多策略的HEVC帧内快速预测算法

许东旭,林其伟

(华侨大学信息与工程学院,福建厦门361021)

多策略的HEVC帧内快速预测算法

许东旭,林其伟

(华侨大学信息与工程学院,福建厦门361021)

为降低高效视频编码(HEVC)帧内预测过程的计算复杂度,提出一种利用灰度直方图结合自相关函数的快速深度选择算法。统计每个最大编码单元(CU)的灰度值分布,生成其灰度直方图,利用灰度直方图的自相关函数排除不必要的深度计算。同时针对帧内预测模式的优化,给出3个减少帧内候选模式数量的有效策略。应用梯度边缘检测进一步减少8×8 CU的候选模式数量,使用模式相关以及当前CU的纹理特征,对满足一定条件的CU只选取2种预测模式进行率失真优化计算。实验结果表明,与原始HM10.1相比,该算法平均可以节省约48%的编码时间,同时又能保持较高的视频质量。

高效视频编码;帧内预测;编码单元;快速模式选择;自相关;梯度边缘检测

1 概述

高效视频编码(High Efficient Video Coding, HEVC)作为新一代高效的视频编码标准,引进了大量的技术创新。比如允许更大尺寸的编码单元,最大尺寸可到64×64,同时允许更多的帧内预测模式的选择。并且引入了3种编码单元的概念:编码单元(Coding Unit,CU),预测单元(Prediction Unit, PU),变换单元(Transformation Unit,TU)。引入的这些创新技术使得HEVC相比于H.264,在保证相同视频质量的条件下,可以提高50%的编码效率［1］。但与此同时也引入了巨大的计算复杂度,比如为了得到最优的CU,HEVC需要穷尽地递归计算各种各样的CU,PU,TU的组合,而且对于每个CU又需要进行高达35种预测模式的遍历选择。因此,很多学者围绕CU的提前判决和减少需要进行率失真优化(Rate Distortion Optimization,RDO)计算的模式数量这2个角度,做了大量的研究。其中,文献［2-5］主要从CU的快速分割上进行优化,而文献［6-8］主要对帧内35种预测模式的选择过程进行优化。文献［2］通过利用4个模板的滤波系数对当前CU进行4个方向的滤波来提取当前CU的纹理复杂度,提前判定它是否分割。文献［3］基于贝叶斯决策准则,将CU的分割与不分割看作一个分类问题,按照之前在线更新的特征值提前将当前CU是否分割进行分类。但该方法主要针对帧间的CU,而对于帧内的CU便失去了效用。文献［4］考察当前最大编码单元(Largest Coding Unit,LCU)与周围LCU深度之间存在的相关,并根据与当前LCU相关程度的大小分配不同的权值而求得当前LCU的预测深度值,之后按该值的取值区间进行深度的自适应选择。文献［5］利用率失真代价(RD-cost)结合设置的阈值,对于满足条件的CU,即结束其分割过程。但该方法存在着一个不足,对于纹理复杂的序列,该方法减少的编码时间相当有限。文献［6］利用Sobel算子生成的梯度直方图排除一些概率小的预测模式。文献［7］采用模式分组的策略优化模式选择过程。文献［8］利用DCT变换后系数之间的关系对当前编码块进行边缘检测,以此来减少模式数量。上述这些工作都在一定程度上减少了HEVC的编码复杂度,但HEVC的复杂度仍然相当大,不利于实时应用。所以有必要继续进一步研究高效准确的算法来优化HEVC编码器。本文利用改进的灰度直方图自相关法［9］判断当前LCU的纹理特征,提出了一种高效的快速深度决策算法,同时针对帧内35种模式的优化,提出了3个有效的策略来缩减需要进行RDO计算的模式数量。

2 HEVC帧内预测过程

HEVC创新性地提出了编码单元四叉树的递归分割技术,如图1所示。

图1 HEVC的CU递归划分过程

其中最大的CU称为LCU。首先进行LCU的分割,其四叉树的划分过程如下:当不划分时,尺寸为64×64的CU,此时深度为0。接着对其进行预测编码,得RD-cost,接着对该CU进行分割,分为4个子CU,每个子CU的尺寸为32×32,此时深度为1,接着对这4个子CU分别进行预测编码,同样得RD -cost,如此递归地划分下去。若当前CU的尺寸为8×8时,即此时深度为3时,结束分割过程。接着对分割的CU进行修剪,即依此比较求得的各个CU的代价,从而决定当前LCU最优的编码分割选择。比较4个8×8子CU的代价和是否小于其对应的16× 16的CU的代价,如果小于,则选择8×8的CU分割类型,否则选择16×16的分割类型。如此比较下去,直到当前CU的深度为0。

