排序方式: 共有24条查询结果,搜索用时 15 毫秒
1.
多视点视频编码除应具有较高的编码效率外,还应该包括后向兼容性、时间随机访问和视点可分级性等,这些都主要取决于所采用的预测结构。目前所提供的多视点视频编码(Joint Multi-view Video Coding, JMVC)采用固定的视点间预测结构,难以适应复杂情况的多视点视频编码。该文综合考虑编码效率和用户随机访问等因素,根据多视点视频相关性分析自适应调整视点间预测结构,以获得较好的编码综合性能。试验结果表明,与JMVC相比,该文的方法在提高编码效率的同时,有较好的随机访问性能。 相似文献
2.
3.
由于在AVS1-P2中采用了多种预测模式的帧间预测技术,但为了使编码器性能最优,需要对所有帧间候选模式进行遍历,以便从中选择最适合的模式,这无疑会大大增加编码器的计算复杂度。为了快速的进行帧间预测,根据AVS1-P2帧间预测模式的特点提出了一种快速的帧间预测模式选择算法,其特点是将基于全零块的提前中止准则与基于纹理特性的预测模式尺寸预选准则相融合来加快编码速度。实验结果表明,与AVS1-P2参考软件rm52h相比较,该方法在保持比特率和图像质量基本不变的同时,可显著减少编码器的计算复杂性。 相似文献
4.
一种结合全零块检测和纹理特征的快速帧内
预测模式选择算法 总被引:4,自引:0,他引:4
在H.264的帧内编码算法中,提出了从多个方向进行多种模式预测。为使率失真性能最优,需要对所有17种候选模式进行遍历,从中选择最适合的模式,这无疑会大大增加了编码器的计算复杂度。为避免多余候选模式的遍历,提出了一种快速H.26帧内预测模式选择算法。该算法结合了3个准则来加快编码速度,一是相邻块预测模式相关性准则,二是基于结合全零块提前中止准则,三是基于纹理特性的预测模式尺寸预先选择准则。先根据相邻宏块的预测模式来预先判别待编码宏块的预测模式;若预测模式不符合提前中止准则,就根据纹理的复杂度来预先选择预测模式的尺寸;对已选择尺寸的各种模式进行搜索,在搜索过程中同样遵循全零块提前退出的准则。实验结果表明,在编码效率相近的情况下,与H.264原有的全搜索算法相比,编码速度能够平均提高42.45%~73.71%。与单纯基于纹理特性的FIPAMP算法相比,编码速度能够平均提高23.19%~55.83%。 相似文献
5.
基于3D-HEVC的多视点纹理加深度的联合比特分配算法 总被引:2,自引:2,他引:0
首先依据视频序列的统计特性,建立纹理 比特率和深度 图比特率与虚拟视点失真之间模型;然后分别建立拉格朗日算子与纹理、深度图比特率的对 应关系,在前 两步的基础上构建由虚拟视点失真模型和拉格朗日算子的代价方程,为了保证目标 码率与输出码 率在一定的误差范围内,建立纹理比特率和深度比特率的受限约束方程;最后利用目标码率 的约束方程,求解 出最优的纹理比特率和深度图比特率。实验结果表明,提出的算法与目前流行的多视点纹理 加深度的算法 相比,在相同的编码比特率情况下,虚拟视点和基本视点客观质量平均提高0.15dB,因此具有更高的编码效率。 相似文献
6.
针对目前尚未深入研究多视点视频编码(MVC)码率控制的状况,在分析现有视频码率控制中率失真模型的不足和多视点视频编码的特点的基础上,提出了一种基于二次率失真(R-D)模型的多视点视频编码码率控制算法。该算法的核心是先根据视差预测和运动预测的结构关系,将所有图像分成6种类型的编码帧,并改进二项式率失真模型,然后根据已编码信息进行视点间、帧层、基本单元层比特分配与码率控制。实验仿真结果表明,与目前采用固定量化参数的JVT的MVC相比,该算法能够有效地控制多视点视频编码的码率,同时保持高效的编码效率。 相似文献
7.
多视点纹理加深度编码的联合码率控制方法 总被引:1,自引:0,他引:1
码率控制技术是多视点视频编码和传输中一个关键的问题。为了提高三维(3D)视频的整体显示质量,包括虚拟视点质量和编码视点质量,提出一种多视点纹理加深度编码的联合码率控制方法。该算法研究了纹理和深度的关系,采用基于模型方法确定最优的纹理和深度之间的码率比例。根据各个视点编码结果的统计规律,不同的视频序列采用不同的视点间比特分配比例。实验结果表明,与目前流行的多视点码率控制算法相比,该算法在计算复杂度基本保持不变的情况下,平均码率控制误差在0.6%以内,客观质量PSNR最高可提高0.65 dB。 相似文献
8.
基于边缘增强的深度图超分辨率重建 总被引:2,自引:2,他引:0
准确的深度图像获取是计算机视觉中的一个难题 。传统的立体匹配得到深度的方法不仅计算量大,而且在纹理稀疏与重复区域往往存在较大 的误差。主动式深度传感器虽然解决了这些问题, 但其获取的深度图存在着分辨率低和易受噪声干扰的问题。因此,本文提出一种结合彩色图 像信息 的深度图超分辨率(SR)重建方法来提高深度图的质量与分辨率。首先运用自回归(AR)模型 下的非局部均值(NLM)算 法获取初始的上采样深度图;然后利用边缘提取与边缘修复算法优化深度图。实验结果表 明,本文提出的方法能够生成误差更小、主观质量更好的高分辨率深度图。 相似文献
9.
10.