HEVC学习（十三） —— SAO函数解析之一

最新推荐文章于 2020-07-04 10:01:33 发布
最新推荐文章于 2020-07-04 10:01:33 发布
阅读量1k 收藏 1
点赞数
分类专栏： HEVC 文章标签： HEVC HM SAO 样点自适应 偏移

这篇博客写得不错，觉得对我对大家刚开始学习时会有帮助，于是转载之。

原文地址：http://blog.csdn.net/hevc_cjl/article/details/8288479


关于SAO的原理和流程的解析，已经在我转载的一篇博客HEVC中SAO--自适应样点补偿 详细分析解读有了比较清楚的介绍了，本文就不再重复这个过程，而把主要精力放在具体函数实现的解析上。在我自己的一篇博客HEVC学习（八） —— 以SAO为例浅析跟踪代码方法里其实也作了相关的铺垫了，当中重点放在跟踪代码的方法上，本文在此基础上对重要的函数进行解析，它们的调用位置这里就不提了，有关这部分的内容请参考前述的两篇博客。

本文首先介绍

m_cEncSAO.create( getSourceWidth(), getSourceHeight(), g_uiMaxCUWidth, g_uiMaxCUHeight, _uiMaxCUDepth );

该函数为SAO的相关参数分配内存和初始化。

[cpp]  view plain copy
  1. <span style="font-size:12px;">/** create SampleAdaptiveOffset memory. 
  2.  * \param  
  3.  */  
  4. Void TComSampleAdaptiveOffset::create( UInt uiSourceWidth, UInt uiSourceHeight, UInt uiMaxCUWidth, UInt uiMaxCUHeight, UInt uiMaxCUDepth)  
  5. {  
  6.   m_iPicWidth  = uiSourceWidth;  
  7.   m_iPicHeight = uiSourceHeight;  
  8.   
  9.   m_uiMaxCUWidth  = uiMaxCUWidth;  
  10.   m_uiMaxCUHeight = uiMaxCUHeight;  
  11.   
  12.   m_iNumCuInWidth  = m_iPicWidth / m_uiMaxCUWidth;  
  13.   m_iNumCuInWidth += ( m_iPicWidth % m_uiMaxCUWidth ) ? 1 : 0;  
  14.   
  15.   m_iNumCuInHeight  = m_iPicHeight / m_uiMaxCUHeight;  
  16.   m_iNumCuInHeight += ( m_iPicHeight % m_uiMaxCUHeight ) ? 1 : 0;  
  17.   //! 以下四句根据CU的实际尺寸计算可划分的最大深度  
  18.   Int iMaxSplitLevelHeight = (Int)(logf((Float)m_iNumCuInHeight)/logf(2.0));  
  19.   Int iMaxSplitLevelWidth  = (Int)(logf((Float)m_iNumCuInWidth )/logf(2.0));  
  20.   
  21.   m_uiMaxSplitLevel = (iMaxSplitLevelHeight < iMaxSplitLevelWidth)?(iMaxSplitLevelHeight):(iMaxSplitLevelWidth);  
  22.   m_uiMaxSplitLevel = (m_uiMaxSplitLevel< m_uiMaxDepth)?(m_uiMaxSplitLevel):(m_uiMaxDepth);  
  23.   /* various structures are overloaded to store per component data. 
  24.    * m_iNumTotalParts must allow for sufficient storage in any allocated arrays */  
  25.   /* 
  26.   const Int TComSampleAdaptiveOffset::m_aiNumCulPartsLevel[5] = 
  27.   { 
  28.   1,   //level 0 
  29.   5,   //level 1 
  30.   21,  //level 2 
  31.   85,  //level 3 
  32.   341, //level 4 
  33.   }; 
  34.   */  
  35.   m_iNumTotalParts  = max(3,m_aiNumCulPartsLevel[m_uiMaxSplitLevel]);  
  36.   
  37.   UInt uiPixelRangeY = 1 << g_bitDepthY; //!< Y分量的像素范围（256 for 8it-depth）  
  38.   UInt uiBoRangeShiftY = g_bitDepthY - SAO_BO_BITS; //!< Band Offset (BO)中每个band的宽度（3 for 8bit-depth，即1<<3 = 8）（Y分量）  
  39.   
  40.   m_lumaTableBo = new Pel [uiPixelRangeY]; //!< Y分量在BO模式下的索引表，根据像素值可以索引到对应的band序号  
  41.   for (Int k2=0; k2<uiPixelRangeY; k2++)  
  42.   {  
  43.     m_lumaTableBo[k2] = 1 + (k2>>uiBoRangeShiftY); //!< 总共分了32个band(1~32)  
  44.   }  
  45.   
