CN110062234A - 一种基于区域恰可察觉失真的感知视频编码方法 - Google Patents
一种基于区域恰可察觉失真的感知视频编码方法 Download PDFInfo
- Publication number
- CN110062234A CN110062234A CN201910356506.9A CN201910356506A CN110062234A CN 110062234 A CN110062234 A CN 110062234A CN 201910356506 A CN201910356506 A CN 201910356506A CN 110062234 A CN110062234 A CN 110062234A
- Authority
- CN
- China
- Prior art keywords
- jnd
- threshold value
- video coding
- image
- block
- 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.)
- Granted
Links
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
- H04N19/124—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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
- H04N19/14—Coding unit complexity, e.g. amount of activity or edge presence estimation
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/146—Data rate or code amount at the encoder output
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于区域恰可察觉失真的感知视频编码方法,该方法包括:获取待压缩视频每帧图像的所有图像块,通过一训练好的JND预测模型获得所述图像块的预测JND阈值,基于目标码率及所述预测JND阈值进行感知冗余去除,得到最优量化参数,基于所述最优量化参数实现感知视频编码。在维持视频主观感知质量不变的约束下,在任意目标码率的条件下,本发明实现了将码率节省最大化的功能,与现有技术相比,具有低复杂度、高鲁棒性与高效率等优点。
Description
技术领域
本发明涉及视频编码领域,尤其是涉及一种基于区域恰可察觉失真的感知视频编码方法。
背景技术
随着便携硬件设备获取丰富多媒体的能力逐渐增强,高清晰以及4K超高清视频应运而生。为了方便大容量视频的存储和传输,进一步提升视频编码性能十分必要。2012年提出的高效视频编码标准(HEVC)已成为目前主流的先进编码标准,但其仍然采用传统的客观评估标准来衡量压缩质量,如均方误差(MSE)和峰值信噪比(PSNR)等。但这类标准无法准确的衡量人眼的主观感知结果,因为人类视觉***(HVS)对不同区域内容的失真敏感度存在差异性。为了进一步消除待压缩视频在感知域上的冗余,高效的感知视频编码方法有待提出。
目前存在的感知视频编码方法大多以计算出的恰可察觉失真(JND)阈值为指导,JND阈值即为HVS能够容忍的最大失真程度,通常其被归为两类:基于像素域与基于变换域。前者通常采用亮度适应度与对比度掩蔽性作为计算JND的主要特征因素。而后者因便于指导编码中的量化单元而被更多地应用于感知视频编码中。然而,目前多数JND模型是在固定码率条件下构建,当目标量化参数更新时,需要进行重新计算,由此可见传统JND模型缺少普适性且复杂度较高;另外,此类模型将JND阈值描述为量化参数的连续函数,而最新研究表明,人眼对于失真感知具有阶跃性,故传统JND模型在模拟HVS的感知过程和指导感知编码方面存在一定的局限性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于区域恰可察觉失真的感知视频编码方法,通过消除视频信息中的感知冗余来进一步提高已有的视频压缩标准的编码效率。
本发明的目的可以通过以下技术方案来实现:
一种基于区域恰可察觉失真的感知视频编码方法,该方法包括:
获取待压缩视频每帧图像的所有图像块,通过一训练好的JND预测模型获得所述图像块的预测JND阈值,基于目标码率及所述预测JND阈值进行感知冗余去除,得到最优量化参数,基于所述最优量化参数实现感知视频编码。
进一步地,所述JND预测模型为基于CNN网络的JND预测模型,该JND预测模型的训练过程具体为:
构建失真图像块的JND数据集,优化训练JND预测模型,并采用JND集合相似度评价方法对所述JND预测模型的预测精度进行评估。
进一步地,所述构建失真图像块的JND数据集具体包括以下步骤:
