文章目录
Title: A Fast Intra CU Size Decision Algorithm Based on Canny operator and svm classifier
题目：一种基于Canny算子和SVM分类器的快速帧内编码块划分方法
来源：2018ICIP，HIT，C Sun.et al
HEVC帧内编码主要分为块划分和模式判决两个过程，前者通过递归四叉树得到，后者需要穷35种模式，十分耗时，针对块划分过程，本文提出了改进的canny边缘检测算子和svm结合的块划分加速算法。
motivation
从下面的CU划分例子中，不难发现纹理的复杂度貌似和CU划分深度正相关，图片越平滑的部分，块的尺寸就越大，反之越少。
contour based CU partition termination algorithm
基于上面的猜想，本文提出了基于轮廓的CU划分终止算法框架：
基本的处理流程如下：
- 遍历所有像素点，基于改进canny算子标记轮廓点；
- 将当前CU中的边缘点数目和svm得到的阈值比较
- 如果边缘点数目大于阈值，说明该CU比较复杂，应当继续划分；
- 如果边缘点数目小于阈值，说明CU比较平滑，应该停止划分
- 如果划分后最小尺寸小于8*8，则停止本次划分
下面依次介绍算法中出现的改进canny算子和svm的设置
改进canny算子
传统canny算子的详细描述略过，其存在两个问题：
- 阈值是预设的(preset)，不适合动态的视频内容
- 非极大值抑制容易造成边缘断裂，而且额外引入了计算量，因为对于块划分来说，我们关注的是纹理信息，而不是轮廓是否完美，取消非极大值抑制并不影响结论；
传统canny检测算子为避免非极大值抑制造成的轮廓断续，往往会采用双门限阈值的方法。
基于此，本文提出的改进canny算子的步骤：
- 高斯滤波；
- 计算每个像素的梯度幅值和角度(?)
- 将幅值大于20的点设置为0(?)
- 将孤立点设置为0
第三步和第四步取代了传统非极大值抑制的过程，本文称其为 isolated point suppression process，由于取消了非极大值抑制，canny算子的复杂度降低了20%左右。
实验对比
两个双门限的传统canny检测算子和本文改进的canny检测算子的效果图：
可见，取消非极大值抑制果然造成了边缘线的模糊，但是将三者的划分结果和最优结果（遍历得到）相比，本文的方法的正确率是最高的：
SVM based CU partition method
SVM可以用来判断当前CU是否是平滑的，以此决定是否要终止划分。
我们采用线上和线下结合的方式进行训练，为了最大化训练效果，SVM分类器会使用group of intra pictures第一张图片进行on-line training，当然如果第一张图片的信息太少，不足以训练，则会使用off-line training的SVM分类器。
SVM的特征：1. contour_ratio，当前CU中的边缘点的平均数量；2. 相邻（左上、上、左）的CU的加权平均RD_loss
c o n t o u r _ r a t i o = c o n t o u r _ s u m p i x e l _ s u m contour\_ratio=\frac{contour\_sum}{pixel\_sum} contour_ratio=pixel_sumcontour_sum
contour_sum：当前CU中的轮廓点数量，pixel_sum：当前CU的总像素数
R D _ r a t i o = ∑ i = 1 3 w i R D i p i x e l _ s u m RD\_ratio=\sum_{i=1}^{3}w_i\frac{RD_i}{pixel\_sum} RD_ratio=i=1∑3wipixel_sumRDi
其中，权重系数是自适应得到的，其应该正比于临近块和当前块的相关系数，反比于当前块的contour_ratio（contour_ratio越大，则说明当前CU越不smooth，即与临近块的差别就越大，权重系数就越小），因而得到经验公式：
w i = e − ∣ c o n t o u r _ r a t i o c u r r e n t − c o n t o u r _ r a t i o n i ∣ ∑ i = 1 3 e − ∣ c o n t o u r _ r a t i o c u r r e n t − c o n t o u r _ r a t i o n i ∣ w_i=\frac{e^{-|contour\_ratio_{current}-contour\_ration_{i}|}}{\sum_{i=1}^3e^{-|contour\_ratio_{current}-contour\_ration_{i}|}} wi=∑i=13e−∣contour_ratiocurrent−contour_rationi∣e−∣contour_ratiocurrent−contour_rationi∣
特征选择的合理性
通过做实验，发现将contour_ratio和RD_ratio结合起来的效果是最好的，能够使hit_rate达到90%以上，实验中的五类视频素材为(2K，1080p，WVGA，QWVGA，720p)
Experiment
其中canny算子花费了总时间的0.6%，SVM训练和测试耗费了总时间的0.8%.
summary
本文为什么效果这么好，作者提出了两点可能的原因，1. canny算子是定制化的，即使用isolated suppression代替了极大值抑制；2. 本文的方法是up-to-down的，在SVM的帮助下直接决定CU划分方式。
评价
这篇文章还有很大的问题，canny算子的threshold为什么取20，尤其是第三步很难理解，怀疑是作者写反了； 而且svm和canny算子的结合较为生硬，尤其是svm部分的公式较为感性，没有严格推导，仅能从单调性上证明公式没有问题。
可以借鉴的点就是作者将划分标准和纹理复杂度结合在一起，并想到了canny边缘检测的方式统计轮廓点，以此作为判决是否平滑的重要标准，svm的特征选择也较为巧妙，临近块的RD_loss的权重正好能够使用contour_ratio自适应地得到。
，并想到了canny边缘检测的方式统计轮廓点，以此作为判决是否平滑的重要标准，svm的特征选择也较为巧妙，临近块的RD_loss的权重正好能够使用contour_ratio自适应地得到。