[0039] 下面结合附图对本发明作进一步说明。
[0040] 在视频编码中,视频编码算法的优化,比如码率控制,广泛采用ρ域率失真(RD)建模的方法,如何根据量化算法特点准确估计ρ,是实现ρ域RD建模的关键。在基于HDQ的视频编码器中,可以通过简单的四舍五入获得ρ,然而,使用RDOQ来计算视频编码器中的ρ是计算密集型的,计算出ρ很复杂。同时,在以前工作中所提出的几种典型的全零块预判决方法,都是基于硬判决量化(HDQ)或者是宏块级别,不支持率失真优化(RDOQ)或者TU块级别的全零块判决。相比较HDQ而言,RDOQ能够获得良好的编码性能,所以被广泛的应用于视频编码器中。因此本发明提出了一种快速RDOQ量化零系数比例估计方法,通过该方法可以快速准确地预测RDOQ的ρ结果,并具有适度的实施复杂度。图1给出了建立ρ模型的流程图。
[0041] (1)自适应死区偏移量δ
[0042] 首先根据公式(2)获取DCT系数分布参数Λ,公式(2)如下所示:
[0043]
[0044] 其中n为统计个数,ci为DCT系数。然后根据公式(3)获取自适应死区偏移量δ,使得RDOQ量化行为和HDQ量化行为相似。公式(3)如下:
[0045]
[0046] 其中QP>17:
[0047] I帧ψ=0.50+0.001*(QP-17),μ=0.1,β=0.6,γ=0.6,
[0048] α=128,ξ1=ξ2=32,a=35,b=50;
[0049] P/B帧ψ=0.48+0.001*(QP-17),μ=0.1,β=0.6,γ=0.6,
[0050] α=128,ξ1=ξ2=32,a=35,b=50;
[0051] (2)WSATD自适应加权系数模型
[0052] 对于ρ而言,当DCT系数|ci|大于最佳的零量化阈值时,无论|ci|多大,它对ρ的贡献都是相同的。利用这个性质,本发明采用启发式建模的方法来确定控制参数a和b以获得准确的WSATD。问题的关键是如何确定(|ci|,wi)来进行参数选择。一方面,假设具有强度(1-δ)q的系数对于WSATD估计和ρ的贡献为1。另一方面,因为TU块中|ci|的最大值是cmax与强度(1-δ)q的DCT系数对ρ的贡献相同,所以根据cmax*wmin=(1-δ)q可得到最小权重wmin。最终可以使用((1-δ)q,1)和(cmax,wmin)根据公式(1)推导出a和b,其中a和b是根据TU块内容动态变化,从而保证产生精确的权重模型。对于量化为零的ci来说,由于它们对ρ的贡献为零,所以所对应的权重系数wi为零。
[0053] 如上所分析,如果可以预先判断出ci经过RDOQ的结果是否为零,就可以达到快速确定权重系数wi是否为零的目的。一方面,根据HDQ量化原理,在区间[0,(1-f)q)内的ci会被HDQ量化为零,并且这些系数也会被RDOQ量化为零。另一方面,对于在区间[(1-f)q,q)内的ci通过HDQ量化为非零,但是在经过RDOQ之后,会被量化为零或非零系数。通常如果一个TU仅包含具有强度[(1-f)q,q)的m个DCT系数时,虽然它们会被HDQ量化为非零,但是由于率失真优化准则会被RDOQ量化为全零。在不同TU块的情况下,典型的数值m在表1中给出。
[0054] 表1数值m统计表
[0055] TU块类 m 统计总数 量化为零 百分比 量化为非 百分比4x4 2 159173 132871 83.48% 26302 16.52%
8x8 3 108598 100647 92.68% 7951 7.32%
16x16 6 140682 135398 96.24% 5284 3.76%
32x32 6 26594 26445 99.44% 149 0.056%
[0056] (3)建立ρ与θ以及χ之间函数关系
[0057] 利用公式(3)来获得每一个TU块的χ,并且利用数学上计算均值的方法得到相同ρ下χ的均值θ。
[0058]
[0059] 其中ci表示DCT系数,wi为权重系数,q为量化步长。
[0060] 由于θ只能够离线获得,所以需要在线建立关于θ的函数关系,从而能够在线使用快速估计ρ的方法。通过研究发现θ-θ'之间存在很明显的函数关系,并且就θ-θ'函数建模而言,需要清理一些收集的样本数据。第一种情况是θ在某些ρ的情况下可能不存在,需要在相应的ρ'的情况下去除相应的θ'样本(无论θ'是否存在)。第二种情况是在某些ρ'情况下θ'可能不存在,需要在相应ρ与θ'的情况下(如果θ存在)确定θ。ρ'和θ'之间也有很高的相关性,因此可以考虑建立θ'-ρ'之间的函数关系。两个函数关系θ'-ρ'和θ-θ'可以分别通过曲线拟合获得:
[0061] θ'=g(ρ') (4)
[0062] 其中ρ'是通过HDQ预量化后的零系数比例,θ'是ρ'相同的情况下χ的均值,θ'-ρ'是单调递减的二阶函数。θ-θ'是单调递增的二阶函数,这个函数可以表示如下:
[0063] θ=f(θ') (5)
[0064] 其中θ'是ρ'相同的情况下χ的均值,θ是ρ相同的情况下χ的均值。图3是θ'-ρ'和θ-θ'的图形。
[0065] 根据图3,可以得出以下结论:当TU块类型为4×4和8×8时,可以根据公式(4)和(5)准确地在线预测θ。对于其他类型的TU块,公式(4)和(5)有时不能准确地在线预测θ。为了忽略这些异常样本,使用估计的θ'代替ρ-θ建模的θ。最后,通过曲线拟合获得函数关系ρ-θ。图3和图4显示了拟合曲线和样本散点结果。
[0066] (4)建立ρ模型
[0067] 如上所述,可以得出ρ-χ和ρ-θ之间都具有函数关系,为了更精准的模拟最优RDOQ量化行为,所以最终利用集合的统计曲线拟合方法得到ρ=f(θ,χ)的三维函数模型,如公式(6)所示:
[0068] ρ=α+a1θ+b1χ+a2θ2+c11θχ+a3θ3+c21θ2χ (6)
[0069] 其中ρ模型是关于θ的3阶和关于χ的1阶多项式。图5是ρ=f(θ,χ)的两个角度的三维关系图形。
[0070] 通过该模型能够快速估计出TU块经过RDOQ的零系数比例ρ,一方面可以为ρ域RD建模快速估计出ρ;另一方面可以在量化之前实现TU块级别的全零块预判决,减少编码器的负担。