  46.   UInt uiPixelRangeC = 1 << g_bitDepthC; //!< CbCr分量的像素范围（256 for 8it-depth）  
  47.   UInt uiBoRangeShiftC = g_bitDepthC - SAO_BO_BITS; //!< Band Offset (BO)中每个band的宽度（3 for 8bit-depth，即1<<3 = 8）（CbCr分量）  
  48.   
  49.   m_chromaTableBo = new Pel [uiPixelRangeC]; //!< CbCr分量在BO模式下的索引表，根据像素值可以索引到对应的band序号  
  50.   for (Int k2=0; k2<uiPixelRangeC; k2++)  
  51.   {  
  52.     m_chromaTableBo[k2] = 1 + (k2>>uiBoRangeShiftC); //!< 总共分了32个band(1~32)  
  53.   }  
  54.   
  55.   m_iUpBuff1 = new Int[m_iPicWidth+2];  
  56.   m_iUpBuff2 = new Int[m_iPicWidth+2];  
  57.   m_iUpBufft = new Int[m_iPicWidth+2];  
  58.   
  59.   m_iUpBuff1++;  
  60.   m_iUpBuff2++;  
  61.   m_iUpBufft++;  
  62.   Pel i;  
  63.   
  64.   UInt uiMaxY  = (1 << g_bitDepthY) - 1; //!< Y分量像素最大值（255 for 8bit-depth）  
  65.   UInt uiMinY  = 0;  
  66.   
  67.   Int iCRangeExt = uiMaxY>>1; //!< 对范围进行扩展  
  68.   
  69.   m_pClipTableBase = new Pel[uiMaxY+2*iCRangeExt];  
  70.   m_iOffsetBo      = new Int[uiMaxY+2*iCRangeExt];  
  71.   
  72.   for(i=0;i<(uiMinY+iCRangeExt);i++)  
  73.   {  
  74.     m_pClipTableBase[i] = uiMinY;  
  75.   }  
  76.   
  77.   for(i=uiMinY+iCRangeExt;i<(uiMaxY+  iCRangeExt);i++)  
  78.   {  
  79.     m_pClipTableBase[i] = i-iCRangeExt;  
  80.   }  
  81.   
  82.   for(i=uiMaxY+iCRangeExt;i<(uiMaxY+2*iCRangeExt);i++)  
  83.   {  
  84.     m_pClipTableBase[i] = uiMaxY;  
  85.   }  
  86.   //! 0 0 0 ... 0 1 2 3 4 ... 255 255 ... 255//!  
  87.   m_pClipTable = &(m_pClipTableBase[iCRangeExt]); //!< 查找表  
  88.   
  89.   UInt uiMaxC  = (1 << g_bitDepthC) - 1; //!< CbCr分量像素最大值（255 for 8bit-depth）  
  90.   UInt uiMinC  = 0;  
  91.   
  92.   Int iCRangeExtC = uiMaxC>>1; //!< 对范围进行扩展  
  93.   
  94.   m_pChromaClipTableBase = new Pel[uiMaxC+2*iCRangeExtC];  
  95.   m_iChromaOffsetBo      = new Int[uiMaxC+2*iCRangeExtC];  
  96.   
  97.   for(i=0;i<(uiMinC+iCRangeExtC);i++)  
  98.   {  
  99.     m_pChromaClipTableBase[i] = uiMinC;  
  100.   }  
  101.   
  102.   for(i=uiMinC+iCRangeExtC;i<(uiMaxC+  iCRangeExtC);i++)  
  103.   {  
  104.     m_pChromaClipTableBase[i] = i-iCRangeExtC;  
  105.   }  
  106.   
  107.   for(i=uiMaxC+iCRangeExtC;i<(uiMaxC+2*iCRangeExtC);i++)  
  108.   {  
  109.     m_pChromaClipTableBase[i] = uiMaxC;  
  110.   }  
  111.   //! 0 0 0 ... 0 ! 1 2 3 4 ... 255 255 ... 255 //!  
  112.   m_pChromaClipTable = &(m_pChromaClipTableBase[iCRangeExtC]); //!< 查找表，实际上与Y分量是相同的  
  113.   
  114.   m_iLcuPartIdx = new Int [m_iNumCuInHeight*m_iNumCuInWidth];  
  115.   m_pTmpL1 = new Pel [m_uiMaxCUHeight+1];  
  116.   m_pTmpL2 = new Pel [m_uiMaxCUHeight+1];  
  117.   m_pTmpU1 = new Pel [m_iPicWidth];  
  118.   m_pTmpU2 = new Pel [m_iPicWidth];  
  119. }</span>  

