[发明专利]一种基于SFLA算法的深度图像模式划分简化方法

说明书

本发明公开了一种基于SFLA算法的深度图像模式划分简化方法，包括：初始化，设定初始种群；将初始种群中所有元素样本根据适应度函数从高到底进行排列，形成一个序列；模因组分类，将元素样本均分为多个模因组；获取每个模因组内适应度最佳的个体和适应度最差的个体，以及整体中适应度最高的个体，通过计算结合个体适应度变化使用新个体数据代替原有个体数据；整体重排，在所有模因组完成上述步骤并重复达到指定次数后，重新计算所有个体的适应度，如果达到收敛标准，就停止计算并且输出结果，否则重新进入上述模因组分类步骤进行计算；本发明方法基于SFLA算法的特性，在不降低视频质量的情况下，实现视频编码复杂度的降低，提升了编码效率。

技术领域

本发明涉及视频编码领域，尤其涉及一种基于SFLA算法的深度图像模式划 分简化方法。

背景技术

3D-HEVC是一种视频编码技术，在视频编码处理的过程中为了保留深度图像 锐利的边缘，使得图像处理效果更好，会引入帧内跳过模式、深度模型模式(DMM)、 分段DC残差编码和视角合成优化(VSO)技术。正因如此，深度图像的帧内候 选模式数量多，计算涉及高复杂度的视角合成算法，所以计算时间急剧增加。 导致一幅I帧深度图像编码时间是纹理图像的5到10倍，极大地降低了编码效 率，因此深度图像帧内编码已经成为了制约3D视频技术发展的瓶颈。

在现有技术中，由于较高的复杂度限制了视频编码技术的实际应用。因此， 目前急需一种在保证率失真(rate-distortion，RD)性能不受影响前提下对算 法复杂度进行降低，提高编码效率的方法。

发明内容

本发明提供了一种基于SFLA算法的深度图像模式划分简化方法，以解决无 法降低视频编码中算法复杂度的技术问题，从而在保证率失真性能不受影响前 提下对算法复杂度进行降低，进而实现提高编码效率。

为了解决上述技术问题，本发明实施例提供了一种基于SFLA算法的深度图 像模式划分简化方法，包括：

初始化，设定初始种群；

适应度降序排列，将初始种群中所有元素样本根据适应度函数从高到底进 行排列，形成一个序列；

模因组分类，将元素样本均分为多个模因组；

群组演化，获取每个模因组内适应度最佳的个体数据和适应度最差的个体 数据，以及整体中适应度最高的个体数据，通过计算结合个体适应度变化使用 新个体数据代替原有个体数据；

整体重排，在所有模因组完成上述步骤并重复达到指定次数后，重新计算 所有个体的适应度，进行排列，如果达到收敛标准，就停止计算并且输出结果， 否则重新进入上述模因组分类步骤进行计算。

作为优选方案，所述群组演化，获取每个模因组内适应度最佳的个体数据 和适应度最差的个体数据，以及整体中适应度最高的个体数据，通过计算结合 个体适应度变化使用新个体数据代替原有个体数据，包括：

记录每个模因组内适应度最佳的个体数据和适应度最差的个体数据，以及 整体中适应度最高的个体数据；

改变极值个体的位置，通过算法使得个体适应度的上升，使用新个体数据 取代原个体数据，若个体适应度未上升，则执行下一步；

用整体中适应度最高的个体的数据取代每个模因组内适应度最佳的个体数 据，重复上述改变极值个体的位置步骤，如果适应度未上升，则进入下一步；

随机生成一个个体数据代替适应度最低的个体数据。

作为优选方案，所述改变极值个体的位置，通过算法使得个体适应度的上 升，使用新个体数据取代原个体数据，若个体适应度未上升，则执行下一步， 包括：

通过算法1使得适应度最佳的个体适应度上升，则新个体取代了原先个体；