用于二进制算术编码可并行的非零系数上下文建模方法

摘要

用于二进制算术编码可并行的非零系数上下文建模方法，它涉及视频编码的上下文建模技术。它为解决现有二进制算术编码在对非零系数进行上下文建模过程中存在对上下文产生数据的依赖关系，使编码系统的数据吞吐率降低的问题而提出。一：定义变换量化块中系数、非零系数的个数；二：对非零系数二值化得到bin序列；三：以非零系数的位置信息和该变换量化块中非零系数的个数为第一上下文进行上下文建模；四：计算绝对值为abs(Li)的非零系数在第一上下文下取值的概率分布；五：对Li的绝对值减1进行二值化；六：利用等概率分布进行上下文建模。它可使不同的非零系数的上下文建模过程同时进行，实现了编码过程中多个上下文建模并行执行。

主权项

1.用于二进制算术编码可并行的非零系数上下文建模方法，其特征在于它由如下步骤完成：步骤一：定义当前变换量化块中系数的个数为B，非零系数的个数为N，所述N个非零系数分别用L_i来表示，其中i的取值范围为0≤i≤N-1，非零系数L_i对应在变换量化块中所处的子带位置用P_i来表示，定义C[P_i][N][k]为一个计数器，参数C[P_i][N][k]表示当变换量化块中非零系数的个数为N，子带位置为P_i时，绝对值等于k的非零系数出现的次数；步骤二：对非零系数L_i二值化得到bin序列，序列中每一个bin用bin index来标识，定义bin index用j来表示；步骤三：以非零系数的位置信息P_i和该变换量化块中非零系数的个数N为第一上下文，利用公式四来对非零系数L_i的绝对值进行上下文建模；C_L(P_i，N)＝P_i+(N-1)×B公式四式中参数C_L(P_i，N)表示第一上下文状态的索引；步骤四：设定参数C[P_i][N][abs(L_i)]的初始值为0，在所有的典型视频序列中，对每一个满足条件0≤P_i≤B-1的P_i和每一个满足条件1≤N≤B的N、并且绝对值为abs(L_i)的非零系数利用公式五来进行计数；C[P_i][N][abs(L_i)]＝C[P_i][N][abs(L_i)]+1公式五然后，利用上式得到的C[P_i][N][abs(L_i)]通过公式六来计算绝对值为abs(L_i)的非零系数在第一上下文下取值的概率分布P(abs(L_i)＝l_i|P_i，N)，$P(\mathrm{abs}\left(L_i\right)=l_i|P_i,N)=\frac{C\left[P_i\right]\left[N\right]\left[l_i\right]}{\underset{\mathrm{abs}\left(L_i\right)}{\Sigma }C\left[P_i\right]\left[N\right]\left[\mathrm{abs}\left(L_i\right)\right]}$公式六以每一个非零系数L_i的位置信息和该非零系数所处的变换量化块中非零系数的个数N为上下文，同时根据步骤三得到非零系数L_i的绝对值在第一上下文下取值的概率分布P(L_i＝l_i|C_L(P_i，N))，简记为利用公式七计算两个在不同的P_i和N下条件概率分布间的距离，$D(P_0,N_0,P_1,N_1)=\underset{l\in L(P_0,N_0)\cup L(P_1,N_1)}{\Sigma }{(P(\mathrm{abs}\left(L\right)=l|P_0,N_0)-P(\mathrm{abs}\left(L\right)=l|P_1,N_1))}^2$公式七采用k均值聚类的方法，即k-means聚类方法，把上述上下文状态分为4类，处在同一类的条件概率分布利用公式八进行合并，$P(L=l|{C_L}^{\prime }(P,N))=\frac{C\left[P_0\right]\left[N_0\right]\left[l\right]+C\left[P_1\right]\left[N_1\right]\left[l\right]}{\underset{\mathrm{abs}\left(L_i\right)}{\Sigma }\left(C\right[P_0\left]\right[N_0\left]\right[\mathrm{abs}\left(L\right)]+C[P_1\left]\right[N_1\left]\right[\mathrm{abs}\left(L\right)\left]\right)}$公式八其中L(P₀，N₀)，L(P₁，N₁)分别表示在P₀，N₀和P₁，N₁的条件下abs(L)取值的集合；将上下文C_L(P_i，N)的个数合并为4个，即：f：C_L(P_i，N)→{0，1，2，3} 公式九步骤五：利用截断一元码和0阶指数哥伦布码的组合来对abs(L_i)-1进行二值化，所述abs(L_i)-1表示L_i的绝对值减1，设x＝abs(L_i)-1，截断一元码的截断值为S，指数哥伦布码的阶数为k，其中S＝14，k＝0：如果0≤x＜S则Bin String由x个1，最后外加一个0组成，即如果x＝S则Bin String由x个1构成，即如果x＞S，Bin String的前缀部分由S个1构成，即后缀部分由x-S的k阶指数哥伦布码表示；步骤六：利用位置信息P_i和非零系数的个数N，得到非零系数L_i的取值的概率分布然后利用步骤五所述的二值化方法得到bin的索引j，并利用公式十和公式十一计算二值化后的bin的概率分布，用(P_LPS(j)，V_MPS(j))来表示所述二值化后的bin的概率分布，其中参数P_LPS(j)表示在bin索引等于j时，概率小于0.5的低概率字符的概率，V_MPS(j)表示在bin索引为j时，概率大于0.5的高概率字符的取值；$P_{\mathrm{LPS}}\left(j\right)=\min (\frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)},1-\frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)}),0\le j\le \mathrm{ctx}\_\mathrm{num}$公式十$V_{\mathrm{MPS}}\left(j\right)=\left\{\begin{array}{cc}1,& \frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)}<1-\frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)}\\ 0,& \frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)}\ge 1-\frac{P_{C_L}(L=j+1)}{1-\underset{k=0}{\overset{j-1}{\Sigma }}{P}_{C_L}(L=k+1)}\end{array}\right.,0\le j\le \mathrm{ctx}\_\mathrm{num}$公式十一式中参数ctx_num表示对bin进行分割的阈值，利用等概率分布对j＞ctx_num的bin进行上下文建模。