量化處理方法及裝置的製作方法
2023-07-20 23:03:46
專利名稱：量化處理方法及裝置的製作方法
技術領域：
本發明涉及視頻處理領域，具體而言，涉及一種量化處理方法及裝置。
背景技術：
隨著多媒體的蓬勃發展，電視節目數量迅猛增長。基於帶寬的局限性，在有限的帶寬內傳輸更多的節目成為關鍵，在編碼時，合理選擇量化因子可以使用較小的帶寬達到較高的質量；同理，在轉碼過程中，碼率的壓縮的最基本原理在重量化中提高量化因子，以達到數據壓縮目的，同樣面臨最佳量化因子的選擇。
目前，在視頻處理領域，尚未有既可以兼顧帶寬又能最大程度的保證圖像質量的量化處理機制。
發明內容
本發明的主要目的在於提供一種量化處理方法，以至少解決上述現有量化處理中，不能兼顧帶寬和圖像質量的問題。
根據本發明的一個方面，提供了一種量化處理方法，包括對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量；根據量化誤差總量選擇預定數量的量化因子作為優選量化因子；統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
進一步地，對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量之前，還包括獲取滿足預定帶寬要求的最小量化因子；逐一增加最小量化因子的值以得到多個量化因子。
進一步地，採用碼率控制算法TM5獲取最小量化因子。
進一步地，優選量化因子的量化誤差總量均小於其它所統計的非優選量化因子的量化誤差總量。
進一步地，統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化，包括設定量化容忍的誤差極限，在誤差極限範圍內統計優選量化因子的低損點數量；並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
進一步地，量化誤差總量為視頻數據塊或宏塊內的數據點的誤差之和。
根據本發明的另一方面，提供了一種量化處理裝置，包括統計模塊，用於對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量；優選模塊，用於根據量化誤差總量選擇預定數量量化因子作為優選量化因子；量化模塊，用於統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
進一步地，量化處理裝置還包括獲取模塊，用於獲取滿足預定帶寬要求的最小量化因子，並逐一增加最小量化因子的值以得到多個量化因子。
進一步地，量化模塊包括設定子模塊，用於設定量化容忍的誤差極限，並在誤差極限範圍內統計優選量化因子的低損點數量；量化子模塊，用於選擇低損點數量最小的優選量化因子進行視頻數據的量化。
進一步地，量化誤差總量為視頻數據塊或宏塊內的數據點的誤差之和。
在本發明中，利用視頻數據的統計規律，從量化誤差總量和低損點數量兩個方面綜合考慮量化因子的選擇，從而使得視頻數據的量化兼顧帶寬同時又能最大程度的保證圖像質量。
此處所說明的附圖用來提供對本發明的進一步理解，構成本申請的一部分，本發明的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定。在附圖中 圖1是根據本發明實施例一的量化處理方法流程圖； 圖2是根據本發明實施例二的量化處理方法流程圖； 圖3是根據本發明實施例二的壓縮碼率與量化因子的關係圖； 圖4是根據本發明實施例二的量化誤差與視頻數據分布圖； 圖5是根據本發明實施例二的量化誤差與量化因子分布圖； 圖6是根據本發明實施例三的量化處理方法流程圖； 圖7是根據本發明實施例四的量化處理裝置結構示意圖； 圖8是根據本發明實施例五的量化處理裝置結構示意圖。
具體實施例方式下文中將參考附圖並結合實施例來詳細說明本發明。需要說明的是，在不衝突的情況下，本申請中的實施例及實施例中的特徵可以相互組合。
視頻數據都是整數形式，在量化時由取整引入的誤差是造成圖像損失的主要原因。由此降低取整誤差，圖像質量的損失將減小。視頻數據的分布具有隨機性即畫面的不確定性，但也有局部範圍內相似相關性，也即數據具有統計意義上的規律。本發明的實施例主要基於以上兩個方面，以視頻數據的統計規律降低量化誤差。
在本發明的實施例中，定義以下基礎變量 量化因子QP ；視頻數據DATA ；量化誤差ERR0R ；誤差總和ERR0R_SUM ；最佳量化因子QP_BEST。
實施例一 圖1是根據本發明實施例一的量化處理方法流程圖，如圖1所示，包括以下步驟 步驟S101，對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量。
