CN108933942B - 一种压缩视频的滤波方法及针对压缩视频的滤波装置 - Google Patents

一种压缩视频的滤波方法及针对压缩视频的滤波装置 Download PDF

Info

Publication number
CN108933942B
CN108933942B CN201710386993.4A CN201710386993A CN108933942B CN 108933942 B CN108933942 B CN 108933942B CN 201710386993 A CN201710386993 A CN 201710386993A CN 108933942 B CN108933942 B CN 108933942B
Authority
CN
China
Prior art keywords
threshold
module
filtering
block
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710386993.4A
Other languages
English (en)
Other versions
CN108933942A (zh
Inventor
虞露
张清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710386993.4A priority Critical patent/CN108933942B/zh
Publication of CN108933942A publication Critical patent/CN108933942A/zh
Application granted granted Critical
Publication of CN108933942B publication Critical patent/CN108933942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/117—Filters, e.g. for pre-processing or post-processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/80—Details of filtering operations specially adapted for video compression, e.g. for pixel interpolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提供了一种针对压缩视频的滤波方法和装置。本发明通过高阶奇异值分解处理，可有效的利用视频帧中的非局部空域相关性，提高压缩视频的质量，从而进一步提高了视频压缩性能。同时，将本发明的滤波方法应用在视频编码环路中，可以提高参考帧的质量，进一步提高预测效率，从而提升编码性能。本发明在提出针对压缩视频的基于非局部空域相关性的滤波方法的同时，还提出了相应的装置。

