X265编码核心函数分析

最新推荐文章于 2023-09-09 21:33:42 发布
VIP文章 最新推荐文章于 2023-09-09 21:33:42 发布
阅读量1.8k 收藏 24
点赞数 5
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dragon_dy/article/details/104138933
版权

X265编码核心函数分析

compressCTU流程

  1. m_bChromaSa8d = m_pParam->rdLevel >= 3;
  2. 计算i32CtuQp
  3. m_aRqtData[0].m_cEntropyCur.load(cInitEntrConxt); 初始化熵编码环境.推测先做下一层时，要加载下一层的初始环境
  4. 对I_SLICE，调compressIntraCU
    根据rd设置，调用qprdRefine
  5. 对NON_I_SLICE:
    如果是intra_refresh,调compressIntraCU；
    否则，根据rdlevel分别执行compressInterCU_rd0_4或compressInterCU_rd5_6

compressIntraCU流程

  1. 可以不划分时，先调checkIntra检查最佳预测方向，再调用checkBestMode检查是否最佳模式，如果是8x8cu,再调用checkIntra检查NxN的模式（4个PU)，调用checkBestMode检查是否最佳模式
  2. 如果可以划分,检查SPLIT模式的rdcost
    1. 每个SUBCU开始检查前要m_aRqtData[i32NextDepth].m_cEntropyCur，第0个SUBCU的初始值为m_aRqtData[u32CuDepth].m_cEntropyCur,后面的SUBCU的初始值为m_modeDepth[i32NextDepth].bestMode->contexts
    2. 调用compressIntraCU检查SUBCU返回rdcost
    3. 保存SUBCU的编码数据，
  3. 调用检查SPLIT模式是否最佳
  4. 保存最佳模式的CU数据到帧级缓存，并保存recon图像

