WikiDer > Алгоритм сопоставления блоков

Block-matching algorithm

А Блочный алгоритм соответствия способ найти соответствие макроблоки в последовательности цифровое видео рамки для целей оценка движения. В основе оценки движения лежит предположение, что шаблоны, соответствующие объектам и фону в кадре видеопоследовательности, перемещаются внутри кадра с образованием соответствующих объектов в следующем кадре. Это может быть использовано для обнаружения временной избыточности в видеопоследовательности, повышая эффективность межкадрового взаимодействия. сжатие видео путем определения содержимого макроблока посредством ссылки на содержимое известного макроблока, которое минимально отличается.

Block-Match algorithm.png

Алгоритм сопоставления блоков предполагает деление текущего Рамка видео на макроблоки и сравнение каждого из макроблоков с соответствующим блоком и его соседними соседями в соседнем кадре видео (иногда только с предыдущим). А вектор создается, моделирующий перемещение макроблока из одного места в другое. Это движение, вычисленное для всех макроблоков, составляющих кадр, составляет движение, оцениваемое в кадре.

Область поиска для хорошего совпадения макроблока определяется «параметром поиска», p, где p - количество пиксели на всех четырех сторонах соответствующего макроблока в предыдущем кадре. Параметр поиска - это мера движения. Чем больше значение p, тем больше потенциальное движение и возможность найти хорошее совпадение. Однако полный поиск всех потенциальных блоков - это дорогостоящая задача. Типичные входы - это макроблок размером 16 пикселей и область поиска p = 7 пикселей.

Сопоставление блоков и 3D-фильтрация использует этот подход для решения различных восстановление изображения обратные задачи Такие как подавление шума[1] и удаление размытия[2] как в неподвижных изображениях, так и цифровое видео.

Мотивация

Оценка движения - это процесс определения векторы движения которые описывают преобразование из одного 2D изображения в другое; обычно из соседних кадров в видеопоследовательности. Векторы движения могут относиться ко всему изображению (оценка глобального движения) или к конкретным частям, таким как прямоугольные блоки, участки произвольной формы или даже к каждому пикселю. Векторы движения могут быть представлены трансляционной моделью или многими другими моделями, которые могут аппроксимировать движение реальной видеокамеры, например вращение и перемещение во всех трех измерениях и масштабирование.

Применение векторов движения к изображению для прогнозирования преобразования в другое изображение в связи с движением камеры или объекта на изображении называется компенсация движения. Комбинация оценки движения и компенсации движения является ключевой частью сжатие видео как используется MPEG 1, 2 и 4, а также многие другие видеокодеки.

Сжатие видео на основе оценки движения помогает экономить биты, отправляя закодированные разностные изображения, которые по своей природе имеют меньшую энтропию, чем отправка полностью кодированного кадра. Однако наиболее затратной с точки зрения вычислений и ресурсоемких операций во всем процессе сжатия является оценка движения. Следовательно, для сжатия видео необходимы быстрые и недорогие в вычислительном отношении алгоритмы оценки движения.

Метрики оценки

Метрика для сопоставления макроблока с другим блоком основана на функции стоимости. Самыми популярными с точки зрения вычислительных затрат являются:

Средняя разница или средняя абсолютная разница (MAD) =

Среднеквадратичная ошибка (MSE) =

где N - размер макроблока, а и являются пиксели сравнивают в текущем макроблоке и опорный макроблоке, соответственно.

С компенсацией движение изображения, которое создается с использованием векторов движения и макроблоков от опорного кадра характеризуются Пиковое отношение сигнал / шум (PSNR),

Алгоритмы

Алгоритмы блочного сопоставления исследуются с середины 1980-х годов. Было разработано множество алгоритмов, но ниже описаны лишь некоторые из самых основных или часто используемых.

Исчерпывающий поиск

Этот алгоритм вычисляет функция стоимости в каждом возможном месте в окне поиска. Это приводит к наилучшему матчу макро-блок в опорном кадре с блоком в другом кадре. Получающееся в результате изображение с компенсацией движения имеет наивысшее пиковое отношение сигнал / шум по сравнению с любым другим алгоритмом сопоставления блоков. Однако это наиболее масштабный алгоритм сопоставления блоков среди всех. Окно поиска большего размера требует большего количества вычислений.

Оптимизированное иерархическое сопоставление блоков (OHBM)[3]

Алгоритм оптимизированного иерархического сопоставления блоков (OHBM) ускоряет исчерпывающий поиск на основе оптимизированных пирамид изображений.[3]

Трехэтапный поиск

Это один из первых алгоритмов быстрого сопоставления блоков. Он работает следующим образом:

  1. Начните с поиска в центре
  2. Установите размер шага S = 4 и параметр поиска p = 7
  3. Поиск в 8 точках +/- S пикселей вокруг местоположения (0,0) и местоположения (0,0)
  4. Выберите среди 9 найденных местоположений одно с функцией минимальных затрат.
  5. Установите новую точку поиска в указанное выше место
  6. Установите новый размер шага как S = S / 2
  7. Повторяйте процедуру поиска до S = 1

Результирующее местоположение для S = 1 является местоположением с функцией минимальной стоимости, и макроблок в этом местоположении является наилучшим соответствием.

В этом алгоритме сокращение вычислений в 9 раз. Для p = 7, в то время как ES оценивает стоимость для 225 макроблоков, TSS оценивает только для 25 макроблоков.

Двумерный логарифмический поиск

TDLS тесно связан с TSS, однако он более точен для оценки векторов движения для большого размера окна поиска. Алгоритм можно описать следующим образом:

  1. Начните с поиска в центре
  2. Выберите начальный размер шага, скажем, S = 8
  3. Найдите 4 точки на расстоянии S от центра по осям X и Y
  4. Найдите местоположение точки с функцией наименьших затрат
  5. Если точка, отличная от центра, является наилучшей точкой совпадения,
    1. Выберите эту точку как новый центр
    2. Повторите шаги с 2 по 3.
  6. Если лучшая точка совпадения находится в центре, установите S = S / 2
  7. Если S = ​​1, все 8 местоположений вокруг центра в расстояние S ищутся
  8. Задайте вектор движения как точку с функцией наименьшей стоимости

Новый трехэтапный поиск

TSS использует равномерно распределенный шаблон проверки и склонен пропускать небольшие движения. NTSS [4] является усовершенствованием по сравнению с TSS, поскольку он обеспечивает схему поиска со смещением по центру и имеет условия для остановки на полпути для снижения вычислительных затрат. Это был один из первых широко распространенных быстрых алгоритмов, который часто использовался для реализации более ранних стандартов, таких как MPEG 1 и H.261.

Алгоритм работает следующим образом:

  1. Начните с поиска в центре
  2. Поиск 8 местоположений +/- S пикселей с S = 4 и 8 местоположений +/- S пикселей с S = 1 вокруг местоположения (0,0)
  3. Выберите среди 16 найденных местоположений одно с функцией минимальных затрат.
  4. Если функция минимальной стоимости встречается в начале координат, остановите поиск и установите вектор движения на (0,0)
  5. Если функция минимальной стоимости встречается в одном из 8 местоположений при S = ​​1, установите новый источник поиска в это местоположение.
    1. Проверьте соседние веса для этого местоположения, в зависимости от местоположения он может проверять 3 или 5 баллов
  6. Тот, который дает наименьший вес, является ближайшим соответствием, установите вектор движения в это место
  7. Если наименьший вес после первого шага был в одном из 8 положений при S = ​​4, обычная процедура TSS следует
    1. Выберите среди 9 найденных местоположений одно с функцией минимальных затрат.
    2. Установите новую точку поиска в указанное выше место
    3. Установите новый размер шага как S = S / 2
    4. Повторяйте процедуру поиска до S = 1

Таким образом, этот алгоритм проверяет 17 точек для каждого макроблока, и в наихудшем сценарии проверяется 33 местоположения, что по-прежнему намного быстрее, чем TSS.

Простой и эффективный поиск

Идея TSS заключается в том, что поверхность ошибки из-за движения в каждом макроблоке одномодальный. Унимодальная поверхность - это поверхность в форме чаши, так что веса, генерируемые функцией стоимости, монотонно увеличиваются от глобального минимума. Однако унимодальная поверхность не может иметь два минимума в противоположных направлениях, и, следовательно, поиск фиксированного шаблона из 8 точек в TSS может быть дополнительно модифицирован, чтобы включить это и сохранить вычисления. SES [5] является расширением TSS, которое включает это предположение.

Алгоритм SES улучшен по сравнению с алгоритмом TSS, поскольку каждый шаг поиска в SES делится на две фазы:

• Первая фаза :

     • Разделите область поиска на четыре квадранты     • Начните поиск с трех местоположений: одно в центре (A) и другие (B и C), S = 4 местоположения от точки A в ортогональных направлениях A = 34.0444094, -1177977943; В = 34,043634, -117,7897651; C = 34.04453, -117.7977953 • Найдите точки в квадранте поиска для второй фазы, используя распределение весов для A, B, C: • Если (MAD (A)> = MAD (B) и MAD (A)> = MAD (C) ), выберите точки во втором квадранте фазы IV • Если (MAD (A)> = MAD (B) и MAD (A) <= MAD (C)), выберите точки во втором квадранте фазы I. • Если (MAD (A) < MAD (B) и MAD (A)  = MAD (C)), выберите точки во втором квадранте фазы III

• Вторая фаза: 

     • Найдите место с наименьшим весом. • Установите новое начало поиска как точку, найденную выше.

• Установите новый размер шага как S = S / 2.

• Повторяйте процедуру поиска SES, пока S = 1

• Выберите местоположение с наименьшим весом, так как вектор движения SES очень эффективен в вычислительном отношении по сравнению с TSS. Однако достигнутое пиковое отношение сигнал / шум является плохим по сравнению с TSS, поскольку в действительности поверхности ошибок не являются строго одномодальными. 34.0444094

Четырехэтапный поиск

Четырехэтапный поиск является улучшением по сравнению с TSS с точки зрения более низкой стоимости вычислений и лучшего отношения пикового сигнала к шуму. По аналогии с NTSS, FSS [6] также работает центр пристрастный поиск и имеет положение остановки на полпути.

Алгоритм работает следующим образом:

  1. Начните с поиска в центре
  2. Установите размер шага S = 2, (независимо от параметра поиска p)
  3. Поиск в 4 точках +/- S пикселей поиск в 8 местах +/- S пикселей вокруг местоположения (0,0) местоположения 1 = 34.0460965, -117.7955275;
 2=34.0464443,-117.7990496; 3=34.0446975,-117.7999699; 4=34.0438915,-117.7952174
  1. Выберите среди 9 найденных местоположений одно с функцией минимальных затрат.
  2. Если минимальный вес находится в центре окна поиска:
    1. Установите новый размер шага как S = S / 2 (то есть S = 1)
    2. Повторите процедуру поиска с шагов 3 по 4.
    3. Выберите место с наименьшим весом в качестве вектора движения
  3. Если минимальный вес находится в одном из 8 мест, кроме центра:
    1. Установите новую точку отсчета в этом месте
    2. Зафиксируем размер шага как S = 2
    3. Повторите процедуру поиска с шагов 3 по 4. В зависимости от местоположения нового источника выполните поиск в 5 или 3 местах.
    4. Выберите место с наименьшим весом 34.043634, -117.7897651
    5. Если место наименьшего веса находится в центре нового окна, переходите к шагу 5, иначе переходите к шагу 6

Алмазный поиск

Алмазный поиск (DS)[7] Алгоритм использует ромбовидный образец точки поиска, и алгоритм работает точно так же, как 4SS. Однако нет ограничений на количество шагов, которые может сделать алгоритм.

Для поиска используются два разных типа фиксированных шаблонов,

  • Большой алмазный поисковый образец (LDSP)
  • Шаблон поиска малого ромба (SDSP)

Алгоритм работает следующим образом:

  • ЛДСП:
    1. Начните с поиска в центре
    2. Установите размер шага S = 2
    3. Поиск в 8 точках местоположения (X, Y) таким образом, что (| X | + | Y | = S) вокруг местоположения (0,0) с использованием шаблона точки поиска в виде ромба
    4. Выберите среди 9 найденных местоположений одно с функцией минимальных затрат.
    5. Если минимальный вес находится в центре окна поиска, перейдите к шагу SDSP.
    6. Если минимальный вес находится в одном из 8 местоположений, кроме центра, установите новое начало координат в этом месте.
    7. Повторить ЛДСП
  • SDSP:
    1. Установить новую точку поиска
    2. Установите новый размер шага как S = S / 2 (то есть S = 1)
    3. Повторите процедуру поиска, чтобы найти место с наименьшим весом.
    4. Выберите местоположение с наименьшим весом как расположение вектора движения вектора движения с наименьшим весом 34.0444094, -1177977943

Этот алгоритм находит глобальный минимум очень точно, так как шаблон поиска не слишком велик и не слишком мал. Алгоритм алмазного поиска имеет пиковое соотношение сигнал / шум, близкое к таковому у исчерпывающего поиска, при значительно меньших вычислительных затратах.

Адаптивный поиск по шаблону руда

Адаптивный поиск по шаблону руда (ARPS) [8] алгоритм использует тот факт, что общее движение в кадре обычно последовательный, т.е. если макроблоки вокруг текущего макроблока переместились в определенном направлении, то имеется высокий вероятность что текущий макроблок также будет иметь аналогичный вектор движения. Этот алгоритм использует вектор движения макроблока слева от него для предсказания собственного вектора движения.

Адаптивный поиск по шаблону руда выполняется следующим образом:

  1. Начните с поиска в центре (исходной точке)
  2. Найдите прогнозируемый вектор движения для блока
  3. Установите размер шага S = max (| X |, | Y |), где (X, Y) - координировать прогнозируемого вектора движения
  4. Поиск распределенных точек диаграммы направленности вокруг исходной точки с шагом S
  5. Установите точку с наименьшим весом в качестве исходной точки
  6. Поиск с использованием шаблона поиска в виде маленького ромба (SDSP) вокруг нового источника
  7. Повторяйте поиск SDSP, пока наименее взвешенная точка не окажется в центре SDSP.

Поиск по шаблону Rood напрямую помещает поиск в область, где высока вероятность найти хороший совпадающий блок. Основное преимущество ARPS перед DS заключается в том, что если прогнозируемый вектор движения равен (0, 0), он не тратит время вычислений на выполнение LDSP, но сразу начинает использовать SDSP. Более того, если прогнозируемый вектор движения находится далеко от центра, тогда ARPS снова экономит на вычислениях, напрямую перескакивая к этой окрестности и используя SDSP, тогда как DS не торопится, выполняя LDSP.

Рекомендации

  1. ^ Дабов, Костадин; Фой, Алессандро; Катковник, Владимир; Егиазарян, Карен (16 июля 2007 г.). «Шумоподавление изображения с помощью разреженной совместной фильтрации в области трехмерного преобразования». IEEE Transactions по обработке изображений. 16 (8): 2080–2095. Bibcode:2007ITIP ... 16.2080D. CiteSeerX 10.1.1.219.5398. Дои:10.1109 / TIP.2007.901238. PMID 17688213. S2CID 1475121.
  2. ^ Даниелян, Арам; Катковник, Владимир; Егиазарян, Карен (30 июня 2011 г.). «Рамки BM3D и удаление размытых изображений». IEEE Transactions по обработке изображений. 21 (4): 1715–28. arXiv:1106.6180. Bibcode:2012ITIP ... 21.1715D. Дои:10.1109 / TIP.2011.2176954. PMID 22128008. S2CID 11204616.
  3. ^ а б Дже, Чансу; Пак, Хён Мин (2013). «Оптимизированное иерархическое сопоставление блоков для быстрой и точной регистрации изображений». Обработка сигналов: передача изображений. 28 (7): 779–791. Дои:10.1016 / j.image.2013.04.002.
  4. ^ Ли, Жэньсян; Цзэн, Бинг; Лиу, Мин (август 1994). «Новый трехэтапный алгоритм поиска для оценки движения блока». IEEE Trans. Схемы и системы для видеотехники. 4 (4): 438–442. Дои:10.1109/76.313138.
  5. ^ Лу, Цзяньхуа; Лиу, Мин (апрель 1997 г.). «Простой и эффективный алгоритм поиска для оценки движения с сопоставлением блоков». IEEE Trans. Схемы и системы для видеотехники. 7 (2): 429–433. Дои:10.1109/76.564122.
  6. ^ По, Лай-Ман; Ма, Вин-Чунг (июнь 1996 г.). «Новый четырехэтапный алгоритм поиска для быстрой оценки движения блока». IEEE Trans. Схемы и системы для видеотехники. 6 (3): 313–317. Дои:10.1109/76.499840.
  7. ^ Чжу, Шань; Ма, Кай-Куанг (февраль 2000 г.). «Новый алгоритм алмазного поиска для оценки движения с быстрым согласованием блоков». EEE Trans. Обработка изображений. 9 (12): 287–290. Дои:10.1109/83.821744. PMID 18255398.
  8. ^ Не, Яо; Ма, Кай-Куанг (декабрь 2002 г.). «Адаптивный поиск по образцу руда для оценки движения с быстрым совпадением блоков» (PDF). IEEE Trans. Обработка изображений. 11 (12): 1442–1448. Дои:10.1109 / TIP.2002.806251. PMID 18249712.

внешняя ссылка

1. http://www.mathworks.com/matlabcentral/fileexchange/8761-block-matching-algorithms-for-motion-estimation

2. https://www.ece.cmu.edu/~ee899/project/deepak_mid.htm