Description

一种压缩视频的滤波方法及针对压缩视频的滤波装置
技术领域
本发明涉及视频图像处理领域，具体涉及一种针对压缩视频的滤波方法和装置。
背景技术
由于有损压缩，视频解码后的重建图像中通常会存在量化噪声，包括：块效应，振铃效应、模糊效应等，这些会影响视频质量。环路滤波器可以提高重建帧的质量，有两种环路滤波器| |去块滤波器和采样自适应偏移滤波器。但这两种滤波器都只利用了视频图像的局部空域相关性，存在一定的局限性。视频编解码中的自适应滤波方法，利用视频帧非局部相关性，在图像中找到一系列的相似块，将每个相似块排列成列向量，然后所有相似块组成一个相似块组，并将其表示为二维矩阵的形式。然后选择二维变换基|奇异值分解，对每个相似块组成的二维矩阵进行变换，在变换域上进行阈值处理并通过反变换以及加权重建的手段，最终获得滤波后的结果，这种方法可以在一定程度上减小量化噪声。基于高阶奇异值分解的图像去噪算法，先在图像中寻找相似块组，将组内的二维图像块直接排列成三维数组；然后对三维数组应用高阶奇异值分解，对分解系数应用阈值处理后再逆变换回图像空间；最后对重叠像素灰度值取平均操作完成去噪。由于上述方法针对的是图像去噪的应用，所以阈值的选取与估计得到的含噪图像中噪声的方差有关。在压缩视频中，量化噪声是由于量化引起的，而量化程度又与量化步长有关，量化噪声的能量与量化步长呈指数关系。
上述的高阶奇异值分解是针对高阶矩阵的一种分解算法，假设输入的待分解的三维张量为
Figure GDA0002614213640000011
则三维张量的计算公式为：
Z＝S×1(U1)×2(U2)×3(U3)
其中S为核心张量(分解后的系数矩阵)，
Figure GDA0002614213640000012
分别是Z的模n(n＝1,2,3)展开Z(1)，Z(2)，Z(3)作奇异值分解后的左奇异矩阵(见图3)。求出三个奇异矩阵后，核心张量的计算公式如下：
Figure GDA0002614213640000013
其中S(1)代表核心张量的模一展开矩阵，Z(1)代表待分解张量的模一展开矩阵，
Figure GDA0002614213640000014
表示Kronecker积，两个矩阵
Figure GDA0002614213640000015
和
Figure GDA0002614213640000016
的Kronecker积表示如下：
Figure GDA0002614213640000017
需要指出的是，上述只是计算核心张量的一种方式，也可以利用待分解矩阵的模二展开或者模三展开计算，不构成对本专利的限制。
发明内容
本发明的目的是利用视频图像中的非局部相关性和高阶奇异值分解，通过一种针对压缩视频的滤波方法和装置，此方法和装置利用编解码端可得的信息，如编码帧类型、量化步长等信息进行局部的滤波阈值的调整，主要针对压缩视频中量化噪声的去除，可以有效的提高视频帧的质量，进一步提升压缩性能。
为实现上述目的，本发明采取以下技术方案：
一种压缩视频的滤波方法，包括：
A.
(a)利用待处理p×q大小的图像块P，在重构图像上利用块匹配找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z，Z∈Rp×q×K；其中Z(:,:,m)为图像块P。
(b)根据图像块P的量化步长Qstep，确定滤波算法的阈值τ：
τ＝g(Qstep)
B.对所述的三阶张量Z进行高阶奇异值分解，得到奇异值矩阵U1，U2，U3以及分解系数矩阵S，其中U1∈Rp×p，U2∈Rq×q，U3∈RK×K，S∈Rp×q×K。
C.按照所述的滤波阈值τ，采用阈值方法对S中的每一个元素进行处理，得到S'：
Figure GDA0002614213640000021
其中S(i,j,k)是分解系数矩阵S中(i,j,k)处的分解系数值，S'(i,j,k)是S(i,j,k)处理后S'中对应位置的值。
D.用阈值处理后的分解系数矩阵S'，奇异值矩阵U1，U2，U3，根据以下方法计算得到Z'(:,:,m)作为图像块P滤波后的结果，其中：
Z'＝S'×1(U1)×2(U2)×3(U3)
×n表示模n张量积，n＝1,2或3；
一种压缩视频的滤波方法，其特征在于：
A.对于图像f中的某一像素位置PP，找出中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。
B.对于每个图像块Pt，
Figure GDA0002614213640000022
按照下述方法进行处理：
(a)
·利用待处理pt×qt大小的图像块Pt，在重构图像上利用块匹配找到K-1个相似块；将图像块Pt与K-1个相似块一起组成三阶张量Zt，Zt∈Rp×q×K；其中Zt(:,:,m)为图像块Pt。
·根据图像块Pt的量化步长Qstep，确定滤波算法的阈值τ：
τ＝g(Qstep)
(b)对所述的三阶张量Zt进行高阶奇异值分解，得到奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St，其中(U1)t∈Rp×p，(U2)t∈Rq×q，(U3)t∈RK×K，St∈Rp×q×K。
(c)按照所述的滤波阈值τ，采用阈值方法对St中的每一个元素进行处理，得到S't：
Figure GDA0002614213640000031
其中St(i,j,k)是分解系数矩阵St中(i,j,k)处的分解系数值，S't(i,j,k)是St(i,j,k)处理后S't中对应位置的值。
(d)利用阈值处理后的分解系数矩阵S't，奇异值矩阵(U1)t，(U2)t，(U3)t根据以下方法计算得到Z't(:,:,m)作为图像块Pt滤波后的结果，其中：
Z't＝S't×1(U1)t×2(U2)t×3(U3)t
×n表示模n张量积，n＝1,2或3；
C.对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果。
进一步地，所述的g(Qstep)是以下之一：
·g(Qstep)＝a·Qstep+b
·g(Qstep)＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
更进一步地，色度分量U/V的系数值a、b、c、d相同，与亮度分量Y的系数取值不同。亮度分量的阈值τ大于色度分量的阈值τ；I帧的阈值τ大于B帧的阈值τ大于P帧的阈值τ。
一种针对压缩视频的滤波装置，其特征在于包括：
A.
·相似块寻找模块，其输入包括待处理的p×q大小的图像块P和视频重构图像f，其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中Z(:,:,m)为图像块P。
·阈值计算模块，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，
根据所述的量化步长Qstep，计算滤波算法的阈值τ。
B.HOSVD变换模块，其输入包括相似块三阶张量Z，其输出包括奇异矩阵U1，U2，U3以及分解系数矩阵S，其中U1∈Rp×p，U2∈Rq×q，U3∈RK×K，S∈Rp×q×K。该模块的功能为，对所述的相似块三阶张量Z进行高阶奇异值分解。
C.阈值处理模块，其输入包括所述的阈值τ，以及所述的分解系数矩阵S，其输出包括阈值处理后的分解系数矩阵S'。该模块的功能为，对分解系数矩阵S中的每一个元素进行如下阈值处理，得到S'：
Figure GDA0002614213640000041
其中S(i,j,k)是分解系数矩阵S中(i,j,k)处的分解系数值，S'(i,j,k)是S(i,j,k)处理后S'中对应位置值。
C.HOSVD反变换模块，其输入包括奇异矩阵U1，U2，U3，以及处理后的分解系数矩阵S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，用S'，U1，U2，U3，根据以下方法计算得到Z'(:,:,m)作为图像块P滤波后的结果，其中：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3；
所述的压缩视频的滤波装置，其特征在于所述的相似块寻找模块的输出—三阶张量Z与HOSVD变换模块的输入相连。所述的HOSVD变换模块的输出—分解系数矩阵S与阈值处理模块的输入相连，阈值计算模块的输出—阈值τ与阈值处理模块相连。所述的HOSVD变换模块的输出—奇异矩阵U1，U2，U3与HOSVD反变换模块的输入相连，阈值处理模块的输出—处理后的分解系数矩阵S'与HOSVD反变换模块的输入相连。
一种压缩视频的滤波装置，其特征在于包括：
A.图像块确定模块，其输入包括视频重构图像f以及f中的某一像素位置PP，其输出包括经过经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。该模块的功能为，找出图像f中经过像素位置PP的所有图像块。
B.对于每个图像块Pt，
Figure GDA0002614213640000042
利用下述装置进行处理：
(a)
·相似块寻找模块，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Zt，Zt∈Rp×q×K。该模块的功能为，用图像块Pt，在f中利用块匹配的方法找到K-1个相似块；将图像块Pt与K-1个相似块一起组成三阶张量Zt；其中Zt(:,:,m)为图像块Pt。
·阈值计算模块，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
(b)HOSVD变换模块，其输入包括相似块三阶张量Zt，其输出包括奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St，其中(U1)t∈Rp×p，(U2)t∈Rq×q，(U3)t∈RK×K，St∈Rp×q×K。该模块的功能为，对所述的相似块三阶张量Zt进行高阶奇异值分解。
