多策略的HEVC幀內快速預測算法

許東旭,林其偉

(華僑大學信息與工程學院,福建廈門361021)

多策略的HEVC幀內快速預測算法

許東旭,林其偉

(華僑大學信息與工程學院,福建廈門361021)

為降低高效視頻編碼(HEVC)幀內預測過程的計算復雜度,提出一種利用灰度直方圖結合自相關函數的快速深度選擇算法。統計每個最大編碼單元(CU)的灰度值分布,生成其灰度直方圖,利用灰度直方圖的自相關函數排除不必要的深度計算。同時針對幀內預測模式的優化,給出3個減少幀內候選模式數量的有效策略。應用梯度邊緣檢測進一步減少8×8 CU的候選模式數量,使用模式相關以及當前CU的紋理特征,對滿足一定條件的CU只選取2種預測模式進行率失真優化計算。實驗結果表明,與原始HM10.1相比,該算法平均可以節省約48%的編碼時間,同時又能保持較高的視頻質量。

高效視頻編碼;幀內預測;編碼單元;快速模式選擇;自相關;梯度邊緣檢測

1 概述

高效視頻編碼(High Efficient Video Coding, HEVC)作為新一代高效的視頻編碼標準,引進了大量的技術創新。比如允許更大尺寸的編碼單元,最大尺寸可到64×64,同時允許更多的幀內預測模式的選擇。并且引入了3種編碼單元的概念:編碼單元(Coding Unit,CU),預測單元(Prediction Unit, PU),變換單元(Transformation Unit,TU)。引入的這些創新技術使得HEVC相比于H.264,在保證相同視頻質量的條件下,可以提高50%的編碼效率［1］。但與此同時也引入了巨大的計算復雜度,比如為了得到最優的CU,HEVC需要窮盡地遞歸計算各種各樣的CU,PU,TU的組合,而且對于每個CU又需要進行高達35種預測模式的遍歷選擇。因此,很多學者圍繞CU的提前判決和減少需要進行率失真優化(Rate Distortion Optimization,RDO)計算的模式數量這2個角度,做了大量的研究。其中,文獻［2-5］主要從CU的快速分割上進行優化,而文獻［6-8］主要對幀內35種預測模式的選擇過程進行優化。文獻［2］通過利用4個模板的濾波系數對當前CU進行4個方向的濾波來提取當前CU的紋理復雜度,提前判定它是否分割。文獻［3］基于貝葉斯決策準則,將CU的分割與不分割看作一個分類問題,按照之前在線更新的特征值提前將當前CU是否分割進行分類。但該方法主要針對幀間的CU,而對于幀內的CU便失去了效用。文獻［4］考察當前最大編碼單元(Largest Coding Unit,LCU)與周圍LCU深度之間存在的相關,并根據與當前LCU相關程度的大小分配不同的權值而求得當前LCU的預測深度值,之后按該值的取值區間進行深度的自適應選擇。文獻［5］利用率失真代價(RD-cost)結合設置的閾值,對于滿足條件的CU,即結束其分割過程。但該方法存在著一個不足,對于紋理復雜的序列,該方法減少的編碼時間相當有限。文獻［6］利用Sobel算子生成的梯度直方圖排除一些概率小的預測模式。文獻［7］采用模式分組的策略優化模式選擇過程。文獻［8］利用DCT變換后系數之間的關系對當前編碼塊進行邊緣檢測,以此來減少模式數量。上述這些工作都在一定程度上減少了HEVC的編碼復雜度,但HEVC的復雜度仍然相當大,不利于實時應用。所以有必要繼續進一步研究高效準確的算法來優化HEVC編碼器。本文利用改進的灰度直方圖自相關法［9］判斷當前LCU的紋理特征,提出了一種高效的快速深度決策算法,同時針對幀內35種模式的優化,提出了3個有效的策略來縮減需要進行RDO計算的模式數量。

