一種高清幀內(nèi)預(yù)測(cè)單元快速選擇算法

黃秋情， 楊秀芝， 鄭明魁， 蘇凱雄

(福州大學(xué)物理與信息工程學(xué)院， 福建 福州　350116)

?

一種高清幀內(nèi)預(yù)測(cè)單元快速選擇算法

黃秋情， 楊秀芝， 鄭明魁， 蘇凱雄

(福州大學(xué)物理與信息工程學(xué)院， 福建 福州350116)

針對(duì)高效視頻編碼標(biāo)準(zhǔn)提出一種CU劃分快速終止算法. 該算法選擇圖像紋理復(fù)雜度作為特征向量， 將HEVC幀內(nèi)預(yù)測(cè)與k-means聚類方法相結(jié)合， 通過每種尺寸CU的聚類中心減少率失真優(yōu)化的次數(shù)， 提前終止CU塊的劃分， 在達(dá)到降低編碼復(fù)雜度的同時(shí)依然保持較好的編碼效率. 測(cè)試結(jié)果表明， 本算法與參考算法HM10.0相比較， 視頻圖像質(zhì)量基本不變， 而編碼時(shí)間大幅減少.

高效視頻編碼標(biāo)準(zhǔn)；k平均算法； 幀內(nèi)預(yù)測(cè)； 編碼單元

0　引言

2010年1月， ITU-T和ISO/IEC成立JCT-VC(joint collaborative team on video coding)聯(lián)合組織， 統(tǒng)一制定下一代視頻編碼標(biāo)準(zhǔn)HEVC(high efficiency video coding)[1-2]. HEVC主要針對(duì)高清和超高清視頻圖像， 其核心目標(biāo)是在H.264標(biāo)準(zhǔn)的基礎(chǔ)上， 把壓縮效率提高一倍， 以支持高分辨率視頻的壓縮. HEVC采用了眾多先進(jìn)的改進(jìn)和優(yōu)化的工具， 主要包括更靈活的四叉樹圖像劃分、 擴(kuò)展的H.264/AVC幀內(nèi)編碼、 改進(jìn)的運(yùn)動(dòng)矢量預(yù)測(cè)、 新的幀間預(yù)測(cè)模式-MERGE模式、 幀間預(yù)測(cè)非對(duì)稱運(yùn)動(dòng)劃分四叉樹變換、 基于DCT的亞像素濾波器、 新的多參考幀管理方式、 簡(jiǎn)化的去塊濾波(SAO,sample adaptive offset)和高吞吐量的熵編碼(CABAC, context-adaptive binary arithmetic coding)等. 這些HEVC眾多先進(jìn)的編碼技術(shù)能大幅提升視頻編碼效率， 但也使編碼的計(jì)算復(fù)雜度和編碼時(shí)間大幅增加. 在實(shí)際應(yīng)用中， 編碼速度的提高十分重要. 因此， 如何在保證編碼質(zhì)量不變的情況下降低HEVC的計(jì)算復(fù)雜度， 加快編碼速度， 是推進(jìn)和擴(kuò)大HEVC實(shí)際應(yīng)用所要解決的關(guān)鍵問題[3].

傳統(tǒng)的HEVC快速算法思想可分為三類： 一是設(shè)置閾值提前終止CU塊劃分，具體表現(xiàn)為可利用當(dāng)前CU和其四個(gè)子塊的相關(guān)性、 當(dāng)前CU與相鄰CU間的相關(guān)性以及圖像紋理復(fù)雜度等， 預(yù)判當(dāng)前CU是否進(jìn)行劃分， 提高幀內(nèi)編碼速度； 二是 縮小預(yù)測(cè)模式選擇的范圍， 具體表現(xiàn)為利用圖像處理的算子知識(shí)、 精簡(jiǎn)最有可能模式以及完善粗略模式選擇(RMD)算法等， 縮小模式選擇的范圍， 提高幀內(nèi)編碼速度； 三是簡(jiǎn)化率失真優(yōu)化計(jì)算. 目前有一種快速算法思想新方向是基于機(jī)器學(xué)習(xí)的思想， 例如文獻(xiàn)[4]利用以CU紋理復(fù)雜度為特征向量的k-means聚類方法對(duì)CU逐層分析劃分與否， 同時(shí)為了進(jìn)一步減少編碼時(shí)間提出基于像素方差閾值的快速CU單元選擇. 文獻(xiàn)[5]利用貝葉斯分類思想和支持向量機(jī)對(duì)CU是否劃分做出快速判斷， 通過統(tǒng)計(jì)各種類別的先驗(yàn)概率， 計(jì)算其后驗(yàn)概率， 然后根據(jù)最小經(jīng)驗(yàn)風(fēng)險(xiǎn)進(jìn)行分類.