(c)阈值处理模块，其输入包括所述的阈值τ，以及所述的分解系数矩阵St，其输出包括阈值处理后的分解系数矩阵S't。该模块的功能为，对分解系数矩阵St中的每一个元素进行如下阈值处理，得到S't：
Figure GDA0002614213640000051
其中St(i,j,k)是分解系数矩阵St中(i,j,k)处的分解系数值，S't(i,j,k)是S(i,j,k)处理后S't中对应位置值。
(d)HOSVD反变换模块，其输入包括奇异矩阵(U1)t，(U2)t，(U3)t，以及处理后的分解系数矩阵S't，其输出包括图像块Pt滤波后的结果Z't(:,:,m)。该模块的功能为，用S't，(U1)t，(U2)t，(U3)t，根据以下方法计算得到Z't(:,:,m)作为图像块Pt滤波后的结果，其中：
Z't＝S't×1(U1)t×2(U2)t×3(U3)t
其中，×n表示模n张量积，n＝1,2或3；
C.融合模块，其输入包括图像块{Pt|t＝1,2,3,...T}经过上述装置滤波后得到的结果{P't|t＝1,2,3,...T}，其输出为像素位置PP的滤波结果。该模块的功能为对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合。
所述的压缩视频的滤波装置，其特征在于所述的图像块确定模块的输出图像块Pt与相似块寻找模块的输入相连。所述的相似块寻找模块的输出三阶张量Zt与HOSVD变换模块的输入相连。所述的HOSVD变换模块的输出—分解系数矩阵St与阈值处理模块的输入相连，阈值计算模块的输出τ与阈值处理模块的输入相连。所述的HOSVD变换模块的输出—奇异矩阵U1，U2，U3与HOSVD反变换模块的输入相连，所述的阈值处理模块的输出S't与HOSVD反变换模块的输入相连。所述的HOSVD反变换模块的输出P't与融合模块的输入相连。
进一步地，阈值计算模块的输入包括量化步长Qstep，视频编码帧类型，亮色度分量类型，其输出包括滤波阈值τ，其所述的操作包括，根据输入信息，采用以下方法之一计算滤波阈值τ：
·τ＝a·Qstep+b
·τ＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
更进一步地，色度分量U/V的系数值a、b、c、d相同，与亮度分量Y的系数取值不同。亮度分量的阈值τ大于色度分量的阈值τ；I帧的阈值τ大于B帧的阈值τ大于P帧的阈值τ。
本发明由于采取以上技术方案，其具有以下优点：
基于HOSVD的滤波算法是一种简单的，基于结构相似性和稀疏性的滤波算法，该方法针对内容不同的相似块三阶张量，通过训练学习得到不同的自适应基，能够更好的表达图像内容，针对压缩视频中量化噪声的去除这一特定问题，采用了自适应地利用编码端可得的信息导出滤波阈值的方法，可以更精准的估计量化噪声的程度，从而达到好的滤波效果。此外，奇异值分解需要将图像块排列成列向量，会丢失图像块的二维结构，同时变换基采用的是二维变换基，没有充分考虑到行与行，列与列以及块与块之间的相关性，而高阶奇异值分解不需要将高维数据展开成矩阵来进行分解，不会破坏数据内部的拓扑结构，所以在分解得到的特征空间具有更多的自由度，因而能够更好的利用高维数据之间的相关信息和冗余信息，在高维特征空间中进行稀疏去噪。
附图说明
为了对本发明有更全面的了解，下面结合附图，对本发明所述的方法和装置的具体实施方式进行详细描述，其中：
图1是本发明实施例滤波算法的流程图；
图2是本发明实施例提出的滤波方法与装置的实现原理图；
图3是张量分解的n模矩阵化示意图；
图4是阈值处理曲线图；
图5是本发明实施例滤波装置图；
图6是本发明实施例的滤波方法与装置在混合视频编码框架中的位置示意图；
图7是阈值计算中a,b的参考取值。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明的优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
本发明实施例一
图1(a)所示是本发明实施例滤波算法的流程图，图2是本发明实施例提出的滤波方法的实现原理图。下面结合图1(a)，图2进行具体的说明。
在步骤S106中，输入为当前待处理的p×q大小的图像块Pm(见图2的方框)与重构图像，输出为相似块三阶张量Z，Z∈Rp×q×K。首先用图像块Pm，在重构图像中按照相似性准则找出与当前块相似的K-1个相似块，其中相似性准则有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pm-Pk(k≠m)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000071
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000072
其中，Pm和Pk(k≠m)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Z(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pm与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。
步骤S108中，输入为相似块三阶张量Z，输出为奇异值矩阵U1，U2，U3以及分解系数S。
高阶奇异值分解过程如下：
S＝Z×1(U1)T×2(U2)T×3(U3)T
其中，×n代表模n张量积，Un为对所述的三阶张量Z进行n模矩阵化奇异值分解得到的左奇异矩阵，n＝1,2,3，(*)T表示转置。其中U1代表了图像块行与行像素之间的相关性，U2代表了列与列像素之间的相关性，U3代表了不同图像块中相同位置的像素之间的相关性。
步骤S110中，图像块Pm可能有多个量化步长(Qstep)i，对这些量化步长进行加权平均(按照图像块Pm中某个量化步长(Qstep)i对应的像素点的数目)，或者取其中位数，平均值等，导出图像块Pm的量化步长为Qstep，滤波算法的阈值可以由Qstep计算得到：
τ＝g(Qstep)
其中g(*)表示阈值与Qstep的函数关系。在压缩视频中，量化步长与量化噪声的能量存在一定的正相关性，当量化步长较小时，对应的量化噪声也较小，反之亦然。
利用图4所示的阈值处理函数，对分解系数的值进行处理：
Figure GDA0002614213640000073
其中S(i,j,k)是(i,j,k)处的分解系数，S'(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000074
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在步骤S112中，对处理后的分解系数S'进行HOSVD反变换：
Z'＝S'×1(U1)×2(U2)×3(U3)
得到滤波后的三阶张量，Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
本发明实施例二
图1(b)所示是本发明实施例滤波算法的流程图。下面结合图1(b)进行具体的说明。
在步骤S102中，接收输入的视频重构图像f和像素位置PP。步骤S104中，找出中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。对于每个图像块Pt，分别进行步骤S106～S112的处理。
在步骤S106中，输入为当前待处理的pt×qt大小的图像块Pt(见图2的方框)与重构图像，输出为相似块三阶张量Zt，Zt∈Rp×q×K。首先用当前块作为模板，在重构图像中按照相似性准则找出与当前块相似的K-1个相似块，其中相似性准则有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000081
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000082
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。
步骤S108中，输入为相似块三阶张量Zt，输出为奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数St。高阶奇异值分解过程如下：
St＝Zt×1(U1)t T×2(U2)t T×3(U3)t T
其中，×n代表模n张量积，(Un)t为对所述的三阶张量Zt进行n模矩阵化奇异值分解得到的左奇异矩阵，n＝1,2,3，(*)T表示转置。其中(U1)t代表了图像块行与行像素之间的相关性，U2代表了列与列像素之间的相关性，U3代表了不同图像块中相同位置的像素之间的相关性。
步骤S110中，量化步长为Qstep，滤波算法的阈值：
τ＝g(Qstep)
其中g(*)表示阈值与Qstep的函数关系。在压缩视频中，量化步长与量化噪声的能量存在一定的正相关性，当量化步长较小时，对应的量化噪声也较小，反之亦然。
利用图4所示的阈值处理函数，对分解系数的值进行处理：
Figure GDA0002614213640000091
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000092
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在步骤S112中，对处理后的分解系数S'进行HOSVD反变换：
Z'＝S'×1(U1)×2(U2)×3(U3)
