A Genetic Approach-Based Intra Coding Algorithm for H.266/VVC

Cover Page

Cite item

Full Text

Abstract

This paper presents a genetic approach for optimizing intra coding in H.266/VVC. The proposed algorithm efficiently selects coding tools and Multi-Type Tree (MTT) partitions to achieve a balance between encoding time and video quality. The fitness evaluation function, which combines perceptual metrics and coding efficiency metrics, is used to assess the quality of each candidate solution. The results demonstrate a significant reduction in encoding time without compromising video quality. The proposed algorithm selects coding tools from a set of available tools in H.266/VVC. These tools include intra prediction modes, transform units, quantization parameters, and entropy coding modes. The MTT partitioning scheme includes four types of partitions: quadtree, binary tree, ternary tree, and quad-binary tree. Perceptual metrics are used to evaluate the visual quality of the encoded video. Coding efficiency metrics are used to evaluate the coding efficiency of the encoded video. The fitness evaluation function combines perceptual metrics and coding efficiency metrics to assess the quality of each candidate solution.

About the authors

M. K Ibraheem

Moscow Institute of Physics and Technology (MIPT)

Author for correspondence.
Email: ibragim.m@phystech.edu
Institutsky Lane 9

A. I Abdalameer

Russian Technological University RTU MIREA

Email: misnew6@gmail.com
Vernadskogo Av. 78

A. Z Hatif Naji

Moscow Institute of Physics and Technology (MIPT)

