视频压缩编码技术(H.264) 之帧内预测

预测?

总感觉这个词有股神奇的力量

能够将你引向未来

是不是这样呢~

那么

帧内预测是不是力量更大呢

它又有什么样的作用呢?

帧内预测可以防止视频产生锯齿现象。

在帧内预测模式中,预测块 P 是基于已编码重建块和当前块形成的。对亮度像素而言,P 块用于4×4 子块或者16×16 宏块的相关操作。4×4 亮度子块有9 种可选预测模式,独立预测每一个4×4亮度子块,适用于带有大量细节的图像编码;16×16 亮度块有4 种预测模式,预测整个16×16 亮度块,适用于平坦区域图像编码;色度块也有4 种预测模式,类似于16×16 亮度块预测模式。编码器通常选择使P 块和编码块之间差异最小的预测模式。

此外,还有一种帧内编码模式称为I_PCM 编码模式。该模式下,编码器直接传输图像像素值,而不经过预测和变换。在一些特殊的情况下,特别是图像内容不规则或者量化参数非常低时该模式比起“常规操作”(帧内预测—变换—量化—熵编码)效率更高。I_PCM 模式用于以下目的:

1)允许编码器精确的表示像素值

2)提供表示不规则图像内容的准确值,而不引起重大的数据量增加。

3)严格限制宏块解码比特数,但不损害编码效率。

在以往H.263+、MPEG-4 等视频压缩编码标准中,帧内编码被引入变换域。H.264 帧内编码则参考预测块左方或者上方的已编码块的邻近像素点,被引入空间域。但是,如果参考预测块是帧间编码宏块,该预测会因参考块的运动补偿引起误码扩散。所以,参考块通常选取帧内编码的邻近块。

1 、 亮度预测

a)利用像素A-Q 对方块中a-p 像素进行帧内4×4 预测 b)帧内4×4 预测的8 个预测方向

如上图a)所示,4×4 亮度块的上方和左方像素A~Q 为已编码和重构像素,用作编解码器中的预测参考像素。a~p 为待预测像素,利用A~Q 值和9 种模式实现。其中模式2(DC预测)根据A~Q 中已编码像素预测,而其余模式只有在所需预测像素全部提供才能使用。图b)箭头表明了每种模式预测方向。对模式3~8,预测像素由A~Q加权平均而得。例如,模式4 中,p=round(B/4+C/2+D/4)。下表给出了这9 种模式的描述。

模式

描 述

模式0(垂直)

由A、B、C、D 垂直推出相应像素值

模式1(水平)

由I、J、K、L 水平推出相应像素值

模式2(DC)

由A~D 及I~L 平均值推出所有像素值

模式3(下左对角线)

由45°方向像素内插得出相应像素值

模式4(下右对角线)

由45°方向像素内插得出相应像素值

模式5(右垂直)

由26.6°方向像素值内插得出相应像素值

模式6(下水平)

由26.6°方向像素值内插得出相应像素值

模式7(左垂直)

由26.6° 方向像素值内插得出相应像素值

模式8(上水平)

由26.6° 方向像素值内插得出相应像素值

2、 16×16 亮度预测模式

宏块的全部16×16 亮度成分可以整体预测,有4 种预测模式,帧内16×16 模式适用于图像平坦区域预测。

模式

描 述

模式0(垂直)

由上边像素推出相应像素值

模式1(水平)

由左边像素推出相应像素值

模式2(DC)

由上边和左边像素平均值推出相应像素值

模式3(平面)

利用线形“plane”函数及左、上像素推出相应像素值,适用于亮度变化平缓区域

3、8×8 色度块预测模式

每个帧内编码宏块的8×8色度成分由已编码左上方色度像素预测而得,两种色度成分常用同一种预测模式。4 种预测模式类似于帧内16×16 预测的4 种预测模式,只是模式编号不同。其中DC(模式0)、水平(模式1)、垂直(模式2)、平面(模式3)。每个帧内编码宏块的8×8色度成分由已编码左上方色度像素预测而得,两种色度成分常用同一种预测模式。4 种预测模式类似于帧内16×16 预测的4 种预测模式,只是模式编号不同。其中DC(模式0)、水平(模式1)、垂直(模式2)、平面(模式3)。

帧内预测的神奇力量

你领会到了没呢

原文发布于微信公众号 - 瓜大三哥(xiguazai_tortoise)

原文发表时间:2018-08-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

开发 | 小白学CNN以及Keras的速成

AI 科技评论按:本文作者Sherlock,原文载于其知乎专栏深度炼丹,AI 科技评论已获得其授权发布。 一、为何要用Keras 如今在深度学习大火的时候,第三...

3526
来自专栏机器学习ML

UdaCity-机器学习工程师-项目1:预测波士顿房价

欢迎来到机器学习工程师纳米学位的第一个项目!在此文件中,有些示例代码已经提供给你,但你还需要实现更多的功能来让项目成功运行。除非有明确要求,你无须修改任何已给出...

2655
来自专栏机器学习算法工程师

深入浅出——基于密度的聚类方法

作者 祝烨 编辑 (没脸) “The observation of and the search forsimilarities an...

3498
来自专栏新智元

谷歌等祭出图像语义理解分割神器,PS再也不用专业设计师!

不不不,这不是“找不同”,是为了让你感受一下“像素级语义分割和理解”带来的修图效果:

1132
来自专栏机器之心

教程 | 预测电影偏好?如何利用自编码器实现协同过滤方法

1663
来自专栏marsggbo

Andrew Ng机器学习课程笔记--week9(上)(异常检测&推荐系统)

本周内容较多,故分为上下两篇文章。 一、内容概要 1. Anomaly Detection Density Estimation Problem Motiva...

2369
来自专栏专知

【干货】首次使用分层强化学习框架进行视频描述生成,王威廉组最新工作

【导读】加州大学-圣塔芭芭拉计算王威廉组最新工作Video Captioning via Hierarchical Reinforcement Learning...

7494
来自专栏鸿的学习笔记

重新思考深度学习里的泛化

2017 ICLR提交的“UnderstandingDeep Learning required Rethinking Generalization”必然会打乱...

863
来自专栏机器学习算法与Python学习

机器学习(5)之决策树ID3及Python实现

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 ID3是什么? ID3算法是决策树的...

3005
来自专栏一心无二用,本人只专注于基础图像算法的实现与优化。

《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果(速度可实时)

      最新的效果见 :http://video.sina.com.cn/v/b/124538950-1254492273.html         可处理...

76910

扫码关注云+社区

领取腾讯云代金券