得到滤波后的三阶张量，Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
步骤S114判断步骤S104中的图像块{Pt|t＝1,2,...T}是否处理完毕，如果没有，跳回到步骤S106处，处理完毕则进行步骤S116。
步骤S116中，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
本领域的技术人员可以理解，融合的方法有很多种。因此，这里给出的具体实施方式不对本发明的保护范围构成限制。虽然结合以附图描述了本发明的具体实施方式，但是本领域的技术人员可以在本发明技术构思的启发和不脱离本发明内容的基础上对本发明作出各种变形或修改，这些变形或修改仍落入本发明的保护范围之内。
本发明实施例三
图1(b)所示是本发明滤波算法的流程图。下面结合图1(b)进行具体的说明。
在步骤S102中，接收输入的视频重构图像f和像素位置PP。步骤S104中，找出中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。对于每个图像块Pt，分别进行步骤S106～S112的处理。
在步骤S106中，输入为当前待处理的pt×qt大小的图像块Pt(见图2的方框)与重构图像，输出为相似块三阶张量Zt，Zt∈Rp×q×K。首先用当前块作为模板，在重构图像中按照相似性准则找出与当前块相似的K-1个相似块，其中相似性准则有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000101
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000102
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。
步骤S108中，输入为相似块三阶张量Zt，输出为奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数St。高阶奇异值分解过程如下：
St＝Zt×1(U1)t T×2(U2)t T×3(U3)t T
其中，×n代表模n张量积，(Un)t为对所述的三阶张量Zt进行n模矩阵化奇异值分解得到的左奇异矩阵，n＝1,2,3，(*)T表示转置。其中(U1)t代表了图像块行与行像素之间的相关性，U2代表了列与列像素之间的相关性，U3代表了不同图像块中相同位置的像素之间的相关性。
步骤S110中，量化步长为Qstep，滤波算法的阈值：
τ＝g(Qstep)
其中g(*)表示阈值与Qstep的函数关系。在压缩视频中，量化步长与量化噪声的能量存在一定的正相关性，当量化步长较小时，对应的量化噪声也较小，反之亦然。
利用图4所示的阈值处理函数，对分解系数的值进行处理：
Figure GDA0002614213640000111
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000112
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在步骤S112中，对处理后的分解系数S'进行HOSVD反变换：
Z'＝S'×1(U1)×2(U2)×3(U3)
得到滤波后的三阶张量，Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
步骤S114判断步骤S104中的图像块{Pt|t＝1,2,...T}是否处理完毕，如果没有，跳回到步骤S106处，处理完毕则进行步骤S116。
步骤S116中，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
这个滤波过程作为后处理操作，仅改变输出图像，不加入到视频编解码环路中。
本发明实施例四
图1(b)所示是本发明滤波算法的流程图。下面结合图1(b)进行具体的说明。
在步骤S102中，接收输入的视频重构图像f和像素位置PP。步骤S104中，找出中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。对于每个图像块Pt，分别进行步骤S106～S112的处理。
在步骤S106中，输入为当前待处理的pt×qt大小的图像块Pt(见图2的方框)与重构图像，输出为相似块三阶张量Zt，Zt∈Rp×q×K。首先用当前块作为模板，在重构图像中按照相似性准则找出与当前块相似的K-1个相似块，其中相似性准则有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000113
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000121
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。
步骤S108中，输入为相似块三阶张量Zt，输出为奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数St。高阶奇异值分解过程如下：
St＝Zt×1(U1)t T×2(U2)t T×3(U3)t T
其中，×n代表模n张量积，(Un)t为对所述的三阶张量Zt进行n模矩阵化奇异值分解得到的左奇异矩阵，n＝1,2,3，(*)T表示转置。其中(U1)t代表了图像块行与行像素之间的相关性，U2代表了列与列像素之间的相关性，U3代表了不同图像块中相同位置的像素之间的相关性。
步骤S110中，量化步长为Qstep，滤波算法的阈值：
τ＝g(Qstep)
其中g(*)表示阈值与Qstep的函数关系。在压缩视频中，量化步长与量化噪声的能量存在一定的正相关性，当量化步长较小时，对应的量化噪声也较小，反之亦然。
利用图4所示的阈值处理函数，对分解系数的值进行处理：
Figure GDA0002614213640000122
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000123
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在步骤S112中，对处理后的分解系数S'进行HOSVD反变换：
Z'＝S'×1(U1)×2(U2)×3(U3)
得到滤波后的三阶张量，Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
步骤S114判断步骤S104中的图像块{Pt|t＝1,2,...T}是否处理完毕，如果没有，跳回到步骤S106处，处理完毕则进行步骤S116。
步骤S116中，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
将此滤波方法加入到视频编解码环路中，将滤波图像放入参考图像缓存中，作为帧间预测的参考图像，从而可以提高帧间预测的性能，进一步提高编码效率。
本发明实施例五
图1(b)所示是本发明滤波算法的流程图，图6是本发明实施例提出的滤波方法应用在混合视频框架中的位置。下面结合图1(b)，图6进行具体的说明。
将所述的滤波器应用在混合视频编码中的环路滤波器位置，本发明提出的滤波器可以位于视频编码环路反量化重构视频和压缩视频输出缓存之间的任意位置，如图6所示，本实施例与本发明实施例4的不同之处在于，实施例4的滤波器应用在位置③处，除此之外，还可以应用在①或②处。。
在步骤S102中，接收输入的视频重构图像f和像素位置PP。步骤S104中，找出中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP。对于每个图像块Pt，分别进行步骤S106～S112的处理。
在步骤S106中，输入为当前待处理的pt×qt大小的图像块Pt(见图2的方框)与重构图像，输出为相似块三阶张量Zt，Zt∈Rp×q×K。首先用当前块作为模板，在重构图像中按照相似性准则找出与当前块相似的K-1个相似块，其中相似性准则有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000131
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000132
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。
步骤S108中，输入为相似块三阶张量Zt，输出为奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数St。高阶奇异值分解过程如下：
St＝Zt×1(U1)t T×2(U2)t T×3(U3)t T
其中，×n代表模n张量积，(Un)t为对所述的三阶张量Zt进行n模矩阵化奇异值分解得到的左奇异矩阵，n＝1,2,3，(*)T表示转置。其中(U1)t代表了图像块行与行像素之间的相关性，U2代表了列与列像素之间的相关性，U3代表了不同图像块中相同位置的像素之间的相关性。
步骤S110中，量化步长为Qstep，滤波算法的阈值：
τ＝g(Qstep)
其中g(*)表示阈值与Qstep的函数关系。在压缩视频中，量化步长与量化噪声的能量存在一定的正相关性，当量化步长较小时，对应的量化噪声也较小，反之亦然。
利用图4所示的阈值处理函数，对分解系数的值进行处理：
Figure GDA0002614213640000141
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000142
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在步骤S112中，对处理后的分解系数S'进行HOSVD反变换：
