导读:本文包含了帧内编码论文开题报告文献综述、选题提纲参考文献，主要关键词:纹理,卷积,视频,虚拟现实,深度,特征,快速。
帧内编码论文文献综述写法
赵旭,耿瑞焕[1]（2020）在《采摘机器人数字视频监控系统—基于DSP和帧内编码》一文中研究指出针对采摘机器人对目标水果分级难度高、误差大等问题,提出了一种基于DSP和帧内编码的采摘机器人数字视频监控系统,对水果等进行识别和分级。系统可根据水果瑕疵面积和RGB叁色直方图,对果实成熟度进行判断。试验结果表明:采摘机器人识别和判定结果与市场分级结果一致,系统检测精度高,性能可靠,可以满足水果识别分级的设计需求。(本文来源于《农机化研究》期刊2020年08期）
朱威,易瑶,王图强,郑雅羽[2]（2019）在《一种深度图像帧内编码单元快速划分算法》一文中研究指出新一代的叁维视频编码标准——3D-HEVC (3D High Efficient Video Coding)为了显着减少视点个数,增加了包含视频场景几何信息的深度图像,但深度图像编码的计算复杂度非常高,其编码时间是彩色图像的4倍左右。为了降低深度图像编码的计算复杂度,文中提出了一种基于纹理特征分析的深度图像帧内编码单元(CU)快速划分算法。首先,对深度图像的编码树单元(CTU)进行初级纹理特征分析,根据深度图像的纹理变化特征,在大津法的基础上对全局灰度进行分级,再通过判断CTU内采样点的纹理复杂度以及纹理方向标识来确定当前CTU的划分趋势。然后,对纹理复杂度高的CTU进行CU级别的精细纹理特征分析,利用CU内部像素分布的统计特征,自底向上计算不同尺寸的CU的纹理划分标识。最后,根据CTU的纹理复杂度、纹理方向标识以及CU的纹理划分标识预测当前CTU的划分深度范围,并判断是否提前终止CU划分。实验结果表明,与3D-HEVC参考模型中的原始算法相比,所提算法在平均增加0.8%左右码率的同时,能够降低45%左右的编码时间,同时保持了良好的编码率失真性能;与现有的3种快速算法相比,所提算法在整体序列上分别降低了约12%,3%,4%的编码时间,而在大分辨率序列上则分别降低了14%,11%,10%的编码时间,并具有相近的编码率失真性能。(本文来源于《计算机科学》期刊2019年10期）
姚娜[3]（2019）在《数字电视图像压缩中MPEG2帧内编码的应用》一文中研究指出本文主要分析了数字电视图像压缩中MPEG2帧内编码的应用,MPEG2的帧内编码技术能够确保电视信号传输质量,在帧间编码的基础上,进一步提高数据压缩率,提高广播电视带宽资源的利用率。(本文来源于《电子技术与软件工程》期刊2019年13期）
任妍,彭宗举,崔鑫,陈芬,陈华[4]（2019）在《结合随机森林的FVC帧内编码单元快速划分》一文中研究指出目的未来视频编码(FVC)是在高效视频编码标准(HEVC)的基础上提出的新一代编码技术,复杂度极高。针对现有的基于HEVC的快速编码方法不适用于FVC中的四叉树加二叉树编码结构或节省时间有限的问题,提出了一种结合随机森林的FVC帧内编码单元(CU)快速划分算法。方法针对FVC中的四叉树加二叉树结构进行优化。首先,提取视频编码过程中的各CU的图像纹理特征和划分结果;然后,分别使用各划分深度下的纹理特征和划分结果进行在线训练,建立多个随机森林模型,不同深度的CU对应不同的模型;最后,使用模型对视频其余帧的CU进行划分结果预测,从而减少了划分模式遍历和率失真代价计算的次数,节省了编码时间。结果实验结果表明,与原始平台算法相比,本文算法能够节省44. 1%的时间,在相同峰值信噪比的情况下,比特率仅上升2. 6%;与当前先进的方法相比,能进一步节省20%以上的时间。结论通过提取图像的纹理特征,建立随机森林模型,对CU划分结果进行预测,在保证编码率失真性能的前提下,有效地降低了FVC的帧内CU划分复杂度。(本文来源于《中国图象图形学报》期刊2019年05期）