2 HEVC幀內預測過程

HEVC創新性地提出了編碼單元四叉樹的遞歸分割技術,如圖1所示。

圖1 HEVC的CU遞歸劃分過程

其中最大的CU稱為LCU。首先進行LCU的分割,其四叉樹的劃分過程如下:當不劃分時,尺寸為64×64的CU,此時深度為0。接著對其進行預測編碼,得RD-cost,接著對該CU進行分割,分為4個子CU,每個子CU的尺寸為32×32,此時深度為1,接著對這4個子CU分別進行預測編碼,同樣得RD -cost,如此遞歸地劃分下去。若當前CU的尺寸為8×8時,即此時深度為3時,結束分割過程。接著對分割的CU進行修剪,即依此比較求得的各個CU的代價,從而決定當前LCU最優的編碼分割選擇。比較4個8×8子CU的代價和是否小于其對應的16× 16的CU的代價,如果小于,則選擇8×8的CU分割類型,否則選擇16×16的分割類型。如此比較下去,直到當前CU的深度為0。

對于HEVC的幀內預測,每個深度級上的CU對應 PU的尺寸只允許為2N×2N或者N×N。而N×N的PU尺寸只在CU的尺寸為8×8時才被允許。

如圖2所示,HEVC中每個PU的最優預測模式需在包括模式2～34之間的33種角度預測模式以及planar和 DC模式共35種預測模式之間進行RDO計算,比較其RD-cost后選取具有最小RD-csot對應的模式作為最終的預測模式,可見其計算復雜度相當大。因此,為了緩解編碼器的計算復雜度, HEVC首先進行粗糙模式選擇(Rough Mode Decision,RMD)處理,即對35種預測模式分別求其對應的Hadamard代價,從中選出N個代價最小的模式,并考慮了當前 CU的最有可能模式(Most Probable Modes,MPMs)。接著對這可能的N～N+ 2個候選模式進行RDO計算,從中選出最優的預測模式［10］。

圖2 HEVC的35種幀內預測模式

3 快速幀內預測算法

本文對HEVC幀內預測的優化是基于2個算法的疊加。算法1是在CU分割的層面上進行優化,利用當前LCU基于組的灰度直方圖自相關法排除不需要計算的深度層。算法2針對幀內35種模式的優化提出了3個有效的縮減策略。

3.1 算法1

算法1為基于組的灰度直方圖自相關法的快速深度決策算法。通常灰度直方圖是統計某幅圖像各個灰度值出現的次數或者概率,可以從該幅圖像的灰度直方圖得出很多信息。比如如果該幅圖像僅有幾個灰度值組成,說明該幅圖像的細節不是特別豐富,因為彼此間灰度值幾乎相同。而如果一幅圖像的灰度值組成幾乎覆蓋了全部的灰度值范圍,說明該幅圖像的細節相當豐富。可以通過統計當前LCU灰度值的組成來判斷當前LCU的紋理復雜度,因為直觀上如果一個LCU的紋理非常復雜,那么該LCU一般要分割到很小的尺寸。相反如果當前LCU紋理相當平坦,那么該LCU一般不可能分割到太小的尺寸。為了證明假設,選取了2個典型的LCU作為例子。

考慮到HEVC亮度的預測模式對色度的預測模式影響很大,本文只考慮亮度預測模式。為了減少計算量,首先對當前64×64的CU,分成16×16個4×4的子塊,同時對每個4×4的子塊求出其對應的平均亮度灰度值,并且利用該平均亮度灰度值代表該4×4的子塊。計算完16×16個子塊后,就組成了16×16= 256個亮度灰度值。接著將0～255這256個不同的灰度級按每5個灰度級劃分成一組,比如灰度級0～4屬于第1組,5～9屬于第2組,依此類推。然后將之前得到的當前LCU的256個灰度值按此規則進行統計。最后得出能夠表征當前LCU紋理特征的基于組的亮度直方圖。該算法過程如下所示,其中pix()為存著當前LCU 256個灰度值的數組。

