一种视频压缩的预测方法
阅读：2发布：2020-05-08
专利汇可以提供一种视频压缩的预测方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种视频压缩的预测方法，包括：将图像分为相同大小的多个MB，选取一个MB作为当前MB；通过基于 像素 级多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；通过基于拐点 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；根据所述第一预测残差和所述第二预测残差选取所述当前MB的最终预测残差。本发明通过预测选择 算法 在基于像素级多分量参考的预测方法和基于拐点采样的自适应纹理渐变的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。，下面是一种视频压缩的预测方法专利的具体信息内容。
1.一种视频压缩的预测方法，其特征在于，包括：
S1：将图像分为相同大小的多个MB，选取一个MB作为当前MB；
S2：通过基于像素级多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；
S3：通过基于拐点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；
S4：根据所述第一预测残差和所述第二预测残差选取所述当前MB的最终预测残差。
2.根据权利要求1所述的预测方法，其特征在于，所述S2包括：
S21：选取当前像素，确定当前像素的多个像素分量；
S22：分别计算所述多个像素分量沿多个纹理方向的像素差值，确定所述所述多个像素分量的梯度值；
S23：根据所述梯度值确定所述多个像素分量的参考值；
S24：通过所述参考值确定所述当前像素的第一预测残差。
3.根据权利要求2所述的预测方法，其特征在于，所述多个像素分量为R、G、B三分量，所述S22包括：
分别计算所述R、G、B分量与所述R、G、B分量沿多个纹理方向的临近像素的差值绝对值，取所述差值绝对值分别作为所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN。
4.根据权利要求3所述的预测方法，其特征在于，所述S23包括：
S231：所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN分别进行加权得到所述R、G、B分量加权后的第一加权梯度值；
S232：将所述R、G、B分量的第一加权梯度值中的最优值进行加权，得到所述第一加权梯度值的最优值加权后的第二加权梯度值；
S233：选取所述第二加权梯度值的最优值的方向为当前像素分量的参考方向；
S234：将所述参考方向上所有可用像素分量的像素值进行加权，得到当前像素分量的参考值。
5.根据权利要求4所述的预测方法，其特征在于，所述S24包括：
计算所述当前像素分量的像素值与所述参考值的差值，将所述差值作为所述当前像素的第一预测残差。
6.根据权利要求1所述的预测方法，其特征在于，所述S3包括：
S31：确定所述当前MB的采样方式；
S32：利用像素值拐点采样方式确定所述当前MB的采样点；
S33：选取多个预测方式对所述当前MB的采样点进行预测，获取每个预测方式对应的多个预测残差；
S34：计算所述每个预测方式的残差绝对值和，并确定所述当前MB的最终预测方式；
S35：根据所述最终预测方式计算所述当前MB的第二预测残差。
7.根据权利要求6所述的预测方法，其特征在于，所述S32包括：
S321：将所述当前MB的当前像素的像素值与所述当前像素相邻的像素的像素值求差获取所述当前MB的像素差值；
S322：将所述像素差值中的连续值的最后一位设定为像素值拐点；
S323：设定所述像素值拐点所对应的所述当前MB的像素为所述当前MB的采样点。
8.根据权利要求7所述的预测方法，其特征在于，所述S33包括：
S331：选取多个预测方式对所述当前MB进行预测，计算所述当前MB采样点的预测残差；
S332：选取多个预测方式对所述当前MB进行预测，计算所述当前MB非采样点的预测残差。
9.根据权利要求8所述的预测方法，其特征在于，所述多个预测方式包括N种角度预测方式，其中包括45度纹理预测、90度纹理预测及135度纹理预测。
10.根据权利要求1至9中任一项所述的预测方法，其特征在于，所述S4包括：
S41：分别计算所述第一预测残差和所述第二预测残差的残差绝对值和与标准差；
S42：对所述残差绝对值和与所述标准差配置权重系数，分别计算所述第一预测残差和所述第二预测残差的残差主观和；
S43：选取所述第一预测残差和所述第二预测残差的残差主观和较小的预测残差为最终预测残差。
一种视频压缩的预测方法