Z'＝S'×1(U1)×2(U2)×3(U3)
得到滤波后的三阶张量，Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
步骤S114判断步骤S104中的图像块{Pt|t＝1,2,...T}是否处理完毕，如果没有，跳回到步骤S106处，处理完毕则进行步骤S116。
步骤S116中，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
对图像中的每个像素作上述操作，最终得到滤波图像。将滤波图像输出，作为编码环路中下一级的输入。
本发明实施例六
一种针对压缩视频的基于非局部空域相关性和高阶奇异值分解(HOSVD)的滤波方法，其包含步骤与实施例1相同，区别在于：待滤波器块在重建帧中利用模板匹配的方法搜索相似块时，不固定相似块的个数，而是根据匹配准则固定搜索阈值，满足条件的块即作为相似块。
本发明实施例七
一种针对压缩视频的基于非局部空域相关性和高阶奇异值分解(HOSVD)的滤波方法，其包含步骤与实施例1相同，区别在于：阈值的选取不仅与量化步长Qstep有关，还与视频帧的编码类型，YUV分量类型有关，拟合的关系是：
τ＝a·Qstep+b
或
τ＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。其中，a、b、c、d的较优取值见图7.
本发明实施例八
图5(a)所示是本发明滤波器装置图，下面结合图5(a)进行具体的说明。模块S202，其输入包括待处理的p×q大小的图像块P和视频重构图像f，其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块，其中相似性准则可以有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum ofAbsolute Differences)：
SAD＝||Pm-Pk(k≠m)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000151
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000152
其中，Pm和Pk(k≠m)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与图像块P组成三阶张量Z∈Rp×q×K，其中：
Z(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pm与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。模块S200的输出为当前图像块Pm与其K-1个相似块组成的p×q×K大小的三阶张量Z。
模块S204，其输入包括相似块三阶张量Z，其输出包括三个单位正交奇异矩阵U1，U2，U3和分解系数矩阵S∈R。该模块的功能为，对所述的相似块三阶张量Z进行高阶奇异值分解，得到奇异矩阵U1，U2，U3和分解系数S。
同时，模块S206进行阈值计算，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
τ＝g(Qstep)
模块S208，输入包括所述的阈值计算模块的输出τ，以及所述的HOSVD变换模块输出的分解系数S，其输出包括阈值处理后的分解系数S'。该模块的功能为，对HOSVD变换模块输出的分解系数S进行如下阈值处理：
Figure GDA0002614213640000161
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000162
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在模块S210中，其输入包括HOSVD变换模块输出的三个奇异矩阵U1，U2，U3，以及阈值处理模块输出的处理后的分解系数S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，利用S'，U1，U2，U3，计算滤波后的三阶张量Z'：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3。Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
本发明实施例九
图5(b)所示是本发明滤波器装置图，下面结合图5(b)进行具体的说明。
模块S200，其输入为视频重构图像f和像素位置PP其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中Z(:,:,m)为图像块P。
模块S202，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Z。其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块Pt，在f中利用块匹配的方法找到K-1个相似块，其中相似性准则可以有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000171
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000172
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。模块S200的输出为当前图像块Pt与其K-1个相似块组成的p×q×K大小的三阶张量Zt。
模块S204，其输入包括相似块三阶张量Zt，其输出包括三个单位正交奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St。该模块的功能为，对所述的相似块三阶张量Zt进行高阶奇异值分解。
同时，模块S206进行阈值计算，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
τ＝g(Qstep)
模块S208，输入包括所述的阈值计算模块的输出τ，以及所述的HOSVD变换模块输出的分解系数St，其输出包括阈值处理后的分解系数S't。该模块的功能为，对HOSVD变换模块输出的分解系数St进行如下阈值处理：
Figure GDA0002614213640000173
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000181
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在模块S210中，其输入包括HOSVD变换模块输出的三个奇异矩阵U1，U2，U3，以及阈值处理模块输出的处理后的分解系数S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，利用S'，U1，U2，U3，计算滤波后的三阶张量Z'：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3。Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
对{Pt|t＝1,2,...T}中的所有图像块执行上述操作后，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中PP位置的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
本发明实施例十
图5(b)所示是本发明滤波器装置图，下面结合图5(b)进行具体的说明。
模块S200，其输入为视频重构图像f和像素位置PP其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中Z(:,:,m)为图像块P。
模块S202，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Z。其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块Pt，在f中利用块匹配的方法找到K-1个相似块，其中相似性准则可以有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000182
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000183
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。模块S200的输出为当前图像块Pt与其K-1个相似块组成的p×q×K大小的三阶张量Zt。
模块S204，其输入包括相似块三阶张量Zt，其输出包括三个单位正交奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St。该模块的功能为，对所述的相似块三阶张量Zt进行高阶奇异值分解。
同时，模块S206进行阈值计算，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
τ＝g(Qstep)
模块S208，输入包括所述的阈值计算模块的输出τ，以及所述的HOSVD变换模块输出的分解系数St，其输出包括阈值处理后的分解系数S't。该模块的功能为，对HOSVD变换模块输出的分解系数St进行如下阈值处理：
Figure GDA0002614213640000191
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000192
