测残差；
[0009] 通过基于非距
采样的自适应纹理渐变的预测方法对所述当前MB进行预测，获得所述当前MB的第二预测残差；
[0010] 根据所述第一预测残差和所述第二预测残差选取最终预测残差。
[0011] 在本发明的一个
实施例中，通过基于像素级单分量参考的预测方法对所述当前MB进行预测，获得所述当前MB的第一预测残差，包括：
[0012] 确定当前像素；
[0013] 通过所述当前像素周围的像素，确定所述当前像素的N个纹理方向梯度值G1-GN；
[0014] 通过所述N个纹理方向梯度值G1-GN获得所述当前像素的参考方向；
[0015] 根据所述参考方向确定所述当前像素的第一预测残差。
[0016] 在本发明的一个实施例中，通过所述当前像素周围的像素，确定所述当前像素的N个纹理方向梯度值G1-GN，包括：
[0017] 计算所述当前像素和沿多个纹理方向的多个临近像素差值的绝对值，将所述差值的绝对值作为所述当前像素在N个纹理方向的梯度值G1-GN。
[0018] 在本发明的一个实施例中，通过所述N个纹理方向梯度值获得所述当前像素的参考方向，包括：
[0019] 将所述N个纹理方向梯度值G1-GN分别进行加权，得到所述N个纹理方向梯度值加权后的加权梯度值w1*G1、w2*G2、……wN*GN；
[0020] 选择所述加权梯度值w1*G1、w2*G2、……wN*GN中最小值对应的纹理方向作为所述当前像素的参考方向。
[0021] 在本发明的一个实施例中，根据所述参考方向确定所述当前像素的第一预测残差，包括：
[0022] 求取所述当前像素与所述参考方向上的邻近像素的差值，将所述差值作为所述当前像素的第一预测残差。
[0023] 在本发明的一个实施例中，通过基于非距采样的自适应纹理渐变的预测方法对所述当前MB进行预测，获得所述当前MB的第二预测残差，包括：
[0024] 确定当前MB的大小为n*1，n为正整数；
[0025] 选取T种非等距离采样方式对所述当前MB中的像素进行采样，其中，T为大于1的整数；
[0026] 选取M种预测方式对每种采样方式中的所述当前MB进行预测；
[0027] 分别计算每种采样方式中的所述当前MB的预测残差；
[0028] 根据所述预测残差选取所述当前MB的最终采样方式以及最终预测方式，对应的所述当前MB的预测残差为所述第二预测残差。
[0029] 在本发明的一个实施例中，所述M种预测方式为三种
角度预测方式，包括45度纹理预测、90度纹理预测及135度纹理预测。
[0030] 在本发明的一个实施例中，分别计算每种采样方式中的所述当前MB的预测残差和残差绝对值和，包括：
[0031] 利用所述M种预测方式，分别计算所述当前MB的所有采样点的预测残差；
[0032] 根据下述预测公式计算所述当前MB的所有非采样点的预测残差；
[0033] Resi＝(sample1-sample0)*(i+1)/(num+1)
[0034] 其中，公式中的sample0和sample1为当前MB中连续的采样点的像素分量重建值，i为非采样点索引，num为非采样点数量。
[0035] 在本发明的一个实施例中，根据所述预测残差选取所述当前MB的最终采样方式以及最终预测方式，对应的所述当前MB的预测残差为所述第二预测残差，包括：
[0036] 在每种采样方式下，分别计算每种预测方式下所有采样点的预测残差绝对值和，并选取最小值对应的预测方式作为当前采样方式的预测方式；
[0037] 分别计算每种采样方式下所有采样点的预测残差及所有非采样点的预测残差的残差绝对值和，并选取最小值对应的采样方式确定为所述当前MB的最终采样方式；
[0038] 将所述最终采样方式所对应的预测方式确定为所述当前MB的最终预测方式；
[0039] 将所述最终采样方式和所述对应预测方式对的预测残差确定为所述第二预测残差。
[0040] 在本发明的一个实施例中，根据所述第一预测残差和所述第二预测残差选取最终预测残差，包括：
[0041] 分别计算所述第一预测残差的残差绝对值和以及所述基第二预测残差的残差绝对值和；
[0042] 选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为最终预测残差；