技术领域
[0001] 本发明属于视频压缩技术领域，具体涉及一种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逐渐增加，视频的图像分辨率作为视频质量的重要特性之一。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。为了克服这一问题，应用于芯片内的带宽压缩技术被提出。与端口类压缩不同，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，减少DDR(双倍速率同步动态随机存储器)占用。
[0003] 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。预测作为一个重要的模块，通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
[0004] 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：
[0005] 本发明提供了一种视频压缩的预测方法，包括：
[0006] S1：将图像分为相同大小的多个MB，选取一个MB作为当前MB；
[0008] S3：通过基于拐点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；
[0009] S4：根据所述第一预测残差和所述第二预测残差选取所述当前MB的最终预测残差。
[0010] 在本发明的一个实施例中，所述S2包括：
[0011] S21：选取当前像素，确定当前像素的多个像素分量；
[0012] S22：分别计算所述多个像素分量沿多个纹理方向的像素差值，确定所述所述多个像素分量的梯度值；
[0013] S23：根据所述梯度值确定所述多个像素分量的参考值；
[0014] S24：通过所述参考值确定所述当前像素的第一预测残差。
[0015] 在本发明的一个实施例中，所述多个像素分量为R、G、B三分量，所述S22包括：
[0016] 分别计算所述R、G、B分量与所述R、G、B分量沿多个纹理方向的临近像素的差值绝对值，取所述差值绝对值分别作为所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN。
[0017] 在本发明的一个实施例中，所述S23包括：
[0018] S231：所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN分别进行加权得到所述R、G、B分量加权后的第一加权梯度值；
[0019] S232：将所述R、G、B分量的第一加权梯度值中的最优值进行加权，得到所述第一加权梯度值的最优值加权后的第二加权梯度值；
[0020] S233：选取所述第二加权梯度值的最优值的方向为当前像素分量的参考方向；
[0021] S234：将所述参考方向上所有可用像素分量的像素值进行加权，得到当前像素分量的参考值。
[0022] 在本发明的一个实施例中，所述S24包括：
[0023] 计算所述当前像素分量的像素值与所述参考值的差值，将所述差值作为所述当前像素的第一预测残差。
[0024] 在本发明的一个实施例中，所述S3包括：
[0025] S31：确定所述当前MB的采样方式；
[0026] S32：利用像素值拐点采样方式确定所述当前MB的采样点；
[0027] S33：选取多个预测方式对所述当前MB的采样点进行预测，获取每个预测方式对应的多个预测残差；
[0028] S34：计算所述每个预测方式的残差绝对值和，并确定所述当前MB的最终预测方式；
[0029] S35：根据所述最终预测方式计算所述当前MB的第二预测残差。
[0030] 在本发明的一个实施例中，所述S32包括：
[0031] S321：将所述当前MB的当前像素的像素值与所述当前像素相邻的像素的像素值求差获取所述当前MB的像素差值；
[0032] S322：将所述像素差值中的连续值的最后一位设定为像素值拐点；
[0033] S323：设定所述像素值拐点所对应的所述当前MB的像素为所述当前MB的采样点。
[0034] 在本发明的一个实施例中，所述S33包括：
[0035] S331：选取多个预测方式对所述当前MB进行预测，计算所述当前MB采样点的预测残差；
[0036] S332：选取多个预测方式对所述当前MB进行预测，计算所述当前MB非采样点的预测残差。
[0037] 在本发明的一个实施例中，所述多个预测方式包括N种角度预测方式，其中包括45度纹理预测、90度纹理预测及135度纹理预测。
[0038] 在本发明的一个实施例中，所述S4包括：
[0039] S41：分别计算所述第一预测残差和所述第二预测残差的残差绝对值和与标准差；