1)获取失真图像数据集的阶梯式JND;
2)将所述阶梯式JND映射为基于高效视频编码标准的图像级JND阈值集合;
3)根据图像级JND阈值集合计算各图像块的块级JND阈值集合;
4)将块级JND阈值集合完全相等的图像块归为一类;
5)舍弃JND为空集的以及所包含样本数目少于100的类别,形成失真图像块的JND数据集。
进一步地,步骤2)中,所述映射采用的映射关系为:
其中,SSIMqf为JPEG平台下的结构相似性指标,为量化参数为k时HEVC标准的HM平台下的结构相似性指标,量化参数k约束在范围[8,42]内。
进一步地,步骤3)中,所述根据图像级JND阈值集合计算块级JND阈值集合具体步骤包括:
31)将全部图像块归为平坦区域与纹理区域两类;
32)分区域计算相邻JND阈值所对应的失真图像在目标平台上的SSIM距离差,以此作为区域图像级质量失真度量;
33)计算每个图像块的块级质量失真度量;
34)通过比较块级与其所属区域的图像级质量失真度量得到最终块级JND阈值集合。
进一步地,所述步骤34)采用的具体公式表示为:
其中,表示第i个图像块的块级JND阈值集合,QDb与QDp分别代表第i个图像块的块级质量失真度量与该图像块所属区域的区域图像级质量失真度量。
进一步地,所述JND集合相似度评价方法所采用的指标LOA的表达式为:
其中,Ap表示预测出的阶梯JND曲线与横纵坐标围成封闭区域的面积,Agt为对应JND真值曲线所围面积,∩与∪分别表示求相交面积与合并后总占用面积。
进一步地,所述最优量化参数通过以下表达式获得:
式中,QPPVC表示最终应用于感知视频编码的最优量化参数,预测JND阈值为{QP1,QP2,…,QPM},QPM为其中第M个即最大JND阈值,QPt为目标量化参数。
进一步地,该方法利用HM框架完成视频编码。
进一步地,进行编码配置时,属于同一LCU的编码单元均采用其父级LCU获得的量化参数选取方案。
与现有技术相比,本发明具有以如下有益效果:
一、低复杂度:本发明利用CNN直接提取图像块感知特征来预测其块级JND阈值,在任意目标码率条件下,均可按照本方法所提出的策略来优化量化参数的选择过程。
二、高鲁棒性与普适性:本发明中训练预测模型所需的数据集,是通过在已发表的MCL-JCI数据集的基础上完成映射来构建的。该数据集所包含的图像内容广泛丰富,保证了样本间各项特征的充分差异性。
三、高编码效率:本发明从客观码率节省和主观质量评价两个方面评估了编码效率。在HEVC官方视频序列数据集上均表现优良,最大与平均节省码率达到了59.58%和17.31%,且压缩后的图像与视频的主观质量无可察觉性下降,超过同类其他方法。
附图说明
图1为本发明的方法总流程图;
图2为块级区域JND可视化结果图,其中,(2a)为第九张测试图在QP等于33时块失真情况,(2b)为第44张测试图在QP等于32时块失真情况;
图3为感知编码策略中LCU的量化参数优化方法示意图;
图4为预测模型评估标准LOA计算示意图,其中,(4a)为LOA=0.98333的示意图,(4b)为LOA=0.81199的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于区域恰可察觉失真的感知视频编码方法,该方法包括:获取待压缩视频每帧图像的所有图像块,通过一训练好的JND预测模型获得所述图像块的预测JND阈值,基于目标码率及所述预测JND阈值进行感知冗余去除,得到最优量化参数,基于所述最优量化参数实现感知视频编码。
JND预测模型为基于CNN网络的JND预测模型,该JND预测模型的训练过程具体为:构建失真图像块的JND数据集,优化训练JND预测模型,并采用JND集合相似度评价方法对所述JND预测模型的预测精度进行评估。
构建失真图像块的JND数据集具体包括以下步骤:
1)获取失真图像数据集,将数据集中图像切割为32×32的图像块,其中不足32的部分以黑像素填充,在JPEG平台下获取失真图像数据集的阶梯式JND。
2)将阶梯式JND映射为基于高效视频编码标准的图像级JND阈值集合。
此步骤的任务概括为具体包括:
21)计算数据集中阶梯式JND包含的每个阈值所对应失真图像的结构相似性指标(SSIM):
SSIM(X,Y)=[L(X,Y)]α[C(X,Y)]β[S(X,Y)]γ
其中,X、Y分别代表原始和失真图像,由公式知,失真程度从L亮度,C对比度,S结构三方面进行量化,一般情况下设定α=β=γ=1;
22)确定数据集中图像在HEVC压缩失真类型下的SSIM取值范围,其中量化参数(QP)固定约束在[8,42]内;
23)选取SSIM作为统一失真度量,设计映射关系:
24)根据23)中的公式最小化图像在参考平台(JPEG平台)和目标平台(HEVC标准下的HM平台)上SSIM距离,qf表示参考平台,qp表示目标平台,最终得到数据集在HEVC压缩标准下的图像级JND阈值集合。
3)根据图像级JND阈值集合计算各图像块的块级JND阈值集合。
31)将全部图像块归为平坦区域与纹理区域两类;
