《表3 本文算法的BD-PSNR、BD-BR、实际编码时间和ΔT(与HM16.12对比)》
表4给出了与现有5种不同的HEVC编码单元划分算法进行比较结果,其中ΔT为所有测试序列在4个QP配置下编码时间缩减的平均值.与文献[5]中利用时空相关性跳过某些CU划分深度的方法相比,本文方法时间节省显著提升,这是由于本文方法一次性预测所有CU划分方法,跳过的编码单元深度计算过程更多.与文献[6]中使用图像纹理的快速算法相比,本文预测准确度更高因此编码的码率损失远远小于该算法效果.与文献[9]中使用SVM的方法相比,在码率和图像质量相差不大的情况下,进一步节省了10%左右的编码时间.文献[11]为一个浅层的神经网络方法,但由于神经网络与本文相比层数较浅,本文算法编码性能提高较为明显,BD-BR降低了4.6%左右.与文献[12]的神经网络方法相比,BD-PSNR和节省时间几乎相同的情况下有更低的码率,在对码率需求更高的存储、实时传输方面应用更有优势.
图表编号 | XD00213645300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 易清明、林成思、石敏 |
绘制单位 | 暨南大学信息科学技术学院、暨南大学信息科学技术学院、暨南大学信息科学技术学院 |
更多格式 | 高清、无水印(增值服务) |