[0040] S42：对所述残差绝对值和与所述标准差配置权重系数，分别计算所述第一预测残差和所述第二预测残差的残差主观和；
[0041] S43：选取所述第一预测残差和所述第二预测残差的残差主观和较小的预测残差为最终预测残差。
[0042] 与现有技术相比，本发明的有益效果：
[0043] 1、本发明基于像素级多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，能够在预测方向上提供更好的纠偏效果。
[0044] 2、本发明基于拐点采样的自适应纹理渐变预测方法通过当前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。
[0046] 图1为本发明提供的一种视频压缩的预测方法的流程图；
[0047] 图2为本发明提供的一种像素级多分量参考的自适应方向预测方法的流程图；
[0048] 图3为本发明实施例提供的一种当前像素和临近像素位置关系示意图；
[0049] 图4为本发明实施例提供的一种梯度值计算示意图；
[0050] 图5为本发明实施例提供的另一种像素级多分量参考的自适应方向预测方法的流程图；
[0051] 图6为本发明实施例提供的一种基于拐点采样的自适应纹理渐变的预测方法的流程图；
[0052] 图7为本发明实施例提供的一种基于拐点采样的自适应纹理渐变的预测方法的示意图。
具体实施方式
[0053] 下面结合具体实施例对本发明做进一步描述，但本发明的实施方式不限于此。
[0054] 实施例一
[0055] 请参见图1，图1为本发明提供的一种视频压缩的预测方法的流程图。本实施例的预测方法包括如下步骤：
[0056] S1：将图像分为相同大小的多个MB，选取一个MB作为当前MB；
[0057] S2：通过基于像素级多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；
[0058] S3：通过基于拐点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；
[0059] S4：根据所述第一预测残差和所述第二预测残差选取所述当前MB的最终预测残差。
[0060] 进一步地，步骤S2包括：
[0061] S21：选取当前像素，确定当前像素的多个像素分量；
[0062] S22：分别计算所述多个像素分量沿多个纹理方向的像素差值，确定所述所述多个像素分量的梯度值；
[0063] S23：根据所述梯度值确定所述多个像素分量的参考值；
[0064] S24：通过所述参考值确定所述当前像素的第一预测残差。
[0065] 进一步地，在本实施例中，所述多个像素分量为R、G、B三分量，所述S22包括：
[0066] 分别计算所述R、G、B分量与所述R、G、B分量沿多个纹理方向的临近像素的差值绝对值，取所述差值绝对值分别作为所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN。
[0067] 进一步地，所述S23包括：
[0068] S231：所述R分量的像素梯度值GR1～GRN，所述G分量的像素梯度值GG1～GGN，以及所述B分量的像素梯度值GB1～GBN分别进行加权得到所述R、G、B分量加权后的第一加权梯度值；
[0069] S232：将所述R、G、B分量的第一加权梯度值中的最优值进行加权，得到所述第一加权梯度值的最优值加权后的第二加权梯度值；
[0070] S233：选取所述第二加权梯度值的最优值的方向为当前像素的参考方向；
[0071] S234：将所述参考方向上所有可用像素的像素值进行加权，得到当前像素的的参考值。
[0072] 进一步地，所述S24包括：
[0073] 计算所述当前像素分量的像素值与所述参考值的差值，将所述差值作为所述当前像素的第一预测残差。
[0074] 具体地，请参见图2和图3，图2为本发明提供的一种像素级多分量参考的自适应方向预测方法的流程图；图3为本发明实施例提供的一种当前像素和临近像素位置关系示意图。以下以三分量的具体实施例对该预测方法具体步骤进行详细描述。
[0075] 设定当前像素的3个分量分别为分量1、分量2和分量3；
[0076] 对于当前像素的每个分量，通过所述当前像素分量周围的像素分量，确定每个分量的N个纹理方向梯度值G1-GN；
[0077] 优选地，所述临近像素是与所述当前像素紧邻，或者与所述当前像素间隔设定的像素单元。如图3所示，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)。
[0078] 将每个分量的N个纹理方向梯度值G1～GN进行加权得到N个纹理方向梯度值加权后的第一加权梯度值BG，加权公式如下：