[0043] 选取所述最终预测残差对应的预测方法为最终预测方法。
[0044] 与现有技术相比，本发明的有益效果：
[0045] 1、本发明的基于像素级单分量参考的预测方法，通过计算当前像素分量沿多个纹理方向的像素梯度值，并对当前像素分量的多方向梯度加权，确定当前分量的预测方向，在预测方向上有更好的纠偏效果。
[0046] 2、本发明的基于非距采样的自适应纹理渐变预测方法，提出了通过当前MB自身的纹理特性获得预测残差，能够提高对复杂纹理区域求预测残差值的
精度。
[0047] 3、本发明通过预测选择
算法在基于像素级单分量参考的预测方法和基于非距采样的自适应纹理渐变预测方法中选择最优的预测方法，对于复杂纹理图像能够进一步优化预测效果。
附图说明
[0048] 图1为本发明实施例提供的一种视频压缩中的预测方法的
流程图；
[0049] 图2为本发明实施例提供的一种基于像素级单分量参考的预测方法的流程图；
[0050] 图3为本发明实施例提供的一种像素梯度值计算示意图；
[0051] 图4为本发明实施例提供的一种参考值选取示意图；
[0052] 图5为本发明实施例提供的一种参考像素和临近像素
位置关系示意图；
[0053] 图6为本发明实施例提供的一种基于非距采样的自适应纹理渐变的预测方法的流程图；
[0054] 图7为本发明实施例提供的一种自适应纹理渐变预测方法的采样方式示意图；
[0055] 图8为本发明实施例提供的一种自适应纹理渐变预测方法示意图。
具体实施方式
[0056] 下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0057] 实施例一
[0058] 请参见图1，图1为本发明实施例提供的一种视频压缩中的预测方法的流程图。实施例的视频压缩中的预测方法包括：
[0059] S1：将图像分为相同大小的多个MB，选取一个MB为当前MB；
[0060] S2：通过基于像素级单分量参考的预测方法对所述多个MB进行预测，获得所述多个MB的第一预测残差；
[0061] S3：通过基于非距采样的自适应纹理渐变的预测方法对所述多个MB进行预测，获得所述多个MB的第二预测残差；
[0062] S4：根据所述第一预测残差和所述第二预测残差选取最终预测残差。
[0063] 进一步地，请参见图2，图2为本发明实施例提供的一种基于像素级单分量参考的预测方法的流程图。在本实施例中，步骤S2包括：
[0064] S21：确定当前像素；
[0065] S22：通过所述当前像素周围的像素，确定所述当前像素的N个纹理方向梯度值G1-GN；
[0066] S23：通过所述N个纹理方向梯度值G1-GN获得所述当前像素的参考方向；
[0067] S24：根据所述参考方向确定所述当前像素的第一预测残差。
[0068] 进一步地，S22包括：
[0069] 计算所述当前像素和沿多个纹理方向的多个临近像素差值的绝对值，将所述差值的绝对值作为所述当前像素在N个纹理方向的梯度值G1-GN。
[0070] 进一步地，S23包括：
[0071] S231：将所述N个纹理方向梯度值分别进行加权，得到所述N个纹理方向梯度值加权后的加权梯度值w1*G1、w2*G2、……wN*GN；
[0072] S232：选择所述加权梯度值w1*G1、w2*G2、……wN*GN中最小值对应的纹理方向为所述当前像素的参考方向。
[0073] 具体地，请参见图3和图4，图3为本发明实施例提供的一种像素梯度值计算示意图；图4为本发明实施例提供的一种参考值选取示意图。如图3所示，对于单分量像素，具体步骤如下：
[0074] 若ABS(E-A)最小，即135度纹理，那么参考值为B；
[0075] 若ABS(E-B)最小，即垂直纹理，那么参考值为C；
[0076] 若ABS(E-C)最小，即45度纹理，那么参考值为D；
[0077] 若ABS(C-B)最小，即
水平纹理，那么参考值为E；
[0078] 其中，ABS为绝对值运算。
[0079] 例如，将每个像素的N个纹理方向像素梯度值G1～GN分别进行加权得到N个纹理方向像素梯度值加权后的加权梯度值w1*G1、w2*G2、……wN*GN，
