基于非局部低秩和自适应量化约束先验的HEVC后处理算法

经高效视频编解码标准HEVC压缩后的视频在高压缩比、低码率的情况下存在明显的压缩效应。针对该问题,提出了一种基于非局部低秩(Non-local Low-rank,NLLR)和自适应量化约束(Adaptive Quantization Constraint,AQC)先验的HEVC后处理算法。该算法首先构造在最大后验概率框架下的优化问题,然后利用解码后的压缩视频和量化参数QP获取非局部低秩和自适应量化约束先验信息,最后利用split-Bregman迭代算法来解决所提的优化问题,从而有效去除压缩效应,提升重建视频质量。其中,非局部低秩先验通过构建基于相似块聚类的非局部低秩模型来获得;自适应量化约束先验通过联合不同量化参数QP下的约束特性与视频的DCT域块活动性来获得。实验结果表明,在同等码率的情况下,与HEVC标准相比,所提算法在帧内编码模式下可以达到平均0.2597 dB的PSNR提升,在帧间编码模式下可以达到平均0.2828 dB的PSNR提升。     

基于邻近值的HEVC帧内预测优化

高性能视频编码(High Efficiency Video Coding,HEVC)标准中的帧内编码模式利用当前帧中像素点之间的空间相关性作出有效预测。为了解决待编码像素远离参考像素时预测不准确的问题,提出了一种基于邻近值的HEVC帧内预测优化算法。该算法的主要思想是,对于当前像素,先根据传统HEVC帧内编码方法得到其预测值,再使用该像素点左边、左上、上边位置的修正值以及该像素本身的预测值对该预测值进行修正。因为将当前像素与周围像素的相关性进行了有效的数学建模,所以HEVC帧内编码性能得到了提升。实验结果显示,所提算法与HEVC标准相比,最高节省了2.7%的码率,平均节省的码率为1.3%。     

介质阻挡放电等离子体处理对玉米淀粉结构和功能性质的影响

目的 研究低温介质阻挡放电等离子体对高直链玉米淀粉和蜡质玉米淀粉的多尺度结构及功能性质的影响。方法 以高直链玉米淀粉(high-amylose corn starch, HAMS)和蜡质玉米淀粉(waxy maize starch, WMS)为研究对象, 采用介质阻挡放电等离子体技术, 控制输入电压110 V, 调节输入电流为0.8、1.0、1.2和1.4 A, 分别对淀粉粉体进行改性处理1 min, 探究两种淀粉在不同处理电流下等离子体场中的多尺度结构和理化功能性质的变化。结果 经过等离子体处理后, 两种淀粉颗粒的粒径增大, HAMS颗粒出现团聚现象, WMS的表面孔道和刻蚀现象更加明显, 淀粉乳的pH降低, 其溶胀力和成糊黏度均呈现降低的趋势, 其中WMS峰值黏度从3113.50 cP显著降低至795.50 cP。随着处理电流的增加, 两种玉米淀粉的吸热相转变焓值降低, 其中蜡质玉米淀粉焓值从(13.83±0.07) J/g降低至(8.20±0.03) J/g, 广角X射线衍射结果显示淀粉相对结晶度逐渐降低, 而傅立叶变换红外光谱法分析发现红外比值R1047/1022和R1022/995分别略微下降和升高。结论 等离子体处理对WMS的改性效率相比HAMS较大, 等离子体改性处理主要影响玉米淀粉的长程晶体结构, 而对短程双螺旋结构的影响较为有限。     

结合空时域下采样与重建的H.264/AVC压缩性能优化

为提高H.264/AVC标准在带宽资源严重受限时的压缩效率,采用空时域相结合的编码思路,提出了一种基于运动检测的自适应抽帧方法,并结合空域下采样与重建研究了一种改进的H.264/AVC压缩性能优化框架。在编码端,原视频先空域下采样以减少空间分辨率,然后根据视频运动特征,采用不同抽帧模式自适应地降低帧率,再经H.264/AVC编码,有效降低了编码码率。在解码端,解码视频则采用与抽帧模式相对应的运动估计与补偿插帧方法重建出抽取帧,再利用超分辨率重建技术将视频恢复到原空间分辨率。实验结果表明,所提方法在低码率段的视频压缩性能优于H.264/AVC标准编解码及相关文献方法。     

基于运动矢量细化的帧率上变换与HEVC结合的视频压缩算法

将帧率变换技术与新型视频压缩编码标准HEVC相结合有利于提升视频的压缩效率。针对直接利用HEVC码流信息中的低帧率视频的运动矢量进行帧率上变换时效果不理想的问题,文中提出了一种基于运动矢量细化的帧率上变换与HEVC结合的视频压缩算法。首先,在编码端对原始视频进行抽帧,降低视频帧率;其次,对低帧率视频进行HEVC编解码;然后,在解码端与从HEVC码流中提取出的运动矢量相结合,利用前向-后向联合运动估计对其进行进一步的细化,使细化后的运动矢量更加接近于对象的真实运动;最后,利用基于运动补偿的帧率上变换技术将视频序列恢复至原始帧率。实验结果表明,与HEVC标准相比,所提算法在同等视频质量下可节省一定的码率。同时,与其他算法相比,在节省码率相同的情况下,所提算法重建视频的PSNR值平均可提升0.5 dB。     

结合卷积神经网络的HEVC帧内编码压缩改进算法

近年来,卷积网络深度学习已在图像处理、目标检测等领域取得巨大成功。受其启发,将卷积神经网络(CNN)应用于传统视频压缩标准已成为一个新的研究热点。本文提出一种集成卷积神经网络的高效视频编码(HEVC)压缩改进算法,将下采样过程、HEVC的编解码过程、上采样及质量增强过程集成为一体。为高效提取视频帧的结构特征,在所提压缩算法中集成了两个卷积神经网络。提出了一种下采CNN(DwSCNN)代替双三次下采,在有效降低分辨率的同时保留细节信息,得到更为紧凑的低分辨率视频序列,将此低分辨率视频序列通过HEVC帧内编码进行进一步的数据量压缩,通过提出一个质量增强CNN(PPCNN)来改善解码后恢复到原始分辨率的降质视频序列。实验结果显示,本文压缩改进算法在低码率段与标准HEVC相比,能达到更好的质量重建,并且在接近一致的PSNR值时,能节省39.46%的时间和11.04%的比特率,本文算法的视频压缩性能优于HEVC标准算法和相关文献方法。     

基于VVC的多方向细化Merge模式优化算法

针对多功能视频编码标准VVC帧间预测中，Merge模式未充分考虑运动存在的多种方向性从而降低了预测精度的问题，提出了一种基于VVC的多方向细化Merge模式优化算法。本算法在分析带运动矢量差的Merge技术的基础上，首先调整了步长选择范围并增加多种搜索方向，然后根据步长自适应选择色度块的运动补偿方式，并最终根据率失真代价准则选择最优的运动矢量信息。实验结果表明，本文算法与VTM-12.0参考模型相比，在低延迟P帧配置下Y、U、V三分量的BD-rate分别平均下降了0.57%、0.62%、0.25%,在随机接入配置下的BD-rate中Y分量下降了0.27%、U分量仅提高了0.11%、V分量降低了0.04%,有效地提升了Merge模式的编码性能。