圖3是HEVC中當前LCU屬于紋理復雜的基于組的典型亮度直方圖,該LCU經過RDO計算后最終分割到深度3。

圖3 紋理復雜LCU基于組的典型亮度直方圖

圖4是HEVC中平坦LCU基于組的典型亮度直方圖,該LCU最終選取深度0作為最優深度。由此可見,按上述規則設計的當前LCU的基于組的亮度直方圖分布確實能在一定程度上反映出該LCU需要分割到的深度層。

圖4 紋理平坦LCU基于組的典型亮度直方圖

此外,從圖3、圖4還可觀察出,對于平坦LCU的能量十分集中,而對于紋理復雜LCU的能量比較分散。如果對平坦LCU的亮度直方圖進行平移,得出的直方圖與原直方圖基本是正交的。而對于紋理較為復雜的LCU對直方圖進行平移后,還保留與原直方圖較強的相關性。所以可以利用求LCU亮度直方圖的自相關函數來判別當前LCU是屬于紋理平坦的還是復雜的,進而設計出需要進行計算的深度級。

考慮信號自相關函數表達式,如式(1)所示:

其中,x(m)是原始亮度直方圖函數;x(m+n)是原始亮度直方圖函數平移n位后的亮度直方圖函數;Rxx(n)是最后得到的自相關函數。

由于平坦LCU的亮度直方圖右移一定的位數后,基本與原直方圖正交,而復雜的LCU右移某些位數后基本上還保留與原直方圖有較強的相關性。因此,可以進一步簡化求自相關函數的計算式,如式(2)所示:

通過對當前LCU的亮度直方圖右移某些位數后,并通過對式(2)0或非0的判斷,就可以判斷當前LCU是否平坦,從而決定當前LCU需要進行RDO計算的深度級。但如何確定該右移的合適位數,使得能精確地判定當前LCU需要分割的深度級,這便成了問題的關鍵。考慮到HEVC編碼單元尺寸比H.264復雜得多,如果像文獻［9］那樣,只采用右移某個特定的位數后,對式(2)進行非0或0的判斷,就決定當前LCU是否平坦,很容易造成誤判,從而使碼率增加太多。所以為了探求Rxx(n)與n以及當前LCU的分割深度三者之間的關系,首先進行了大量的實驗。通過實驗發現,當原直方圖函數右移20位后,如果Rxx(20)不等于0,則當前LCU基本上需要分割到深度2或深度3的級別,對于此類LCU可排除掉深度0跟深度1的RDO計算。而如果右移8位后,Rxx(8)不為0,則當前LCU基本上不可能以深度0作為最優的深度,對于此類LCU,可排除掉深度0的RDO計算。而如果右移3位后,Rxx(3)=0,表示當前LCU紋理平坦,通過實驗同樣可發現該類LCU基本上不可能分割到深度2或深度3的級別,所以對于此類LCU可舍棄深度2跟深度3的RDO計算。

綜上,本文提出的基于組的亮度直方圖自相關法的快速深度選擇算法如下:

Step 1 對當前LCU分成16×16個4×4的子塊,對每個4×4子塊求其平均灰度值,得到該LCU的256個灰度值,對這256個灰度值從0～255灰度級之間按每5個灰度級為一組的方法進行統計,得出當前LCU基于組的灰度直方圖。

Step 2 由式(2),首先判斷Rxx(20)是否為0。如果不等于0,則當前LCU最小深度級設置為2,跳轉到Step5,否則跳轉到Step 3。

Step 3 判斷Rxx(8)是否為0。如果不等于0,則當前LCU最小深度級設置為1,跳轉到Step5,否則跳轉到Step4。

Step 4 判斷Rxx(3)是否為0。如果等于0,則當前LCU最大深度級設置為1,跳轉到Step5,否則當前LCU最大深度級設置為2,跳轉到Step5。

Step 5 繼續進行下一個 LCU的處理,轉到Step1。

為了說明該算法的合理性,取6個序列,量化參數分別選取22,27,32,37,統計其命中率,結果如表1所示。通過表1,可發現本文基于組的灰度直方圖自相關法的快速深度選擇算法對于測試序列命中率高達80%以上,說明本文算法可精確排除不必要的深度計算。