宋沛然[5]（2019）在《基于最优深度预测的VR视频帧内编码算法研究》一文中研究指出当前,虚拟现实(Virtual Reality,简称VR)技术发展越来越快,应用越来越广泛,虚拟现实视频是虚拟现实技术的重要应用领域。现阶段,虚拟现实视频一般先投影,然后用传统视频编码框架(如HEVC)进行编码。由于虚拟现实视频高帧率高分辨率的特点,视频帧内编码过程中遍历各尺寸编码单元(CU)产生的计算量更高,编码速度相比传统视频更慢,并且虚拟现实视频在编码时,没有针对不同投影格式的特点做出优化。论文对虚拟现实视频的特点进行了分析,对于虚拟现实视频编码算法进行了优化,重点研究虚拟现实视频帧内编码CU快速划分算法,并将快速划分算法针对虚拟现实视频投影格式的特性进行优化,设计了基于最优深度预测的CU快速划分算法,以及基于纬度加权编码比特数的CU划分提前终止算法。论文的主要工作和创新点如下:(1)论文提出了一种基于LCU深度预测的CU快速划分算法,通过预测最大编码单元(LCU)深度来跳过部分尺寸CU的计算。算法使用Sobel算子得到LCU纹理特征,分析LCU纹理特征与LCU深度的关系,使用KNN分类器来预测LCU的深度。为了使KNN训练集数据更适应待编码视频,论文将视频分为预测帧和训练帧,训练帧采用原有算法编码并将训练帧LCU的纹理特征和深度记入KNN分类器,预测帧使用KNN分类器预测LCU深度,跳过部分尺寸CU的计算。实验结果显示,该算法减少了37.9%的编码时间,BD-rate仅增加1.31%。(2)论文提出了一种基于纬度加权的CU划分提前终止算法,通过提前终止CU向下划分来提升帧内编码速度,并根据ERP投影格式虚拟现实视频的特点对不同区域CU进行加权。算法根据CU编码比特数判断CU是否需要向下划分,设定判断不同尺寸、量化步长的CU是否需要向下划分的阈值。针对ERP投影格式高纬度区域对视频质量影响小的特点,根据纬度对CU进行加权,使高纬度区域的CU更容易终止划分。实验结果显示,该算法减少了32.8%的编码时间,BD-rate仅增加1.30%。(本文来源于《北方工业大学》期刊2019-05-06）
董晓莎[6]（2019）在《基于纹理特性的虚拟现实视频帧内编码快速算法研究》一文中研究指出虚拟现实视频的一大特征是具有沉浸式体验,可以让用户体验身临其境的感受。联合视频探索小组(Joint Video Exploration Team,JVET)将虚拟现实视频编码纳入下一代视频编码标准研究范围内,并提出了虚拟现实360度视频方案。虚拟现实视频的分辨率很高(通常为4K至8K),编码需要耗费的时间很长,给此类视频实时编码带来了困难。论文重点研究了虚拟现实视频的帧内编码问题,提出了基于纹理特性的帧内编码快速算法。主要工作如下:针对虚拟现实视频CU划分过程RD-cost计算复杂度大的问题,研究了ERP格式视频不同深度CU的纹理特性,发现越靠近两极的视频图像拉伸程度及采样率越高,CU纹理越简单,适合用较大的CU进行编码;而在视频图像中部,包含的视频关键信息较多,需要用比较小的CU进行编码。基于这种规律,提出了基于纹理复杂度的CU划分快速算法,通过判断图像纹理是否复杂来确定是否提前终止当前CU的进一步划分,减少CU划分过程RD-cost的计算量,从而节省编码时间。本算法BD-rate损失为0.2%,平均减少编码时间约为33%。针对虚拟现实视频帧内预测模式决策过程中候选模式过多的问题,研究了各预测模式之间的选择规律,提出了基于纹理方向的模式选择快速算法,根据图像纹理方向减少模式选择过程中的候选模式数量。本算法BD-rate损失为1.2%,平均减少编码时间约为34%。两种算法均基于图像纹理特性进行优化,综合起来构成了基于纹理特性的帧内编码快速算法。实验结果表明,综合后的算法可以平均减少53%的编码时间,同时BD-rate仅损失1.3%。(本文来源于《北方工业大学》期刊2019-05-06）
黄胜,司朋涛,张倩云,肖傲[7]（2019）在《基于决策树的HEVC SCC帧内编码快速算法》一文中研究指出为减少HEVC屏幕内容编码的编码时间,提高编码效率,本文提出了一种基于决策树的HEVC屏幕内容帧内编码快速CU划分和简单PU模式选择的算法。对视频序列特性分析,提取有效的特征值,生成决策树模型。使用方差、梯度信息熵和像素种类数用于生成CU划分决策树,使用平均非零梯度、像素信息熵等用于生成PU模式分类决策树。在一定深度的决策树模型中,通过对相应深度的CU的特征值的计算快速决策当前CU的划分与PU模式的类型。这种利用决策树做判决的算法通过减少CU深度和PU的模式遍历而降低编码复杂度,达到快速帧内编码的效果。实验结果表明,与HEVC屏幕内容的标准算法相比,该算法在峰值信噪比(PSNR)平均下降0.05 dB和码率平均增加1.15%的情况下,能平均减少30.81%的编码时间。(本文来源于《光电子·激光》期刊2019年04期）
