视频视频中基于量化参数的率失真优化算法.docxVIP

视频视频中基于量化参数的率失真优化算法 1 问题的提出及研究进路 目前，通用视频压缩系统通常采用带有损坏和压缩的混合编码结构（hybdi）。在该结构下，视频编码能够识别各种复杂统计特征的视频信号，并使用各种编码工具（组合）去除各种冗余信息，从而压缩视频数据。其基本过程包括预测编码、预测缺失的dk系统的测量和噪声编码。在预测编码输入环节中，为了消除当前和空时之间的信号噪声的影响，必须选择和评估预测输出的模糊性。在信号率控制的链接中，sdt系统的编码能力用于控制预测输出的码率和精度。视频编码技术的计算参数（包括sd模式编码模式、运动向量m和量化参数qp）。 据信息论,视频压缩的码率和失真满足下凸非递减关系.一般地,码率越低则失真越大,反之亦然,码率极低和失真极小二者不可兼得 其中,MD、MV、和QP分别表示编码模式、运动矢量和量化参数的取值范围,D(MD,MV,QP)表示图像失真,R(MD,MV,QP)表示码率,而R 对凸函数有约束极值问题的求解,采用Lagrange乘子法,可以转换为对等价的无约束极值问题进行求解,如式(2)所示: 其中,λ表示Lagrange乘子.根据式(2)的最小值选择编码工具(及组合),在码率和失真之间实现折衷,很显然,该式能否实现高效的编码效率,关键在于λ值的选取.围绕上述问题,学术界开展了大量的研究工作. 文献[2]指出,在R 文献[3-4]根据率失真理论建立了λ关于量化参数的数学模型λ 文献[10]对QP-L算法进行改进,在运动补偿环节,根据上层或相邻图像块的率失真统计信息修正代价函数.该算法对编码效率的提高较为有限,仅在低复杂度模式启用(RDOptimization=0,也即关闭率失真优化模式)的情况下较为明显,而对于高复杂度模式基本无用. 文献[11]提出一种基于Laplace分布假设的率失真优化模型,数学表达形式较为复杂.该算法根据量化参数及视频信号的率失真统计特征,以图像帧为单位,计算代价函数的Lagrange乘子λ值,对不符合Laplace分布假设的情况,则修正为QP-L模型.该模型能够有效地改进图像运动平缓的视频序列的编码效率;对于图像运动剧烈的视频序列,编码效率和QP-L模型相近. 本文目标在于建立一个不依赖于量化参数,能够根据视频信号的率失真统计特征自适应调整的率失真优化模型.本文作者在大量实验的基础上,发现λ 本文在第2节介绍经典的QP-L算法;在第3节,通过实验与数据分析,表明λ 2 qp-l算法 一般地,视频信号经过预测编码以及DCT变换之后,预测残差DCT分量之间的相关性很小(可以认为它们“近似”不相关),且满足Laplace分布规律.根据文献[1],如果使用重建图像与原始图像像素值之间的平均绝对值误差(MAD)表示图像失真,也即是 不妨假设码率-失真是可微函数关系,把式(3)代入到式(2)中,对式(2)求关于R的导数,并置为0.经过推导,可得下式: 假设图像失真符合均匀分布,可以导出失真关于量化步长Q的函数关系,如下所示: 把式(5)代入到式(4)中,可得QP-L模型: 其中,c为一个常数,可用实验方法确定其值(一般用0.85的经验值). 在QP-L算法中,根据式(7)最小值来选择编码模式;对于运动补偿,则按照式(8)最小值来选择运动矢量. 其中,SSD(s,c,model QP)是原始像素和重建像素之间的误差平方和,SA(T)D(s,c(m))是预测残差分量的绝对值和.在式(8)中, 我们知道,视频压缩码流包括预测残差的编码信息和宏块编码副信息两部分.对于低码率应用场景,宏块编码副信息所占码流比例可达20%～30%,对视频压缩编码性能的作用不可忽视 (1)视频编码控制过程复杂化. 在QP-L模型中,QP是唯一参变量,该模型的编码性能取决于量化参数的合理取值.在Hybrid编码结构中,量化参数主要用于控制预测残差的码率及失真的大小.为了有效地控制视频压缩码流大小,需要根据预测残差的率失真统计信息计算量化参数,但是,相关统计信息无法先于预测编码得到.为此,可以通过多次编码处理逐渐逼近,或者采用预测技术估计.对于前者,计算复杂度非常高,不适用于实时应用场景;而对于后者,预测的准确性是关键因素.而视频信号属于非平稳信号,统计特征非常复杂,难于用简单方式有效地预测. (2)不具备自适应性. 视频信号统计特征非常复杂.在不同的视频序列之间,统计特征差异较大(在第7节可以看到,不同的视频序列具有不同的码率-失真曲线).QP-L模型缺乏表征视频信号统计特性的关联量,只要量化参数相等,即使信号特征迥异,QP-L算法对所有的视频序列都使用相同值的λ,其优化结果不可能对任何视频序列都是最优的 3 实验1.编码模式及仿真结果 在QP-L模型中, 顾名思义,率失真优化是在失真和码率两个不同的量纲上