32)分区域计算相邻JND阈值所对应的失真图像在目标平台上的SSIM距离差,以此作为区域图像级质量失真度量QDp;
33)计算每个图像块的块级质量失真度量QDb;
块级质量失真度量QD的计算公式为:
其中,N为图像包含的JND个数,上标表示第j个JND阈值;
34)通过比较块级与其所属区域的图像级质量失真度量得到最终块级JND阈值集合,采用的具体公式表示为:
其中,表示第i个图像块的块级JND阈值集合,QDb与QDp分别代表第i个图像块的块级质量失真度量与该图像块所属区域的区域图像级质量失真度量,从上述公式可知,在某一QP条件下,当块级QD超过图像级QD时,此QP被判定为该块JND集合的一个元素。
不同QP下的块级区域JND可视化效果如图2所示。
4)将块级JND阈值集合完全相等的图像块归为一类。
5)为解决数据集不平衡的问题,提高模型训练的稳定性,舍弃JND为空集的以及所包含样本数目少于100的类别,形成失真图像块的JND数据集。本实施例中,最终保留157类。在完成平衡调整后的数据集中任意选组4/5作为训练集,其余1/5作为测试。
本实施例中具体采用基于AlexNet的JND预测模型进行图像块分类,JND阈值集合相同的图像块被认定为具有同类感知特性,图像块通过AlexNet预测可得出其所属类别的感知域信息,进而用于指导压缩。在训练时,设置初始学习率为0.0001,最多迭代次数为100000,batch size为256。
训练模型完成后,采用JND集合相似度评价方法(level overlapping area,LOA)进行精度评估,所采用的指标LOA的表达式为:
其中,Ap表示预测出的阶梯JND曲线与横纵坐标围成封闭区域的面积,Agt为对应JND真值曲线所围面积,∩与∪分别表示求相交面积与合并后总占用面积,统计每个类别下所有样本的LOA值,并计算所有LOA的均值作为模型评估的最终指标。LOA的计算结果如图4所示。
根据预测模型输出的预测JND阈值{QP1,QP2,…,QPM}优化编码树单元(CTU)的量化参数,进而完成视频编码。如图3所示,最优量化参数通过以下表达式获得:
式中,QPPVC表示最终应用于感知视频编码的最优量化参数,预测JND阈值为{QP1,QP2,…,QPM},QPM为其中第M个即最大JND阈值,QPt为目标量化参数。通过上述表达式可以最大程度地节约码率。
该方法利用HM框架完成视频编码,且进行编码配置时,属于同一LCU的编码单元(CU)均采用其父级LCU获得的量化参数选取方案。
为了验证本方法的性能,设计了以下实验。
在HEVC官方视频序列公开数据集上应用本方法进行感知编码,其中测试序列包含832×480、1280×720、1920×1080三种分辨率且序列长度为200帧,视频编码配置为RandomAccess,参考方法为官方原始HM模型提供的编码方法,在给定的四个常用测试量化参数(22,27,32,37)条件下进行实验,采用如公式(1)的码率节省作为客观评价标准,采用如公式(2)的差分主观分值(DMOS)作为主观评价标准。
BPP表示每像素所需比特数,BPPm表示本发明提出的编码方法对应的码率;表示15名实验人员的打分平均值。
在主观评价方面主要选取视频数据集进行实验。参与实验的人员(8名男性,7名女性)均无视频压缩相关工作经验,实验距离为屏幕高度的3倍,采用双刺激连续质量标度方法,即参考序列与待评价序列播放随机逐次播放,每组对比评分结束后播放10秒无关视频。评分采取5分值,5分与1分分别代表最佳与最差质量。在HEVC官方测试序列数据集上的实验结果如表1所示。
表1本发明在HEVC官方测试序列数据集上性能表现
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于区域恰可察觉失真的感知视频编码方法,其特征在于,该方法包括:
获取待压缩视频每帧图像的所有图像块,通过一训练好的JND预测模型获得所述图像块的预测JND阈值,基于目标码率及所述预测JND阈值进行感知冗余去除,得到最优量化参数,基于所述最优量化参数实现感知视频编码。
2.根据权利要求1所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,所述JND预测模型为基于CNN网络的JND预测模型,该JND预测模型的训练过程具体为:
构建失真图像块的JND数据集,优化训练JND预测模型,并采用JND集合相似度评价方法对所述JND预测模型的预测精度进行评估。
3.根据权利要求2所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,所述构建失真图像块的JND数据集具体包括以下步骤:
1)获取失真图像数据集的阶梯式JND;
2)将所述阶梯式JND映射为基于高效视频编码标准的图像级JND阈值集合;
3)根据图像级JND阈值集合计算各图像块的块级JND阈值集合;
4)将块级JND阈值集合完全相等的图像块归为一类;
5)舍弃JND为空集的以及所包含样本数目少于100的类别,形成失真图像块的JND数据集。