基于k-means的快速算法與貝葉斯分類思想以及支持向量機(jī)的方法比較，k-means思路相對(duì)簡(jiǎn)單、 步驟簡(jiǎn)練、 結(jié)果準(zhǔn)確. 但現(xiàn)有k-means方法[4]仍然存在許多不足， 其中最為突出的一點(diǎn)是將k-means完全替代率失真代價(jià)計(jì)算， 這種方法將圖像紋理復(fù)雜度作為CU是否劃分的唯一依據(jù)， 完全忽視了SAD計(jì)算、 SATD計(jì)算等其他因素的影響， 這勢(shì)必產(chǎn)生較大的性能損失.

本研究利用k-means聚類算法的思想， 選擇圖像紋理復(fù)雜度作為特征向量， 對(duì)HEVC幀內(nèi)預(yù)測(cè)算法進(jìn)行改進(jìn). 將HM10.0最優(yōu)劃分CU的方差作為輸入向量， 離線訓(xùn)練64×64、 32×32、 16×16和8×8 CU尺寸四種聚類中心， 獲得CU尺寸與方差之間相關(guān)性的經(jīng)驗(yàn)值， 最終與RDO(rate distortion optimization)計(jì)算相結(jié)合， 減少循環(huán)計(jì)算次數(shù)以達(dá)到降低編碼復(fù)雜度的目的. 結(jié)果表明， 該快速算法能在保證視頻圖像質(zhì)量幾乎不變的情況下， 降低大量幀內(nèi)預(yù)測(cè)時(shí)間.

1　圖像紋理復(fù)雜度與CU分塊的關(guān)系

對(duì)于視頻圖像， 通常使用小尺寸的CU塊編碼紋理復(fù)雜的區(qū)域， 而使用較大尺寸的CU塊編碼紋理相對(duì)簡(jiǎn)單的區(qū)域[6-7]， 序列BasketballDrill第一幀編碼(QP=32)時(shí), CU劃分如圖1所示.

由圖1可得， 地面等區(qū)域， 基本都采用了64×64和32×32 的大尺寸 CU 塊進(jìn)行編碼， 這些區(qū)域通常圖像平坦， 像素間差異也較??； 與此相反， 籃筐、 人物等具有細(xì)節(jié)豐富且像素間差異較大特點(diǎn)的區(qū)域， 則基本選用了 16×16 和 8×8的小尺寸 CU 塊進(jìn)行編碼. 因此可認(rèn)為, 紋理復(fù)雜度與CU尺寸有密切的關(guān)系. 本研究使用方差表示像素間的差異， 進(jìn)而表示圖像紋理復(fù)雜度. 算法定義方差表示為δM×N. Pel(i,j)表示圖像坐標(biāo)位置(i,j)上的像素值， Mean表示圖像的平均像素值，M和N表示圖像的長(zhǎng)和寬，M、N=8、 16、 32和64.

(1)

(2)

表1　CU方差平均范圍Tab.1　CU mean variance

為了分析方差與LCU分塊之間的關(guān)系， 選取多個(gè)測(cè)試序列[8]進(jìn)行實(shí)驗(yàn). 使用HM10.0對(duì)序列進(jìn)行幀內(nèi)預(yù)測(cè)編碼， 將經(jīng)率失真代價(jià)計(jì)算得到的所有LCU最優(yōu)劃分結(jié)果與其對(duì)應(yīng)的方差進(jìn)行比較， 如表1所示. 由表1可得, 方差平均值與CU尺寸成反比關(guān)系， CU尺寸越小， 方差越大. 反之， 若求出一個(gè)較大的方差值， 則該CU很可能被劃分成小尺寸CU. 因此, 使用方差的特征可以較大程度上判別CU分塊的尺寸.