Email: al-azzavi.z@phystech.edu
Institutsky Lane 9

References

  1. Fu T., Zhang H., Mu F., Chen H. Fast CU Partitioning Algorithm for H.266/VVC Intra-Frame Coding. IEEE International Conference on Multimedia and Expo (ICME). 2019. pp. 55–60. doi: 10.1109/ICME.2019.00018.
  2. Tsai Y.-H., Lu C.-R., Chen M.-J., Hsieh M.-C., Yang C.-M., Yeh C.-H. Visual Perception Based Intra Coding Algorithm for H.266/VVC. Electronics. 2023. vol. 12(9). no. 2079. doi: 10.3390/electronics12092079.
  3. Zhao J., Wu A., Zhang Q. SVM-Based Fast CU Partition Decision Algorithm for VVC Intra Coding. Electronics. 2022. vol. 11(14). no. 2147. doi: 10.3390/electronics11142147.
  4. Wang F., Wang Z., Zhang Q. FSVM- and DAG-SVM-Based Fast CU-Partitioning Algorithm for VVC Intra-Coding. Symmetry (Basel). 2023. vol. 15(5). no. 1078. doi: 10.3390/sym15051078.
  5. PyGAD: Genetic Algorithm in Python. GeneticAlgorithmPython, 2023. URL: https://github.com/ahmedfgad/GeneticAlgorithmPython (accessed 22.11.2023).
  6. Zhang Q., Wang Y., Huang L., Jiang B. Fast CU Partition and Intra Mode Decision Method for H.266/VVC. IEEE Access. 2020. vol. 8. pp. 117539–117550. doi: 10.1109/ACCESS.2020.3004580.
  7. Fan Y., Chen J., Sun H., Katto J., Jing M. A Fast QTMT Partition Decision Strategy for VVC Intra Prediction. IEEE Access. 2020. vol. 8. pp. 107900–107911. doi: 10.1109/ACCESS.2020.3000565.
  8. Yang H., Shen L., Dong X., Ding Q., An P., Jiang G. Low-Complexity CTU Partition Structure Decision and Fast Intra Mode Decision for Versatile Video Coding. IEEE Trans. Circuits Syst. Video Technol. 2019. vol. 30. no. 6. pp. 1668–1682. doi: 10.1109/TCSVT.2019.2904198.
  9. Wu G., Huang Y., Zhu C., Song L., Zhang W. SVM Based Fast CU Partitioning Algorithm for VVC Intra Coding. IEEE International Symposium on Circuits and Systems (ISCAS). 2021. pp. 1–5. doi: 10.1109/ISCAS51556.2021.9401614.
  10. Zhang H., Yu L., Li T., Wang H. Fast GLCM-based Intra Block Partition for VVC. Data Compression Conference (DCC). 2021. pp. 382–382. doi: 10.1109/DCC50243.2021.00060.
  11. Zhao J., Wu A., Jiang B., Zhang Q. ResNet-Based Fast CU Partition Decision Algorithm for VVC. IEEE Access. 2022. vol. 10. pp. 100337–100347. doi: 10.1109/ACCESS.2022.3208135.
  12. Chen M.-J., Lee C.A., Tsai Y.H., Yang C.M., Yeh C.H., Kau L.J., Chang C.Y. Efficient Partition Decision Based on Visual Perception and Machine Learning for H.266/Versatile Video Coding. IEEE Access. 2022. vol. 10. pp. 42141–42150. doi: 10.1109/ACCESS.2022.3168155.
  13. Huo J., Sun Y., Wang H., Wan S., Yang F., Li M. Unified Matrix Coding for NN Originated MIP in H.266/VVC. ICASSP 2022 – 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2022. pp. 1635–1639. doi: 10.1109/ICASSP43922.2022.9746799.
  14. Yang S., Hsiao S. H.266/VVC fast intra prediction using Sobel edge features. Electron. Lett. 2021. vol. 57. no. 1. pp. 11–13. doi: 10.1049/ell2.12011.
  15. Chen C., Wang X. A Novel Selective Encryption Scheme for H.266/VVC Video. IEEE International Conference on Image Processing (ICIP). 2023. pp. 1225–1229. doi: 10.1109/ICIP49359.2023.10222774.
  16. Kwon Y., Cho K. Design of High-performance Unified DST-7/DCT-8 Circuit for Video Encoding based on H.266/VVC. Journal of the Institute of Electronic Engineers. 2022. vol. 59. no. 1. pp. 10–18. doi: 10.5573/ieie.2022.59.1.10.
  17. Zhou Y.-G., Chen J.-J. Speed up H.266/VVC Intra Coding based on Statistical Heuristic and Deep Learning Methods. International Conference on Consumer Electronics – Taiwan (ICCE-Taiwan). 2023. pp. 451–452. doi: 10.1109/ICCE-Taiwan58799.2023.10226774.
  18. Regensky A., Herglotz C., Kaup A. Motion Plane Adaptive Motion Modeling for Spherical Video Coding in H.266/VVC. IEEE International Conference on Image Processing (ICIP). 2023. pp. 875–879. doi: 10.1109/ICIP49359.2023.10222661.
  19. Gou A., Sun H., Liu C., Zeng X., Fan Y. A novel fast intra algorithm for VVC based on histogram of oriented gradient. Journal of Visual Communication and Image Representation. 2023. vol. 95. doi: 10.1016/j.jvcir.2023.103888.
  20. Liu L., Yang J. An Adaptive CU Split Method for VVC Intra Encoding. International Journal of Information Technologies and Systems Approach (IJITSA). 2023. vol. 16. no. 2. pp. 1–17. doi: 10.4018/IJITSA.322433.
  21. Jing Z., Zhu W., Zhang Q. A Fast VVC Intra Prediction Based on Gradient Analysis and Multi-Feature Fusion CNN. Electronics. 2023. vol. 12(9). no. 1963. doi: 10.3390/electronics12091963.
  22. Lee M., Song H., Park J., Jeon B., Kang J., Kim J.G., Lee Y.-L., Kang J.-W., Sim D. Overview of Versatile Video Coding (H.266/VVC) and Its Coding Performance Analysis. IEIE Trans. Smart Process. Comput. 2023. vol. 12. no. 2. pp. 122–154. doi: 10.5573/IEIESPC.2023.12.2.122.
  23. Park J., Lee J., Kim B., Jeon B. Learning-based Early Transform Skip Mode Decision for VVC Screen Content Coding. IEEE Transactions on Circuits and Systems for Video Technology. 2023. vol. 33. no. 10. pp. 6041–6056. doi: 10.1109/TCSVT.2023.3257224.
  24. Teng Q., Teng G., Li X., Ma R., An P., Yang Z. Lookahead Search-Based Low-Complexity Multi-Type Tree Pruning Method for Versatile Video Coding (VVC) Intra Coding. IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. 2023. vol. E106.A. no. 3. doi: 10.1587/transfun.2022EAP1022.
  25. Wang Y., Dai P., Zhao J., Zhang Q. Fast CU Partition Decision Algorithm for VVC Intra Coding Using an MET-CNN. Electronics. 2022. vol. 11(19). no. 3090. doi: 10.3390/electronics11193090.
  26. Xu Q., Xu D., Wang H., Mi Z., Wang Z., Yan H. Detecting double H.266/VVC compression with the same coding parameters. Neurocomputing. 2022. vol. 514. pp. 231–244. doi: 10.1016/j.neucom.2022.09.153.
  27. Shang X., Li G., Zhao X., Zuo Y. Low complexity inter coding scheme for Versatile Video Coding (VVC). Journal of Visual Communication and Image Representation. 2023. vol. 90. doi: 10.1016/j.jvcir.2022.103683.
  28. CPIH subset of the database for CU Partition of HEVC (CPH). 2018. URL: https://github.com/HEVC-Projects/CPIH (accessed 22.11.2023).
  29. UVG dataset. 2023. URL: https://www.kaggle.com/datasets/minhngt02/uvg-yuv (accessed 22.11.2023).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».