[发明专利]一种3D视频深度图像帧内预测模式选择方法

摘要

本发明公开了一种3D视频深度图像帧内预测模式选择方法。步骤如下：1)对于任意深度图像，使用自适应角点检测算法寻找帧内的角点，并保存其位置；2)对PU块由模式粗糙选择方法RMD选出HEVC常用的帧内编码模式CHIMs，并加入候选预测模式列表中；3)判断当前PU是否满足平滑条件，如果满足则直接跳到6)，否则继续4)；4)引入分类器对PU进行分类，若当前PU被分为C₀类，表示当前PU为平滑块则跳至6)，否则继续5)；5)进行DMM模式计算，寻找出最优楔形模式分割并添加到模式候选列表；6)对候选模式列表进行率失真计算，选出最佳的预测模式。本发明有效地降低了帧内预测模式选择的数目，减少了帧内预测所需的编码时间，同时保证了最终解码端合成视角的视频质量。

主权项

1.一种3D视频深度图像帧内预测模式选择方法，其特征在于，包括如下步骤：步骤1：对于任意深度图像，使用自适应角点检测算法寻找帧内的角点，并保存角点的位置；步骤2：对预测单元即PU块由模式粗糙选择方法RMD选出HEVC常用的帧内编码模式CHIMs，并加入候选预测模式列表中；步骤3：判断当前PU是否满足平滑条件，如果满足则当前PU是平滑PU，直接跳到步骤6，否则继续步骤4；步骤4：引入分类器对PU进行分类，若当前PU被分类器分为C₀类，表示当前PU为平滑块则跳至步骤6，否则继续步骤5；步骤5：进行DMM模式计算，寻找出最优楔形模式分割并添加到模式候选列表；步骤6：对候选模式列表进行率失真计算，选出最佳的预测模式；步骤1所述自适应角点检测算法为Shi‑Tomasi角点检测算法；所述Shi‑Tomasi角点检测算法中角点的两个主方向通过使用主成分分析得到；矩阵M的两个特征向量是样本像素点的两个主方向，每个角点最少有两个主方向，矩阵的特征值反映在两个特征向量所描述方向上的像素值变化程度；步骤3所述平滑条件为包括Merkle和M.Zhang的人提出的：当前PU的方差小于一个阈值，且RMD判断Planar模式复杂度最低且具有最小率失真代价时此PU为平滑PU；步骤4所述引入分类器对PU进行分类，具体如下：(4.1)每个角点对应的M矩阵有两个特征值，用M矩阵小的特征值来对候选的角点进行分类：将特征值的绝对值不大于0.05的点滤除，将剩下的点按照角点M矩阵中小特征值降序排列，并按照特征值的幅值大小分类，此时每帧图像的角点总数为N_C；(4.2)用量化参数QP再次滤除角点，如果图像的QP不大于36则不再滤除角点，经过第二轮阈值滤波后的角点总数Th_Num等于第一轮滤波后的角点总数N_C，否则将第一轮滤波后的角点总数乘一个由QP决定的比例乘子，该比例乘子在QP大于36时存在且小于1，此时Th_Num为N_C与比例乘子的乘积，最后的滤波结果是找出第一轮滤波后的分类表中前Th_Num个角点；(4.3)如果当前PU不含角点，则被看成平滑PU或是方向变化连续的PU；取N_C中所有角点的M矩阵特征值中最小特征值作为分类界限，如果当前PU对应的M矩阵的两个特征值中小的特征值小于分类界限将其归为C₀类，否则归为C₁类；C₀类指当前PU为平滑块，可跳过DMM计算；C₁类指当前PU不可跳过DMM计算。