2　基于k-means聚類算法的視頻方差特征離線訓(xùn)練

現(xiàn)有k-means算法[4]認(rèn)為, 當(dāng)前CU是否進(jìn)一步劃分與子塊方差有關(guān). 使用4個(gè)子塊復(fù)雜度構(gòu)成四維輸入向量， 每個(gè)64×64、 32×32和16×16塊都對(duì)應(yīng)一個(gè)四維向量， 每個(gè)塊的劃分情況都有劃分和不劃分兩種， 離線訓(xùn)練兩種聚類中心如表2所示. 通過判斷待預(yù)測(cè)CU分別與兩個(gè)聚類中心的最小距離， 得出該CU是否需要進(jìn)一步劃分的結(jié)論.

“好戰(zhàn)的國(guó)王”是“文字的嘲弄者”，也是“灰色真理”和世界“不安”的始作俑者。世界的不安是因?yàn)槿诵缘膲櫬浜彤?dāng)時(shí)處于殖民統(tǒng)治下的多難愛爾蘭的寫照。接下來(lái)的第二節(jié)告訴我們：“故崇拜如塵之舉不聰明，/也別試圖——因這也是真實(shí)——/去千方百計(jì)地渴求真理，/以免你所有辛勞只催生/新夢(mèng)，新夢(mèng)；世上沒有真理，/除了在你自己的心里”（ibid.）。牧羊人要世人不要“崇拜如塵之舉”，也不要“千方百計(jì)地渴求真理”，因?yàn)檫@樣只會(huì)在新的幻夢(mèng)里催生更多的墮落。牧羊人道出了一個(gè)真相：真理只存在于“你”的內(nèi)心。這個(gè)“你”是牧羊人，是讀者，也是包括詩(shī)人在內(nèi)的藝術(shù)家。

表2　文獻(xiàn)[4]算法CU聚類中心Tab.2　CU cluster center for reference[4]

現(xiàn)有算法在CU劃分過程中未進(jìn)行率失真代價(jià)判斷， 減少大量循環(huán)計(jì)算的時(shí)間， 降低編碼復(fù)雜度， 但CU的正確劃分與多種因素有關(guān)， 僅使用經(jīng)驗(yàn)值和先驗(yàn)概率的方法將導(dǎo)致性能上損失較大， 同時(shí), 使用四維向量進(jìn)行分類增加了判斷的難度.

針對(duì)這一缺點(diǎn)進(jìn)行改進(jìn)， 使用所有最優(yōu)劃分CU的方差作為輸入向量. 從上一節(jié)實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果可知， 同一尺寸CU的方差值較為接近， 不同尺寸CU的方差平均值相差較大， 因此, 可以直接使用各層的方差以一維向量形式進(jìn)行聚類分析. 由于將圖像紋理復(fù)雜度作為唯一的劃分依據(jù)可能產(chǎn)生性能損失， 本研究在近似判斷劃分范圍的基礎(chǔ)上保留率失真代價(jià)計(jì)算， 在減少部分循環(huán)計(jì)算時(shí)間的同時(shí)也保證了編碼性能.

基于以上考慮， 在測(cè)試序列幀內(nèi)編碼后得到大量的方差， 為了得到不同尺寸CU與方差大小的對(duì)應(yīng)關(guān)系， 利用k-means算法對(duì)這些方差進(jìn)行分類.k-means聚類算法是一種高效的分類器， 也被稱為k-平均， 它的目標(biāo)是將n個(gè)輸入向量分類到k(k

(3)

其中: μi是每個(gè)聚類的中心點(diǎn)， xj是每個(gè)聚類中輸入向量的索引值.

k-means聚類的計(jì)算過程是一個(gè)迭代的過程[11], 具體過程如圖2所示. 具體描述如下：

1) 選取比特深度為8的不同分辨率大小的測(cè)試序列， 獲得測(cè)試序列按HEVC原有算法計(jì)算的CU最佳劃分尺寸以及最優(yōu)劃分CU塊的方差， 將這些方差作為輸入向量.

2) CU最優(yōu)劃分的依據(jù)是RDO計(jì)算， 一個(gè)CU塊有可能大部分平坦而有很小一塊區(qū)域復(fù)雜， 但因RDO計(jì)算無(wú)需進(jìn)一步劃分， 此時(shí)該CU塊的像素方差較同尺寸CU的平均情況而言會(huì)有極大的偏差， 因此需要計(jì)算每個(gè)尺寸CU塊可用的圖像紋理復(fù)雜度的平均范圍. 另外，k-means算法對(duì)噪聲和孤立點(diǎn)非常敏感， 因此, 在訓(xùn)練過程中去除復(fù)雜度小于20和大于1 000的數(shù)據(jù).

