外贸手机网站模板,2023年没必要学php了,seo优化方案书,哪里可以做宝盈网站H#xff0e;264的码率控制算法采用了多种技术#xff0c;其中包括自适应基本单元层(Adaptive Basic Unit Layer)、流量往返模型(Fluid Traffic Model)、线性MAD模型、二次率失真模型等。并且采用了分层码率控制策略#xff0c;共分为三层#xff1a;GOP层、帧层和基本单元…H264的码率控制算法采用了多种技术其中包括自适应基本单元层(Adaptive Basic Unit Layer)、流量往返模型(Fluid Traffic Model)、线性MAD模型、二次率失真模型等。并且采用了分层码率控制策略共分为三层GOP层、帧层和基本单元层。在JVT的提案中采用的是JVT-G012码率控制算法该算法提出了基本单元的概念将一帧划分为若干个基本单元基本单元可能是一宏块、一行宏块、一场或一帧。帧层码率控制根据网络带宽、缓存占用量、缓存大小及剩余比特来分配每一帧的目标比特在基本单元层码率控制中目标比特由该帧的剩余目标比特平均得到。这些技术的采用成功地解决了传统码率控制算法与H264的率失真优化技术之间存在的因果矛盾能较准确地控制输出码率输出视频质量较好。
H264中的JVTG012算法采用的二次R—Q模型如下 这一模型用于基本单元的量化参数计算其中R代表编码量化系数所需的码字位数Q指基本单元的量化步长MAD通过以下线性预测模型进行预测 其中MADcb和MADpb代表当前基本单元和前一帧相应位置处的MADa1a2是模型系数在每一个基本单元的最后一个宏块处理中通过线性回归的方法进行更新。 JVT的码率控制比以往的标准更加困难。因为量化参数不仅在码率控制算法中使用而且在率失真优化中应用从而导致一种称为“鸡与蛋的悖论(Chicken and Egg Dilemma)为了在当前帧的宏块中应用率失真优化首先要有一个量化参数这个量化参数通过计算当前帧的MAD(Mean Absolute Difference)得到。然而只有在率失真优化以后才能得到当前帧的MAD。并且编码处理所使用的信道带宽可能是恒定的也可能是可变的。必须同时考虑恒定比特率(Constant Bit RateCBR)和可变比特率(Variable Bit RateVBR)两种情况。目前的码率控制机制大多针对恒定码率的情况. 率失真理论是视频编码的一个基本部分。率失真优化(RDO)在给定的码率限制下最小化解码失真Lagrangian方法可以在码率和失真之间有效地进行折中。在H264标准中Lagrangian方法用于运动补偿的模式选择和帧内预测。换言之它可以在给定的码率限制下最小化失真寻找到块的最佳运动向量和编码模式。然而Lagrangian方法的应用使码率控制变得更困难因为QP涉及到码率控制和失真计算。换言之码率控制方案在调整QP后将影响块的运动和模式选择。在MPEG4码率控制中可以在估计QP前通过执行二次R—D模型来获得X1,X2、MAD和目标比特数。但在H264标准中QP在码率控制和RDO中都指定了因此在执行RC时就存在一个问题对MB执行RDO要先通过MB的MAD决定MB的QP然而MB的MAD只有在RDO运行后才能获得。这就是一个蛋鸡悖论。
如上所述在H264标准的码率控制中存在两个问题1在执行RDO之前MAD是未知的。2虽然在运动补偿后可以获得每个编码模式的MAD但最佳编码模式仍然未知所以不能决定哪个MAD可以用于估计QP。Ma等人提出了一个新的H264码率控制方案该方案没有考虑QP与MAD之间的相关性但它不是single—pass码率控制算法。虽然该算法可以实现目标比特数且没有明显的比特变动但执行RDO要花费2倍的时间对宏块而言这样的时I司复杂度是不可接受的。 H264中的码率控制方法是以提案JVT—G012为蓝本的。JVTG012提案通过引入基本单元和线形模型的概念提出一种自适应基本单元层码率控制方案。基本单元可能是一帧、片或宏块。并提出了一种线性模型通过前一帧相应位置的基本单元预测当前基本单元MAD。为阐述G012提案本文首先对其中的关键技术进行分析。
1。基本单元的定义 假设某一帧由Nmbpic个宏块组成那么定义基本单元为一个由Nmbpic个宏块中连续的Nmbunit个宏块所组成的组。那么在该帧中的总的基本单元的个数为
NunitNmbpic/Nmbunit 需要注意的是如果采用了比较大的基本单元那么PSNR可以达到一个较高的值同时比特的波动也会增大。另一方面如果采用了比较小的基本单元比特的波动会比较的小但是相应的会带来PSNR的损失。
2.流量往返模型(Fluid Tramc Model) 3.MAD的线性预测模型 这里该算法一个线性模型来预测当前帧中的基本单元的MAD值它的参 预测模型参数a1和a2更新方法分为三步如下所述 第一步一数据点选择数据点是用于更新模型参数数据点的数量以及质量对于模型的准确性有着重要的影响。通常而言数据点越多模型越准确。在JM86模型中采用滑动窗口机制进行数据点的选择窗口大小通常为20。 第二步一计算模型参数根据选中的数据点算法收集预测的MAD和实际MAD的值采用线性回归的方法计算得到a1和a2。 第三步一去除坏的数据点在得到al和a2之后根据滑动窗口中数据点的参考值用a1和a2形成的预测模型计算数据点的预测值然后将得到的值与数据点的原始预测值比较计算误差如果误差大于一定的值(JM中取误差的均值)则将该数据点去除用更新后的数据点重新计算模型参数al和a2。