步驟S102，根據量化誤差總量選擇預定數量的量化因子作為優選量化因子。
步驟S103，統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
在本實施例中，利用視頻數據的統計規律，從量化誤差總量和低損點數量兩個方面綜合考慮量化因子的選擇，從而使得視頻數據的量化兼顧帶寬同時又能最大程度的保證圖像質量。
實施例二 圖2是根據本發明實施例二的量化處理方法流程圖，如圖2所示，包括以下步驟 步驟S201，從宏觀的量化誤差總量角度選出較優的多個量化因子。
在編碼或者轉碼過程中，為了滿足帶寬的需求，需要一定程度的量化，隨量化因子的提高，壓縮出的碼率呈下降趨勢，其變化關係如圖3所示。
假設可用帶寬RATE，此時對應的最小量化因子為QP_min。任意的QPi彡QP_min 都滿足帶寬RATE要求，因此在{QPi}中選擇最佳的量化因子，此時最佳是針對滿足帶寬條件下畫面最優，也即量化誤差相對最小。
設定一下參數原始視頻數據DATAjn ；恢復視頻數據DATA_out ；量化誤差 ERROR ；那麼存在關係ERR0R = DATA_in_DATA_out，其中 DATA_out = [DATA_IN/QP] *QP ；[] 為取整符號。
對於單獨的數據點，理想的量化為ERROR = 0，最佳量化是 QP^_bestERR0R = ERR0R-min。而在視頻數據處理時，一般以「塊」或「宏塊」為單位，對於共用量化因子需要權衡所有數據點的誤差損失。
定義塊損失總量ERR0R_sum，那麼 ERR0R_sum(QPi) = Σ ERRORi,存在 QPl 使得 ERR0R_sum最小，也即平均每個點損失最小。
在此基礎上，優選出ERR0R_sum(QPi)較小的N個量化因子。
步驟S202，在較優的多個量化因子的基礎上，從微觀的量化低損點數量角度選出最優量化因子。
單點可能的最大誤差為ERR0R_max = {DATAi % QP}，量化誤差與量化因子存在如圖4所示的分布關係。因此ERRORjiiax - QP，但是影響畫面的是多個點，需整體考慮塊內所有點的損失情況，圖5為在兩個QP之下量化引起的誤差分布圖。
設定量化容忍的誤差極限ERR0R_lim，只要量化誤差不超出該值，則畫面質量是可接受的。為此統計低損的ERROR數量ERROR_lowloss_num，存在QP2使得ERR0R_lowloss_ num最小。可最大程度保護圖像的質量。
在步驟S202中，在設定量化容忍的誤差極限ERR0R_lim的範圍內，統計步驟S201 中優選出的N個量化因子的ERR0R_1 owl ο s s_num,再在從中選出一個ERR0R_1 owl ο s s_num最小的量化因子作為最優量化因子QP_best。
步驟S203，根據最優量化因子進行編碼或轉碼的量化。以步驟S202中選出的QP_ best作為量化因子，進行編碼或轉碼的量化。
實施例三 圖6是根據本發明實施例三的量化處理方法流程圖，如圖6所示，包括以下步驟 步驟S601，QP_min獲取，可採用經典碼率控制算法TM5，反饋得到最小量化因子 QP_min。
步驟S602，ERR0R_sum較小值對應QP獲取，以QP_min起，逐一增加量化因子進行量化預測，並進行量化誤差總量的統計，保留統計量化誤差總量較小值所對應的QPI、QP2、 QP3。
步驟S603，統計{QP 1，QP2，QP3}低損點數量，設定容忍誤差損失限制ERR0R_ lim,統計ERR0R_lim範圍內數據點數量，比較低損數量ERR0R_lOWlOSS_num(QPi)，選取 QP e {QPI, QP2, QP3}，使得 ERR0R_lowloss_num 最小，該值即為 QP_best。
步驟S604，選定QP_best進行重量化，按照QP_best進行重量化得到量化輸出即為最佳量化。
實施例四 圖7是根據本發明實施例四的量化處理裝置結構示意圖，如圖7所示，該量化處理裝置包括統計模塊10、優選模塊20和量化模塊30。
其中，統計模塊10用於對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量；優選模塊20用於根據量化誤差總量選擇預定數量的量化因子作為優選量化因子；量化模塊30用於統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
實施例五 圖8是根據本發明實施例五的量化處理裝置結構示意圖，實施例五包括實施例四中的各功能模塊。