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在模块S210中，其输入包括HOSVD变换模块输出的三个奇异矩阵U1，U2，U3，以及阈值处理模块输出的处理后的分解系数S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，利用S'，U1，U2，U3，计算滤波后的三阶张量Z'：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3。Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
对{Pt|t＝1,2,...T}中的所有图像块执行上述操作后，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中PP位置的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
将此装置用来对压缩视频作后处理，对压缩视频帧中的像素进行上述处理，仅改变输出图像，对参考图像缓存中的图像不作改变。
本发明实施例十一
图5(b)所示是本发明滤波器装置图，下面结合图5(b)进行具体的说明。
模块S200，其输入为视频重构图像f和像素位置PP其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中Z(:,:,m)为图像块P。
模块S202，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Z。其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块Pt，在f中利用块匹配的方法找到K-1个相似块，其中相似性准则可以有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000201
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000202
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。模块S200的输出为当前图像块Pt与其K-1个相似块组成的p×q×K大小的三阶张量Zt。
模块S204，其输入包括相似块三阶张量Zt，其输出包括三个单位正交奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St。该模块的功能为，对所述的相似块三阶张量Zt进行高阶奇异值分解，得到奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St。
同时，模块S206进行阈值计算，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
τ＝g(Qstep)
模块S208，输入包括所述的阈值计算模块的输出τ，以及所述的HOSVD变换模块输出的分解系数St，其输出包括阈值处理后的分解系数S't。该模块的功能为，对HOSVD变换模块输出的分解系数St进行如下阈值处理：
Figure GDA0002614213640000211
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000212
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在模块S210中，其输入包括HOSVD变换模块输出的三个奇异矩阵U1，U2，U3，以及阈值处理模块输出的处理后的分解系数S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，利用S'，U1，U2，U3，计算滤波后的三阶张量Z'：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3。Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
对{Pt|t＝1,2,...T}中的所有图像块执行上述操作后，对{P't|t＝1,2,...T}中(it,jt)位置对应的像素值进行融合，作为该图像中PP位置的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
将上述装置加入编解码环路装置中，将滤波图像放入参考图像缓存中，作为帧间预测的参考图像，从而可以提高帧间预测的性能，进一步提高编码效率
本发明实施例十二
图5(b)所示是本发明滤波器装置图，图6是本发明实施例提出的滤波装置应用在混合视频框架中的位置。下面结合图5(b)，图6进行具体的说明。
将所述的滤波器装置应用在混合视频编码中的环路滤波器位置，本发明提出的滤波器装置可以位于视频编码环路反量化重构视频和压缩视频输出缓存之间的任意位置，如图6所示，本实施例与本发明实施例9的不同之处在于，实施例9的滤波器应用在位置③处，除此之外，还可以应用在①或②处。
模块S200，其输入为视频重构图像f和像素位置PP其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中Z(:,:,m)为图像块P。
模块S202，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Z。其输出包括相似块三阶张量Z，Z∈Rp×q×K。该模块的功能为，用图像块Pt，在f中利用块匹配的方法找到K-1个相似块，其中相似性准则可以有不同的实现，例如不同图像块中像素差的绝对值之和(SAD,Sum of Absolute Differences)：
SAD＝||Pt-Pk(k≠t)||
譬如不同图像块中像素差的平方和(SSD,Sum of Squared Differences)：
Figure GDA0002614213640000221
又如不同图像块的相关性(NCC，Normalized Cross Correlation)：
Figure GDA0002614213640000222
其中，Pt和Pk(k≠t)是二维矩阵，分别表示待处理图像块与其某一相似块。当然，本领域的技术人员可以理解，相似性匹配准则还有不同的形式，可以按照需求进行选择，因此并不对本发明构成限制。
将得到的K-1个相似块与待处理的当前块组成三阶张量Z∈Rp×q×K，其中：
Zt(m,n,k)＝Pk(m,n)
此处只是一种将二维矩阵表示的当前块Pt与其K-1个相似块排列为一个三阶张量形式的排列顺序，值得注意的是，排列顺序与最终的滤波结果无关。模块S200的输出为当前图像块Pt与其K-1个相似块组成的p×q×K大小的三阶张量Zt。
模块S204，其输入包括相似块三阶张量Zt，其输出包括三个单位正交奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St。该模块的功能为，对所述的相似块三阶张量Zt进行高阶奇异值分解。
同时，模块S206进行阈值计算，其输入包括量化步长Qstep，其输出包括滤波阈值τ。该模块的功能为，根据所述的量化步长Qstep，计算滤波算法的阈值τ。
τ＝g(Qstep)
模块S208，输入包括所述的阈值计算模块的输出τ，以及所述的HOSVD变换模块输出的分解系数St，其输出包括阈值处理后的分解系数S't。该模块的功能为，对HOSVD变换模块输出的分解系数St进行如下阈值处理：
Figure GDA0002614213640000231
其中St(i,j,k)是(i,j,k)处的分解系数，S't(i,j,k)是硬阈值处理后的对应位置的分解系数，
Figure GDA0002614213640000232
是归一化参数。因为相似图像块组成的三阶张量因为其内部图像块的高度相关性，所以高阶奇异值分解后，信号分量具有稀疏性，较大的分解系数代表信号分量，而较小的分解系数则代表噪声分量，通过自适应的阈值处理，可以达到保留大部分的信号分量而去除噪声分量的作用。
在模块S210中，其输入包括HOSVD变换模块输出的三个奇异矩阵U1，U2，U3，以及阈值处理模块输出的处理后的分解系数S'，其输出包括图像块P滤波后的结果Z'(:,:,m)。该模块的功能为，利用S'，U1，U2，U3，计算滤波后的三阶张量Z'：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3。Z'(:,:,m)即为图像块P滤波后的结果。其中Z(:,:,x)表示取出三阶张量中第三维的第x个二维矩阵。
对{Pt|t＝1,2,...T}中的所有图像块执行上述操作后，对{P't|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中PP位置的滤波结果，融合方法可以是：将满足上述条件的像素值取平均，作为像素位置PP滤波后的结果。融合的方法还可以是，取满足上述条件的所有像素值的中位数，或者加权平均值作为该像素位置的滤波后结果。
利用上述滤波器装置进行处理得到滤波图像。将滤波图像输出，作为编码环路中下一级的输入。
本发明实施例十三
一种针对压缩视频的基于非局部空域相关性和高阶奇异值分解(HOSVD)的滤波装置，其包含模块与实施例8相同，区别在于：如图5(c)所示，阈值的选取不仅与量化步长Qstep有关，还与视频帧的编码类型，YUV分量类型有关，拟合的关系是下列之一：
τ＝a·Qstep+b
τ＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。其中，a、b、c、d的较优取值见图7。