对于HEVC的帧内预测,每个深度级上的CU对应 PU的尺寸只允许为2N×2N或者N×N。而N×N的PU尺寸只在CU的尺寸为8×8时才被允许。

如图2所示,HEVC中每个PU的最优预测模式需在包括模式2～34之间的33种角度预测模式以及planar和 DC模式共35种预测模式之间进行RDO计算,比较其RD-cost后选取具有最小RD-csot对应的模式作为最终的预测模式,可见其计算复杂度相当大。因此,为了缓解编码器的计算复杂度, HEVC首先进行粗糙模式选择(Rough Mode Decision,RMD)处理,即对35种预测模式分别求其对应的Hadamard代价,从中选出N个代价最小的模式,并考虑了当前 CU的最有可能模式(Most Probable Modes,MPMs)。接着对这可能的N～N+ 2个候选模式进行RDO计算,从中选出最优的预测模式［10］。

图2 HEVC的35种帧内预测模式

3 快速帧内预测算法

本文对HEVC帧内预测的优化是基于2个算法的叠加。算法1是在CU分割的层面上进行优化,利用当前LCU基于组的灰度直方图自相关法排除不需要计算的深度层。算法2针对帧内35种模式的优化提出了3个有效的缩减策略。

3.1 算法1

算法1为基于组的灰度直方图自相关法的快速深度决策算法。通常灰度直方图是统计某幅图像各个灰度值出现的次数或者概率,可以从该幅图像的灰度直方图得出很多信息。比如如果该幅图像仅有几个灰度值组成,说明该幅图像的细节不是特别丰富,因为彼此间灰度值几乎相同。而如果一幅图像的灰度值组成几乎覆盖了全部的灰度值范围,说明该幅图像的细节相当丰富。可以通过统计当前LCU灰度值的组成来判断当前LCU的纹理复杂度,因为直观上如果一个LCU的纹理非常复杂,那么该LCU一般要分割到很小的尺寸。相反如果当前LCU纹理相当平坦,那么该LCU一般不可能分割到太小的尺寸。为了证明假设,选取了2个典型的LCU作为例子。

考虑到HEVC亮度的预测模式对色度的预测模式影响很大,本文只考虑亮度预测模式。为了减少计算量,首先对当前64×64的CU,分成16×16个4×4的子块,同时对每个4×4的子块求出其对应的平均亮度灰度值,并且利用该平均亮度灰度值代表该4×4的子块。计算完16×16个子块后,就组成了16×16= 256个亮度灰度值。接着将0～255这256个不同的灰度级按每5个灰度级划分成一组,比如灰度级0～4属于第1组,5～9属于第2组,依此类推。然后将之前得到的当前LCU的256个灰度值按此规则进行统计。最后得出能够表征当前LCU纹理特征的基于组的亮度直方图。该算法过程如下所示,其中pix()为存着当前LCU 256个灰度值的数组。

图3是HEVC中当前LCU属于纹理复杂的基于组的典型亮度直方图,该LCU经过RDO计算后最终分割到深度3。

图3 纹理复杂LCU基于组的典型亮度直方图

图4是HEVC中平坦LCU基于组的典型亮度直方图,该LCU最终选取深度0作为最优深度。由此可见,按上述规则设计的当前LCU的基于组的亮度直方图分布确实能在一定程度上反映出该LCU需要分割到的深度层。

图4 纹理平坦LCU基于组的典型亮度直方图

此外,从图3、图4还可观察出,对于平坦LCU的能量十分集中,而对于纹理复杂LCU的能量比较分散。如果对平坦LCU的亮度直方图进行平移,得出的直方图与原直方图基本是正交的。而对于纹理较为复杂的LCU对直方图进行平移后,还保留与原直方图较强的相关性。所以可以利用求LCU亮度直方图的自相关函数来判别当前LCU是属于纹理平坦的还是复杂的,进而设计出需要进行计算的深度级。

考虑信号自相关函数表达式,如式(1)所示:

其中,x(m)是原始亮度直方图函数;x(m+n)是原始亮度直方图函数平移n位后的亮度直方图函数;Rxx(n)是最后得到的自相关函数。

由于平坦LCU的亮度直方图右移一定的位数后,基本与原直方图正交,而复杂的LCU右移某些位数后基本上还保留与原直方图有较强的相关性。因此,可以进一步简化求自相关函数的计算式,如式(2)所示:

通过对当前LCU的亮度直方图右移某些位数后,并通过对式(2)0或非0的判断,就可以判断当前LCU是否平坦,从而决定当前LCU需要进行RDO计算的深度级。但如何确定该右移的合适位数,使得能精确地判定当前LCU需要分割的深度级,这便成了问题的关键。考虑到HEVC编码单元尺寸比H.264复杂得多,如果像文献［9］那样,只采用右移某个特定的位数后,对式(2)进行非0或0的判断,就决定当前LCU是否平坦,很容易造成误判,从而使码率增加太多。所以为了探求Rxx(n)与n以及当前LCU的分割深度三者之间的关系,首先进行了大量的实验。通过实验发现,当原直方图函数右移20位后,如果Rxx(20)不等于0,则当前LCU基本上需要分割到深度2或深度3的级别,对于此类LCU可排除掉深度0跟深度1的RDO计算。而如果右移8位后,Rxx(8)不为0,则当前LCU基本上不可能以深度0作为最优的深度,对于此类LCU,可排除掉深度0的RDO计算。而如果右移3位后,Rxx(3)=0,表示当前LCU纹理平坦,通过实验同样可发现该类LCU基本上不可能分割到深度2或深度3的级别,所以对于此类LCU可舍弃深度2跟深度3的RDO计算。

综上,本文提出的基于组的亮度直方图自相关法的快速深度选择算法如下:

Step 1 对当前LCU分成16×16个4×4的子块,对每个4×4子块求其平均灰度值,得到该LCU的256个灰度值,对这256个灰度值从0～255灰度级之间按每5个灰度级为一组的方法进行统计,得出当前LCU基于组的灰度直方图。

Step 2 由式(2),首先判断Rxx(20)是否为0。如果不等于0,则当前LCU最小深度级设置为2,跳转到Step5,否则跳转到Step 3。

Step 3 判断Rxx(8)是否为0。如果不等于0,则当前LCU最小深度级设置为1,跳转到Step5,否则跳转到Step4。

Step 4 判断Rxx(3)是否为0。如果等于0,则当前LCU最大深度级设置为1,跳转到Step5,否则当前LCU最大深度级设置为2,跳转到Step5。

Step 5 继续进行下一个 LCU的处理,转到Step1。

为了说明该算法的合理性,取6个序列,量化参数分别选取22,27,32,37,统计其命中率,结果如表1所示。通过表1,可发现本文基于组的灰度直方图自相关法的快速深度选择算法对于测试序列命中率高达80%以上,说明本文算法可精确排除不必要的深度计算。

表1 基于组的灰度直方图自相关快速深度决策算法命中率

3.2 算法2

算法2为多策略的快速模式提前决策。

策略1 基于梯度方向检测的快速模式选择

HEVC在进行RMD处理后,对PU尺寸为8×8以及4×4仍有8种模式需要进行RDO计算,复杂度还是相当巨大。对于8×8和4×4的PU采用梯度方向检测［11］来对其搜索模式进行优化。以4×4为例,详细说明该梯度方向检测算法过程。

对当前4×4的PU采用如图5所示的分割,其中标注的字母代表该块的像素值。定义如式(3)与式(4)的垂直与水平梯度方向描述子。

图5 4×4块到2×2块的分割过程

式(3)与式(4)中的floor为向下取整函数,S为比例因子,取值与量化参数QP有关,如式(5)所示。

由fv与fh的不同取值情况,定义了7种主要边缘方向。以图2所示的预测模式方向为例,表2给出了这7种主要的边缘方向及其对应的候选模式集合。其中,0(planar模式),1(DC模式)是非角度的预测模式,所以其始终包含在候选模式集合里。接着,由式(3)与式(4)计算出的主要梯度方向对应的候选模式集合进行RMD。对于8×8的PU方法类似,只不过ABCD子块不像4×4的PU那样求取,而是每个子块对16个像素进行累加。

表2 主要边缘梯度方向及其对应的模式集合

从表2可看出,对于属于前5种梯度方向或者后2种梯度方向的8×8和4×4 PU,分别只需要求取11种模式和18种模式的Hadamard代价,相对HEVC 35种模式,其数量已大大缩减。由于进行RMD处理的候选模式数量已大大减少,因此可以进一步缩减需要进行RDO计算的模式数量,本文从8种减为5种。