其中，量化處理裝置還包括獲取模塊40，獲取模塊40用於獲取滿足預定帶寬要求的最小量化因子，並逐一增加最小量化因子的值以得到多個量化因子。量化模塊包括設定子模塊301和量化子模塊302。設定子模塊301用於設定量化容忍的誤差極限，並在誤差極限範圍內統計待選量化因子的低損點數量；量化子模塊302用於選擇低損點數量最小的優選量化因子進行視頻數據的量化。
在本發明的上述實施例中，利用視頻數據的統計規律，從量化誤差總量和低損點數量兩個方面綜合考慮量化因子的選擇，從而使得視頻數據的量化兼顧帶寬同時又能最大程度的保證圖像質量。
顯然，本領域的技術人員應該明白，上述的本發明的各模塊或各步驟可以用通用的計算裝置來實現，它們可以集中在單個的計算裝置上，或者分布在多個計算裝置所組成的網絡上，可選地，它們可以用計算裝置可執行的程序代碼來實現，從而，可以將它們存儲在存儲裝置中由計算裝置來執行，並且在某些情況下，可以以不同於此處的順序執行所示出或描述的步驟，或者將它們分別製作成各個集成電路模塊，或者將它們中的多個模塊或步驟製作成單個集成電路模塊來實現。這樣，本發明不限制於任何特定的硬體和軟體結合。
以上所述僅為本發明的優選實施例而已，並不用於限制本發明，對於本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。
權利要求
1.一種量化處理方法，其特徵在於，包括對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量； 根據所述量化誤差總量選擇預定數量的量化因子作為優選量化因子； 統計所述優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
2.根據權利要求1所述的方法，其特徵在於，對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量之前，還包括獲取滿足預定帶寬要求的最小量化因子；逐一增加所述最小量化因子的值以得到所述多個量化因子。
3.根據權利要求2所述的方法，其特徵在於，採用碼率控制算法TM5獲取所述最小量化因子。
4.根據權利要求1所述的方法，其特徵在於，所述優選量化因子的量化誤差總量均小於其它所統計的非優選量化因子的量化誤差總量。
5.根據權利要求1所述的方法，其特徵在於，統計所述優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化，包括設定量化容忍的誤差極限，在所述誤差極限範圍內統計所述優選量化因子的低損點數量；並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
6.根據權利要求1所述的方法，其特徵在於，所述量化誤差總量為視頻數據塊或宏塊內的數據點的誤差之和。
7.一種量化處理裝置，其特徵在於，包括統計模塊，用於對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量；優選模塊，用於根據所述量化誤差總量選擇預定數量的量化因子作為優選量化因子； 量化模塊，用於統計所述優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。
8.根據權利要求7所述的裝置，其特徵在於，還包括獲取模塊，用於獲取滿足預定帶寬要求的最小量化因子，並逐一增加所述最小量化因子的值以得到所述多個量化因子。
9.根據權利要求7所述的裝置，其特徵在於，量化模塊包括設定子模塊，用於設定量化容忍的誤差極限，並在所述誤差極限範圍內統計所述優選量化因子的低損點數量；量化子模塊，用於選擇低損點數量最小的優選量化因子進行視頻數據的量化。
10.根據權利要求7所述的裝置，其特徵在於，所述量化誤差總量為視頻數據塊或宏塊內的數據點的誤差之和。
全文摘要
本發明提供了一種量化處理方法及裝置，該量化處理方法包括對多個量化因子進行量化預測，並分別統計每個量化因子的量化誤差總量；根據量化誤差總量選擇預定數量的量化因子作為優選量化因子；統計優選量化因子的低損點數量，並選擇低損點數量最小的優選量化因子進行視頻數據的量化。在本發明中，利用視頻數據的統計規律，從量化誤差總量和低損點數量兩個方面綜合考慮量化因子的選擇，從而使得視頻數據的量化兼顧帶寬同時又能最大程度的保證圖像質量。
文檔編號H04N7/26GK102186083SQ201110123168
公開日2011年9月14日 申請日期2011年5月12日 優先權日2011年5月12日
發明者席羅飛 申請人:北京數碼視訊科技股份有限公司