3) 從剩下的可用數(shù)據(jù)中隨機(jī)選擇4個(gè)作為聚類的初始中心點(diǎn).

5) 使用每個(gè)聚類中數(shù)據(jù)的均值作為新的聚類中心點(diǎn)， 重復(fù)執(zhí)行步驟4)， 直到兩次迭代得到的聚類中心點(diǎn)一致.

利用Matlab軟件進(jìn)行多次離線訓(xùn)練以確保結(jié)果穩(wěn)定可靠， 最后離線訓(xùn)練得出4個(gè)聚類中心， 如表3所示.

表3　CU聚類中心Tab.3　CU cluster centers

3　CU快速選擇算法實(shí)現(xiàn)

現(xiàn)有k-means方法[4]將當(dāng)前CU的4個(gè)子塊方差作為k-means算法的輸入向量， 離線訓(xùn)練劃分與不劃分兩種聚類中心， 最終通過比較兩種尺寸方差之間的關(guān)系判斷當(dāng)前CU是否需要進(jìn)一步劃分. 該算法雖然能大量降低編碼時(shí)間， 但由于其將k-means算法完全替代RDO計(jì)算， 會(huì)導(dǎo)致編碼性能損失較嚴(yán)重. 本算法針對(duì)該算法的不足之處進(jìn)行改進(jìn)研究， 與該算法相比， 本算法先驗(yàn)證方差與LCU分塊之間的關(guān)系， 獲取不同分辨率大小的測(cè)試序列在HM10.0最優(yōu)劃分情況下的CU方差. 將這些方差都作為輸入向量， 利用k-means算法聚類得到不同尺寸CU與方差大小的對(duì)應(yīng)關(guān)系， 離線訓(xùn)練得到4種聚類中心(64×64、 32×32、 16×16和8×8)， 獲得CU尺寸與方差之間相關(guān)性的經(jīng)驗(yàn)值. 由于圖像紋理復(fù)雜度并不能作為CU是否劃分的唯一標(biāo)準(zhǔn)， 因此將k-means算法與RDO計(jì)算相結(jié)合， 減少RDO循環(huán)計(jì)算次數(shù)， 該方法能在大量降低編碼時(shí)間的同時(shí)更好地保證編碼性能.

本算法流程分析如下， 流程圖如圖3所示.

1) 計(jì)算各尺寸CU的圖像紋理復(fù)雜度. HM10.0對(duì)測(cè)試序列進(jìn)行最優(yōu)劃分處理， 得出若干個(gè)8×8、16×16、32×32和64×64CU， 分別統(tǒng)計(jì)這些尺寸CU的方差；

2) 利用MATLAB計(jì)算各聚類中心. 由于k-means算法對(duì)噪聲和孤立點(diǎn)非常敏感， 因此去除較方差平均值有極大偏差的數(shù)據(jù)以及復(fù)雜度小于20和大于1 000的數(shù)據(jù)；

3) 開始64×64尺寸的LCU塊劃分選擇過程；

4) 計(jì)算當(dāng)前LCU塊的圖像紋理復(fù)雜度；

5) 根據(jù)歐式距離對(duì)LCU的圖像紋理復(fù)雜度進(jìn)行分類. 由于前文驗(yàn)證方差與CU尺寸的對(duì)應(yīng)關(guān)系并已獲得8×8、 16×16、 32×32和64×64CU方差對(duì)應(yīng)的聚類中心， 因此若當(dāng)前LCU方差與其中某個(gè)聚類中心滿足最小距離原則， 就可近似認(rèn)為當(dāng)前LCU可照聚類情況劃分；

6) 根據(jù)分類結(jié)果對(duì)LCU進(jìn)行前k次塊劃分選擇. 由于圖像紋理復(fù)雜度并不能作為CU是否劃分的唯一標(biāo)準(zhǔn)， 因此本文將k-means算法與RDO計(jì)算相結(jié)合. 利用方差得出CU劃分最可能的范圍， 再在這個(gè)范圍內(nèi)進(jìn)行RDO計(jì)算， 減少較多復(fù)雜的循環(huán)運(yùn)算；

7) 完成64×64尺寸的LCU塊劃分選擇過程.