郭磊[8]（2019）在《自适应块顺序和非矩形块预测的帧内编码方法研究》一文中研究指出随着通讯技术的发展和电子设备的普及,各种各样的视频应用已经成为人们生活的一部分。同时人们对超高清、高帧率、高色深等高质量视频的需求也逐渐提升。高质量视频意味着更大的数据量和对视频压缩技术更高的要求。因此在2013年,国际上发布了高效视频编码标准(High Efficiency Video Coding,H.265/HEVC),且下一代通用视频编码标准(Versital Video Coding,VVC)也在紧张制定中。视频压缩编码的主要原理是去除视频数据中的各种冗余。其中,空间冗余主要采用帧内预测编码来处理即由当前图像内的重建像素生成预测值,编码器对预测后的残差而不是原始像素值进行变换、量化和熵编码。因此提高帧内预测的准确性能有效提高编码效率。一方面,编码标准规定编码块的扫描顺序是固定的即光栅和Z扫描顺序,帧内预测时只有左侧和上侧的重建像素可用。这种编码方法导致只有纹理结构方向和编码块顺序方向相同的区域预测才比较准确,无法有效处理自然图像丰富的纹理结构。另一方面,图像可以被认为是分段平滑、由不同特性区域组成的。同时,视频编码标准规定编码块以树结构的方式划分为矩形子块。因此同一特性区域内部的块可能编码相同的信息编码效率低下,而跨越区域边界的块只能使用一个预测模型不够准确。这种矩形的预测块显然不能高效处理不规则的区域边界。相应的,本文为提高帧内预测准确性做了两方面的研究工作:一是研究自适应块顺序方法来处理不同的纹理结构方向即空间相关性;二是研究基于卷积神经网络的非矩形块预测方法来提高不同区域边界的编码效率。主要创新点为:1.提出自适应块顺序方法。在HEVC四叉树以及WC多叉树划分基础上根据图像内容分层选择最优的编码顺序,使得不同位置的参考像素处理不同的纹理结构;针对新的编码顺序提出改进的预测技术,在不增加现有预测模式的前提下扩大角度预测范围来充分利用重建像素;在编码性能和时间复杂度间寻找较优的折中。实验结果表明,此方法能有效提高帧内预测的准确性,平均提升约2.6%-3.1%的编码效率。2.提出基于卷积神经网络的非矩形块预测方法。根据编码块的几何结构,利用卷积神经网络将预测块划分为两个非矩形区域,不同的区域使用不同的预测模型然后组合在一起作为整体的预测;针对该方法的不足,又提出改进的训练方法即不是先预测划分方式而是直接预测最终的像素值,进一步提高了编码效率。实验结果表明,此方法能有效提高帧内预测的准确性,平均提升约0.6%-1.2%的编码效率。(本文来源于《中国科学技术大学》期刊2019-04-01）
张梦[9]（2019）在《基于神经网络的HEVC帧内编码》一文中研究指出为了应对超高清视频的压缩问题,国际标准组织机构ISO/IEC下属的运动图像专家组MPEG(Moving Picture Experts Group)和国际电传视讯联盟ITU-T主导的视频编码专家组VCEC(Video Coding Expert Group)组成的视频编码联合小组JCT-VC(Joint Collaborative Team on Video Coding)制定了新一代视频编码标准HEVC(High Efficiency Video Coding)。HEVC比上一代编码标准H.264/AVC(Advanced Video Coding)在编码性能上提升了50%,但是由于引进了更复杂的编码工具,其计算复杂度也急剧上升。如何在保证一定编码效率的情况下尽可能地降低HEVC的计算复杂度成为当下研究的热点问题。针对这个问题,本文利用卷积神经网络强大的学习能力和得到最优化解的能力,优化了HEVC和其扩展版本HEVC SCC(Screen Content Coding)的帧内预测编码环节。本文的研究内容如下:帧内预测在视频编码中主要负责去除空域上的冗余,是视频编码关键的一环。而研究发现,在帧内预测中,编码单元划分决策的计算复杂度最高。基于这一发现,本文设计了相应的卷积神经网络,基于其强大的学习能力,自动地学习图像纹理特征与划分决策之间的映射关系。通过自建的数据集训练网络,得到最优的网络模型和参数,再由该网络得到输入视频序列的划分决策,跳过复杂的率失真优化过程。实验表明,与HM16.7相比,本文提出的算法在保持一定编码性能的同时,将编码时间缩短了59.67%,降低了HEVC帧内编码的计算复杂度。