[0079] BGi＝w1*G1+w2*G2+…+wN*GN(i＝1，2或3)
[0080] 其中，w1、w2…、wN为加权系数，可以相同也可以不同；BG1为分量1的第一加权梯度值，BG2为分量2的第一加权梯度值，BG3为分量3的第一加权梯度值。
[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。更进一步的，在配置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的值(例如，可以将w1配置很小)，以增加在梯度值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。
[0082] 在一种实施方式中，第一加权梯度值BG可用像素值差的绝对值表示，但是不限于此。
[0083] 进一步地，取第一加权梯度值的最小值，得到每个分量的第一加权梯度值的最优值BGbst。
[0084] 将分量1、分量2和分量3的第一加权梯度值的最优值BGbst进行加权，可以得到第一加权梯度值的最优值加权后的第二加权梯度值BG"，加权公式如下：
[0085] BG"i＝t1*BGbst1+t2*BGbst2+t3*BGbst3(i＝1…3)
[0086] 其中，t1、t2、t3为加权系数，可以相同也可以不同；BGbst1为分量1的第一加权梯度值的最优值，BGbst2为分量2的第一加权梯度值的最优值，BGbst3为分量3的第一加权梯度值的最优值，BG"1为分量1的第二加权梯度值，BG"2为分量2的第二加权梯度值，BG"3为分量3的第二加权梯度值，确定出第二加权梯度值BG"的最优值BG"bst。
[0087] 进一步地，取第二加权梯度值的最小值，可以得到每个分量的第二加权梯度值的最优值BG"bst。
[0088] 第二加权梯度值的最优值BG"bst的方向即为当前分量的参考方向Dir。
[0089] 值得指出的是，本实施方式中，w1、w2…wN和t1、t2、t3均为加权系数，但是实际意义有所区别。w1、w2…wN用于配置一个像素分量在不同纹理方向上的权重大小，而t1、t2、t3用于配置多个像素分量之间的权重大小。
[0090] 将每个分量的参考方向上所有可用的分量像素值进行加权，得到每个分量的参考值Ref，加权公式如下所示：
[0091] Refi＝r1*cpt1+r2*cpt2+…+rN*cptN(i＝1，2或3)
[0092] 其中，r1、r2…rN为加权系数，可以相同也可以不同；cpt1～cptN为每个分量的参考方向上N个可用的分量像素值；Ref1为分量1的参考值，Ref2为分量2的参考值，Ref3为分量3的参考值。
[0093] 将当前分量像素值减去参考值，可以得到当前分量像素的预测残差Dif；公式如下：
[0094] Difi＝Curcpti-Refi(i＝1，2或3)
[0095] 其中，Curcpt1为分量1的像素值，Curcpt2为分量2的像素值，Curcpt3为分量3的像素值；Dif1为分量1的预测残差，Dif2为分量2的预测残差，Dif3为分量3的预测残差。
[0096] 在本发明提供的一种实施方式中，以上实施方式中分量1、分量2和分量3的预测残差的获取过程可以并行处理，也可以串行处理，具体应用规格场景需要。
[0097] 实施例二
[0098] 请参见图4和图5，图4为本发明实施例提供的一种梯度值计算示意图；图5为本发明实施例提供的另一种像素级多分量参考的自适应方向预测方法的流程图。本实施例在上述实施例的基础上对本发明提出的像素级多分量参考的自适应方向预测方法进行举例描述。本实施例将当前像素分为R分量、G分量和B分量，具体如下：
[0099] 对于当前像素的三个分量，通过每个分量的周围分量，确定每个分量的3个纹理方向梯度值G1、G2、G3；
[0100] 优选地，对于R分量、G分量、B分量，分别根据图4所示，ABS(K-H)为45度梯度值，ABS(K-G)为90度梯度值，ABS(K-F)为135度梯度值，ABS(K-J)为180度梯度值，其中，ABS为绝对值运算。
[0101] 对于R分量、G分量、B分量的每一个分量，加权3个纹理方向梯度值G1、G2、G3，得到每一个分量的第一加权梯度值BG，查找每一个分量的第一加权梯度值的最小值BGmin，作为第一加权梯度值的最优值。
[0102] 将3个分量的第一加权梯度值的最小梯度值进行加权得出第一加权梯度值最优值加权后的第二加权梯度值BG"，并查找出第二加权梯度值的最小值BG"min最为第二加权梯度值BG"的最优值BG"bst。加权计算如下：
[0103] BG"minR＝0.5*BGminR+0.7*BGminG+0.7*BGminB
[0104] BG"minG＝0.5*BGminR+0.3*BGminG+0.4*BGminB