4.根据权利要求3所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,步骤2)中,所述映射采用的映射关系为:
其中,SSIMqf为JPEG平台下的结构相似性指标,为量化参数为k时HEVC标准的HM平台下的结构相似性指标,量化参数k约束在范围[8,42]内。
5.根据权利要求3所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,步骤3)中,所述根据图像级JND阈值集合计算块级JND阈值集合具体步骤包括:
31)将全部图像块归为平坦区域与纹理区域两类;
32)分区域计算相邻JND阈值所对应的失真图像在目标平台上的SSIM距离差,以此作为区域图像级质量失真度量;
33)计算每个图像块的块级质量失真度量;
34)通过比较块级与其所属区域的图像级质量失真度量得到最终块级JND阈值集合。
6.根据权利要求5所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,所述步骤34)采用的具体公式表示为:
其中,表示第i个图像块的块级JND阈值集合,QDb与QDp分别代表第i个图像块的块级质量失真度量与该图像块所属区域的区域图像级质量失真度量。
7.根据权利要求2所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,所述JND集合相似度评价方法所采用的指标LOA的表达式为:
其中,Ap表示预测出的阶梯JND曲线与横纵坐标围成封闭区域的面积,Agt为对应JND真值曲线所围面积,∩与∪分别表示求相交面积与合并后总占用面积。
8.根据权利要求1所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,所述最优量化参数通过以下表达式获得:
式中,QPPVC表示最终应用于感知视频编码的最优量化参数,预测JND阈值为{QP1,QP2,...,QPM},QPM为其中第M个即最大JND阈值,QPt为目标量化参数。
9.根据权利要求1所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,该方法利用HM框架完成视频编码。
10.根据权利要求9所述的基于区域恰可察觉失真的感知视频编码方法,其特征在于,进行编码配置时,属于同一LCU的编码单元均采用其父级LCU获得的量化参数选取方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356506.9A CN110062234B (zh) | 2019-04-29 | 2019-04-29 | 一种基于区域恰可察觉失真的感知视频编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356506.9A CN110062234B (zh) | 2019-04-29 | 2019-04-29 | 一种基于区域恰可察觉失真的感知视频编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110062234A true CN110062234A (zh) | 2019-07-26 |
CN110062234B CN110062234B (zh) | 2023-03-28 |
Family
ID=67321700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910356506.9A Active CN110062234B (zh) | 2019-04-29 | 2019-04-29 | 一种基于区域恰可察觉失真的感知视频编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110062234B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614962A (zh) * | 2020-04-20 | 2020-09-01 | 同济大学 | 一种基于区域块级jnd预测的感知图像压缩方法 |
CN111757112A (zh) * | 2020-06-24 | 2020-10-09 | 重庆大学 | 一种基于恰可察觉失真的hevc感知码率控制方法 |
CN111901594A (zh) * | 2020-06-29 | 2020-11-06 | 北京大学 | 面向视觉分析任务的图像编码方法、电子设备及介质 |
CN112584153A (zh) * | 2020-12-15 | 2021-03-30 | 深圳大学 | 基于恰可察觉失真模型的视频压缩方法及装置 |
CN112637597A (zh) * | 2020-12-24 | 2021-04-09 | 深圳大学 | Jpeg图像压缩方法、装置、计算机设备及存储介质 |
