基于频繁模式分类的帧间图像编码方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于频繁模式分类的帧间图像编码方法、装置及存储介质，涉及图像处理技术领域，包括步骤：以编码划分相关参数为特征向量集进行项目集度量逐次增加下的频繁项目集筛选；以最终筛选出的满足最小支持度的频繁项目集为基础进行关联规则的生成；将关联规则作为特征扩展数据与对应参数学习帧作为输入数据对径向基神经网络进行编码划分模式训；基于训练后的径向基神经网络对参数学习帧对应画面组中的帧间图像进行编码划分模式的判定。本发明专利技术通过分析帧内编码帧不同编码划分相关参数不同聚类下的支持度关系，从而使得训练后的径向基神经网络能以更高效的处理方式进行编码划分模式判定。进行编码划分模式判定。进行编码划分模式判定。

【技术实现步骤摘要】
基于频繁模式分类的帧间图像编码方法、装置及存储介质


[0001]本专利技术涉及图像处理
，具体涉及一种基于频繁模式分类的帧间图像编码方法、装置及存储介质。

技术介绍

[0002]现有的视频编码技术中，H.266（VVC）在提供更高压缩效率的同时，同时也带来了更高的计算复杂度。这是由于H.266采用了更为复杂的算法和技术，相比于H.265，H.266需要更多的算力资源和运存空间来执行编解码操作。这就导致在实际应用中，H.266的编码和解码速度可能很慢，因此它对硬件设备和系统性能具有更高的需求。为了降低H.266的计算复杂度，目前提出了一些改进方案：（1）硬件加速：利用专用的硬件加速器（如GPU、FPGA等）来提高H.266的编解码速度。这样可以充分利用硬件的并行计算能力，加快编解码过程。（2）并行处理：利用并行处理技术，将编解码任务分解为多个子任务，并同时在多个处理单元上进行处理。这可以提高整体的编解码效率，缩短处理时间。（3）算法优化：通过改进编解码算法和技术，减少计算复杂度。例如，通过减少冗余计算、优化运算顺序、引入快速算法等方法来提高编解码效率。之前的方法没有很好地平衡好H.266编码质量、编码计算复杂度和编码效率的关系，因此，亟需一种新的编码方法以解决上述问题。