策略2 基于模式相关的快速模式选择

由于变换绝对差值和 (Sum of Absolute Transformed Difference,SATD)与RD-cost之间存在紧密的相关性,因此经RMD处理后的前几位候选模式成为最优或者次优的概率很大。从文献［4］可以进一步得出,通过RMD后的第1位、第2位候选模式以及当前CU的MPM成为最优模式的概率很高。可以通过添加一些条件,来进一步减少需要进行RDO计算的候选模式数量。采用3.1节的测试条件,序列统一编码30帧,表3表示当MPM与mode［0］相等时,bestmode=mode［0］或者 bestmode= mode［1］的概率。通过表3,发现当MPM等于mode［0］(第1位候选模式)时,mode［0］或者mode［1］(第2位候选模式)成为bestmode(最优模式)的概率高达80%以上。所以对于帧内模式优化提出的第2个策略是,当MPM与mode［0］相等时,则只进行mode［0］与mode［1］的RDO计算,从中选出具有最小RD-cost的模式作为最优的预测模式。

表3 bestmode=mode[0]或mode[1]的概率 %

策略3 基于纹理的快速模式选择

对于尺寸32×32以及64×64的PU,经RMD后,有3个候选模式以及对应的MPM进入最终的RDO计算。改进的空间似乎很小,但可以充分利用3.1节提取的当前LCU的纹理复杂度以及DC与planar模式的特征来进一步减少候选模式的数量。如表4所示,按照3.1节的测试条件,同样对不同序列的统计,发现对于纹理平坦的大块 PU,当mode［0］为DC(模式1)或planar(模式0)时,该块PU很大概率上会选择DC或planar模式作为最终的bestmode。所以针对帧内模式优化提出的第3个策略是,对于当前的PU,若其所属的LCU满足3.1节介绍的Rxx(3)=0,则检查该块PU经RMD后的模式列表,若第1位候选模式为planar或DC模式,则只进行DC与planar模式的RDO计算,从中选取具有最小RD-cost的模式作为最优的预测模式。表4表示当Rxx(3)=0时,当前 PU若mode［0］为0或1时,bestmode也为0或1的概率。其中“-”表示满足条件的CU块数很少,基本不会影响编码器的速度与率失真性能。

表4 mode[0]为0或1时bestmode也为0或1的概率

3.3 总的算法流程

对3.1节以及3.2节提出的算法进行了整合,总的算法流程描述如下:

Step 1 根据3.1节描述的基于组的灰度直方图自相关法对当前LCU选择需要进行RDO计算的深度范围,对当前LCU深度范围内的每个深度级转到Step2进行处理。

Step 2 判断当前PU尺寸是否为8×8或4× 4,若是,则转到Step 3;否则,转到Step 4。

Step 3 根据3.2.1节描述的梯度方向检测算法判断当前PU的主要梯度方向,根据表2给出的对应边缘方向的候选模式集合选出前5个具有最小Hadamard代价的模式,转到Step5。

Step 4 判断Rxx(3)是否为0,若为0,转到Step6,否则转Step5。

Step 5 判断mode［0］是否等于MPM,若等于,转到Step8,否则转到Step9。

Step 6 判断mode［0］是否为DC或者planar,若是,转到Step7,否则转到Step 5。

Step 7 对DC跟planar模式进行RDO,选出具有最小RD-cost的模式作为最终的最优预测模式,转到Step10。

Step 8 对 mode［0］与 mode［1］模式进行RDO,选出具有最小RD-cost的模式作为最终的最优预测模式,转到Step10。

Step 9 对全部由RMD后的模式进行RDO,选出具有最小RD-cost的模式作为最终的最优预测模式,转到Step10。

Step 10 继续下一个PU的处理,转到Step2。

总的算法流程如图6所示。

图6 总的算法流程

4 实验结果与分析

把3.1节与3.2节提出的算法分别称为AO1与AO2,AO1结合AO2的算法称为本文AO算法。由于文献［4］也同样提出了快速深度决策算法,所以也实现了文献［4］的快速深度决策算法部分,以用来跟本文的AO1算法进行比较。因为文献［4］中有关模式数量缩减的算法用到的 MPM选取方法,随着HEVC标准的制作,现在已有较大改变,不利于比较。所以另外实现了文献［5］算法以用来跟本文AO算法进行对比。实验采用HM10.1测试模型,测试的环境为具有 Intel(R)Core(TM)2 Quad CPUQ9400@2.66 GHz,4.0 GB内存的计算机,采用VS2008编译器。因为本文只针对帧内编码进行优化,所以采用的编码配置为全帧内编码模式,量化参数分别选取22,27,32,37,序列全部统一编码50帧,其余为默认配置。选取了ABCDE等级的分辨率共13个序列进行测试。只采用AO1以及文献［4］提出的深度决策算法分别与原始HM10.1比较的实验结果如表5所示。