CN112738518A (zh) * | 2019-10-28 | 2021-04-30 | 北京博雅慧视智能技术研究院有限公司 | 一种基于感知的ctu级视频编码的码率控制方法 |
CN112738515A (zh) * | 2020-12-28 | 2021-04-30 | 北京百度网讯科技有限公司 | 用于自适应量化的量化参数调整方法和装置 |
CN113489983A (zh) * | 2021-06-11 | 2021-10-08 | 浙江智慧视频安防创新中心有限公司 | 一种基于相关度比较确定分块编码参数的方法及装置 |
CN114359784A (zh) * | 2021-12-03 | 2022-04-15 | 湖南财政经济学院 | 一种面向视频压缩的人眼恰可察觉失真的预测方法及*** |
CN116847101A (zh) * | 2023-09-01 | 2023-10-03 | 易方信息科技股份有限公司 | 基于Transformer网络的视频比特率阶梯预测方法、***及设备 |
CN118200573A (zh) * | 2024-05-17 | 2024-06-14 | 天津大学 | 图像压缩方法、图像压缩模型的训练方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1968419A (zh) * | 2005-11-16 | 2007-05-23 | 三星电子株式会社 | 利用人类视觉特性对图像进行编码及解码的方法和设备 |
CN103024381A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种基于恰可察觉失真的宏块模式快速选择方法 |
CN103379326A (zh) * | 2012-04-19 | 2013-10-30 | 中兴通讯股份有限公司 | 基于roi和jnd的视频编码方法及装置 |
CN103501441A (zh) * | 2013-09-11 | 2014-01-08 | 北京交通大学长三角研究院 | 一种基于人类视觉***的多描述视频编码方法 |
US20140169451A1 (en) * | 2012-12-13 | 2014-06-19 | Mitsubishi Electric Research Laboratories, Inc. | Perceptually Coding Images and Videos |
CN104219525A (zh) * | 2014-09-01 | 2014-12-17 | 国家广播电影电视总局广播科学研究院 | 基于显著性和最小可察觉失真的感知视频编码方法 |
CN104378625A (zh) * | 2014-11-13 | 2015-02-25 | 河海大学 | 基于感兴趣区域的图像暗场亮度jnd值测定方法、预测方法 |
CN104992419A (zh) * | 2015-07-08 | 2015-10-21 | 北京大学深圳研究生院 | 基于jnd因子的超像素高斯滤波预处理方法 |
CN106454386A (zh) * | 2016-10-26 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种基于jnd的视频编码的方法和装置 |
CN107147912A (zh) * | 2017-05-04 | 2017-09-08 | 浙江大华技术股份有限公司 | 一种视频编码方法及装置 |
CN107241607A (zh) * | 2017-07-18 | 2017-10-10 | 厦门大学 | 一种基于多域jnd模型的视觉感知编码方法 |
CN107770517A (zh) * | 2017-10-24 | 2018-03-06 | 天津大学 | 基于图像失真类型的全参考图像质量评价方法 |
CN109525847A (zh) * | 2018-11-13 | 2019-03-26 | 华侨大学 | 一种恰可察觉失真模型阈值计算方法 |
-
2019
- 2019-04-29 CN CN201910356506.9A patent/CN110062234B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1968419A (zh) * | 2005-11-16 | 2007-05-23 | 三星电子株式会社 | 利用人类视觉特性对图像进行编码及解码的方法和设备 |
CN103379326A (zh) * | 2012-04-19 | 2013-10-30 | 中兴通讯股份有限公司 | 基于roi和jnd的视频编码方法及装置 |
CN103024381A (zh) * | 2012-12-10 | 2013-04-03 | 宁波大学 | 一种基于恰可察觉失真的宏块模式快速选择方法 |
US20140169451A1 (en) * | 2012-12-13 | 2014-06-19 | Mitsubishi Electric Research Laboratories, Inc. | Perceptually Coding Images and Videos |
