基于图像熵K均值聚类的3D-HEVC快速CU分割方法   0    0

本发明公开了一种基于图像熵K均值聚类的3D‑HEVC快速CU分割方法。快速CU分割预测编码决策方法在CU划分之前，首先将CU平均划分为四块，然后对CU整体以及各小块分别进行二维熵计算，并合成一个五维向量，然后对其进行K均值聚类(K均值聚类模型需要进行离线训练得到各尺寸的聚类中心)，若判断为不需要划分，则停止对CU的划分，否则进入递归进一步划分。二维熵具有能突显图像分布特征以及混乱程度的能力，以此为基础进行K均值训练从而能够得到判断是否划分的模型。本发明直接对CU进行判断，减少了递归带来的时间消耗，因此具有计算复杂度低、编码时间短和视频重建效果好的特点。

1.基于图像熵K均值聚类的3D‑HEVC快速CU分割方法，其特征在于该方法将视频中的一帧图像进行图像二维熵计算，再经过K均值模型进行分类，具体包括如下步骤：
步骤1：选取不同序列以及不同QP值、不同尺寸的CU矩阵进行K均值离线训练，得到离线训练模型；
对于输入的CU矩阵，将其划分为四个子块，并对每一个子块及整个CU矩阵进行二维熵计算，形成一个五维向量；将五维向量输入训练模型，得到离线训练模型，并根据离线训练模型最终得到不同尺寸、不同QP的聚类中心；
步骤2：进行正式预测时，读入CU矩阵，首先判断该输入CU矩阵属于的QP值以及尺寸大小，然后将其划分为四个子块，分别计算其二维熵以及整体的二维熵并形成一个五维向量；
将得到的五维向量输入对应QP值与尺寸值的K均值离线训练模型，进行聚类，得到预测结果；
步骤3：如果属于聚类0，直接跳转至步骤5；
步骤4：如果属于聚类1，则让该读入的CU矩阵进入递归，将该CU矩阵划分为4个大小为N/2*N/2的子块，将每个子块作为新的CU矩阵，跳转到步骤2；所述的N为CU矩阵的尺寸；
步骤5：该CU矩阵不需要划分，划分过程结束。

2.根据权利要求1所述的基于图像熵K均值聚类的3D‑HEVC快速CU分割方法，其特征在于步骤1所述的二维熵计算如下：
首先将CU矩阵平均分成四个子块，对每个子块以及整个CU矩阵分别进行计算；对于每个子块以及整个CU矩阵，遍历其所有像素点并计算像素点周围其余8个像素点的均值；如果该像素为CU四个角落点，则计算其周围三个像素点均值；若该像素为CU四个边点，则计算其周围五个像素点均值；同时进行统计当像素点数值为i时，其周围像素均值为j的数量，由此得到特征二元组f(i,j)；通过特征二元组f(i,j)计算该特征二元组f(i,j)的比例值，公式如下：
p(i,j)＝f(i,j)/N′2
其中N′为所遍历对象的尺寸长度；
最后计算CU矩阵的二维熵，公式如下：
计算出每个子块以及整个CU矩阵的二维熵，并将其合为一组五维向量。

3.根据权利要求1或2所述的基于图像熵K均值聚类的3D‑HEVC快速CU分割方法，其特征在于步骤1所述的K均值算法如下：
从3D‑HEVC的测试序列GT_fly,street，kendo，balloons，shark，hall，newspaper，dancer中，用其原始算法得到的QP分别为25、30、35、40，CU尺寸分别为64、32、16的矩阵各一万个，且所有矩阵都已经标记是否需要划分；
然后以同QP同尺寸的一万个矩阵为单位进行训练；分别将每个矩阵平均分为四个子块，计算其子块与整体的二维熵并合并成一个五维向量；
对得到的所有五维向量进行预处理，去除偏差值大于预设阈值的数据；
最后将进行预处理筛选所得到的最终数据集分别进行K均值聚类训练，最终得到不同QP不同尺寸共12个聚类模型，其中将每个模型的聚类0设为不需要划分，聚类1设为需要划分。

4.根据权利要求3所述的基于图像熵K均值聚类的3D‑HEVC快速CU分割方法，其特征在于每个模型的聚类0和聚类1的分类实现如下：
对于已经训练好的模型，输入原始训练数据进行分类，若得到的结果中，聚类0所对应的需要划分的矩阵比例多，则聚类0为需要划分，聚类1为不需要划分，反之，若聚类1所对应的需要划分的矩阵比例多，则聚类1为需要划分，聚类0为不需要划分；将所有表示需要划分的聚类点都设定为聚类1，将所有表示不需要划分的聚类点都设定为聚类0，以作为统一使用。