DCS算法在進(jìn)行運動估計匹配運算時，有三種可能的情況：
　　(1)若MBD點位于LDCSP中心位置，說明圖像是靜止的，DCS算法一步結(jié)束；
　　(2)若MBD點位于LDCSP小十字位置，說明圖像的運動較小，則在此基礎(chǔ)上按照SDCSP模板反復(fù)進(jìn)行交叉搜索。
　　(3)若MBD點位于LDCSP大十字位置，說明圖像的運動較大，則在此基礎(chǔ)上按照LDCSP模板反復(fù)進(jìn)行交叉搜索。
　　由此可以看出，DCS算法的優(yōu)點是，可以根據(jù)圖像的運動類型(如上述三種情況)，白適應(yīng)選擇下一步相應(yīng)的搜索模板，使搜索與圖像內(nèi)容有關(guān)(基于內(nèi)容的搜索)，從而得到較好的搜索效果；DCS算法的搜索并不一定要經(jīng)歷模板由大到小的必然過程，有時一步即可完成搜索；用DCS搜索時，十字形模板對應(yīng)于實際的運動矢量分布，交叉形模板則有準(zhǔn)確性“聚焦”特性，這從本質(zhì)上體現(xiàn)了DCS是粗定位和準(zhǔn)確定位的有效結(jié)合。<Script type=text/javascript> function ImgZoom(Id)//重新設(shè)置圖片大小防止撐破表格 { var w =
$(Id).width; var m = 650; if(w < m){return;} else{ var h = $(Id).height; $(Id).height = parseInt(h*m/w); $(Id).width = m; } } window.onload = function() { var Imgs = $("content").getElementsByTagName("img"); var i=0; for(;i
　　視頻圖像的運動矢量大部分為零矢量或運動很小的矢量。運動矢量為零的塊稱為靜止塊；運動矢量很小的塊(以搜索窗口中心為圓心，兩像素為半徑的圓內(nèi))稱為準(zhǔn)靜止塊：而其他的稱為運動塊。如果有超過80％運動矢量很小的塊可被看作靜止或準(zhǔn)靜止塊。因此，可設(shè)一個閥值T，當(dāng)運動矢量的值小于T時，可用SDCSP搜索法直接進(jìn)行精確定位，找出最優(yōu)點；當(dāng)運動矢量的值大于T時，可用LDCSP搜索算法找出最優(yōu)點。
　　運動矢量空間域的預(yù)測方式有運動矢量中值預(yù)測、空間域的上層塊模式運動矢量；在時間域的預(yù)測方式有前幀對應(yīng)塊運動矢量預(yù)測和時間域的鄰近參考幀運動矢量預(yù)測。本文采用運動矢量中值預(yù)測方式。根據(jù)與當(dāng)前E塊相鄰的左邊A塊，上邊B塊和右上邊C塊的運動矢量，取中值作為當(dāng)前塊的預(yù)測運動矢量。如圖2所示。

　　設(shè)當(dāng)前要編碼塊E的運動矢量為MVp。如果運動矢量的值MVp≥T，則與E塊相鄰的各塊間運動的相關(guān)性較高，表明該區(qū)域的變化比較平緩；如果運動矢量的值MVp<T，則與E塊相鄰的各塊間運動的相關(guān)性較低，表明該區(qū)域變化比較劇烈。通過對missa、grandmother、carphone、salesman的檢測可知，取閾值T=2。
　　3 自適應(yīng)運動估計算法
　　結(jié)合上述DCS算法和閾值的確定，可采取先對視頻圖像的運動塊進(jìn)行閾值的判斷，再根據(jù)判斷結(jié)果進(jìn)行最佳匹配塊的搜索。具體搜索步驟描述如下：
　　Step 1：判斷當(dāng)前塊運動矢量MVp和閾值確大小。若MVp≥T，則進(jìn)入Step 2；若MVp<T，則進(jìn)入Step 5。
　　Step 2：用LDCSP在搜索區(qū)域中心及周圍8個點進(jìn)行匹配運算，然后判斷，找出MBD點。若MBD點位于中心點，說明宏塊是靜止的，DCS算法一步結(jié)束，得到最優(yōu)匹配塊；否則進(jìn)行Step 3。
　　Step 3：若MBD點為LDCSP模版的小十字處，以該點為中心構(gòu)建SDCSP進(jìn)行匹配計算，若MBD點位于中心點，所得MBD點為所求。否則，進(jìn)入Step 4。
　　Step 4：若MBD點為LDCSP模版的大十字處，以該點為中心構(gòu)建LCSP進(jìn)行匹配計算，進(jìn)入step 2。
　　Step 5：用LDCSP在搜索區(qū)域中心及周圍5個點進(jìn)行匹配運算，然后判斷，找出MBD點。若MBD點位于中心點，所得MBD點為所求；否則繼續(xù)Step 5。
　　算法流程圖如圖3所示

