高效视频编码(HEVC)标准在提升编码性能的同时，对系统带宽提出了更高的要求。传统电互连方式存在带宽小和时延大的问题，而光互连的高带宽和低功耗为片上资源数据通信提出了新的解决方案。然而由于工艺水平的限制，集成光器件无法在现场可编程门阵列（FPGA）芯片内部实现。采用片外光器件模拟片上光互连系统可以达到原型验证的目的。文章基于BEE4开发平台在单片上采用电互连方式进行数据通信，在Xilinx V6系列芯片间通过接入4通道小型可插拔+（QSFP+）光模块搭建光通信链路，构建光通信网络，实现了光电混合互连网络原型系统。以分辨率176×144的标准测试序列akiyo_qcif_176×144.yuv为例进行测试，实验结果表明，以光链路替代片间电通信能够正确实现，且板间传输时间仅为电互连的一半，综合频率为51.327 MHz。

近年来，卷积网络深度学习已在图像处理、目标检测等领域取得巨大成功。受其启发，将卷积神经网络(CNN)应用于传统视频压缩标准已成为一个新的研究热点。本文提出一种集成卷积神经网络的高效视 频编码(HEVC)压缩改进算法，将下采样过程、HEVC的编解码过程、上采样及质量增强过程集成为一体。为高效提取视频帧的结构特征，在所提压缩算法中集成了两个卷积神经网络。提出了一种下采CNN(DwSCNN)代替双 三次下采，在有效降低分辨率的同时保留细节信息，得到更为紧凑的低分辨率视频序列，将此低分辨率视频序列通过HEVC帧内编码进行进一步的数据量压缩，通过提出一个质量增强CNN(PPCNN)来改善解码后恢复到原 始分辨率的降质视频序列。实验结果显示，本文压缩改进算法在低码率段与标准HEVC相比，能达到更好的质量重建，并且在接近一致的PSNR值时，能节省39.46%的时间和11.04%的比特率，本文算法的视频压缩性能优 于HEVC标准算法和相关文献方法。

分布式视频编码(DVC)与传统视频编码之间的转码为移动终端设备之间的低功耗视频通信提供了一种有效的实现思路。以DVC与HEVC转码为研究对象，利用DVC解码端信息，针对高效视频编码(HEVC)中复杂度极高的编码单元(CU)划分过程进行复杂度优化研究。在DVC解码端提取与CU划分相关的纹理复杂度、运动矢量及预测残差3种特征信息；在HEVC编码端基于朴素贝叶斯原理建立CU快速划分模型，模型生成后便可以通过输入特征信息对当前CU划分进行快速决策，避免大量率失真(RD)代价计算过程。实验结果表明，本方案在编码比特率略有上升的情况下大幅缩短了HEVC编码时间，平均下降幅度达到58.26%，且几乎不影响视频质量。

为降低高效视频编码(HEVC)中帧内预测编码复杂度和编码耗时,提出一种基于预测单元(PUs)尺寸的HEVC帧内预测模式快速选择的改进算法。对最大尺寸PUs利用统计概率分层构建进入粗选择模式(RMD)过程的模式列表,对其他尺寸PUs分别采用两种不同方式提取纹理方向构建进入RMD过程的模式列表,其中对32×32、16×16尺寸PUs采用像素梯度提取纹理方向,对8×8、4×4采用像素值偏差提取纹理方向,从而减少进入RMD过程模式数量,有效降低编码时间。实验结果表明,本算法所用编码时间比测试模型HM16.9减少32.2%,而码率仅仅增加了0.86%。与现有优秀算法相比,本文算法进一步降低编码耗时,保证了编码质量。

为降低高效视频编码(HEVC)的帧内编码复杂度，提出一种基于图像纹理特征的编码单元(CU)划分和预测模式选择算法。利用一种预处理算法来获得当前CU的纹理复杂度和方向。一方面，根据CU的纹理复杂度，该算法自适应地跳过或终止部分CU划分，减少CU深度的遍历时间。纹理复杂度高的CU直接划分成4个子CU，纹理复杂度低的CU将会终止划分。另一方面，根据预测单元的纹理方向，确定相应的候选模式集，通过粗模式决策算法和率失真最优化算法遍历候选模式集选取最优模式。将算法移植到标准食品解码软件HM16.7平台上，实验结果表明，与HM16.7算法相比，编码时间平均减少53.66%，比特率上升0.46%，峰值信噪比下降0.05 dB。

为了降低新一代高效视频编码 (High Efficiency Video Coding, HEVC) 标准的编码复杂度，提出了一种基于四叉树结构类型分析和早期编码单元(Coding Unit, CU)裁剪的HEVC快速编码新算法。首先，通过分析已编码的最大编码单元(Largest CU, LCU)四叉树结构类型，确定其深度遍历区间(Depth Range, DR)类型。然后，利用相邻已编码的LCU以及前向参考帧和后向参考帧中坐标位置相同的LCU的DR类型来预测当前LCU的DR类型，并根据预测得到的DR类型对当前LCU设定CU深度遍历区间。最后，采用贝叶斯决策原理获取阈值，并利用该阈值在CU分割过程进行早期CU裁剪。实验结果表明：相对于原始HEVC编码结构，本文算法在随机访问模式下编码时间平均减少41.55%，BDBR（Bjontegaard Delta Bit Rate）只增加约1.94%，BDPSNR（Bjontegaard Delta Peak Signaltonoise Rate）只降低了0.06 dB；与Shen方案相比，该算法可以降低12%左右的计算复杂度，BDBR只增加约1.09%，BDPSNR只降低了0.03 dB。