[发明专利]用于时间预测的分类滤波

说明书

技术领域

本发明涉及视频压缩领域。

背景技术

时间预测滤波器(temporal prediction filter)在视频压缩过程中被用于从一组先前解码的参考图像(reference image)中预测出目标图像(targetimage)。时间预测过程在去除大量时间冗余时是有效的，其一般产生较高的编码效率。预测过程使用一组运动向量和对运动向量进行操作的滤波器来预测目标图像。

例如，预测方法将参考图像110划分成多个固定尺寸的块120，如图1所示。每个块具有相关的运动向量，用于描述该块相对于目标图像的运动。运动向量由图像110中的白点示出。时间预测滤波器使用相关的运动向量来对参考图像中的每个块执行简单的运动补偿技术，以预测该块在目标图像中的位置。因此，目标图像中的每个块通过使用单个运动向量根据参考图像中的块被估计出。但是，这种方法独立对待每个运动向量，并且不适应用于图像特征。

传统的时间滤波器使用单个运动向量来预测相关块的位置或者依赖于针对规则的运动向量模式(pattern)定义的滤波器，这些传统时间滤波器需要规则分布的运动向量以执行时间预测。因此，它们无法使得预测过程适应于不规则的运动向量模式。存在对于可以使得滤波器的抽头(tap)和滤波器系数局部适应于不规则的运动向量模式的变化的滤波器的需求。还存在对于具有适应于对象边界(object boundary)和空间纹理(spatialtexture)的灵活性的时间滤波器的需求。

发明内容

执行时间预测的方法包括使用不规则滤波器抽头产生目标图像的预测，并将规则滤波器抽头应用到该预测以产生增强预测。

附图说明

本发明以示例方式示出，并且可以通过结合附图参考以下描述来更好地理解，其中：

图1示出传统的基于块的时间滤波器的示例。

图2示出两级适应性时间滤波过程的示例。

图3示出不规则的运动向量模式的示例以及用在适应性时间滤波过程中的影响区域单元(area of influence cell)的示例。

图4示出对于不同目标像素形成不同局部邻域(local neighborhood)的不规则运动向量模式的示例，其被适应性时间滤波过程所处理。

图5示出利用适应性时间滤波器执行的预测的示例。

图6示出用于生成最小二乘分类滤波器(least squared classified filter)的方法的示例。

图7示出由最小二乘分类滤波过程产生的分类图(classification map)的示例。

图8示出用于预测目标图像的第一级和第二级滤波器的示例。

图9示出使用适应性时间滤波器的视频压缩编码过程的示例。

图10示出使用适应性时间滤波器的解码过程的示例。

图11示出使用适应性时间滤波器的系统的示例。

具体实施方式

在以下描述中，参考构成说明书一部分的附图，附图中以图示方式示出可用来实施本发明的特定实施例。将会理解，在不脱离本发明的范围的情况下，其他实施例可被利用，并且结构改变可能发生。例如，本领域技术人员将会理解，用来描述各个实施例的术语场或帧或图像在参考视频数据使用时可以互换。

最小二乘分类时间滤波器在预测目标图像时自动适应于不规则的运动向量模式、对象特征和空间纹理。该最小二乘分类滤波器在时域中作用于经运动补偿的信号，这不同于其他方法，其他方法试图直接对运动向量进行滤波(例如运动向量域中的三角滤波)。例如，由于该最小二乘分类时间滤波方法在时域中操作，因此更易修改以适应于对象和空间纹理。在一个实施例中，最小二乘分类时间滤波器执行两级过程(two stageprocess)。第一级使得滤波器适应于不规则的运动向量采样模式、对象形状以及对象边界。第二级使得滤波器适应于图像的空间纹理。

最小二乘分类时间滤波过程的示例如图2所示。在210，针对图像生成不规则的运动向量采样模式。这种不规则模式的生成可以利用本领域技术人员已知的方法以各种方式进行。不规则的运动向量模式的示例如图3的块310所示。图像310中的白点代表运动向量。对于这种适应性采样模式，运动向量更集中在难以根据参考图像预测的区域中(即具有更复杂运动的图像区域，例如运动边界附近的区域)。很少的运动向量被置于简单运动区域(例如图像背景区域)中。