   type=text/javascript> function ImgZoom(Id)//重新設(shè)置圖片大小 防止撐破表格 { var w =$(Id).width; var m = 650; if(w < m){return;} else{ var h = $(Id).height;$(Id).height = parseInt(h*m/w); $(Id).width = m; } } window.onload = function(){ var Imgs = $("content").getElementsByTagName("img"); var i=0; for(;i4 實驗結(jié)果及說明用搜索時間和PSNR值兩個指標(biāo)來驗證DCS的性能。本節(jié)實驗用到的所有視頻文件均為QCIF(Quartet commonintermediate format)格式。實驗以主頻1．8GHz的PC機上運行的VisualC++6．0為平臺。測試對象為：missa、salesman、news、grandmother、foreman、carphone、claire，搜索范圍為16×16的矩形框，量化范圍為2～12，測試序列中每幀圖像的大小為176×144。
　　4．1 搜索時間的比較
　　為了時間測試的準(zhǔn)確性，測試時采用的是VC++提供的兩個精確時間函數(shù)：QueryPerformanceFrequency()和OuerPerformanceCounter()精度對標(biāo)準(zhǔn)測試序列missa、salesman、news、grandmother、foreman、carphone進(jìn)行精確測定，得表1(數(shù)據(jù)均為三次測量所求得的平均值)。

　　從表1可知：a．FS搜索效果最佳，但耗時太長；DS算法有較大改進(jìn)，可以實現(xiàn)實時壓縮；DCS比DS，運行時間都有不同程度的減少，故DCS算法在搜索速度有優(yōu)勢。b．從單個序列來看，DCS算法對missa和salesman時間優(yōu)化最為顯著，分別只占FS算法的7．42％、7．50％和DS算法的98．17％、97．49％；對carphone序列的搜索速度也有很大優(yōu)化，占FS搜索算法的7．97％和DS算法的97．82％。綜合視頻特性可知：DCS算法針對運動平緩的視頻對象搜索速度優(yōu)化明顯。
　　4．2 信噪比的比較
　　對標(biāo)準(zhǔn)測試序列claire和carphone序列進(jìn)行測定，計算PSNR得表2。

　　表2中FS的平均PSNR最高，達(dá)到42．38，但搜索時間最長；DS的PSNR最低，為42．31，而DCS為42．35，高于DS算法，且僅低于FS算法0．03dB。從單個序列來看，DCS算法對claire的優(yōu)化程度最大，超過了FS的PSNR值，說明DCS算法身體靜止僅面部表情運動特點視頻適用。用DCS算法計算得到的carphone的PSNR值雖然低于FS算法，但高于DS算法；missa序列的DCS算法的PSNR值和FS、DS法的相差不大。故DCS算法在搜索速度、圖像質(zhì)量上均有保證。
　　5 結(jié)束語
　　本文從搜索時間和圖像質(zhì)量兩方面對各種塊匹配運動估計算法進(jìn)行了性能分析比較。實驗結(jié)果表明，將菱形十字交叉搜索算法和閾值判斷結(jié)合，在搜索速度方面，有很大程度的優(yōu)化，而且能得到與FS、DS搜索算法相當(dāng)?shù)膱D像質(zhì)量。DCS算法針對運動平緩的視頻作用明顯，由此推知該算法適用于電視電話、遠(yuǎn)程教育等實時視頻壓縮。