[发明专利]一种结合去压缩效应与超分辨率的HEVC编码优化方法

说明书

本发明公布了一种结合去压缩效应与超分辨率的HEVC编码优化方法。主要包括以下步骤：在编码端，原始视频首先经过下采样，然后进行压缩，这样可以减少视频的数据量；在解码端，采用了双网络结构的方法，首先训练不同量化参数下的下采视频与压缩后的低分辨率视频的映射关系，这样可以减弱压缩伪影，然后建立了质量增强的压缩视频与原始视频的映射关系，最终在输出端可以得到质量提升的视频帧。实验结果表明，在低码率段，本发明所述的方法可以有效地提升编码视频的率失真性能，并能获得更好的视觉效果。

技术领域

本发明涉及视频压缩和超分辨率重建技术，具体涉及一种结合去压缩效应与超分辨率的 HEVC编码优化方法，属于图像通信领域。

背景技术

在图像和视频传输中，为适应带宽的限制和方便人们的存储，通常对其进行下采样和压 缩。图像和视频压缩标准普遍使用基于块的混合编码方式，这些压缩技术的主要目的是压缩 大量的冗余信息，以适应通信信道的带宽限制。这些技术的思想是量化变换域系数以减少数 据量，但是会造成块效应，从而降低图像和视频质量，而下采样和压缩技术相结合的方法在 降低分辨率的同时，往往会使得压缩图像和视频产生一定的失真。因此，需要更简单和实用 的视频质量提升方法。

图像和视频往往采用超分辨率重建的方法进行质量的提升，该方法大致可以分为基于插 值，基于重建，基于学习这三种，传统的插值算法并不能取得令人满意的视觉效果，特别是 对于经过压缩的低分辨率视频。基于重建的方法可以恢复边缘锐利的信息，但通常会忽略纹 理区域的高频细节。随着卷积神经网络在计算机视觉领域的成功，基于深度学习的方法在图 像和视频处理领域也很受欢迎。与此同时，深度学习的方法在图像和视频处理领域取得了显 著的研究成果。深度学习与传统方法相比的优势在于，其得到的特征具有更强的表征能力。 然而，现有的基于深度学习的方法，大多是针对下采样单个降质环节，而对于经过压缩的低 分辨率视频，其质量还有一定提升的空间。

发明内容

本发明的目的是为了将视频的下采样和压缩两个降质环节分开处理，在提高视频分辨率 的同时降低压缩噪声，从而有效提升压缩视频的率失真性能。

本发明所提出的一种结合去压缩效应与超分辨率的HEVC编码优化方法，主要包括以下 操作步骤：

(1)采用去压缩卷积神经网络模型分别训练不同量化参数下的下采样视频与压缩后的低 分辨率视频之间的映射关系；

(2)步骤一得到了质量增强的视频帧，训练其与原始视频帧的重建网络模型；

(3)将降质的低分辨率视频作为输入，根据步骤(1)，(2)训练出的卷积神经网络模型， 在输出端得到质量提升的视频帧。

附图说明

图1是本发明结合去压缩效应与超分辨率的HEVC编码优化方法的框架图

图2是本发明的网络结构图

图3是Keiba序列在码率基本相同的情况下，HEVC标准和本发明方法主观效果对比图

图4是RaceHorses832x480序列在码率基本相同的情况下，HEVC标准和本发明方法主观效 果对比图

图5是akiyo序列的不同方法及本发明方法重建后视频的率失真性能比较

图6是BasketballDrill序列的不同方法及本发明方法重建后视频的率失真性能比较

具体实施方式

下面结合附图对本发明作进一步说明：

图1中，具体涉及一种结合去压缩效应与超分辨率的HEVC编码优化方法，具体可以分 为以下几个步骤:

(1)采用去压缩卷积神经网络模型分别训练不同量化参数下的下采样视频与压缩后的低 分辨率视频之间的映射关系；