直观起见，不妨把m_lumaTableBo和m_pClipTable的内容打印出来，

/* m_lumaTableBo */

[cpp]  view plain copy
  1. <span style="font-size:12px;">1     1   1   1   1   1   1   1     
  2. 2   2   2   2   2   2   2   2     
  3. 3   3   3   3   3   3   3   3     
  4. 4   4   4   4   4   4   4   4     
  5. 5   5   5   5   5   5   5   5     
  6. 6   6   6   6   6   6   6   6     
  7. 7   7   7   7   7   7   7   7     
  8. 8   8   8   8   8   8   8   8     
  9. 9   9   9   9   9   9   9   9     
  10. 10  10  10  10  10  10  10  10    
  11. 11  11  11  11  11  11  11  11    
  12. 12  12  12  12  12  12  12  12    
  13. 13  13  13  13  13  13  13  13    
  14. 14  14  14  14  14  14  14  14    
  15. 15  15  15  15  15  15  15  15    
  16. 16  16  16  16  16  16  16  16    
  17. 17  17  17  17  17  17  17  17    
  18. 18  18  18  18  18  18  18  18    
  19. 19  19  19  19  19  19  19  19    
  20. 20  20  20  20  20  20  20  20    
  21. 21  21  21  21  21  21  21  21    
  22. 22  22  22  22  22  22  22  22    
  23. 23  23  23  23  23  23  23  23    
  24. 24  24  24  24  24  24  24  24    
  25. 25  25  25  25  25  25  25  25    
  26. 26  26  26  26  26  26  26  26    
  27. 27  27  27  27  27  27  27  27    
  28. 28  28  28  28  28  28  28  28    
  29. 29  29  29  29  29  29  29  29    
  30. 30  30  30  30  30  30  30  30    
  31. 31  31  31  31  31  31  31  31    
  32. 32  32  32  32  32  32  32  32    
  33. </span>  

/* m_pClipTable */

[cpp]  view plain copy
  1. <span style="font-size:12px;">0     1       2       3       4       5       6       7       8       9       10      11      12      13      14      15      16      17      18      19      20      21      22      23      24      25      26      27      28      29      30      31      32      33      34      35      36      37      38      39      40      41      42      43      44      45      46      47      48      49      50      51      52      53      54      55      56      57      58      59      60      61      62      63      64      65      66      67      68      69      70      71      72      73      74      75      76      77      78      79      80      81      82      83      84      85      86      87      88      89      90      91      92      93      94      95      96      97      98      99      100     101     102     103     104     105     106     107     108     109     110     111     112     113     114     115     116     117     118     119     120     121     122     123     124     125     126     127     128     129     130     131     132     133     134     135     136     137     138     139     140     141     142     143     144     145     146     147     148     149     150     151     152     153     154     155     156     157     158     159     160     161     162     163     164     165     166     167     168     169     170     171     172     173     174     175     176     177     178     179     180     181     182     183     184     185     186     187     188     189     190     191     192     193     194     195     196     197     198     199     200     201     202     203     204     205     206     207     208     209     210     211     212     213     214     215     216     217     218     219     220     221     222     223     224     225     226     227     228     229     230     231     232     233     234     235     236     237     238     239     240     241     242     243     244     245     246     247     248     249     250     251     252     253     254     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255     255 </span>   