[0105] BG"minB＝0.5*BGminR+0.4*BGminG+0.3*BGminB
[0106] 其中，BG"minR为R分量第二加权梯度值的最小值，BG"minG为G分量第二加权梯度值的最小值，BG"minB为B分量第二加权梯度值的最小值，BGminR为R分量第一加权梯度值的最小值，BGminG为G分量第一加权梯度值的最小值，BGminB为B分量第一加权梯度值的最小值。
[0107] 其中，BG"min的方向为当前分量的参考方向Dir，即DirR为R分量的参考方向，DirG为G分量的参考方向，DirB为B分量的参考方向。
[0108] 将3个分量的参考方向上2个分量像素值进行加权，得到3个分量的参考值Ref，加权公式如下所示：
[0109] RefR＝r1*cpt1+r2*cpt2
[0110] RefG＝r1*cpt1+r2*cpt2
[0111] RefB＝r1*cpt1+r2*cpt2
[0112] 其中，RefR为R分量的参考值，RefG为G分量的参考值，RefB为B分量的参考值，cpt1、cpt2为每个参考方向的分量像素值。
[0113] 优选地，对于任意分量，若为45度参考，那么参考值REF为0.8*I+0.2E；若为90度参考，那么参考值为0.8*H+0.2C；若为135度参考，那么参考值为0.8*G+0.2A；若为180度参考，那么参考值为0.8*K+0.2J。
[0114] 将当前分量像素值减去参考值，可以得到当前像素分量的预测残差Dif，计算如下：
[0115] DifR＝CurcptR-RefR
[0116] DifG＝CurcptG-RefG
[0117] DifB＝CurcptB-RefB
[0118] 其中，CurcptR为R分量的像素值，CurcptG为G分量的像素值，CurcptB为B分量的像素值；DifR为R分量的预测残差，DifG为G分量的预测残差，DifB为B分量的预测残差。
[0119] 本发明基于像素级多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，能够在预测方向上提供更好的纠偏效果。
[0120] 实施例三
[0121] 请参见图6，图6为本发明实施例提供的一种基于拐点采样的自适应纹理渐变的预测方法的流程图。所述预测方法包括如下步骤：
[0122] S31：确定所述当前MB的采样方式；
[0123] S32：利用像素值拐点采样方式确定所述当前MB的采样点；
[0124] S33：选取多个预测方式对所述当前MB的采样点进行预测，获取每个预测方式对应的多个预测残差；
[0125] S34：计算所述每个预测方式的残差绝对值和，并确定所述当前MB的最终预测方式；
[0126] S35：根据所述最终预测方式计算所述当前MB的第二预测残差。
[0127] 在本实施例中，步骤S32包括：
[0128] S321：将所述当前MB的当前像素分量的像素值与所述当前像素分量相邻的像素分量的像素值求差获取所述当前MB的像素差值；
[0129] S322：将所述像素差值中的连续值的最后一位设定为像素值拐点；
[0130] S323：设定所述像素值拐点所对应的所述当前MB的像素分量为所述当前MB的采样点。
[0131] 在本实施例中，步骤S33包括：
[0132] S331：选取多个预测方式对所述当前MB进行预测，计算所述当前MB采样点的预测残差；
[0133] S332：选取多个预测方式对所述当前MB进行预测，计算所述当前MB非采样点的预测残差。
[0134] 具体地，该预测方法可以包括如下步骤：
[0135] 步骤1、定义MB的大小；
[0136] 将MB定义为m*n个像素分量，其中，m≥1，n≥1；
[0137] 优选地，可以定义MB为8*1个像素分量、16*1个像素分量、32*1个像素分量或64*1个像素分量；本实施例以MB的大小为16*1个像素分量为例说明，其它不同大小的MB同理。
[0138] 请参见图7，图7为本发明实施例提供的一种基于拐点采样的自适应纹理渐变的预测方法的示意图。如图所示，MB中的16*1个像素分量的像素值按照从左至右的顺序依次设定为12、14、15、18、20、23、15、10、4、0、2、2、4、5、5、6。
[0139] 步骤2、定义采样方式；
[0140] 步骤201、根据MB中存在的纹理相关性，检测MB的纹理渐变性，确定MB的纹理渐变点，将MB的纹理渐变点设定为像素值拐点。
[0141] 具体地，将当前MB中的当前像素分量的像素值减去当前MB中相邻像素分量的像素值，如图7所示，将图中当前MB中的当前像素分量的像素值减去当前MB中前一像素分量的像素值，求解当前MB的像素残差值。当前MB中对应位置的像素残差值从左至右依次为12、2、1、3、2、3、-8、-5、-6、-4、2、0、2、1、0、1。