HEVC SCC作为HEVC的扩展版本,沿用了HEVC的编码框架,但由于屏幕内容的特性,新增了一些编码工具。帧内预测编码单元的划分决策算法在HEVC SCC上仍然适用,但是由于HEVC SCC编码主要面向屏幕内容视频和包含屏幕内容与自然内容的混合内容视频,这些视频的特征相较于自然内容视频大有不同。因此,本文设计了一个应用于屏幕内容编码的卷积神经网络,以获得帧内预测的编码单元的划分决策。为了得到更好的训练结果,本文构建了一个大数据集来训练相应的神经网络。实验结果显示,在编码时间减少了53.2%的情况下,编码器的BDBR只上升了2.67%。(本文来源于《电子科技大学》期刊2019-04-01）
易清明,谢志煌,石敏[10]（2019）在《一种HEVC帧内编码快速决策组合算法》一文中研究指出为了降低高效视频编码(HEVC)的帧内编码计算复杂度,本文提出一种应用于预测模式决策和编码单元大小决策的帧内模式快速编码组合算法.在预测模式选择上,本文根据预测单元(PU)的纹理信息对粗模式决策(RMD)和率失真最优化(RDO)候选列表进行筛选以减少计算复杂度.在编码单元(CU)大小决策方面,根据CU的纹理复杂度,对平滑简单的CU自适应地终止划分,对纹理复杂的CU跳过编码提前进行划分,减少CU深度遍历的时间.实验结果表明,本文算法与HM参考模型相比,能够平均降低38. 0%的编码时间,而BDBR仅增加0. 33%.与现有的优秀算法相比,本文算法进一步降低了编码时间,且具有更好的编码质量.(本文来源于《小型微型计算机系统》期刊2019年01期）
帧内编码论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
新一代的叁维视频编码标准——3D-HEVC (3D High Efficient Video Coding)为了显着减少视点个数,增加了包含视频场景几何信息的深度图像,但深度图像编码的计算复杂度非常高,其编码时间是彩色图像的4倍左右。为了降低深度图像编码的计算复杂度,文中提出了一种基于纹理特征分析的深度图像帧内编码单元(CU)快速划分算法。首先,对深度图像的编码树单元(CTU)进行初级纹理特征分析,根据深度图像的纹理变化特征,在大津法的基础上对全局灰度进行分级,再通过判断CTU内采样点的纹理复杂度以及纹理方向标识来确定当前CTU的划分趋势。然后,对纹理复杂度高的CTU进行CU级别的精细纹理特征分析,利用CU内部像素分布的统计特征,自底向上计算不同尺寸的CU的纹理划分标识。最后,根据CTU的纹理复杂度、纹理方向标识以及CU的纹理划分标识预测当前CTU的划分深度范围,并判断是否提前终止CU划分。实验结果表明,与3D-HEVC参考模型中的原始算法相比,所提算法在平均增加0.8%左右码率的同时,能够降低45%左右的编码时间,同时保持了良好的编码率失真性能;与现有的3种快速算法相比,所提算法在整体序列上分别降低了约12%,3%,4%的编码时间,而在大分辨率序列上则分别降低了14%,11%,10%的编码时间,并具有相近的编码率失真性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
帧内编码论文参考文献
[1].赵旭,耿瑞焕.采摘机器人数字视频监控系统—基于DSP和帧内编码[J].农机化研究.2020
[2].朱威,易瑶,王图强,郑雅羽.一种深度图像帧内编码单元快速划分算法[J].计算机科学.2019
[3].姚娜.数字电视图像压缩中MPEG2帧内编码的应用[J].电子技术与软件工程.2019
[4].任妍,彭宗举,崔鑫,陈芬,陈华.结合随机森林的FVC帧内编码单元快速划分[J].中国图象图形学报.2019
[5].宋沛然.基于最优深度预测的VR视频帧内编码算法研究[D].北方工业大学.2019
[6].董晓莎.基于纹理特性的虚拟现实视频帧内编码快速算法研究[D].北方工业大学.2019
[7].黄胜,司朋涛,张倩云,肖傲.基于决策树的HEVCSCC帧内编码快速算法[J].光电子·激光.2019
[8].郭磊.自适应块顺序和非矩形块预测的帧内编码方法研究[D].中国科学技术大学.2019
[9].张梦.基于神经网络的HEVC帧内编码[D].电子科技大学.2019
[10].易清明,谢志煌,石敏.一种HEVC帧内编码快速决策组合算法[J].小型微型计算机系统.2019