編碼單元

高效率視訊編碼利用編碼單元指出這個單元是利用畫面內預測(IntraPrediction)或是畫面間預測(InterPrediction)。這些編碼單元可以很方便地利用四分樹(Quadtree)的方式呈現，四分樹是一種遞迴結構，四分數上的數字錶示這個節點是否繼續做分割，若此節點會繼續分割則為1，若不繼續分割則為0。節點上的數字為0時，此節點為編碼單元。換句話說，在編碼樹內葉子節點(LeafNode)為編碼單元。在編碼單元上採用Z-scan的方式，對編碼樹來說即為深度優先遍歷。編碼單元的大小支援2Nx2N，其中N=4、8、16或32，因此高效率視訊編碼(HEVC)的四分樹最高深度(Depth)為4。

為了降低新一代高效視頻編碼（High　Efficiency　Video　Coding，HEVC）標準的編碼複雜度，提出了一種基於四叉樹結構類型分析和早期編碼單元（Coding　Unit，CU）裁剪的 HEVC快速編碼新演演算法。首先，通過分析已編碼的最大編碼單元（Largest　CU，LCU）四叉樹結構類型，確定其深度遍歷區間（Depth　Range，DR）類 型。然後，利用相鄰已編碼 的LCU以及前向參考幀和後向參考幀中坐標位置相同的 LCU的 DR類型來預測當前 LCU的 DR類型，並根據預測得到的 DR類型對當前 LCU設定 CU深度遍歷區間。最後，採用貝葉斯決策原理獲取閾值，並利用該閾值在 CU分割過程進行早期 CU裁剪。

HEVC採用率失真優化方式決定 LCU最 終四叉樹結構的分割形式，這樣，可以在保證視頻質量的前提下獲得最小的碼率。其率失真代價函數J（CU）為：

J（CU）=SSE+λ×B，

其中：d表示當前 CU的深度值，B 代表當前 CU經過各種 PU預測和模式選擇后編碼所需的比特數，λ為拉格朗 日運算元，SSE（Sum　of　Square　Error，SSE）表示原始圖像塊和重建圖像塊之間的誤差平方和。

在充分考慮到 HEVC的四叉樹編碼結構和視頻的時空域相關性的基礎上，首先通過對四叉樹結構類型進行分析，確定其深度遍歷區間（Depth　Range，DR）類型，利用參考幀相同位置的 LCU和相鄰LCU的 DR類型來預測當前 LCU的 CU深度遍歷區間；然後，再根據預測的深度區間進行編碼。同時，採用貝葉斯決策訓練原理獲取閾值，並利用該閾值對 CU分割進行早期 CU裁剪。

1、DR類型的確定：

HEVC採用四叉樹結構進行編碼，一 個LCU最終的分割類型是通過其 CU深度值確定的，大小為64×64的 LCU包 括 256個 4×4塊，每 個 4×4塊都用 一 個深度值 depth（depth∈[0，3]）表示。不同四叉樹結構的 LCU，其 CU深度值的分佈情況也不同，LCU的四叉樹結構類型可以分為 8種（即 A，B，C，D，E，F，G，H）。若能在 LCU四叉樹結構劃分前對其類型進行預測，通過該類型設定 CU深度遍歷範圍，就可以減少不必要的 CU深度遍歷，從而降低其編碼複雜度。但過於精細的預測遍歷區間會很容易造成誤判。因此，將深度值分佈相近的四叉樹結構類型進行合併，並定義 T、T、T 和 T 種 DR類型。例如，T包括 C和 D2種四叉樹結構類型，其中：C的 深度值為1和2，D的深度值則全為 2，故 將這 2種四叉樹結構 的 DR類型定為T。演演算法根據DR類型進行 CU深度遍歷，相比原始 0～3的 全遍歷，明顯減少了編碼複雜度。

2、利用時空相關性的中值 DR類型預測：

在視頻序列中，當前編碼 LCU與相鄰已編碼的 LCU以及前一幀和后一幀中與當前編碼LCU位置相同的 LCU（以下簡稱為對應 LCU）之間有很大的相關性。 LeftLCU、Top　LCU、Left－top　LCU、Col1LCU和Col2LCU共5個參選預測 LCU的 DR類型來預測當前編碼 LCU的 DR類型。

3、基於貝葉斯決策的早期 CU裁剪預判：

在 LCU的塊劃分過程中，若當前 CU（depth∈[1，2]）為其上一層 CU的第4個分割 CU，則在計算完其率失真代價J后，就有可能通過預判斷提前進行早期 CU裁剪過程。

