热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

SCC(四):Palettemode

SCC(四):Palettemode调色板模式(palettemode)对于只含有少数几种颜色的块非常高效。相比于传统的对块进行预测变换处理,调色板模式只需要对每个像素传输其颜色索

SCC(四):Palette mode

调色板模式(palette mode)对于只含有少数几种颜色的块非常高效。相比于传统的对块进行预测变换处理,调色板模式只需要对每个像素传输其颜色索引。

调色板是一个包含CU中颜色值的表,对于CU中每个像素在码流中传输其在表中的索引。解码器使用这个索引和这个调色表来重建CU。


调色表中每个条目包含三个分量(RGB或YCbCr)。对于4:2:0或4:2:2颜色格式,如果当前位置像素没有色度分量,就只使用第一个分量重建像素。在调色表中有一个特殊索引escape index用于那些在表中没有对应值的像素。在这种情况下,码流中除了要传输该像素的索引escape index,还要传输该像素的量化值。

下图是一个palette size = 4的调色板示例:

调色板编码

在编码端需要生成调色板。使用调色板模式编码时,其编码分为两部分:调色表的编码和CU中每个像素索引的编码。

通常,相邻的使用调色板模式的块的调色表有很多相同项。为了减少冗余,当前待编码调色表由之前已编码调试表预测得到,而当前调色表新的项显示传输。对于预测调色表每项都有一个标志位表示该项是否在当前调色表中。这些标志位使用行程编码,行程使用零阶指数哥伦布编码。传输完预测表之后,再传输新添项的数量和对应的值。如下图所示。

对于每个slice或tile或CTU行(当使用波前时)的第一个CTU,预测表使用PPS中传输的初始化项或0来初始化。当CU使用调色板模式编码完后,预测调色板按下面步骤更新:首先,当前调色板的所有项都添加进预测表。然后,加入前面调色板中未在当前调色板中出现的项。这个过程持续到前面调色板中所有未使用项都加入了或者调色板达到最大尺寸。

对于索引的编码,首先编码标志位palette_escape_cal_present_flag表示当前CU中是否存在escape index。编码CU调色索引有两种扫描顺序:水平扫描和垂直扫描。

上图是两种扫描顺序示意图。下面以水平扫描为例讲解,如果是垂直扫描编码前(或解码后)CU索引要进行转置操作。标志位palette_transpose_flag表示扫描方向。

屏幕内容经常包含平坦区域,这些区域的像素值非常接近,像素的调色索引使用行程编码效率非常高。此外,平坦区域连续行或连续列的索引可能都相同,为了利用这个性质每个像素有两种编码模式COPY_INDEX_MODE和COPY_ABOVE_INDEX,在码流中用palette_run_type_flag表示。

COPY_INDEX_MODE模式首先编码一个索引(截断二元码),然后后面跟一个行程长度表示等于该索引的像素数量。

COPY_ABOVE_INDEX模式中从上一行复制索引,然后后面跟一个行程长度表示等于该索引的像素数量。该模式仅需要传输行程长度不需要传输索引值。

COPY_INDEX_MODE和COPY_ABOVE_INDEX的行程长度都可能跨过多行。

下图是一个4x4块编码示例(4x4块方便展示,实际运行使用调色板模式最小的块为8x8):

调色板生成

对每个CU使用改进的k-means clustering算法生成调色表(有损)。首先,调色表初始化为空。然后,对CU中的每个像素计算离其最近的调色表项(用SAD度量)。如果SAD小于某个阈值则将该像素加到该表项对应的cluster,否则将该像素加入调色表作为一个新项。当处理完CU中所有像素后,使用每个cluster的中心更新调色表项。由于调色板有尺寸限制(SPS中指定),如果调色表中项的数量超过最大限制,则去掉像素数量少的cluster对应的项,这些项对应像素的索引变为escape index。