CN103501441A (zh) * | 2013-09-11 | 2014-01-08 | 北京交通大学长三角研究院 | 一种基于人类视觉***的多描述视频编码方法 |
CN104219525A (zh) * | 2014-09-01 | 2014-12-17 | 国家广播电影电视总局广播科学研究院 | 基于显著性和最小可察觉失真的感知视频编码方法 |
CN104378625A (zh) * | 2014-11-13 | 2015-02-25 | 河海大学 | 基于感兴趣区域的图像暗场亮度jnd值测定方法、预测方法 |
CN104992419A (zh) * | 2015-07-08 | 2015-10-21 | 北京大学深圳研究生院 | 基于jnd因子的超像素高斯滤波预处理方法 |
CN106454386A (zh) * | 2016-10-26 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种基于jnd的视频编码的方法和装置 |
CN107147912A (zh) * | 2017-05-04 | 2017-09-08 | 浙江大华技术股份有限公司 | 一种视频编码方法及装置 |
CN107241607A (zh) * | 2017-07-18 | 2017-10-10 | 厦门大学 | 一种基于多域jnd模型的视觉感知编码方法 |
CN107770517A (zh) * | 2017-10-24 | 2018-03-06 | 天津大学 | 基于图像失真类型的全参考图像质量评价方法 |
CN109525847A (zh) * | 2018-11-13 | 2019-03-26 | 华侨大学 | 一种恰可察觉失真模型阈值计算方法 |
Non-Patent Citations (1)
Title |
---|
李承欣;叶锋;涂钦;陈家祯;许力;: "面向视频压缩的显著性协同检测JND模型" * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112738518A (zh) * | 2019-10-28 | 2021-04-30 | 北京博雅慧视智能技术研究院有限公司 | 一种基于感知的ctu级视频编码的码率控制方法 |
CN112738518B (zh) * | 2019-10-28 | 2022-08-19 | 北京博雅慧视智能技术研究院有限公司 | 一种基于感知的ctu级视频编码的码率控制方法 |
CN111614962B (zh) * | 2020-04-20 | 2022-06-24 | 同济大学 | 一种基于区域块级jnd预测的感知图像压缩方法 |
CN111614962A (zh) * | 2020-04-20 | 2020-09-01 | 同济大学 | 一种基于区域块级jnd预测的感知图像压缩方法 |
CN111757112B (zh) * | 2020-06-24 | 2023-04-25 | 重庆大学 | 一种基于恰可察觉失真的hevc感知码率控制方法 |
CN111757112A (zh) * | 2020-06-24 | 2020-10-09 | 重庆大学 | 一种基于恰可察觉失真的hevc感知码率控制方法 |
CN111901594A (zh) * | 2020-06-29 | 2020-11-06 | 北京大学 | 面向视觉分析任务的图像编码方法、电子设备及介质 |
CN111901594B (zh) * | 2020-06-29 | 2021-07-20 | 北京大学 | 面向视觉分析任务的图像编码方法、电子设备及介质 |
CN112584153B (zh) * | 2020-12-15 | 2022-07-01 | 深圳大学 | 基于恰可察觉失真模型的视频压缩方法及装置 |
CN112584153A (zh) * | 2020-12-15 | 2021-03-30 | 深圳大学 | 基于恰可察觉失真模型的视频压缩方法及装置 |
CN112637597A (zh) * | 2020-12-24 | 2021-04-09 | 深圳大学 | Jpeg图像压缩方法、装置、计算机设备及存储介质 |
GB2602521A (en) * | 2020-12-28 | 2022-07-06 | Beijing Baidu Netcom Sci & Tech Co Ltd | Method and apparatus for adjusting quantization parameter for adaptive quantization |
CN112738515A (zh) * | 2020-12-28 | 2021-04-30 | 北京百度网讯科技有限公司 | 用于自适应量化的量化参数调整方法和装置 |