[0142] 步骤202、设定像素残差值中的连续正值或连续负值的最后一个值为像素值拐点，其中，像素残差值为0的值不设定为像素值拐点。
[0143] 步骤203、将像素值拐点所对应的当前像素分量所对应的位置设定为采样点，同时将当前像素分量中处于首位和末位的点设定为采样点。
[0144] 优选地，如图7所示，所求得的像素残差值中的像素值拐点为3和-4，将像素值拐点3和像素值拐点-4所对应的当前像素分量23、0以及首位和末位的像素分量设定为采样点。
原始点所对应的像素分量12、23、0、6形成4个采样点。
原始点所对应的像素分量12、23、0、6形成4个采样点。
[0145] 步骤3、将当前MB中的采样点与正上方MB进行预测。预测方式为135度预测、45度预测和90度预测三种角度预测方式。即将当前MB中的采样点与当前MB正上方相邻MB中采样点对应的45度的像素分量点、90度的像素分量点和135度的像素分量点分别进行预测，求解预测残差和SAD。具体地，可以将当前MB中的采样点与当前MB正上方相邻MB中采样点对应的45度的像素分量点、90度的像素分量点和135度的像素分量点分别相减，获取预测残差；分别将每种预测方式下的每个采样点的预测残差取绝对值后相加，获取残差绝对值和。最终选取SAD最小的一种预测方式作为当前MB的采样点预测方式，获取该预测方式的预测残差。
[0146] 步骤4、对于当前MB中的非采样点，利用公式求解非采样点的预测残差，公式为：
[0147] Resi＝(sample1-sample0)*(i+1)/(num+1)
[0148] 其中，公式中的sample0和sample1为当前MB连续的采样点像素分量重建值，i为非采样点索引，num为非采样点数量。
[0149] 进一步地，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。
[0150] 步骤5、将当前MB中除首位的采样点、预测方式和预测残差写入码流。
[0151] 本发明基于拐点采样的自适应纹理渐变预测方法通过当前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。
[0152] 实施例四
[0153] 在上述实施例的基础上，步骤S4包括：
[0154] S41：分别计算所述第一预测残差和所述第二预测残差的残差绝对值和与标准差；
[0155] 残差绝对值的计算公式为：
[0156] 残差标准差的计算公式为：
[0157] 其中， k为预测模式的序号，Res为预测残差，ABS为取绝对值。
[0158] S42：对所述残差绝对值和与所述标准差配置权重系数，分别计算所述第一预测残差和所述第二预测残差的残差主观和；
[0159] 残差主观和的计算公式为：SUBDk＝a1×SADk+a2×Ek，
[0160] 其中，a1和a2为权重系数。
[0161] S43：选取所述第一预测残差和所述第二预测残差的残差主观和较小的预测残差为最终预测残差；
[0162] S44：选取所述最终预测残差对应的预测方法为最终预测方法。
[0163] 进一步地，在步骤S44之后还包括：
[0164] 将所述最终预测方法的标志信息、所述最终预测方法对应的预测残差传输至码流中。
[0165] 本发明通过预测选择算法在基于像素级多分量参考的预测方法和基于拐点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。
[0166] 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。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种带宽压缩中的预测方法 | 2020-05-08 | 92 |
| 一种基于边缘计算的综合传感网测试平台 | 2020-05-08 | 767 |
| 用于电力保密数据的大数据云平台安全防护方法 | 2020-05-08 | 666 |
| 一种视频压缩的预测方法 | 2020-05-08 | 2 |
| 一种适用于电力系统安防的视频增强浓缩方法 | 2020-05-08 | 656 |
| 一种视频会议加密方法 | 2020-05-08 | 912 |
| 一种电力物联网场景中基于协同内容缓存的卸载方法 | 2020-05-08 | 614 |
| 直播间弹幕显示方法、存储介质、设备及系统 | 2020-05-08 | 690 |
| 一种基于随机素数的双通道交换的超奇异椭圆曲线算法的密钥交换方法 | 2020-05-11 | 360 |
| 操作高速缓存的方法 | 2020-05-08 | 292 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