更直观的做法就是绘制出像素值vs索引值的曲线图来，不过根据这些数据，相信大家很容易就能想象出这两条曲线是何种形状的了，这里就不必要画出图来了。


gaishtian
关注
专栏目录
HEVC学习（十五） —— SAO函数解析之三
HEVC_CJL的专栏
12-12 4159
/** Calculate SAO statistics for current LCU * \param iAddr, iPartIdx, iYCbCr */ Void TEncSampleAdaptiveOffset::calcSaoStatsCu(Int iAddr, Int iPartIdx, Int iYCbCr) { if(!m_bUseNIF) //!< tr
HM编码器代码阅读(27)——样点自适应补偿SAO（一）SAO介绍以及入口函数
NB_vol_1的专栏
02-12 3600
样点自适应补偿（SAO） 由于使用了变换量化导致高频交流系数失真，解码后会在图像的边缘产生波纹 现象，这种被称为振铃效应。样点自适应补偿就是从像素与入手降低振铃效应 ：对重构曲线（通过对像素值进行划分分类可以得到）中出现的波峰像素添加负值补偿，波谷添加正值进行补偿。 SAO以CTU为基本单位，通过选择一个合适的分类器将冲击的像素划分类别，然后对不同类别像素使用不同的补偿值 。SAO包括两
pcCU->getCUPelX() 函数功能
weixin_41335535的博客
03-19 477
这个函数到底是pcCU所在CTU在整张图片中的的像素横坐标位置，还是pcCU在图片中的像素横坐标位置？这个问题纠结了近一个月，现在给出我的结论，是后者。
HEVC代码——学习笔记（一）
smells2的专栏
09-06 4577
UInt uiInternalAddress = pcPic->getNumPartInCU()-4; UInt uiExternalAddress = pcPic->getPicSym()->getNumberOfCUsInFrame()-1; UInt uiPosX = ( uiExternalAddress % pcPic->getFrameWidthInCU() ) * g_uiMaxCU
HEVC学习（十六） —— SAO函数解析之四
HEVC_CJL的专栏
12-12 4708
Void TEncSampleAdaptiveOffset::saoComponentParamDist(Int allowMergeLeft, Int allowMergeUp, SAOParam *saoParam, Int addr, Int addrUp, Int addrLeft, Int yCbCr, Double lambda, SaoLcuParam *compSaoParam,
HEVC学习（十四） —— SAO函数解析之二
HEVC_CJL的专栏
12-12 4763
/** rate distortion optimization of all SAO units * \param saoParam SAO parameters * \param lambda * \param lambdaChroma */ #if SAO_ENCODING_CHOICE Void TEncSampleAdaptiveOffset::rdoSaoUnit
HEVC学习（二十一） —— 熵编码之二
HEVC_CJL的专栏
01-04 6833
本文继续讨论编码器的初始化过程，即draft 9.3.1.1。 上一篇介绍的是各个context对应到标准相应表格的值，以及相关变量和函数，前面提到initBuffer函数对context进行初始化，但是没有深入解析这个函数的实现，这就是本文的主要任务。 首先介绍下面讨论过程中会涉及到的一个类ContextModel3DBuffer，重点关注该类的构造函数： /// context mode
hevc移植/优化-day 4:内存使用优化(内存泄漏问题修复。)
11-23 1495
在windows上测试的时候发现占用内存巨多，想经嵌入式平台上移植必需优化内存的使用。linux下的valgrind工具很适合做内存泄漏检测，不仅能分析内存泄漏，还能检测到内存未初始化/内存越界等问题。 检测方法： valgrind -v --leak-check=full --show-reachable=yes ./TAppDecoderStaticd -b RaceHorses_41