checkIntra流程

对当前CU大小做intra最佳预测的计算返回rdcost

  1. getIntraTUQtDepthRange：根据参数设置的TU的最大最小size，以及设置的intraTU大小以及当前CU大小设置TU范围
  2. estIntraPredQT：计算当前大小的CU的最佳模式的distortion(SSE)
    1. 对1或者4个PU（8x8的intraCU可以有4个PU）
    2. 算出35种模式的sadcost，记录最小的sadcost
    3. 以最小sadcost的1.25倍为限，选出最多u32MaxRdCandCount = 2 + m_pParam->rdLevel + ((u32Depth + u32InitTuDepth) >> 1)种cand模式
    4. 如果只有一个候选模式，则此模式为最佳模式
    5. 如果有多个候选模式，对每个候选模式调用codeIntraLumaQT编码(会记录rdcost)，记录最小的rdcost以及对应的bestMode
    6. 当前CU设置成bestMode，再次调用codeIntraLumaQT编码，
    7. 调用extractIntraResultQT将每个TU的coeff和recYUV复制出来
    8. 返回distortion(SSE)
  3. 调用estimateCuBitNum估计出最优模式下的bits
  4. 调用calcEnergyAndRdCost算出rdcost
最低0.47元/天 解锁文章
云蛋风亲
关注
  • 5
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SwiftUI 避免硬编码如何效减少别人的代码量
01-20
避免硬编码 本文解决的问题 介绍了SwiftUI的第一性原理，让您明白SwiftUI的底层逻辑 提出了struct通用类型的解决方案，避免硬编 学习本文二个种方式 初级 直接看实现部分，把项目代码先跑起来 中级 思考一下本文为何要创建一个通用类型AnyShape 项目效果 [email protected] Jietu20200220-093019.gif SwiftUI编码的第一性原理是什么？SwiftUI核心就是让编写界面变得简洁优雅，让一切都显得如此优雅自然，让函数调用显得不再那么刻意。 但要做到上面的境界，我们可能要为此付出更多汗水。文章标题提到了要有效减少别人
x265参数-early-skip
fantasy_ARM9的博客
08-24 149
early skip
x265 Win10下载与Visual Studio 2017调试
weixin_44367406的博客
03-05 480
标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器
x265参数详解（基于版本2.8）
智眸之音
07-31 5909
Syntax: x265 [options] infile [-o] outfile     infile can be YUV or Y4M     outfile is raw HEVC bitstream Executable Options: -h/--help                        Show this help text and exit    --fullh...
x265笔记_3_并行处理机制
weixin_43721070的博客
12-31 1855
HEVC中的并行处理机制，x265中的并行处理
x265笔记_4_CompressCTU源码分析
weixin_43721070的博客
01-08 2262
文章目录Before `compressCTU``compressCTU`输入参数处理流程重要变量`m_parame``rd_level``amp`和`rect`重要函数`compressIntraCU`输入参数处理流程1. 参数初始化2. 计算划分前的代价2.1 当存在可用的模式集合时2.2 当不存在可用的模式集合时3. 计算划分后的代价3.1 更新划分标识位`mightSplit`3.2 计算划分后的代价4. 更新Best mode4.1 比较`md.pred[PRED_INTRA]`和`md.pred
satd残差_X265编码核心函数分析
weixin_33275503的博客
12-29 584
X265编码核心函数分析compressCTU流程m_bChromaSa8d = m_pParam->rdLevel >= 3;计算i32CtuQpm_aRqtData[0].m_cEntropyCur.load(cInitEntrConxt); 初始化熵编码环境.推测先做下一层时，要加载下一层的初始环境对I_SLICE，调compressIntraCU根据rd设置，调用qprdRef...
HEVC函数入门（14）——建议先看：整个编码流程以及相关的函数
不是他人太努力，只是自己努力不够罢了
07-30 3174
这篇文章本来要放在前面的，但是我看到的晚，然后发现很有用，就转载一下吧。 转自：http://blog.csdn.net/nb_vol_1/article/details/51144828该作者也是转载，但是没有找到原地址。在此表示对这篇文章作者的感谢。 整个流程可以从compressGOP函数开始着手： 1、compressGOP对一整个图像组（GOP）进行编码，主要是遍历GOP中每
【x265编码器】章节4——x265帧间预测流程
热门推荐
vcvdv123的博客
09-09 3万+
3.遍历2Nx2N、2NxN、Nx2N、2NxnD、2NxnU、nRx2N、nLx2N、帧间的帧内预测模式，其中矩形和非对称划分，默认配置下，x265不需要遍历；中的merge模式流程，区别在于，x265默认配置下，只会获取3个候选项，而不是常规的5个候选项；1.先进行merge和skip模式的RD计算，如果不是skip模式最优，则继续往下执行；运动补偿主要是根据MV运动矢量指向的参考块，构建预测块的流程，对应代码分析如下；2.遍历进行运动补偿（仅做亮度），根据sa8d计算RD，选取最优的候选项；
【Codecs系列】x265编码器（十一）：快速运动估计搜索方法
CSDN明星博主，认证博客专家，视频、Matlab领域优质创作者。
09-29 1042
在基于块运动补偿的视频编码框架中，运动搜索是最为重要的环节之一，同时也是编码端最为耗时的模块。（2）、以pmv为起始搜索点，进行一次搜索步长为1的菱形搜索；若pmv不为(0, 0)，则以（0, 0）为起始搜索点进行一次搜索步长为1的菱形搜索。（2）、按照菱形搜索方式找到RDcost最小的搜索点，迭代次数为merange。（2）按照六边形搜索的方式搜索最优MV，迭代次数为merange/2，搜索步长为2。（1）、起始搜索点采用AMVP确定的最优MV，搜索半径为1；（1）起始搜索点采用AMVP确定的最优MV；