US11490084B2 (en) | 2020-12-28 | 2022-11-01 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for adjusting quantization parameter for adaptive quantization |
CN112738515B (zh) * | 2020-12-28 | 2023-03-24 | 北京百度网讯科技有限公司 | 用于自适应量化的量化参数调整方法和装置 |
CN113489983A (zh) * | 2021-06-11 | 2021-10-08 | 浙江智慧视频安防创新中心有限公司 | 一种基于相关度比较确定分块编码参数的方法及装置 |
CN113489983B (zh) * | 2021-06-11 | 2024-07-16 | 浙江智慧视频安防创新中心有限公司 | 一种基于相关度比较确定分块编码参数的方法及装置 |
CN114359784A (zh) * | 2021-12-03 | 2022-04-15 | 湖南财政经济学院 | 一种面向视频压缩的人眼恰可察觉失真的预测方法及*** |
CN116847101A (zh) * | 2023-09-01 | 2023-10-03 | 易方信息科技股份有限公司 | 基于Transformer网络的视频比特率阶梯预测方法、***及设备 |
CN116847101B (zh) * | 2023-09-01 | 2024-02-13 | 易方信息科技股份有限公司 | 基于Transformer网络的视频比特率阶梯预测方法、***及设备 |
CN118200573A (zh) * | 2024-05-17 | 2024-06-14 | 天津大学 | 图像压缩方法、图像压缩模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110062234B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110062234A (zh) | 一种基于区域恰可察觉失真的感知视频编码方法 | |
CN104219525B (zh) | 基于显著性和最小可察觉失真的感知视频编码方法 | |
CN102970540B (zh) | 基于关键帧码率-量化模型的多视点视频码率控制方法 | |
CN106937116B (zh) | 基于随机训练集自适应学习的低复杂度视频编码方法 | |
CN102333233A (zh) | 一种基于视觉感知的立体图像质量客观评价方法 | |
CN108681991A (zh) | 基于生成对抗网络的高动态范围反色调映射方法及*** | |
CN105208374A (zh) | 一种基于深度学习的无参考图像质量客观评价方法 | |
CN101911716A (zh) | 评估感知质量的方法 | |
CN101572806B (zh) | 一种基于h.264的i帧码率控制方法 | |
CN103281554B (zh) | 一种基于人眼视觉特性的视频客观质量评价方法 | |
CN103096079B (zh) | 一种基于恰可察觉失真的多视点视频码率控制方法 | |
CN102663747A (zh) | 一种基于视觉感知的立体图像客观质量评价方法 | |
CN103957410B (zh) | 一种基于残差频域复杂度的i帧码率控制方法 | |
CN108574841A (zh) | 一种基于自适应量化参数的编码方法及装置 | |
CN102547368A (zh) | 一种立体图像质量客观评价方法 | |
CN104811691A (zh) | 一种基于小波变换的立体视频质量客观评价方法 | |
CN110516716A (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
CN104994382A (zh) | 一种感知率失真的优化方法 | |
CN109978763A (zh) | 一种基于跳跃连接残差网络的图像超分辨率重建算法 | |
CN112767385B (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
CN106303530A (zh) | 一种融合视觉感知特性的码率控制方法 | |
He et al. | Video quality assessment by compact representation of energy in 3D-DCT domain | |
CN108900838A (zh) | 一种基于hdr-vdp-2失真准则的率失真优化方法 | |
CN105681803B (zh) | 一种大容量的hevc视频信息隐藏方法 | |
CN106339994A (zh) | 一种图像增强方法 |
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 |