4　實(shí)驗(yàn)結(jié)果與分析

本算法在HEVC編碼標(biāo)準(zhǔn)參考代碼HM10.0上進(jìn)行試驗(yàn)， 亮度LCU大小為64×64， 最大深度為4， 測(cè)試配置以HEVC編碼通用測(cè)試條件[8]為基礎(chǔ)， 只對(duì)全I(xiàn)幀(AI， all intra)配置進(jìn)行測(cè)試， 使用2個(gè)2 560×1 600(Traffic、 PeopleOnStreet)和5個(gè)1 920×1 080(Kimono1、 ParkScene、 Cactus、 BQTerrace、 BasketballDrive)大分辨率序列， 以上7個(gè)序列按Traffic、 PeopleOnStreet、 Kimono1、 ParkScene、 Cactus、 BQTerrace、 BasketballDrive順序進(jìn)行測(cè)試. 這些序列都具有不同特點(diǎn): Traffic和PeopleOnStreet序列由多個(gè)運(yùn)動(dòng)緩慢物體組成， Kimono1序列由紋理復(fù)雜度高的背景組成， ParkScene序列由紋理復(fù)雜度高的運(yùn)動(dòng)物體組成， Cactus序列包含多種運(yùn)動(dòng)方式， BQTerrace序列中既有復(fù)雜紋理區(qū)域又有簡(jiǎn)單紋理區(qū)域， BasketballDrive序列由運(yùn)動(dòng)劇烈物體組成. 本次試驗(yàn)使用的量化參數(shù)QP(quantizer parameter)為22, 27, 32和37. 使用ΔPSNR和ΔBR來(lái)表示算法性能、 ΔT表示算法復(fù)雜度. 其中， 正值的ΔBR或負(fù)值的ΔPSNR表示本算法率失真性能損失， 負(fù)值的ΔT表示本算法復(fù)雜度降低. 實(shí)驗(yàn)結(jié)果如表4、 表5所示.

表4　不同QP下， HM10.0以及現(xiàn)有k-means算法[4]與本算法結(jié)果對(duì)比Tab.4　HM10.0 and existing k-means algorithm[4] comparison with the results of this algorithm under different QP

(4)

(5)

(6)

從表4和表5可以得出， 相比于HM10.0， 本算法平均減少37.8%的編碼時(shí)間， 編碼性能幾乎相同， 其中有0.87%BR增加和0.047 dB的PSNR減少. 本算法由于進(jìn)行大量離線訓(xùn)練， 獲得CU尺寸與方差之間相關(guān)性的經(jīng)驗(yàn)值， 減少RDO循環(huán)計(jì)算次數(shù)， 大量降低編碼時(shí)間. 其中， Kimonol序列效果最為明顯， 這是由于該序列背景紋理復(fù)雜度極高， 方差與CU分塊關(guān)系較其他序列更為密切； 而PeopleOnStreet序列效果不太明顯， 這是由于該序列中有多個(gè)運(yùn)動(dòng)緩慢的物體， 整個(gè)序列紋理復(fù)雜度較低， 方差大小在CU是否分塊的判斷中只占很小部分. 同時(shí)， 與現(xiàn)有k-means算法相比， 考慮到圖像紋理復(fù)雜度并不能作為CU是否劃分的唯一依據(jù)， 本算法只是將k-means算法與RDO計(jì)算相結(jié)合， 在減少編碼時(shí)間的前提下， 更好地保證編碼性能， 從而改進(jìn)現(xiàn)有k-means算法[4]在性能方面的缺陷， 性能損失減少一個(gè)百分點(diǎn).

表5　優(yōu)化對(duì)比Tab.5　Optimize contrast

將本算法測(cè)試所得的序列率失真性能與HM10.0的比較， 如圖4所示. 從圖4中可以看到, 所有序列的曲線幾乎重疊， 這進(jìn)一步說(shuō)明了本算法能保持與HM10.0基本相同的率失真性能.