Claims (11)

1.一种压缩视频的滤波方法，包括：
A.
·利用待处理p×q大小的图像块P，在重构图像上利用块匹配找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z，Z∈Rp×q×K；其中图像块P是Z第三维的第m个二维矩阵，m的取值是1至K的任意整数，记Z(:,:,m)为图像块P；
·根据图像块P的量化步长Qstep，利用滤波算法的阈值τ与Qstep的函数关系g()，确定滤波算法的阈值τ：
τ＝g(Qstep)
B.对所述的三阶张量Z进行高阶奇异值分解，得到奇异值矩阵U1，U2，U3以及分解系数矩阵S，其中U1∈Rp×p，U2∈Rq×q，U3∈RK×K，S∈Rp×q×K；
C.按照所述的滤波阈值τ，采用阈值方法对S中的每一个元素进行处理，得到S'：
Figure FDA0002524454840000011
其中S(i,j,k)是分解系数矩阵S中(i,j,k)处的分解系数值，S'(i,j,k)是S(i,j,k)处理后S'中对应位置的值；
D.用阈值处理后的分解系数矩阵S'，奇异值矩阵U1，U2，U3，根据以下方法计算得到Z'(:,:,m)作为图像块P滤波后的结果，其中：
Z'＝S'×1(U1)×2(U2)×3(U3)
×n表示模n张量积，n＝1,2或3，Z′(:,:,m)是Z′第三维的第m个二维矩阵，m的取值是1至K的任意整数。
2.根据权利要求1所述的压缩视频的滤波方法，其特征在于：
所述的g(Qstep)是以下之一：
·g(Qstep)＝a·Qstep+b
·g(Qstep)＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
3.根据权利要求2所述的压缩视频的滤波方法，其特征在于：
色度分量U/V的系数值a、b、c、d相同，与亮度分量Y的系数取值不同；所述亮度分量的阈值τ大于色度分量的阈值τ，I帧的阈值τ大于B帧的阈值τ大于P帧的阈值τ。
4.一种压缩视频的滤波方法，其特征在于：
A.对于图像f中的某一像素位置PP，找出f中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应PP；
B.对于每个图像块Pt，
Figure FDA0002524454840000021
按照下述方法进行处理：
a)
·利用待处理pt×qt大小的图像块Pt，在重构图像上利用块匹配找到K-1个相似块；将图像块Pt与K-1个相似块一起组成三阶张量Zt，Zt∈Rp×q×K；其中图像块Pt是Zt第三维的第m个二维矩阵，m的取值是1至K的任意整数，记Zt(:,:,m)为图像块Pt；
·根据图像块Pt的量化步长Qstep，确定滤波算法的阈值τ：
τ＝g(Qstep)
b)对所述的三阶张量Zt进行高阶奇异值分解，得到奇异值矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St，其中(U1)t∈Rp×p，(U2)t∈Rq×q，(U3)t∈RK×K，St∈Rp×q×K；
c)按照所述的滤波阈值τ，采用阈值方法对St中的每一个元素进行处理，得到S′t：
Figure FDA0002524454840000031
其中St(i,j,k)是分解系数矩阵St中(i,j,k)处的分解系数值，St'(i,j,k)是St(i,j,k)处理后S′t中对应位置的值；
d)利用阈值处理后的分解系数矩阵St'，奇异值矩阵(U1)t，(U2)t，(U3)t根据以下方法计算得到Zt'(:,:,m)作为图像块Pt滤波后的结果，将Zt′(:,:,m)记为Pt′，其中：
Zt'＝St'×1(U1)t×2(U2)t×3(U3)t
×n表示模n张量积，n＝1,2或3；
C.对{Pt'|t＝1,2,...T}中(it,jt)位置的像素值进行融合，作为该图像中位置PP的滤波结果。
5.根据权利要求4所述的压缩视频的滤波方法，其特征在于：
所述的g(Qstep)是以下之一：
·g(Qstep)＝a·Qstep+b
·g(Qstep)＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
6.根据权利要求5所述的压缩视频的滤波方法，其特征在于：色度分量U/V的系数值a、b、c、d相同，与亮度分量Y的系数取值不同；所述亮度分量的阈值τ大于色度分量的阈值τ，I帧的阈值τ大于B帧的阈值τ大于P帧的阈值τ。
7.一种针对压缩视频的滤波装置，其特征在于包括：
A.
·相似块寻找模块，其输入包括待处理的p×q大小的图像块P和视频重构图像f，其输出包括相似块三阶张量Z，Z∈Rp×q×K，所述相似块寻找模块用于：用图像块P，在f中利用块匹配的方法找到K-1个相似块；将图像块P与K-1个相似块一起组成三阶张量Z；其中图像块P是Z第三维的第m个二维矩阵，m的取值是1至K的任意整数，记Z(:,:,m)为图像块P；
·阈值计算模块，其输入包括量化步长Qstep，其输出包括滤波阈值τ；所述阈值计算模块用于根据所述的量化步长Qstep，计算滤波算法的阈值τ；
B.HOSVD变换模块，其输入包括相似块三阶张量Z，其输出包括奇异矩阵U1，U2，U3以及分解系数矩阵S，其中U1∈Rp×p，U2∈Rq×q，U3∈RK×K，S∈Rp×q×K；所述HOSVD变换模块用于对所述的相似块三阶张量Z进行高阶奇异值分解；
C.阈值处理模块，其输入包括所述的阈值τ，以及所述的分解系数矩阵S，其输出包括阈值处理后的分解系数矩阵S'；该模块的功能为，对分解系数矩阵S中的每一个元素进行如下阈值处理，得到S'：
Figure FDA0002524454840000041
其中S(i,j,k)是分解系数矩阵S中(i,j,k)处的分解系数值，S'(i,j,k)是S(i,j,k)处理后S'中对应位置值；
D.HOSVD反变换模块，其输入包括奇异矩阵U1，U2，U3，以及处理后的分解系数矩阵S'，其输出包括图像块P滤波后的结果Z'(:,:,m)，所述HOSVD反变换模块用于，用S'，U1，U2，U3，根据以下方法计算得到Z'(:,:,m)作为图像块P滤波后的结果，其中：
Z'＝S'×1(U1)×2(U2)×3(U3)
其中，×n表示模n张量积，n＝1,2或3；Z′(:,:,m)是Z′第三维的第m个二维矩阵，m的取值是1至K的任意整数；
所述的压缩视频的滤波装置，其特征在于还在于，所述的相似块寻找模块的输出—三阶张量Z与HOSVD变换模块的输入相连，所述的HOSVD变换模块的输出—分解系数矩阵S与阈值处理模块的输入相连，阈值计算模块的输出—阈值τ与阈值处理模块相连，所述的HOSVD变换模块的输出—奇异矩阵U1，U2，U3与HOSVD反变换模块的输入相连，阈值处理模块的输出—处理后的分解系数矩阵S'与HOSVD反变换模块的输入相连。
8.根据权利要求7所述的针对压缩视频的滤波装置，其特征在于，
阈值计算模块的输入包括量化步长Qstep，视频编码帧类型，亮色度分量类型，其输出包括滤波阈值，其操作包括，根据输入信息，计算滤波阈值τ：
·τ＝a·Qstep+b
·τ＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
9.根据权利要求8所述的针对压缩视频的滤波装置，其特征在于，阈值计算模块中：
色度分量U/V的系数值a、b、c、d相同，与亮度分量Y的系数取值不同；所述亮度分量的阈值τ大于色度分量的阈值τ，I帧的阈值τ大于B帧的阈值τ大于P帧的阈值τ。
10.一种针对压缩视频的滤波装置，其特征在于包括：
A.图像块确定模块，其输入包括视频重构图像f以及f中的某一像素位置PP，其输出包括f中经过PP的图像块{Pt|t＝1,2,...T}，其中T为经过PP的图像块个数，Pt中的(it,jt)对应；所述图像块确定模块用于找出图像f中经过像素位置PP的所有图像块；
B.对于每个图像块Pt，
Figure FDA0002524454840000062
利用下述装置进行处理：
(a)
·相似块寻找模块，其输入包括待处理的pt×qt大小的图像块Pt和视频重构图像f，其输出包括相似块三阶张量Zt，Zt∈Rp×q×K所述相似块寻找模块用于：用图像块Pt，在f中利用块匹配的方法找到K-1个相似块；将图像块Pt与K-1个相似块一起组成三阶张量Zt；其中Zt(:,:,m)为图像块Pt；
·阈值计算模块，其输入包括量化步长Qstep，其输出包括滤波阈值τ；所述阈值计算模块用于根据所述的量化步长Qstep，计算滤波算法的阈值τ；
(b)HOSVD变换模块，其输入包括相似块三阶张量Zt，其输出包括奇异矩阵(U1)t，(U2)t，(U3)t以及分解系数矩阵St，其中(U1)t∈Rp×p，(U2)t∈Rq×q，(U3)t∈RK×K，St∈Rp×q×K；所述HOSVD变换模块用于对所述的相似块三阶张量Zt进行高阶奇异值分解；
(c)阈值处理模块，其输入包括所述的阈值τ，以及所述的分解系数矩阵St，其输出包括阈值处理后的分解系数矩阵S′t，所述阈值处理模块用于对分解系数矩阵St中的每一个元素进行如下阈值处理，得到S′t：
Figure FDA0002524454840000061
其中St(i,j,k)是分解系数矩阵St中(i,j,k)处的分解系数值，St'(i,j,k)是S(i,j,k)处理后S′t中对应位置值。
(d)HOSVD反变换模块，其输入包括奇异矩阵(U1)t，(U2)t，(U3)t，以及处理后的分解系数矩阵St'，其输出包括图像块Pt滤波后的结果Zt'(:,:,m)；所述HOSVD反变换模块用于，用St'，(U1)t，(U2)t，(U3)t，根据以下方法计算得到Zt'(:,:,m)作为图像块Pt滤波后的结果，其中：
Zt'＝St'×1(U1)t×2(U2)t×3(U3)t
其中，×n表示模n张量积，n＝1,2或3；
C.融合模块，其输入包括图像块{Pt|t＝1,2,3,...T}经过上述装置滤波后得到的结果{Pt'|t＝1,2,3,...T}，其输出为像素位置PP的滤波结果；所述融合模块用于为对{Pt'|t＝1,2,...T}中(it,jt)位置的像素值进行融合；
所述的压缩视频的滤波装置，其特征还在于，所述的图像块确定模块的输出图像块Pt与相似块寻找模块的输入相连，所述的相似块寻找模块的输出三阶张量Zt与HOSVD变换模块的输入相连，所述的HOSVD变换模块的输出—分解系数矩阵St与阈值处理模块的输入相连，阈值计算模块的输出τ与阈值处理模块的输入相连，所述的HOSVD变换模块的输出—奇异矩阵U1，U2，U3与HOSVD反变换模块的输入相连，所述的阈值处理模块的输出St'与HOSVD反变换模块的输入相连，所述的HOSVD反变换模块的输出Pt'与融合模块的输入相连；
11.根据权利要求10所述的针对压缩视频的滤波装置，其特征在于，
阈值计算模块的输入包括量化步长Qstep，视频编码帧类型，亮色度分量类型，其输出包括滤波阈值，其操作包括，根据输入信息，计算滤波阈值τ：
·τ＝a·Qstep+b
·τ＝c·(Qstep)d
其中系数值a、b、c、d根据编码帧类型、亮色度分量类型得到，0＜a≤0.2，0＜b≤1，0＜c≤1，0＜d≤1。
CN201710386993.4A 2017-05-27 2017-05-27 一种压缩视频的滤波方法及针对压缩视频的滤波装置 Active CN108933942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710386993.4A CN108933942B (zh) 2017-05-27 2017-05-27 一种压缩视频的滤波方法及针对压缩视频的滤波装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710386993.4A CN108933942B (zh) 2017-05-27 2017-05-27 一种压缩视频的滤波方法及针对压缩视频的滤波装置