表1 基于組的灰度直方圖自相關快速深度決策算法命中率

3.2 算法2

算法2為多策略的快速模式提前決策。

策略1 基于梯度方向檢測的快速模式選擇

HEVC在進行RMD處理后,對PU尺寸為8×8以及4×4仍有8種模式需要進行RDO計算,復雜度還是相當巨大。對于8×8和4×4的PU采用梯度方向檢測［11］來對其搜索模式進行優化。以4×4為例,詳細說明該梯度方向檢測算法過程。

對當前4×4的PU采用如圖5所示的分割,其中標注的字母代表該塊的像素值。定義如式(3)與式(4)的垂直與水平梯度方向描述子。

圖5 4×4塊到2×2塊的分割過程

式(3)與式(4)中的floor為向下取整函數,S為比例因子,取值與量化參數QP有關,如式(5)所示。

由fv與fh的不同取值情況,定義了7種主要邊緣方向。以圖2所示的預測模式方向為例,表2給出了這7種主要的邊緣方向及其對應的候選模式集合。其中,0(planar模式),1(DC模式)是非角度的預測模式,所以其始終包含在候選模式集合里。接著,由式(3)與式(4)計算出的主要梯度方向對應的候選模式集合進行RMD。對于8×8的PU方法類似,只不過ABCD子塊不像4×4的PU那樣求取,而是每個子塊對16個像素進行累加。

表2 主要邊緣梯度方向及其對應的模式集合

從表2可看出,對于屬于前5種梯度方向或者后2種梯度方向的8×8和4×4 PU,分別只需要求取11種模式和18種模式的Hadamard代價,相對HEVC 35種模式,其數量已大大縮減。由于進行RMD處理的候選模式數量已大大減少,因此可以進一步縮減需要進行RDO計算的模式數量,本文從8種減為5種。

策略2 基于模式相關的快速模式選擇

由于變換絕對差值和 (Sum of Absolute Transformed Difference,SATD)與RD-cost之間存在緊密的相關性,因此經RMD處理后的前幾位候選模式成為最優或者次優的概率很大。從文獻［4］可以進一步得出,通過RMD后的第1位、第2位候選模式以及當前CU的MPM成為最優模式的概率很高。可以通過添加一些條件,來進一步減少需要進行RDO計算的候選模式數量。采用3.1節的測試條件,序列統一編碼30幀,表3表示當MPM與mode［0］相等時,bestmode=mode［0］或者 bestmode= mode［1］的概率。通過表3,發現當MPM等于mode［0］(第1位候選模式)時,mode［0］或者mode［1］(第2位候選模式)成為bestmode(最優模式)的概率高達80%以上。所以對于幀內模式優化提出的第2個策略是,當MPM與mode［0］相等時,則只進行mode［0］與mode［1］的RDO計算,從中選出具有最小RD-cost的模式作為最優的預測模式。