5　結(jié)語(yǔ)

針對(duì)在保證HEVC編碼性能的基礎(chǔ)上， 減少HEVC編碼時(shí)間的問題， 提出一種HEVC幀內(nèi)編碼單元快速劃分算法. 該算法以圖像紋理復(fù)雜度為特征， 選擇最佳尺寸CU的方差作為一維輸入向量， 通過k-means聚類算法離線訓(xùn)練得出4層CU尺寸對(duì)應(yīng)的聚類中心， 以此為基礎(chǔ)判斷并排除多余的模式選擇過程， 減少RDO循環(huán)計(jì)算次數(shù). 由于幀內(nèi)預(yù)測(cè)中的計(jì)算復(fù)雜度主要取決于RDO迭代運(yùn)算， 減少RDO循環(huán)計(jì)算次數(shù)可極大提高HEVC編碼速度. 考慮到CU是否劃分是由多種因素共同決定， 為降低將圖像紋理復(fù)雜度視為唯一劃分依據(jù)可能產(chǎn)生的性能損失， 只將k-means聚類結(jié)果視為一個(gè)最為可能的值， 在可能的劃分范圍內(nèi)仍進(jìn)行基于RDO模式選擇， 在達(dá)到降低編碼復(fù)雜度的同時(shí)依然保持較好的編碼性能. 實(shí)驗(yàn)采用ΔPSNR和ΔBR表示算法性能、 ΔT表示編碼時(shí)間， 與現(xiàn)有k-means算法[4]相比， 改進(jìn)了其性能損失過多的不足； 與參考算法HM10.0相比， 能夠平均減少37.75%的編碼時(shí)間， 同時(shí)保持與參考算法幾乎相同的率失真性能.

[1] OHM J R, SULLIVAN G J. High efficiency video coding: the next frontier in video compression standards in a nutshell[J].IEEE Signal Processing Magazine, 2013, 30(1): 152-158.

[2] SULLIVAN G J, OHM J R, HAN W J,etal. Overview of the high efficiency video coding (HEVC)standard[J]. Circuits and Systems for Video Technology, 2012, 22(12): 1 649-1 668.

[3] BOSSEN F, BROSS B, SUHRING K,etal. HEVC complexity and implementation analysis[J]. Circuits and Systems for Video Technology, 2012, 22(12): 1 685-1 696.

[4] 周承濤. HEVC編碼快速算法關(guān)鍵技術(shù)研究[D]. 杭州: 浙江大學(xué)， 2014.

[5] 沈曉琳. HEVC低復(fù)雜度編碼優(yōu)化算法研究[D]. 杭州: 浙江大學(xué)， 2013.

[6] 蔣潔, 郭寶龍, 莫瑋， 等. 利用平滑區(qū)域檢測(cè)的HEVC幀內(nèi)編碼快速算法[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 40(3): 194-200.

[7] 姬瑞旭. HEVC幀內(nèi)模式?jīng)Q策和CU劃分快速算法[D]. 西安: 西安電子科技大學(xué)， 2014.

[8] BOSSEN F. Common test conditions and software reference configurations[C]// Proceeding of the JCT-VC 10thMeeting. Stockholm: [s.n.], 2012.

[9] WU J J, LIU H F, XIONG H，etal.k-means-based consensus clustering: a unified view[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(1): 155-169.

[10] GARCIA M L, RICARDO G R, GOMEZ A G.K-means algorithms for functional data[J]. Neurocomputing, 2015, 151(1): 231-245.

[11] MALINEN M， FRANTI P.K-means: clustering by gradual data transformation[J]. Pattern Recognition, 2014, 47(10): 3 376-3 386.

(責(zé)任編輯： 沈蕓)

A kind of high definition intra-prediction unit fast selection algorithm

HUANG Qiuqing, YANG Xiuzhi, ZHENG Mingkui, SU Kaixiong

(College of Physics and Information Engineering, Fuzhou University, Fuzhou, Fujian 350116, China)

We proposed a CU fast selection algorithm for high efficiency video coding standard, we select the image texture complexity as the feature vector, combined the HEVC intra prediction withk-means clustering method, reduce times of the CU rate distortion optimization sizes and make early divided termination of CU blocks by each cluster centers, reduce coding complexity while still maintaining good coding efficiency. The test results show that the algorithm is compared with the reference algorithm HM10.0, video quality will remain basically unchanged, while significantly reducing encoding time.

high efficiency video coding;k-means; intra-prediction; coding unit

10.7631/issn.1000-2243.2016.01.0057

1000-2243(2016)01-0057-07

2015-07-31

楊秀芝(1963-)， 教授， 主要從事電子信息工程研究， yangxz@fzu.edu.cn

福建省科技重大專項(xiàng)基金資助項(xiàng)目(2014HZ0003-3)； 福建省自然科學(xué)基金資助項(xiàng)目(2015J01251)； 福建省教育廳科研資助項(xiàng)目(JA14065)

TN941.3

A