一旦调色板和CU中每个像素在调色板中的索引确定后,使用RDO技术确定palette_run_type_flag和行程值。

感兴趣的请关注微信公众号Video Coding


推荐阅读
  • 使用Numpy实现无外部库依赖的双线性插值图像缩放
    本文介绍如何仅使用Numpy库,通过双线性插值方法实现图像的高效缩放,避免了对OpenCV等图像处理库的依赖。文中详细解释了算法原理,并提供了完整的代码示例。 ... [详细]
  • 非公版RTX 3080显卡的革新与亮点
    本文深入探讨了图形显卡的进化历程,重点介绍了非公版RTX 3080显卡的技术特点和创新设计。 ... [详细]
  • 深入理解OAuth认证机制
    本文介绍了OAuth认证协议的核心概念及其工作原理。OAuth是一种开放标准,旨在为第三方应用提供安全的用户资源访问授权,同时确保用户的账户信息(如用户名和密码)不会暴露给第三方。 ... [详细]
  • 本文将介绍如何编写一些有趣的VBScript脚本,这些脚本可以在朋友之间进行无害的恶作剧。通过简单的代码示例,帮助您了解VBScript的基本语法和功能。 ... [详细]
  • 本文介绍了如何使用 Spring Boot DevTools 实现应用程序在开发过程中自动重启。这一特性显著提高了开发效率,特别是在集成开发环境(IDE)中工作时,能够提供快速的反馈循环。默认情况下,DevTools 会监控类路径上的文件变化,并根据需要触发应用重启。 ... [详细]
  • 本文详细介绍了 Dockerfile 的编写方法及其在网络配置中的应用,涵盖基础指令、镜像构建与发布流程,并深入探讨了 Docker 的默认网络、容器互联及自定义网络的实现。 ... [详细]
  • 深入解析:手把手教你构建决策树算法
    本文详细介绍了机器学习中广泛应用的决策树算法,通过天气数据集的实例演示了ID3和CART算法的手动推导过程。文章长度约2000字,建议阅读时间5分钟。 ... [详细]
  • Android 渐变圆环加载控件实现
    本文介绍了如何在 Android 中创建一个自定义的渐变圆环加载控件,该控件已在多个知名应用中使用。我们将详细探讨其工作原理和实现方法。 ... [详细]
  • 本文探讨了如何在给定整数N的情况下,找到两个不同的整数a和b,使得它们的和最大,并且满足特定的数学条件。 ... [详细]
  • 深度学习理论解析与理解
    梯度方向指示函数值增加的方向,由各轴方向的偏导数综合而成,其模长表示函数值变化的速率。本文详细探讨了导数、偏导数、梯度等概念,并结合Softmax函数、卷积神经网络(CNN)中的卷积计算、权值共享及池化操作进行了深入分析。 ... [详细]
  • 机器学习中的相似度度量与模型优化
    本文探讨了机器学习中常见的相似度度量方法,包括余弦相似度、欧氏距离和马氏距离,并详细介绍了如何通过选择合适的模型复杂度和正则化来提高模型的泛化能力。此外,文章还涵盖了模型评估的各种方法和指标,以及不同分类器的工作原理和应用场景。 ... [详细]
  • 本文详细介绍了 Apache Jena 库中的 Txn.executeWrite 方法,通过多个实际代码示例展示了其在不同场景下的应用,帮助开发者更好地理解和使用该方法。 ... [详细]
  • 自学编程与计算机专业背景者的差异分析
    本文探讨了自学编程者和计算机专业毕业生在技能、知识结构及职业发展上的不同之处,结合实际案例分析两者的优势与劣势。 ... [详细]
  • 从零开始构建完整手机站:Vue CLI 3 实战指南(第一部分)
    本系列教程将引导您使用 Vue CLI 3 构建一个功能齐全的移动应用。我们将深入探讨项目中涉及的每一个知识点,并确保这些内容与实际工作中的需求紧密结合。 ... [详细]
  • 探索1000以内的完美数:因数和等于自身
    本文探讨了如何在1000以内找到所有完美数,即一个数的因数(不包括自身)之和等于该数本身。例如,6是一个完美数,因为1 + 2 + 3 = 6。通过编程实现这一过程,可以更好地理解完美数的特性。 ... [详细]
author-avatar
小石头
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有