技术实现思路

[0003]为了更好的兼顾编码质量的同时降低编码复杂度、提高编码效率，本专利技术提出了一种基于频繁模式分类的帧间图像编码方法，包括步骤：S1：提取各目标视频各画面组中的帧内编码帧作为参数学习帧；S2：以编码划分相关参数为特征向量集进行项目集度量逐次增加下的频繁项目集筛选；S3：以最终筛选出的满足最小支持度的频繁项目集为基础进行关联规则的生成；S4：将关联规则作为特征扩展数据与对应参数学习帧作为输入数据对径向基神经网络进行编码划分模式训练；S5：基于训练后的径向基神经网络对参数学习帧对应画面组中的帧间图像进行编码划分模式的判定。
[0004]进一步地，所述S2步骤中，特征向量集包括编码划分模式、率失真函数、预测残差、编码深度、纹理复杂度和运动矢量预测。
[0005]进一步地，所述S2步骤中，频繁项目集的筛选具体包括如下步骤：A1：以单个特征向量为起始度量，获取各频繁单项集对应特征向量在参数学习帧进行编码划分时的支持度，并筛选出大于最小支持度的频繁单项集；A2：度量加一，并在上一度量筛选结果的基础上进行当前度量满足最小支持度各频繁多项集的筛选；A3：判断当前度量下是否存在满足最小支持度的频繁多项集筛选结果，若是，返回
A2步骤，若否，以上一度量筛选出的各频繁多项集为最终筛选结果。
[0006]进一步地，所述S3步骤中，关联规则通过如下方式获取：提取最终筛选出频繁项目集的所有真子集，以排列组合的方式生成关联规则。
[0007]进一步地，所述S4步骤中，输入数据包括特征向量集和特征扩展数据，径向基神经网络通过编码划分模式训练获得径向基函数的中心、径向基函数的方差，以及隐含层到输出层的权值。
[0008]进一步地，所述S4步骤中，径向基神经网络基于选择的径向基函数中心，将输入数据映射到高维特征空间，通过获取每个特征向量的活跃程度，并与特征扩展数据相比较实现模型的训练，进而获得径向基函数的中心、径向基函数的方差，以及隐含层到输出层的权值。
[0009]进一步地，所述S5步骤中，编码划分模式的判定表示为如下公式：
[0010]式中，r为欧式径向基函数，x为输入数据，为径向基函数隐含层中第i个节点的中心，为激活函数，为径向基函数的方差，为径向基神经网络输出层中第j个节点的编码划分模式判定结果，i为隐含层节点序号，h为隐含层节点总数，为隐含层第i个节点到输出层第j个节点的权值。
[0011]还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于频繁模式分类的帧间图像编码方法的步骤。
[0012]还包括一种处理数据的装置，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的计算机程序，以实现一种基于频繁模式分类的帧间图像编码方法的步骤。
[0013]与现有技术相比，本专利技术至少含有以下有益效果：本专利技术所述的一种基于频繁模式分类的帧间图像编码方法、装置及存储介质，利用同一图像组中各帧间图像具有相似编码划分模式选择趋势的特点，通过分析帧内编码帧不同编码划分相关参数不同聚类下的支持度关系，对径向基神经网络进行训练，从而使得训练后的网络能够通过分析输入数据与对应中心点的距离，从而实现高效准确的编码划分模式判定，而无需对所有特征向量进行参考计算，降低计算复杂度。
附图说明
[0014]图1为一种基于频繁模式分类的帧间图像编码方法的步骤图。
具体实施方式
[0015]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
实施例一
[0016]VVC依旧沿袭了传统的混合编码结构，相比HEVC，它扩充了编码块的结构划分方式，并在量化变换、预测编码、熵编码等多个模块增添了许多新的编码技术。在编码块结构方面，VVC采用四叉树嵌套多叉树（Quad
‑
tree nested in Multi
‑
Type tree，QTMT）的划分结构。VVC中CU共有六种划分方式：不划分（NS），四叉树划分（QT）、水平二叉树划分（BTH）、垂直二叉树划分（BTV）、水平三叉树划分（TTH）、垂直三叉树划分（TTV）。多类型树划分结构大大增加了VVC编码的计算复杂度，使得其编码效率反而有所下降，因此传统的VVC编码技术并不适用于实时处理的应用场景。为此，如图1所示，本专利技术提出了一种基于频繁模式分类的帧间图像编码方法，具体包括步骤：S1：提取各目标视频各画面组中的帧内编码帧作为参数学习帧；S2：以编码划分相关参数为特征向量集进行项目集度量逐次增加下的频繁项目集筛选；S3：以最终筛选出的满足最小支持度的频繁项目集为基础进行关联规则的生成；S4：将关联规则作为特征扩展数据与对应参数学习帧作为输入数据对径向基神经网络进行编码划分模式训练；S5：基于训练后的径向基神经网络对参数学习帧对应画面组中的帧间图像进行编码划分模式的判定。
[0017]一般来说，决定CU编码划分的特征向量有率失真函数、预测残差、编码深度、纹理复杂度和运动矢量预测。本专利技术考虑到同一图像组中帧间图像之间的目标运动是连续的，因此帧间图像之间的画面大致相同，这也就导致了决定编码块相同节点处编码划分模式的特征向量具有极大的相似性。因此，本发提出了一种基于分析各特征向量以及编码划分模式判定之间的聚类分析方法，通过获取各特征向量以及特征向量之间聚合的频繁程度实现对帧间图像的编码划分模式判定。
[0018]同时，由于视频数据是由一组一组的画面组组成的，画面组中包含若干帧的帧间图像，而在这些帧间图像中，时序上排在第一帧的帧间图像（也即是帧内编码帧，I帧）往往具有全部的编码信息，简单的理解就是一帧画面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频繁模式分类的帧间图像编码方法，其特征在于，包括步骤：S1：提取各目标视频各画面组中的帧内编码帧作为参数学习帧；S2：以编码划分相关参数为特征向量集进行项目集度量逐次增加下的频繁项目集筛选；S3：以最终筛选出的满足最小支持度的频繁项目集为基础进行关联规则的生成；S4：将关联规则作为特征扩展数据与对应参数学习帧作为输入数据对径向基神经网络进行编码划分模式训练；S5：基于训练后的径向基神经网络对参数学习帧对应画面组中的帧间图像进行编码划分模式的判定。2.如权利要求1所述的一种基于频繁模式分类的帧间图像编码方法，其特征在于，所述S2步骤中，特征向量集包括编码划分模式、率失真函数、预测残差、编码深度、纹理复杂度和运动矢量预测。3.如权利要求1所述的一种基于频繁模式分类的帧间图像编码方法，其特征在于，所述S2步骤中，频繁项目集的筛选具体包括如下步骤：A1：以单个特征向量为起始度量，获取各频繁单项集对应特征向量在参数学习帧进行编码划分时的支持度，并筛选出大于最小支持度的频繁单项集；A2：度量加一，并在上一度量筛选结果的基础上进行当前度量满足最小支持度各频繁多项集的筛选；A3：判断当前度量下是否存在满足最小支持度的频繁多项集筛选结果，若是，返回A2步骤，若否，以上一度量筛选出的各频繁多项集为最终筛选结果。4.如权利要求3所述的一种基于频繁模式分类的帧间图像编码方法，其特征在于，所述S3步骤中，关联规则通过如下方式获取：提取最终筛选出频繁项目集的...

【专利技术属性】
技术研发人员：蒋先涛，柳云夏，郭咏梅，郭咏阳，
申请(专利权)人：宁波康达凯能医疗科技有限公司，
类型：发明
国别省市：