表5 2种算法与原始HM10.1比较的实验结果1

本文 AO算法以及文献［5］分别与原始HM10.1比较的实验结果如表6所示。其中,BDBR与BDPSNR是文献［12］中提出的评价准则,分别表示在同样的客观质量下,2种方法的码率节省情况以及在给定的同等码率下,2种方法的Y-PSNR差异。

△Time定义如下式所示:

其中,TimeHM10.1(QPi),Timepro(QPi)分别是原始HM10.1以及提出的算法在不同QP值下的编码时间。

通过表5,可看出本文提出的AO1算法与原始HM10.1相比,平均BDPSNR仅降了0.04 dB,平均BDBR仅增加 0.906%,而同时可以平均节省25.42%的编码时间。与文献［4］提出的深度决策算法相比,两者编码性能几乎相近,但本文AO1算法的编码时间比文献［4］减少的幅度更大。而且本文的AO1算法是基于当前LCU块内部的纹理复杂度,而文献［4］的深度决策算法是基于当前块与周围已编码块深度之间存在的相关性,即这2个算法是互相独立的,可以进一步融合,以更大地减少编码时间。

表6是本文AO算法的实验结果。通过表6,可看出综合AO1与AO2算法后可使得编码时间进一步减少,同原始算法相比,平均减少了48.2%的编码时间,而率失真性能仅有微小的损失。同文献［5］相比,本文AO算法平均下降的编码时间比其多了将近一倍。而且从表中可进一步看出,对于等级E的序列,本文AO算法的率失真性能比文献［5］更好。

表6 2种算法与原始HM10.1比较的实验结果2

图7给出了本文AO算法与原始算法分别适用于ParkScene(Class B 1 920×1 080)序列的率失真曲线。从图中可看出本文AO算法与HEVC原始算法的率失真曲线几乎重合,即在不同比特率上本文AO算法与原始算法几乎取得相同的PSNR。

图8给出了ParkScene(Class B 1 920×1 080)序列分别采用本文AO算法与文献［5］算法在不同QP下减少的编码时间百分比。从图8可看出,本文AO算法减少的编码时间幅度基本不受QP的影响,即在不同QP下本文AO算法可取得几乎连续相同的编码时间增益。而文献［5］减少的编码时间百分比受QP影响很大,基本随着QP的增加呈线性增长。这是因为,在QP较大时,HEVC会倾向于选择大块的CU。

图7 ParkScene序列的率失真曲线

图8 ParkScene序列减少的编码时间下降比例

而文献［5］算法是首先统计RD-cost的分布,得出一组阈值,在满足当前CU的RD-cost小于对应的阈值条件下便结束当前CU的分割。可见在QP较大时,若采用文献［5］算法,会使更多的CU在大尺寸条件下满足结束分割的条件,从而节省的编码时间也就更多。从图8中可进一步看出,文献［5］算法在QP小于22的条件下,基本起不到减少编码复杂度的作用。

5 结束语

本文通过判断当前LCU的纹理复杂度,提出了一种高效的深度决策算法,同时对于帧内预测模式的优化,提出了3个有效的缩减策略。实验结果表明,本文算法在保证与原始算法几乎相同的率失真性能上,平均可以减少48.2%的编码时间,大幅降低了编码复杂度,适用于对实时性要求较高的场合。下一步将尝试研究更高效的梯度方向检测算法来对帧内预测模式进行优化,融合多种方法以减少编码复杂度。

［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］ 贾克斌,谢 晶,方 晟.一种基于自相关法的H.264/ AVC高效帧内预测算法［J］.电子学报,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.

编辑 顾逸斐

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

福建省自然科学基金资助项目(2012J01275)。

许东旭(1989-),男,硕士研究生,主研方向:视频编码,网络通信;林其伟,副教授。

2013-10-29

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

中文引用格式:许东旭,林其伟.多策略的HEVC帧内快速算法［J］.计算机工程,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.