[发明专利]一种基于集成学习的帧间图像编码方法

说明书

本发明公开了一种基于集成学习的帧间图像编码方法，涉及图像处理技术领域，包括步骤：提取图像组中帧内编码帧在编码划分后各编码块的特征向量以及对应的编码划分模式作为特征训练集；基于特征训练集和初始样本权值对弱分类器进行训练，并获取当前迭代次数的弱分类器系数；根据各迭代次数下的弱分类器和弱分类系数合成强分类器；通过强分类器对目标帧间图像进行各编码深度下对应编码块的编码划分模式预测。本发明通过将各迭代下的弱分类器进行融合获得强分类器，通过这种强化融合的方式提高分类精度，在保证编码质量的同时大大降低编码计算复杂度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于集成学习的帧间图像编码方法。

背景技术

在视频编码标准中，帧是块划分的基本单位，在对一个双向预测内插编码帧（B帧）进行编码时，每一帧图像首先会被分为若干个编码树单元（Coding Tree Unit，CTU）再基于CTU进行下一步划分，视频编码标准将CTU划分为编码单元（Coding Unit，CU）之后可以直接进行预测和变换。其中，VVC编码标准使用嵌套多叉树的四叉树（Quad-Tree with nestedMultiType-Tree，QTMTT）结构对CTU进行划分。由于VVC采用了更加灵活的划分方式，随着划分层数的加深，率失真优化（Rate Distortion Optimization，RDO)需要遍历树的分支急剧增多，而每个分支的节点都要被计算，因此编码运算量大幅度增加。

在保证视频质量基本不变，编码性能损失较小的情况下，如何大幅度减少VVC的运算复杂度成了当前视频编码研究者的重点研究方向。

发明内容

为了在高质量编码的前提下进一步提高视频编码的效率，本发明提出了一种基于集成学习的帧间图像编码方法，包括步骤：

S1：提取图像组中帧内编码帧在编码划分后各编码块的特征向量以及对应的编码划分模式作为特征训练集；

S2：基于特征训练集和初始样本权值对弱分类器进行训练，并获取当前迭代次数的弱分类器系数；

S3：判断迭代次数是否达到最大迭代次数，若是，进入下一步骤，若否，更新样本权值进入下一次迭代并放回S2步骤；

S4：根据各迭代次数下的弱分类器和弱分类系数合成强分类器；

S5：提取图像组中目标帧间图像当前编码深度下各编码块的特征训练集；

S6：通过强分类器对特征训练集进行分析，获取当前编码深度对应编码块的编码划分模式分类结果，并在达到最大编码深度前进入下一编码深度并返回S5步骤；

S7：根据各编码深度下的各编码块的编码划分模式分类结果进行帧间图像编码。

进一步地，所述S1步骤中，特征向量由同一编码块的率失真代价、纹理复杂度、预测残差共同组成。

进一步地，所述S2步骤中，弱分类器为分类与回归树分类器。

进一步地，所述S2步骤中，弱分类器以达到预设分类误差率区间为训练指标进行训练。

进一步地，所述S2步骤中，弱分类器的公式表达为，其训练表示为如下公式：

式中，i为取值范围为1至n的帧内编码帧中各编码块的编号，n为帧内编码帧中编码块的总数，为编号为i的编码块的编码划分模式，为最大编号n的编码块的编码划分模式，Y为以编号1至k代表的k种编码划分模式的集合，S为特征训练集，为编号为i的编码块的特征向量，为最大编号n的编码块的特征向量，为通过对所有编码块的弱分类分类结果进行以预设分类误差率区间为目标训练后的弱分类器，t为取值范围为1至m的迭代次数，m为最大迭代次数，为第t次迭代的分类误差率，为编号为i的编码块的样本权值，为指示符函数。

进一步地，所述S2步骤中，弱分类器系数通过如下公式获取：

式中，为第t次迭代的弱分类器系数，为第t次迭代的分类误差率，k为当前编码标准中编码划分模式的种类数。