买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利基于轻量级深度学习模型的视频编码CU块分类方法及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119484846B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411643823.6，技术领域涉及：H04N19/176；该发明授权基于轻量级深度学习模型的视频编码CU块分类方法及介质是由李强;张贵;刘齐设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于轻量级深度学习模型的视频编码CU块分类方法及介质在说明书摘要公布了：本发明请求保护一种基于轻量级深度学习模型的视频编码CU块分类方法，适用于视频编码领域。该方法首先对输入图像进行分块处理，将其划分为多个128×128像素的图像块，并提取每个图像块的亮度信息。通过归一化处理后，亮度数据作为深度学习模型的输入，用于生成多个类别的分类概率。对于每个图像块的子单元，逐像素比较不同类别的概率，并为其分配最高概率的类别标签。随后，基于子单元的分类结果，统计每个CU块中各类别的数量，并根据统计信息为CU块分配对应的类型。CU块可同时属于多个类别，采用按位操作确定其最终类别。本发明通过精确的CU块分类，不仅提高了编码效率，还为后续的模式划分和选择提供了数据支持，适用于实时性要求较高的视频编码应用场景。

本发明授权基于轻量级深度学习模型的视频编码CU块分类方法及介质在权利要求书中公布了：1.一种基于轻量级深度学习模型的视频编码CU块分类方法，其特征在于，包括以下步骤： S1、设计轻量级的卷积神经网络CNN模型，用于编码单元CU类型的分类； S2、采集用于训练CNN模型的视频序列数据集，视频序列涵盖A动画类、CC摄像机拍摄内容类和TGM带运动的文字和图形类，对采集的数据集进行划分，20％的样本作为测试集，80％的样本作为训练集； S3、对采集到的视频序列集进行预处理，对不同类型视频数据进行标注，构建用于训练CNN模型的训练数据集； S4、基于步骤S3构建的训练数据集，使用机器学习方法对设计的CNN模型进行训练，采用反向传播算法更新模型参数，使用验证集对训练好的模型进行性能评估，优化模型的准确率； S5、将步骤S4中训练好的CNN模型部署至高效视频编码HEVC、通用视频编码VVC视频编码器中，对待编码视频的CU类型进行分类； 所述步骤S5中，将训练好的CNN模型部署至HEVC、VVC视频编码器中，对待编码视频的CU块类型进行分类，具体过程如下： S51、根据当前待编码帧的分辨率，计算该帧128×128大小图像块的数量；按从左至右、从上至下的顺序读取一个图像块，进入步骤S52；若读取的图像块不足128×128，则进入步骤S59； S52、提取并保存128×128图像块每个像素的亮度信息；将每个像素的亮度值归一化至0至1区间中某个值，以满足神经网络模型输入标准化的要求，进入步骤S53； S53、加载预训练的CNN模型，将归一化后的亮度信息转换为模型输入格式的张量Tensor，然后输入到CNN模型进行推理，进入步骤S54； S54、经模型推理后生成每个图像块的分类概率，即为三个通道的概率值，分别对应三个不同的类别；对数组采用行优先的Z字形索引法存储，每个图像块的索引由图像块的行号乘以图像块的宽度，加上列号得到；将输出结果存储到指定内存中，以便后续访问和分类操作，进入步骤S55； S55、检查当前待编码CU块是否为亮度分量，且CU位置为非边界，如果是，进入步骤S56；如果不是，则进入步骤S59； S56、依据模型输出的分类概率遍历每个CU块的4×4像素子区域；依次读取各子区域的分类概率，对比三种类别的概率值，选择具有最高概率的类别标签，并将该标签赋予4×4区域；通过这种方式，生成当前CU块的初步类别分布图，并将每个4×4区域的类别标签存储在二维数组中，用于进一步的统计处理，进入步骤S57； S57、利用位运算计算CU块的最终类别标签：首先初始化类别计数数组，统计当前CU块中各类别的数量；遍历CU块内的所有4×4子区域，将每个区域的类别标签计入相应的类别计数中，逐类别进行累加；初始化CU块的最终类别标签变量；使用位运算结合多个类别信息，若某类别在CU块中出现，则通过位运算将该类别的标志位添加至CU块的类别标签中，使得每一位表示一个类别；通过该方式，当多个类别均出现时，类别标签将记录所有出现的类别信息；此步骤完成后，CU块的类别标签包含当前CU块内所有出现的类别，进入步骤S58； S58、根据CU块的类别标签解析其内容类型；CU块的类别标签已通过位运算表示出该CU块内的所有类别信息，每一位对应一种类别；通过读取类别标签的各位状态，确定当前CU块包含的内容类型，包括A类、CC类、TGM类和Mixed类；这里的Mixed类为包含A类、CC类和TGM类其中两类或三类的混合类型；解析后的类别标签为后续编码过程提供了内容类别支持，使编码器能够根据该CU块的特征进行自适应编码；进入步骤S59； S59、结束当前CU块类型分类； 所述步骤S57中，模型输出为每个CU块的类别概率信息；模型的输出经过处理后，将概率信息用于计算每个4×4像素单元中各类别的出现频率；CU块类型包含四类：A类、CC类、TGM类和Mixed类；根据类别的出现情况，使用按位操作对不同类别进行编码，将这些信息记录在CU类别编码中，以确保当前CU块的类别组合情况被高效地存储和调用； 所述步骤S57中，CU块类别的计算通过按位操作公式来实现，用于确定CU块中各类别的组合情况；CU块类别包含四类：CC类、A类、TGM类和Mixed类，以下公式用于计算CU块类别编码： 其中，CUCategoryEncoding表示CU类别；i表示类别的索引值，0表示CC类，1表示A类，2表示TGM类，其他表示Mixed类；Pc表示布尔值，类别存在则为1，否则为0；1＜＜i表示将1按位左移到类别对应的位置上。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。