表3 bestmode=mode[0]或mode[1]的概率 %

策略3 基于紋理的快速模式選擇

對于尺寸32×32以及64×64的PU,經RMD后,有3個候選模式以及對應的MPM進入最終的RDO計算。改進的空間似乎很小,但可以充分利用3.1節提取的當前LCU的紋理復雜度以及DC與planar模式的特征來進一步減少候選模式的數量。如表4所示,按照3.1節的測試條件,同樣對不同序列的統計,發現對于紋理平坦的大塊 PU,當mode［0］為DC(模式1)或planar(模式0)時,該塊PU很大概率上會選擇DC或planar模式作為最終的bestmode。所以針對幀內模式優化提出的第3個策略是,對于當前的PU,若其所屬的LCU滿足3.1節介紹的Rxx(3)=0,則檢查該塊PU經RMD后的模式列表,若第1位候選模式為planar或DC模式,則只進行DC與planar模式的RDO計算,從中選取具有最小RD-cost的模式作為最優的預測模式。表4表示當Rxx(3)=0時,當前 PU若mode［0］為0或1時,bestmode也為0或1的概率。其中“-”表示滿足條件的CU塊數很少,基本不會影響編碼器的速度與率失真性能。

表4 mode[0]為0或1時bestmode也為0或1的概率

3.3 總的算法流程

對3.1節以及3.2節提出的算法進行了整合,總的算法流程描述如下:

Step 1 根據3.1節描述的基于組的灰度直方圖自相關法對當前LCU選擇需要進行RDO計算的深度范圍,對當前LCU深度范圍內的每個深度級轉到Step2進行處理。

Step 2 判斷當前PU尺寸是否為8×8或4× 4,若是,則轉到Step 3;否則,轉到Step 4。

Step 3 根據3.2.1節描述的梯度方向檢測算法判斷當前PU的主要梯度方向,根據表2給出的對應邊緣方向的候選模式集合選出前5個具有最小Hadamard代價的模式,轉到Step5。

Step 4 判斷Rxx(3)是否為0,若為0,轉到Step6,否則轉Step5。

Step 5 判斷mode［0］是否等于MPM,若等于,轉到Step8,否則轉到Step9。

Step 6 判斷mode［0］是否為DC或者planar,若是,轉到Step7,否則轉到Step 5。

Step 7 對DC跟planar模式進行RDO,選出具有最小RD-cost的模式作為最終的最優預測模式,轉到Step10。

Step 8 對 mode［0］與 mode［1］模式進行RDO,選出具有最小RD-cost的模式作為最終的最優預測模式,轉到Step10。

Step 9 對全部由RMD后的模式進行RDO,選出具有最小RD-cost的模式作為最終的最優預測模式,轉到Step10。

Step 10 繼續下一個PU的處理,轉到Step2。

總的算法流程如圖6所示。

圖6 總的算法流程

4 實驗結果與分析

把3.1節與3.2節提出的算法分別稱為AO1與AO2,AO1結合AO2的算法稱為本文AO算法。由于文獻［4］也同樣提出了快速深度決策算法,所以也實現了文獻［4］的快速深度決策算法部分,以用來跟本文的AO1算法進行比較。因為文獻［4］中有關模式數量縮減的算法用到的 MPM選取方法,隨著HEVC標準的制作,現在已有較大改變,不利于比較。所以另外實現了文獻［5］算法以用來跟本文AO算法進行對比。實驗采用HM10.1測試模型,測試的環境為具有 Intel(R)Core(TM)2 Quad CPUQ9400@2.66 GHz,4.0 GB內存的計算機,采用VS2008編譯器。因為本文只針對幀內編碼進行優化,所以采用的編碼配置為全幀內編碼模式,量化參數分別選取22,27,32,37,序列全部統一編碼50幀,其余為默認配置。選取了ABCDE等級的分辨率共13個序列進行測試。只采用AO1以及文獻［4］提出的深度決策算法分別與原始HM10.1比較的實驗結果如表5所示。

表5 2種算法與原始HM10.1比較的實驗結果1

本文 AO算法以及文獻［5］分別與原始HM10.1比較的實驗結果如表6所示。其中,BDBR與BDPSNR是文獻［12］中提出的評價準則,分別表示在同樣的客觀質量下,2種方法的碼率節省情況以及在給定的同等碼率下,2種方法的Y-PSNR差異。

△Time定義如下式所示:

其中,TimeHM10.1(QPi),Timepro(QPi)分別是原始HM10.1以及提出的算法在不同QP值下的編碼時間。

通過表5,可看出本文提出的AO1算法與原始HM10.1相比,平均BDPSNR僅降了0.04 dB,平均BDBR僅增加 0.906%,而同時可以平均節省25.42%的編碼時間。與文獻［4］提出的深度決策算法相比,兩者編碼性能幾乎相近,但本文AO1算法的編碼時間比文獻［4］減少的幅度更大。而且本文的AO1算法是基于當前LCU塊內部的紋理復雜度,而文獻［4］的深度決策算法是基于當前塊與周圍已編碼塊深度之間存在的相關性,即這2個算法是互相獨立的,可以進一步融合,以更大地減少編碼時間。

表6是本文AO算法的實驗結果。通過表6,可看出綜合AO1與AO2算法后可使得編碼時間進一步減少,同原始算法相比,平均減少了48.2%的編碼時間,而率失真性能僅有微小的損失。同文獻［5］相比,本文AO算法平均下降的編碼時間比其多了將近一倍。而且從表中可進一步看出,對于等級E的序列,本文AO算法的率失真性能比文獻［5］更好。

表6 2種算法與原始HM10.1比較的實驗結果2

圖7給出了本文AO算法與原始算法分別適用于ParkScene(Class B 1 920×1 080)序列的率失真曲線。從圖中可看出本文AO算法與HEVC原始算法的率失真曲線幾乎重合,即在不同比特率上本文AO算法與原始算法幾乎取得相同的PSNR。

圖8給出了ParkScene(Class B 1 920×1 080)序列分別采用本文AO算法與文獻［5］算法在不同QP下減少的編碼時間百分比。從圖8可看出,本文AO算法減少的編碼時間幅度基本不受QP的影響,即在不同QP下本文AO算法可取得幾乎連續相同的編碼時間增益。而文獻［5］減少的編碼時間百分比受QP影響很大,基本隨著QP的增加呈線性增長。這是因為,在QP較大時,HEVC會傾向于選擇大塊的CU。

圖7 ParkScene序列的率失真曲線

圖8 ParkScene序列減少的編碼時間下降比例

而文獻［5］算法是首先統計RD-cost的分布,得出一組閾值,在滿足當前CU的RD-cost小于對應的閾值條件下便結束當前CU的分割。可見在QP較大時,若采用文獻［5］算法,會使更多的CU在大尺寸條件下滿足結束分割的條件,從而節省的編碼時間也就更多。從圖8中可進一步看出,文獻［5］算法在QP小于22的條件下,基本起不到減少編碼復雜度的作用。

5 結束語

本文通過判斷當前LCU的紋理復雜度,提出了一種高效的深度決策算法,同時對于幀內預測模式的優化,提出了3個有效的縮減策略。實驗結果表明,本文算法在保證與原始算法幾乎相同的率失真性能上,平均可以減少48.2%的編碼時間,大幅降低了編碼復雜度,適用于對實時性要求較高的場合。下一步將嘗試研究更高效的梯度方向檢測算法來對幀內預測模式進行優化,融合多種方法以減少編碼復雜度。

［1］ Sullivan G J,Ohm J R,Han W J,et al.Overview of the High Efficiency Video Coding(HEVC)Standard［J］.IEEE Transactions on Circuits and Systems for Video Technology,2012,22(12):1649-1668.

［2］ Zhang Yongfei,Li Zhe,Li Bo.Gradient-based Fast Decision for Intra Prediction in HEVC［C］//Proc.of Conferenceon VisualCommunicationsand Image Processing.Piscataway,USA:IEEE Press,2012:1-6.

［3］ Shen Xiaolin,Yu Lu,Chen Jie.Fast Coding Unit Size Selection for HEVC Based on Bayesian Decision Rule［C］//Proc.of Picture Coding Symposium.Piscataway, USA:IEEE Press,2012:453-456.