[0080] 其中，w1、w2、…wN为加权系数，可以相同也可以不同。
[0081] 在一种实施方式中，w1、w2…wN可以是预先自行设定的固定值。更进一步地，配置w1、w2…、wN的相对大小时，可以考虑先验经验。例如，从以往的经验得知，在像素梯度值G1的这个方向可能更加适合本图像做预测的实际情况，则可以将w1配置一个更加适合本图像做预测的实际情况(例如，w1可以很小)的值，以增加在像素梯度值G1的这个方向的权重。当然，w1、w2…wN也可以是自适应的，即可以根据早期预测处理的实际情况，灵活调整w1、w2…wN的相对大小。选择w1*G1、w2*G2、……wN*GN中最小值对应的纹理方向作为当前像素的参考方向。
[0082] 进一步地，S24包括：
[0083] 求取所述当前像素与所述参考方向上的邻近像素的差值，将所述差值作为所述当前像素的预测残差。
[0084] 进一步地，在上述实施方式的
基础上，所述临近像素与所述当前像素紧邻，或者，所述临近像素与所述当前像素间隔设定的像素单元。
[0085] 如图5所示，图5为本发明实施例提供的一种参考像素和临近像素位置关系示意图，CUR代表当前像素，那么，临近像素可以为GHIK((与CUR紧邻))，也可以为ABCDEFJ(与CUR间隔有设定的像素单元)。
[0086] 本发明的基于像素级单分量参考的预测方法，通过计算当前像素沿多个纹理方向的像素梯度值，并对当前像素的多方向梯度加权，确定当前像素的预测方向，在预测方向上有更好的纠偏效果。
[0087] 实施例二
[0088] 请参见图6，图6为本发明实施例提供的一种基于非距采样的自适应纹理渐变的预测方法的流程图。在本实施例中，基于非距采样的自适应纹理渐变的预测方法包括以下步骤：
[0089] S31：确定当前MB的大小为n*1，n为正整数；
[0090] S32：选取T种非等距离采样方式对所述当前MB中的像素进行采样，其中，T为大于1的整数；
[0091] S33：选取M种预测方式对每种采样方式中的所述当前MB进行预测；
[0092] 优选地，所述预测方式为角度预测方式，包括45度纹理预测、90度纹理预测及135度纹理预测。
[0093] S34：分别计算每种采样方式中的所述当前MB的预测残差；
[0094] S35：根据所述预测残差选取所述当前MB的最终采样方式以及最终预测方式，对应的所述当前MB的预测残差为所述第二预测残差。
[0095] 进一步地，所述S34包括：
[0096] S341：利用所述M种预测方式，分别计算所述当前MB的所有采样点的预测残差；
[0097] S342：根据下述预测公式计算所述当前MB的所有非采样点的预测残差；
[0098] Resi＝(sample1-sample0)*(i+1)/(num+1)+sample0
[0099] 其中，公式中的sample0和sample1为当前MB中连续的采样点的像素分量重建值，i为非采样点索引，num为非采样点数量。
[0100] 进一步地，所述像素分量重建值可以指的是已压缩编码MB解码端重建得到的像素分量值。
[0101] 进一步地，所述S35包括：
[0102] S351：在每种采样方式下，分别计算每种预测方式下所有采样点的预测残差绝对值和，并选取最小值对应的预测方式作为当前采样方式的预测方式；
[0103] S352：分别计算每种采样方式下所有采样点的预测残差及所有非采样点的预测残差的残差绝对值和，并选取最小值对应的采样方式确定为所述当前MB的最终采样方式；
[0104] S353：将所述最终采样方式所对应的预测方式确定为所述当前MB的最终预测方式；
[0105] S354：将所述最终采样方式和所述对应预测方式对的预测残差确定为所述第二预测残差。
[0106] 实施例三
[0107] 请参见图7和图8，图7为本发明实施例提供的一种自适应纹理渐变预测方法的采样方式示意图；图8为本发明实施例提供的一种自适应纹理渐变预测方法示意图。在实施例二的基础上，本实施例对基于非距采样的自适应纹理渐变的预测方法进行进一步示例性描述。