採用貝葉斯決策原理在幀內模式選擇過程中訓練基於 SATD（Hadamard　trans－formed　SAD）的率失真代價最佳閾值。

高效率視頻編碼(HEVC)採用基於編碼單元(CU)的四叉樹塊分區結構，能靈活地適應各種圖像的紋理特徵，顯著提高編碼效率，但編碼複雜度大大增加，提出一種縮小深度範圍且提前終止CU 劃分的快速 CU 劃分演演算法。基於Sobel 邊緣檢測運算元計算一幀中各深度邊緣點閾值，縮小後面若干幀中CU 遍歷的深度範圍；同時，統計該幀中各 CU 劃分為各深度的率失真(RD)代價，計算各深度的 RD 代價閾值。然後，在後續視頻幀中，利用RD 代價閾值在縮小的深度範圍內提前終止CU 劃分。為了符合視頻內容的變化特性，統計參數是周期性更新的。經測試，在平均比特率增加僅1。2%時，演演算法時間平均減少約59%，有效提高了編碼效率。

HM 的 CU 劃分過程，是在4個深度級範圍內逐級比較 RD 代價，並選擇 RD 代價最小的劃分作為最佳劃分。由 LCU 邊緣點確定的2個或3個深度級範圍內進行 CU 劃分。為進一步加快 CU 劃分速度，採用基於 RD 代價的 CU 劃分提前終止策略。

一般情況下，若 CU 當前深度的 RD 代價越小，則說明當前劃分方式的效果越好，該 CU 繼續劃分的可能性越小。也就是說，若 CU 當前深度 RD 代價小於某個閾值，就無需繼續劃分，這就是“CU 劃分提前終止策略”。

在學習幀中，除了得到邊緣點數目與深度級範圍的對應關係外，還利用 HM 得到各 LCU 的劃分深度及對應的 RD 代價，並計算每個深度級所對應的 RD 代價的均值及標準差，再計算用於提前終止的 RD 代價閾值。在此後的應用幀中，從最小深度級開始計算當前深度級的 RD 代價，若當前深度級 CU 的 RD 代價小於對應深度級的 RD代價閾值，則該 CU 不繼續劃分，提前終止，否則繼續按深度增加逐級比較。這樣，就大大減小了RD代價的計算量。

對於整個演演算法流程，首先是學習幀基於梯度獲得一幀圖像中各深度的邊緣點閾值，在統計邊緣點的同時也統計一幀中各LCU最終劃分時各子CU的RD 代價，並對統計得到的各個深度級 RD 代價求均值和標準差，獲得用於判斷的 RD 代價閾值。然後在應用幀中，先依據邊緣點閾值獲得當前 LCU 需遍歷的深度範圍，再在該深度範圍內，比較當前深度 CU 的 RD 代價和 RD 代價閾值的大小，若小於RD 代價閾值則 CU 提前終止。具體步驟為：

(1)首先是學習幀，對每個 LCU 依據 Sobel 邊緣檢測運算元計算各像素點的梯度值，獲得梯度圖后，將梯度圖按 LCU 掃描順序劃分為4塊；

(2)利用 otsu 演演算法計算每塊的分割閾值Gfour，i = 0，1，…，3 (取計算得到值的0。75)，並依據該閾值判斷該塊內各 LCU 的邊緣點數；

(3)依據 HM 中該幀圖像各 LCU 最終劃分深度將 LCU 的邊緣點數分組(深度 0 和1 並為一組)，分別計算各深度邊緣點數的均值和標準差，剔除邊緣點數目落在標準差之外的 CU，重新計算，將再次計算的均值和標準差之和作為對應深度級的閾值Th_Edge， j = 1，2 ；

(4)在統計各 LCU 梯度的同時，統計該幀中各CU 最終劃分時的 RD 代價，並計算各深度級的 RD代價均值和標準差，獲得 RD 代價閾值，閾值計算公式為式(4) ；

(5)學習幀結束后，進入應用幀，根據步驟(3)中得到的閾值判斷當前 LCU 的邊緣點數屬於哪個劃分深度，獲得遍歷的深度範圍，然後將遞歸過程中當前深度 CU 的 RD 代價RD 與對應深度的閾值Th_RD ，k = 0，1，…，3 進行比較，若小於閾值，則終止當前 CU 劃分，CU 最終劃分深度為k。否則，深度加1，繼續比較下一深度的 RD 代價和相應閾值，直至最大深度。然後進入下一個 LCU 的比較，再次執行步驟(5)。若執行到學習幀，則返回到步驟(1)。