［4］ Shen Liquan,Zhang Zhaoyang,An Ping.Fast CU Size Decision and Mode Decision Algorithm for HEVC Intra Coding ［J］.IEEE Transactions on Consumer Electronics,2013,59(1):207-213.

［5］ Kim J,Choe Y,Kim Y G.Fast Coding Unit Size Decision Algorithm for Intra Coding in HEVC［C］// Proc.of IEEE International Conference on Consumer Electronics.［S.l.］:IEEE Press,2013:637-638.

［6］ Jiang Wei,Ma Hanjie,Chen Yaowu.Gradient Based Fast Mode Decision Algorithm for Intra Prediction in HEVC［C］//Proc.of the 2nd International Conference on Consumer Electronics, Communications and Networks.Piscataway,USA:IEEE Press,2012: 1836-1840.

［7］ Yan Shunqing,Hong Liang,He Weifeng,et al.Groupbased Fast Mode Decision Algorithm for Intra Prediction in HEVC［C］//Proc.of the 8th International Conference on SignalImage Technology and InternetBased Systems.［S.l.］:IEEE Press,2012:225-229.

［8］ Ting Y C,Chang T S.Fast Intra Prediction Algorithm with Transform Domain Edge Detection for HEVC［C］//Proc.of Asia Pacific Conference on Circuits and Systems.［S.l.］:IEEE Press,2012:144-147.

［9］ 賈克斌,謝 晶,方 晟.一種基于自相關法的H.264/ AVC高效幀內預測算法［J］.電子學報,2006,34(1): 152-154.

［10］ Zhao Liang,Zhang Li,Ma Siwei,et al.Fast Mode Decision Algorithm for Intra Prediction in HEVC［C］// Proc.of Conference on Visual Communications and Image Processing.Piscataway,USA:IEEE Press,2011: 1-4.

［11］ Zhang Yongdong,Dai Feng,Lin Shouxun.Fast 4×4 Intra-prediction Mode Selection for H.264［C］//Proc.of International Conference on Multimedia and Expo.［S.l.］:IEEE Press,2004:1151-1154.

［12］ Bjontegard G.Calculation of Average PSNR Differences Between RD-curves［C］//Proc.of the 13th Video Coding Experts Group Meeting.Austin,USA:［s.n.］, 2001:1-4.

編輯 顧逸斐

Fast Intra Prediction Algorithm for HEVC with Multi-strategy

XU Dongxu,LIN Qiwei
(College of Information Science and Engineering,Huaqiao University,Xiamen 361021,China)

In order to further reduce the great computational complexity for High Efficient Video Coding(HEVC),two novel algorithms are proposed in this paper.It figures out the distribution of each LCU's gray values in advance so that a gray histogram can be generated.By using the self-correlation of the gray histogram,some unnecessary depth levels can be skipped.Meanwhile,it also proposes three strategies to reduce the number of intra modes which are based on edge detection,intra modes correlation,texture features,respectively.Experimental results show that the proposed algorithm can save 48% of encoding time on average with negligible loss of coding efficiency compared with HM10.1.

High Efficient Video Coding(HEVC);intra prediction;Coding Unit(CU);fast mode decision;selfcorrelation;gradient edge detection

1000-3428(2014)11-0310-08

A

TN919.81

10.3969/j.issn.1000-3428.2014.11.061

福建省自然科學基金資助項目(2012J01275)。

許東旭(1989-),男,碩士研究生,主研方向:視頻編碼,網絡通信;林其偉,副教授。

2013-10-29

2013-12-18E-mail:807614322@qq.com

中文引用格式:許東旭,林其偉.多策略的HEVC幀內快速算法［J］.計算機工程,2014,40(11):310-317.

英文引用格式:Xu Dongxu,Lin Qiwei.Fast Intra Prediction Algorithm for HEVC with Multi-strategy［J］.Computer Engineering,2014,40(11):310-317.