[0108] 具体地，所述基于非距采样的自适应纹理渐变的预测方法包括如下步骤：
[0109] 步骤1、定义MB大小
[0110] 定义MB的大小为m*n个像素分量，其中m≥1，n≥1；
[0111] 优选的，可以定义MB的大小为8*1个像素、16*1个像素、32*1个像素、64*1个像素；本实施例为16*1个像素为例进行说明，其它不同大小的MB同理。MB中的像素按照从0到15的序号从左至右依次排列，每一个序号位置对应一个像素。
[0112] 步骤2、定义采样方式
[0113] 根据MB中存在的纹理相关性，MB中的像素距离越近，则MB的纹理渐变的一致性概论越高；反之，MB中的像素距离越远，则MB的纹理渐变的一致性概率越低，据此将MB中的像素分量进行非等距离采样，可以选取多种非等距离采样方式。
[0114] 优选地，如图7所示，本实施例将MB中的16*1个像素进行非等距离采样，以采样1、采样2和采样3三种非等距离采样方式举例说明，其它非等距离采样方式同理，其中，[0115] 采样1是将MB中序号为0、4、15对应位置的3个像素进行采样；
[0116] 采样2是将MB中序号为0、5、10、15对应位置的4个像素进行采样；
[0117] 采样3是将MB中序号为0、11、15对应位置的3个像素进行采样。
[0118] 步骤3、将步骤2中选取的多种非等距离采样方式进行处理，获取预测残差。
[0119] 本实施例以一种非等距离采样方式的处理过程为例进行说明，其他种类的等距离采样方式的处理过程相同。具体如下：
[0120] 步骤31、如图8所示，对于采样1，将当前MB正上方相邻MB中处于采样点45度的像素点、90度的像素点和135度的像素点与采样点分别进行预测，即预测方式为135度预测、45度预测和90度预测，求解三种角度预测方式下所有采样点的预测残差，并分别计算每种预测方式下所有采样点的预测残差绝对值和，即第二SAD(残差绝对值和)，选取第二SAD最小值对应的一种预测方式作为当前MB采样点的预测方式。
[0121] 优选地，预测方式可以为135度预测、45度预测和90度预测的任意中组合。
[0122] 步骤32、获取步骤31中选取的预测方式下当前MB采样点的预测残差，对于非采样点，利用公式求解非采样点的预测残差，公式为：
[0123] Resi＝(sample1-sample0)*(i+1)/(num+1)
[0124] 其中，公式中的sample0和sample1为当前MB中连续的采样点的像素分量重建值，i为非采样点索引，num为非采样点数量。
[0125] 最终获取步骤31中选取的预测方式下的当前MB所有像素点的预测残差，并计算第一SAD。
[0126] 步骤33、重复步骤31～32，获取采样2以及采样3下的当前MB所有像素点的预测残差，并计算第一SAD，选取第一SAD最小值对应的一种采样方式作为当前MB的
选定采样方式，并采用该选定采样方式中确定的预测方式作为当前MB的选定预测方式。
[0127] 本发明的基于非距采样的自适应纹理渐变预测方法，提出了通过当前MB自身的纹理特性获得预测残差，能够提高对复杂纹理区域求预测残差值的精度。
[0128] 实施例四
[0129] 在上述实施例的基础上，所述S4包括：
[0130] S41：分别计算所述第一预测残差的残差绝对值和以及所述基第二预测残差的残差绝对值和；
[0131] 残差绝对值的计算公式为：
[0132] 其中，k为预测模式的序号，Res为预测残差，ABS为取绝对值。
[0133] S42：选取所述第一预测残差和所述第二预测残差中残差绝对值和较小的预测残差为最终预测残差；
[0134] S43：选取所述最终预测残差对应的预测方法为最终预测方法。
[0135] 进一步地，在步骤S43之后还包括：
[0136] 在码流中传输所述最终预测方法的除所述预测残差之外的附加标志位。
[0137] 本发明通过预测选择算法在基于像素级单分量参考的预测方法和基于非距采样的自适应纹理渐变预测方法中选择最优的预测方法，对于复杂纹理图像能够进一步优化预测效果。
[0138] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