利用Python实现遗传算法求函数最值
04-28
遗传算法以一种群体中的所有个体为对象，并利用随机化...参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容，此程序利用Python实现遗传算法求函数最值问题。
32位函数重定向，文件说明参考博客32位函数重定向
12-16
缺点：在x 8 6、A l p h a和其他的C P U上的J U M P指令是不同的，必须使用手工编码的机器指令才能使这种方法生效，这种方法在抢占式多线程环境中也不适用 代码参考：hookapi_32 原文参考：windows核心编程第22章第...
Spark学习--RDD编码
05-09
RDD:弹性分布式数据集(ResilientDistributed Dataset),是Spark对数据的核心抽象。RDD其实是分布式的元素集合。当Spark对数据操作和转换时，会自动将RDD中的数据分发到集群，并将操作并行化执行。 Spark中的RDD是一...
基于matlab实现实现了基于项目的协同过滤代码，MATLAB实现.rar
05-04
基于matlab实现实现了基于项目的协同过滤代码，MATLAB实现.rar
各地区年末城镇登记失业人员及失业率.xls
最新发布
05-05
数据来源：中国劳动统计NJ-2023版
企业固定资产信息管理系统设计与实现.doc
05-04
企业固定资产信息管理系统设计与实现.doc
node-v11.14.0-darwin-x64.tar.xz
05-04
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
node-v8.9.1-sunos-x64.tar.xz
05-04
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
nsga2优化多目标函数代码
06-25
### 回答1： NSGA-II（Nondominated Sorting Genetic Algorithm II）是一种经典的演化算法，用于解决多目标优化问题。实现NSGA-II程序的关键是理解它的核心步骤。 首先，将目标函数的结果归一化，然后用快速非占优排序算法将所有的结果分为多个不同的级别。过程中，被支配次数小于等于1的点组成了第一级。在排序之后，进化算法必须用不同的交叉、突变和选择算子重组不同的个体，并使用非占优排序算法来筛选优秀的解决方案。这样就可以选择出一组最佳的解决方案，而这些方案并不会彼此牺牲。 要实现NSGA-II算法，需要考虑哪些因素呢？首先，随机生成新的种群，然后计算每个个体的目标函数值，并归一化处理。其次，在多次进化的过程中，通过不同的算子重组和变异，帮助种群逐步汇聚到最优解。最后，在不断更新种群的同时，使用非占优排序算法对演化结果进行分类，分级，并选择最佳的结果。 总的来说，实现NSGA-II算法有一定的难度，但通过理解其核心步骤和原理，以及编写高效的代码，可以得到高质量的多目标优化结果。 ### 回答2： NSGA-II是一种广泛应用于解决多目标优化问题的算法，本文将介绍如何使用NSGA-II优化多目标函数代码。 首先，我们需要定义一个多目标函数，例如： ```python def multi_objective_func(x): return [(x[0]+1)**2+(x[1]+2)**2, (x[0]-1)**2+(x[1]-2)**2] ``` 此函数有两个目标，我们希望最小化这两个目标。 然后，我们需要导入NSGA-II算法实现，可以使用Python的pymoo库： ```python from pymoo.algorithms.nsga2 import NSGA2 from pymoo.factory import get_problem from pymoo.model.problem import Problem ``` 接着我们需要定义一个问题，继承Problem类，实现evaluate方法来计算目标函数及其约束条件。例如： ```python class MultiObjectiveProblem(Problem): def __init__(self): super().__init__(n_var=2, n_obj=2, n_constr=0, xl=-5, xu=5) def _evaluate(self, x, out, *args, **kwargs): f1 = (x[0]+1)**2+(x[1]+2)**2 f2 = (x[0]-1)**2+(x[1]-2)**2 out["F"] = [f1, f2] ``` 然后，我们就可以使用NSGA-II算法进行优化： ```python problem = MultiObjectiveProblem() algorithm = NSGA2(pop_size=100) res = algorithm.solve(problem) ``` 其中pop_size是种群大小，res是NSGA-II算法得到的结果，包括每个个体的决策变量值、目标函数值等。 最后，我们可以输出NSGA-II算法得到的最优解及其目标函数值： ```python print("Best solution: ", res.X) print("Best objectives: ", res.F) ``` NSGA-II是一种极具优势的优化算法，它可以在多个目标函数中优化，同时也可以优化约束条件。通过以上的实现，可以使用NSGA-II优化多目标函数代码，取得更好的优化效果。 ### 回答3： NSGA-II（Non-dominated Sorting Genetic Algorithm II）是一种基于遗传算法的多目标优化算法。它通过非支配排序、拥挤度距离和进化操作来快速高效地寻找多目标函数最优解。 NSGA-II的代码实现首先需要定义适应度函数和个体编码方式。适应度函数通常由多个目标函数的加权和组成，其中权重要根据具体问题的需求进行调整。个体编码方式一般可以采用二进制编码、实数编码等，需要根据问题特性进行选择。 在NSGA-II中，个体的选择、交叉和变异等进化运算需要按照一定的概率随机进行，以保证解空间的多样性和收敛性。在进化过程中，通过非支配排序以及拥挤度距离的计算来维护种群的多样性和收敛性。 NSGA-II算法的优点是在求解多目标优化问题时能够快速地求出前沿解集，对于非凸、非线性问题具有较好的优化效果。在实际应用中，NSGA-II已经被广泛运用于工程、金融、能源等领域的优化问题中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值