三維高效視頻編碼在產(chǎn)生了高效的編碼效率的同時也是以大量的計算復(fù)雜性作為代價的。因此為了降低計算的復(fù)雜度,本文提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的邊緣檢測的3D-HEVC深度圖幀內(nèi)預(yù)測快速算法。算法中首先使用整體嵌套邊緣檢測網(wǎng)絡(luò)對深度圖進(jìn)行邊緣檢測,而后使用最大類間方差法將得到的概率邊緣圖進(jìn)行二值化處理,得到顯著性的邊緣區(qū)域。最后針對處于不同區(qū)域的不同尺寸的預(yù)測單元,設(shè)計了不同的優(yōu)化方法,通過跳過深度建模模式和其他某些不必要的模式來降低深度圖幀內(nèi)預(yù)測的模式選擇的復(fù)雜度,最終達(dá)到減少深度圖的編碼復(fù)雜度的目的。經(jīng)過實驗仿真的驗證,本文提出的算法與原始的編碼器算法相比,平均總編碼時間可減少35%左右,且深度圖編碼時間平均大約可減少42%,而合成視點的平均比特率僅增加了0.11%。即本文算法在可忽略的質(zhì)量損失下,達(dá)到降低編碼時間的目的。 

【文章來源】：光電子·激光. 2020,31(02)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

深度圖以及其幀內(nèi)最優(yōu)模式的時間比例

HED網(wǎng)絡(luò)是一種用于邊緣檢測的新的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。它是在VGG16網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行修改得到的。HED網(wǎng)絡(luò)可以通過深度學(xué)習(xí)模型將逐像素分類轉(zhuǎn)換為圖像到圖像的預(yù)測,即實現(xiàn)端到端的邊緣檢測。而且在完全卷積神經(jīng)網(wǎng)絡(luò)和深度監(jiān)督網(wǎng)絡(luò)的基礎(chǔ)上,可以自動學(xué)習(xí)豐富的分級特征表示,解決邊緣檢測中的細(xì)節(jié)問題[1],這也正是這種方法的亮眼之處。在HED網(wǎng)絡(luò)中,采用的是VGGNet網(wǎng)絡(luò)架構(gòu),但是作了以下修改:將VGG網(wǎng)絡(luò)中的最后一個階段去掉,包括了第五個池化以及后面全部的連接層,并且將側(cè)邊輸出層與VGG16網(wǎng)絡(luò)中的每個階段的最后一個卷積層連接在一起,即與conv1_2,conv2_2,conv3_3,conv4_3,conv5_3相連,這些卷積層中的每一個感知區(qū)間的尺寸與相應(yīng)的側(cè)邊輸出層相同,經(jīng)過多個側(cè)邊輸出層可以輸出不同尺度的邊緣。為了最好地利用到這些輸出層的結(jié)果,增加了一個權(quán)重融合(weighted-fusion)層到網(wǎng)絡(luò),用來將側(cè)邊輸出層得到的預(yù)測結(jié)果連接到一起并且在訓(xùn)練過程中學(xué)習(xí)融合權(quán)重。然后HED網(wǎng)絡(luò)通過融合權(quán)重與側(cè)邊代價的和來對每個卷積核內(nèi)的參數(shù)與融合權(quán)重使用標(biāo)準(zhǔn)隨機(jī)梯度下降法來進(jìn)行迭代優(yōu)化[18],最終得到最后的邊緣輸出圖。圖2給出了使用HED網(wǎng)絡(luò)得到邊緣檢測輸出結(jié)果。通過HED網(wǎng)絡(luò)進(jìn)行邊緣檢測得到的邊緣圖實際上是一個概率圖,在原始算法中會將標(biāo)準(zhǔn)的非極大值抑制的方法來進(jìn)行處理得到更加細(xì)化邊緣。但是,非極大值抑制方法的使用會導(dǎo)致結(jié)果中出現(xiàn)毛刺現(xiàn)象,在這里,對于HED網(wǎng)絡(luò)得出的邊緣概率圖,我們使用最大類間方差(Otsu)算法來做下一步的處理,使其二值化為更容易進(jìn)行處理的邊緣結(jié)果。

步驟7:執(zhí)行RMD和MPM過程,若候選模式中存在Planar或DC模式,且MPM中有DC模式,跳過DMM模式,且只對Planar或者DC模式進(jìn)行率失真代價的計算,找出最優(yōu)模式。否則,同樣跳過DMM模式,并且對候選模式列表中的一切候選模式進(jìn)行全率失真代價的計算,找到最優(yōu)模式。4 實驗結(jié)果與討論

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的HED網(wǎng)絡(luò)及其在邊緣檢測中的應(yīng)用[J]. 焦安波,何淼,羅海波.  紅外技術(shù). 2019(01)



本文編號：3229227