HEVC函数入门（17）——编码一个CU
不是他人太努力，只是自己努力不够罢了
08-01 2675
本文转载整理自http://blog.csdn.net/NB_vol_1/article/details/51152578，做了一些微调，这里也感谢这位博主的这篇博客，让我对CU的编码有了更深入的了解。 注意事项 1、帧间预测分为两种：merge模式（skip模式是一种特殊的merge模式）和AMVP模式（即普通的帧间预测模式）； 2、merge模式只支持2Nx2N的划分。 3、 帧内预测只
CU的划分、地址以及索引
NB_vol_1的专栏
05-04 5247
CU的划分、地址以及索引     在看HM源码的时候，最蛋疼的一件事就是被CU的划分以及它们的地址搞懵。为了搞清楚，仔细研究了一下源码，有什么错误请指出。为了弄清楚这个问题，必须要对扫描顺序、深度等概念有所理解。 扫描顺序     HEVC中对像素块的扫描方式有两种：Raster和Zscan     Raster扫描方式：从上到下，从左到右进行扫描，
HEVC中CTU递归代码分析
xietingcandice的专栏
12-24 3488
CU递归的算法，那么就是xDecodeCU这个函数里面 首先对其中一些比较难以理解的部分进行相应的整理 UInt uiCurNumParts    = pcPic->getNumPartitionsInCtu() >> (uiDepth pcPic->getNumPartitionsInCtu() 获得的数据就是LCU中也就是根节点中CTU对应的按照最小TU进行划分得到的数量，后
HEVC函数入门（15）——重要变量以及CU索引
不是他人太努力，只是自己努力不够罢了
07-30 3426
本文整理自：1：http://blog.csdn.net/nb_vol_1/article/details/51145006 2：http://blog.csdn.net/NB_vol_1/article/details/71187426 首先感谢大神授权可以整理转载，后面会接着读大神的博客，所以后面一段时间里文章基本也是整理自这位大神。 1、TComDataCU。TComDataCU：LC
HEVC中SAO--自适应样点补偿 详细分析解读
热门推荐
飞翔 视频直播系统
12-05 1万+
HEVC中SAO--自适应样点补偿:   本文分三个部分, 1.Sample Adaptive Offset原理, 2.SAO处理流程分析, 3.SAO意义何在! a)  SAO原理:     SAO是在DB之后进行, 输入是重建帧和原始帧数据, 输出是SAO数据和SAO后的重建帧. 自适应样点补偿是一个自适应选择过程，在去块滤波后进行。 下面是整个HEVC的编码框图, 可以看到SAO是在
TComPicYuv、TComPic、TComPicSym、TComDataCU以及TComYuv的关系
qq_35752161的博客
07-04 445
TComPicYuv、TComPic、TComPicSym、TComDataCU以及TComYuv的关系     首先用一张图来描述它们之间的关系     1、HM首先使用TComPicYuv保存从文件中读取出来的YUV数据    2、利用TComPicYuv构造TComPic，并把YUV数据复制给他（TComPic包含了TComPicYuv成员）    3、TComPic表示一帧图像，包含了数据（T.
x265源码分析：SAO 函数总结及逻辑关系图
小波的世界：生活、教育、技术、旅游
09-25 2865
给出了SAO函数的简单注释，以及各函数之间的逻辑关系图。
基于深度学习的行人分类.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
机械制造工艺学课程设计手柄座设计“手柄座”零件的机械加工工艺规程及工艺装备.doc
最新发布
09-21
机械制造工艺学课程设计手柄座设计“手柄座”零件的机械加工工艺规程及工艺装备.doc
HEVC学习（十二） —— CU的最终划分
09-12
嗨！对于HEVC中CU（Coding Unit）的最终划分，可以简单地描述为以下几个步骤： 1. CTU划分：首先，图像被划分为一系列的...HEVC使用了一系列算法和决策规则来进行CU的最终划分，以达到更好的压缩效果和视觉质量。
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