Publications (2)

Publication Number Publication Date
CN108933942A CN108933942A (zh) 2018-12-04
CN108933942B true CN108933942B (zh) 2020-10-30

Family

ID=64451590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710386993.4A Active CN108933942B (zh) 2017-05-27 2017-05-27 一种压缩视频的滤波方法及针对压缩视频的滤波装置

Country Status (1)

Country Link
CN (1) CN108933942B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110446067B (zh) * 2019-08-30 2021-11-02 杭州电子科技大学 基于张量分解的视频浓缩方法
CN114302150B (zh) * 2021-12-30 2024-02-27 北京超维景生物科技有限公司 视频编码方法及装置、视频解码方法及装置、电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093434A (zh) * 2013-01-27 2013-05-08 西安电子科技大学 基于奇异值分解的非局部维纳滤波图像去噪方法
CN104200441A (zh) * 2014-09-18 2014-12-10 南方医科大学 基于高阶奇异值分解的磁共振图像去噪方法
CN105763881A (zh) * 2016-02-23 2016-07-13 北京大学 利用图像非局部结构相似性特征的视频编码图像滤波方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010081010A2 (en) * 2009-01-09 2010-07-15 New York University Methods, computer-accessible medium and systems for facilitating dark flash photography

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093434A (zh) * 2013-01-27 2013-05-08 西安电子科技大学 基于奇异值分解的非局部维纳滤波图像去噪方法
CN104200441A (zh) * 2014-09-18 2014-12-10 南方医科大学 基于高阶奇异值分解的磁共振图像去噪方法
CN105763881A (zh) * 2016-02-23 2016-07-13 北京大学 利用图像非局部结构相似性特征的视频编码图像滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Sparse phase imaging based on complex domain nonlocal BM3D techniques;Vladimir Katkovnik,et al.;《DIGITAL SIGNAL PROCESSING》;20170430;第63卷;72-85 *
基于结构相似性的磁共振图像去噪新算法研究;张鑫媛;《中国博士学位论文全文数据库》;20160331;I138-200 *

Also Published As

Publication number Publication date
CN108933942A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
JP7110370B2 (ja) ビデオ符号化のための機械学習モデルの量子化パラメータに適用される非線形関数の使用
Chen et al. Compressed-sensing recovery of images and video using multihypothesis predictions
Chen et al. DPW-SDNet: Dual pixel-wavelet domain deep CNNs for soft decoding of JPEG-compressed images
TWI665916B (zh) 降噪方法、降噪裝置及降噪電路系統
Aziz et al. Motion estimation and motion compensated video compression using DCT and DWT
JP2018536339A (ja) 前フレーム残差を用いた動きベクトル予測
US7697611B2 (en) Method for processing motion information
US20140029666A1 (en) Video image decoding apparatus and video image encoding system
CN108933942B (zh) 一种压缩视频的滤波方法及针对压缩视频的滤波装置
JP7482232B2 (ja) 時間変形可能畳み込みによるディープループフィルタ
Dib et al. Super-ray based low rank approximation for light field compression
Abou-Elailah et al. Fusion of global and local motion estimation using foreground objects for distributed video coding
Matsuo et al. Super-resolution for 2K/8K television using wavelet-based image registration
Kulkarni et al. Coding of video sequences using three step search algorithm
Li et al. Space-time quantization and motion-aligned reconstruction for block-based compressive video sensing
Chiou et al. Efficient image/video deblocking via sparse representation
Wang et al. A study of video coding by reusing compressive sensing measurements
Wu et al. Distributed video compressive sensing reconstruction by adaptive PCA sparse basis and nonlocal similarity
Kekre et al. Color Image Compression using Hybrid Wavelet Transform with Haar as Base Transform
Habchi et al. Low bit-rate medical video coding using dwt
Kato et al. Double Sparse Multi-Frame Image Super Resolution
Muralidhar et al. Adaptive diamond step search motion estimation algorithm for H. 264/AVC
Rai Improving the Compression Ratio and Peak Signal to Noise Ratio of Medical Image Sequence by using SPIHT, STW, and Block Matching Algorithms
Zhang et al. Hierarchical Frequency-based Upsampling and Refining for Compressed Video Quality Enhancement
Abadi et al. Iterative based image and video denoising by fractional block matching and transform domain filtering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant