一种帧内预测模式的选择方法和装置.pdf

本发明实施例提供了一种帧内预测模式的选择方法和装置，其中，所述帧内预测模式的选择方法，具体包括：对编码单元进行下采样，得到相应的采样单元；分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；计算各预测单元与所述编码单元之间的预测代价；依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。本发明可以降低预帧内测模式选择算法的复杂度，提高编码效率。

1.  一种帧内预测模式的选择方法，其特征在于，所述方法包括：
对编码单元进行下采样，得到相应的采样单元；
分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
计算各预测单元与所述编码单元之间的预测代价；
依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；
针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。

2.  如权利要求1所述的方法，其特征在于，所述对编码单元进行下采样，得到相应的采样单元，包括：
对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。

3.  如权利要求1所述的方法，其特征在于，所述计算各预测单元与所述编码单元之间的预测代价，包括：
计算各预测单元与所述编码单元之间的的阿达玛花费参数；
依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测代价。

4.  如权利要求1所述的方法，其特征在于，所述依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式，包括：
依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。

5.  如权利要求1所述的方法，其特征在于，所述针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式，包括：
针对所述预选预测模式计算对应的率失真代价；
确定率失真代价最小的预选预测模式为最佳的预测模式。

6.  一种帧内预测模式的选择装置，其特征在于，所述装置包括：
采样模块，用于对编码单元进行下采样，得到相应的采样单元；
预测模块，用于分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
计算模块，用于计算各预测单元与所述编码单元之间的预测代价；
预选模块，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；以及
选择模块，用于针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。

7.  如权利要求6所述的装置，其特征在于，所述采样模块，包括：
采样单元，用于对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。

8.  如权利要求6所述的装置，其特征在于，所述计算模块，包括：
第一计算单元，用于计算各预测单元与所述编码单元之间的的阿达玛花费参数；
第二计算单元，用于依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测代价。

9.  如权利要求6所述的装置，其特征在于，所述预选模块，包括：
预选单元，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。

10.  如权利要求6所述的装置，其特征在于，所述选择模块，包括：
代价计算单元，用于针对所述预选预测模式计算对应的率失真代价；
模式确定单元，用于确定率失真代价最小的预选预测模式为最佳的预测模式。

一种帧内预测模式的选择方法和装置
技术领域
本发明涉及视频编码技术领域，特别是涉及一种帧内预测模式的选择方法和装置。
背景技术
HEVC(High Efficiency Video Coding，高效视频编码标准)是新一代视频编码标准，其产生的目的是解决人们对视觉和听觉质量日益增加的需求。
对于视频编码标准来说，一个重要的组成部分是预测编码技术。预测的好坏直接决定了视频编码的效果，而预测模式的选择占用了相当大的编码时间，因而，如何能够快速而准确的从所有的预测模式中选择出最佳的模式一直是一个研究热点。
相比于H.264的9种帧内预测模式，为了达到更好的编码性能，HEVC标准提出了35种预测模式，旨在提高帧内预测的精度。然而，更多的预测模式同样带来了更高的计算复杂度。
在HEVC中，一帧图像被分割成许多互不重叠的LCU(Largest Coding Unit，最大编码单元)，每个LCU的尺寸为64×64，每个LCU又可以按四叉树递归的方式划分为许多个CU(Coding Unit，编码单元)，当LCU不划分时其尺寸为64×64的CU，深度(depth)定义为0，当LCU划分为4个子CU时，每个子CU的尺寸为32×32，depth为1，每个子CU可以独立于其它CU递归划分下去。当子CU的尺寸为8×8，即depth为3时，不再继续划分。
HEVC对一个LCU(depth＝0)进行帧内编码的过程就是先对LCU进行帧内预测模式搜索，并计算出对应的率失真代价RdCost_1，然后将LCU划分为4个子CU(depth＝1)，分别对每个子CU进行35种预测模式搜索，并求出对应的率失真代价。最后求出4个子CU的总率失真代价RdCost_2，比较RdCost_1和RdCost_2的值，如果前者小则将RdCost_1对应的最佳预测模式作为LCU的最优预测模式，否则将RdCost_2对应的最佳预测模式作为 LCU的最优预测模式。类似地，对每个子CU进行帧内预测模式搜索时会经历与LCU相同的过程，即也要将其划分为4个更小的子CU(depth＝2)，然后再做比较，如此划分下去直至CU的depth＝3。RdCost_2是4个子CU的cost和，子CU的cost本身也是层次决定的，即可以是把它作为一个CU编码，也可以继续划分为4个更小的CU进行编码，子CU的cost从二者中选择较小的那个。而且4个子CU的划分情况是独立决定的，不受彼此影响。穷尽搜索的帧内预测虽然提高了预测精度，但也极大地增加了编码复杂度和编码时间。
发明内容
本发明实施例所要解决的技术问题是提供一种帧内预测模式的选择方法和装置，能够降低预帧内测模式选择算法的复杂度，提高编码效率。
为了解决上述问题，本发明公开了一种帧内预测模式的选择方法，包括：
对编码单元进行下采样，得到相应的采样单元；
分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
计算各预测单元与所述编码单元之间的预测代价；
依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；
针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。
优选地，所述对编码单元进行下采样，得到相应的采样单元，包括：
对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。
优选地，所述计算各预测单元与所述编码单元之间的预测代价，包括：
计算各预测单元与所述编码单元之间的的阿达玛花费参数；
依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测 代价。
优选地，所述依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式，包括：
依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。
优选地，所述针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式，包括：
针对所述预选预测模式计算对应的率失真代价；
确定率失真代价最小的预选预测模式为最佳的预测模式。
依据本发明的另一方面，提供了一种帧内预测模式的选择装置，包括：
采样模块，用于对编码单元进行下采样，得到相应的采样单元；
预测模块，用于分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
计算模块，用于计算各预测单元与所述编码单元之间的预测代价；
预选模块，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；以及
选择模块，用于针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。
优选地，所述采样模块，包括：
采样单元，用于对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。
优选地，所述计算模块，包括：
第一计算单元，用于计算各预测单元与所述编码单元之间的的阿达玛花费参数；
第二计算单元，用于依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测代价。
优选地，所述预选模块，包括：
预选单元，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。
优选地，所述选择模块，包括：
代价计算单元，用于针对所述预选预测模式计算对应的率失真代价；
模式确定单元，用于确定率失真代价最小的预选预测模式为最佳的预测模式。
与现有技术相比，本发明实施例包括以下优点：
本发明实施例对编码单元进行下采样，得到相应的采样单元，并针对采样单元进行预测模式的选择，由于采样单元的像素少于编码单元的像素，故能够精简选择算法需要计算的数据量，从而能够降低选择算法的复杂度；
此外，本发明实施例不是直接针对所有预测模式计算率失真代价，而是首先从所述多种预测模式中选择预选预测模式，然后针对所述预选预测模式计算率失真代价；这相对于针对所有预测模式计算率失真代价，大大减少了计算率失真代价所涉及的数据量，从而能够进一步降低选择算法的复杂度。
附图说明
图1示出了本发明的一种帧内预测模式的选择方法实施例的步骤流程图；
图2示出了本发明的一种利用35种预测模式对像素块进行预测的示意图；以及
图3示出了本发明的一种帧内预测模式的选择装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1，示出了本发明的一种帧内预测模式的选择方法实施例的步骤流程图，具体可以包括：
步骤101、对编码单元进行下采样，得到相应的采样单元；
由于视频图像数据中往往存在着极强的相关性，像素之间的空间距离越近，那么它们的相关性也越强。本发明利用这种相关性，将编码单元进行精简，这样，对于预测模式的选择算法需要处理的数据量将大大减少，从而可以降低选择算法的复杂度与运算时间。
本发明通过对编码单元进行下采样实现编码单元的精简，这样，对所述编码单元对应的采样单元进行帧内预测，将能够减少选择算法的工作量。
在本发明的一种优选实施例中，所述对编码单元进行下采样，得到相应的采样单元，具体可以包括：对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。
在本发明的一种应用示例中，以一个2N×2N的待编码的原始像素块为例，可以对该原始像素块进行水平和垂直各一倍下采样，即保留每个偶数行偶数列坐标的像素，而抛弃其余像素，这样生成一个N×N的采样像素块(即未经损压缩的当前像素块或图像的输入像素)，即对应本发明的采样单元。
当然，在具体实施中，对编码单元进行水平和垂直各一倍下采样时，还可以保留偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素来生成相应的采样单元，本发明对此不作具体限制，另外，进行一倍下采样是为了在减少数据量的同时能够保证画面的质量，具体进行几倍的下采样本发明不做限制。
从上述下采样过程可以看出，对于一个2N×2N的编码单元经过下采样得到一个N×N的采样单元，待编码的像素减少到了原始像素的四分之一，因此，对于预测模式选择算法来说，需要运算的数据量减少了四分之三，从而能够降低运算的复杂度。此外，由于像素之间的空间上的距离越近，它们的相关性也越强，那么，相邻像素间具有很强的相关性，本发明的下采样方 法，在水平和垂直方向分别保留或抛弃相邻的像素，能够在保证不影响画面质量的前提下，降低预测的复杂度。
步骤102、分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
传统的帧内预测模式的选择方法是针对多种预测模式中的每一种，对编码单元进行编码，然后计算每一种预测模式对应的率失真代价，并选择率失真代价最小的预测模式为最佳预测模式。然而，编码与率失真代价计算过程非常复杂，为了加快模式选择的速度，本发明使用预选模式算法。具体地，可以针对多种预测模式中的每一种，对采样单元生成其对应的预测单元，然后计算各预测单元与编码单元之间的预测代价，选择预测代价最小的一种或几种作为预选预测模式计算率失真代价，最终可以确定率失真代价最小的为最佳预测模式。通过使用预选模式算法，避免了对所有的编码单元都需要先进行编码再根据所有的预测模式计算率失真代价，因此大大减少了编码及计算率失真代价的次数，从而能够在很大程度上降低预测模式选择算法的复杂度。
在本发明的一种应用示例中，多种预测模式可以包括35种，其中，具体可以包括33种方向模式(Angular模式)，1种直流模式(DC模式)和1种平面模式(Planar模式)。
对于35种预测模式中的某一种模式x，可以针对每个采样单元进行预测，得到相应的N×N的预测单元，最终可以生成35个N×N的预测单元。其预测方法同2N×2N时的预测采样计算方法，但仅保留对应下采样的N×N采样，因此计算复杂度减少了大约四分之三。
参见图2，示出了本发明的一种利用35种预测模式对像素块进行预测的示意图。
参见图2a，当前待编码的像素块是中间的正方形块，左上的灰色像素是参考像素，它们已经被编码重构，当前块的预测根据这些参考像素产生。对于33种方向预测模式中的任意一种，首先说明一个方向，然后对当前块中每一行或每一列均根据这个方向依据左上的灰色参考像素编码得到。如图 2a，对于每一行，根据方向映射到顶参考行，然后根据顶参考行像素编码得到，如果指向子像素位置，则用双线性插值获得。图2b示出了列预测模式，当前块中的每一列根据一个预说明的方向映射到左列上编码得到。如果参考列像素指向左列像素外边，那么其像素值根据这个方向从顶行映射获得，如图2c所示。图2d示出了所有33个方向预测模式。DC模式就是把左上参考像素求平均值，这个平均值就是当前块的DC预测。Planar模式就是根据左上参考像素生成一个水平梯度逐列一致和垂直梯度逐行一致的预测。
步骤103、计算各预测单元与所述编码单元之间的预测代价；
在本发明的一种优选实施例中，所述计算各预测单元与所述编码单元之间的预测代价的步骤，具体可以包括：
S1、计算各预测单元与所述编码单元之间的阿达玛花费参数；
其中，阿达玛花费参数的计算过程具体可以如下：
对于任意大小的一个像素块，如果它的宽和高都是8的倍数，那么把它分成若干8×8子块，否则分成若干4×4子块。然后对每个8×8子块或4×4子块执行阿达玛(hadamard)变换，再将所有的变换系数的绝对值累加起来得到Ap，如果当前块是4×4，那么(Ap+1)/2就是4×4块的hadamard花费，如果是8×8块，那么(Ap+2)/4就是当前8×8块的hadamard花费，一个块的hadamard花费是其所有分割出的4×4或8×8子块的hadamard花费的和。
S2、依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测代价。
具体地，可以依据上述计算出的阿达玛花费参数按照下面的公式计算出每一个预测单元对应的预测代价：
cost(x)＝(HAD(x)×12□3)+λ_motion×bit(x)    (1)
其中，HAD(x)为在35种预测模式中的某一种模式x下，各预测单元与所述编码单元之间的阿达玛花费参数，因此，总共有对应的35个预测代价，λ_motion为拉格朗日参数，它是固定的，bit(x)为当前预测模式x对应的码率花费。
本发明实施例在计算每一个预测单元对应的预测代价的过程中，对HAD(x)进行了加权运算，即HAD(x)×12□3，也即阿达玛花费参数的值乘以八分之十二，所述加权运算的目的是为了模拟2N×2N的阿达玛花费参数，未采用本发明所描述的下采样算法时用的是2N×2N的阿达玛花费参数，现在是N×N的阿达玛花费参数，但由于阿达玛变换的跨度更大(在N×N其中一个8x8分块上执行阿达玛变换相当于上采样后2N×2N块上的16x16块上的阿达玛变换)，相关性更低所以阿达玛变换的跨度值更大，所以本发明中采用的不是乘4，而是只乘八分之十二。因此，本发明实施例对所述阿达玛花费参数进行加权运算，使得计算结果更加准确，从而能够减少对于待编码单元进行下采样而带来的损失，进一步能够保证编码的整体复杂度降低约15％的情况下，而压缩效率损失仅在0.1％以下。
步骤104、依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；
在本发明的一种优选实施例中，所述依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式，包括：
依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。
具体地，从35个预测模式中，选择cost最小的一种或几种作为预选预测模式。具体选择几种预选预测模式与当前编码单元的大小有关，一般来说，更大的块倾向于采用数目更少的预选预测模式，更小的块则倾向于采用数目更多的预选预测模式。例如，对于4×4或8×8的编码单元可以选择5种，对于16×16及以上的编码单元可以选择3种。具体选择几种可以根据实际情况进行配置，原始的HEVC测试模型中的快速算法是4×4或8×8的编码单元可以选择8种，但实际中并不需要这么多，因此，本发明改成了5种。
步骤105、针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。
具体地，可以针对前述步骤中选择出的3种或者5种预选预测模式计算对应的率失真代价，并从所有预选预测模式中选择率失真代价最小的作为最 佳的预测模式。
其中，率失真代价可以依据如下公式进行计算：
J_mode(x)＝SSD(x)+λ_mode×bit(x)        (2)
其中，J_mode(x)表示预选预测模式x对应的率失真代价，bit(x)是使用预选预测模式x对当前编码单元进行编码所需要使用的位率，λ_mode是拉格朗日因子，具体可以通过以下公式计算：
λmode=α×wk×2QP-123---(3)]]>
其中，W_k依赖于编码配置方案和当前图像在GOP(Group Of Picture，图像组的长度)中的编码层次的QP(QuantizationParameter，量化参数)偏移量，其取值在0.4到2之间，α的值取决于当前编码图像是否为参考图像以及B帧数目，α的取值可以在0.5到1之间，如果当前编码图像为非参考图像，则α＝1，否则，α的值可以通过以下公式计算：
α＝1-clip3(0，0.5，0.05×num_bfrm)       (4)
其中，num_bfrm为一个GOP中B帧数目，例如当编码层次为8时，num_bfrm为7，SSD为原始像素块中的像素和编码后的重构像素之间的平方差之和。
综上，本发明实施例具有如下优点：
首先，本发明实施例对编码单元进行下采样，得到相应的采样单元，并针对采样单元进行预测模式的选择，由于采样单元的像素少于编码单元的像素，故能够精简选择算法需要计算的数据量，从而能够降低选择算法的复杂度；
此外，本发明实施例不是直接针对所有预测模式计算率失真代价，而是首先从所述多种预测模式中选择预选预测模式，然后针对所述预选预测模式计算率失真代价；这相对于针对所有预测模式计算率失真代价，大大减少了计算率失真代价所涉及的数据量，从而能够进一步降低选择算法的复杂度；
进一步地，由于相邻像素间具有很强的相关性，本发明在水平和垂直方向分别进行各一倍下采样，能够在保证不影响画面质量的前提下，降低预测的复杂度；
最后，本发明在计算每一个预测单元对应的预测代价时，对原始算法进行了改进，即通过对所述阿达玛花费参数进行加权运算来计算每一个预测单元对应的预测代价，使得计算结果更加准确，从而能够减少对于待编码单元 进行下采样而带来的损失，进一步能够保证编码的整体复杂度降低约15％的情况下，而压缩效率损失仅在0.1％以下。
装置实施例
参照图3，示出了本发明的一种帧内预测模式的选择装置实施例的结构框图，具体可以包括：
采样模块310，用于对编码单元进行下采样，得到相应的采样单元；
预测模块320，用于分别利用多种预测模式中的每一种对所述采样单元进行预测，得到相应的预测单元；
计算模块330，用于计算各预测单元与所述编码单元之间的预测代价；
预选模块340，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预选预测模式；以及
选择模块350，用于针对所述预选预测模式计算对应的率失真代价，并依据所述率失真代价从所有预选预测模式中选择最佳的预测模式。
在本发明的一种优选实施例中，所述采样模块310，包括：
采样单元，用于对编码单元分别进行水平和垂直各一倍下采样，得到相应的采样单元；其中，所述采样单元包括所述编码单元中偶数行偶数列、或偶数行奇数列、或奇数行奇数列、或奇数行偶数列的像素。
在本发明的另一种优选实施例中，所述计算模块330，包括：
第一计算单元，用于计算各预测单元与所述编码单元之间的的阿达玛花费参数；
第二计算单元，用于依据加权后的阿达玛花费和码率花费计算每一个预测单元对应的预测代价。
在本发明的又一种优选实施例中，所述预选模块340，包括：
预选单元，用于依据各预测单元对应的预测代价，从所述多种预测模式中选择预测代价最小的一种或几种作为预选预测模式。
在本发明的再一种优选实施例中，所述选择模块350，包括：
代价计算单元，用于针对所述预选预测模式计算对应的率失真代价；
模式确定单元，用于确定率失真代价最小的预选预测模式为最佳的预测模式。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计 算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种帧内预测模式的选择方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。