1.一种基于贝叶斯分类的自适应运动矢量精度快速选择方法，其特征在于，包括以下步骤：步骤1：在对视频帧图像的预测单元PU块执行帧间2Nx2N预测的运动估计时，获取当前预测单元PU块依次经过整像素精度运动估计和分像素精度运动估计后，每个像素点的最优MV的值和对应的预测MV值之差的二维正交变换；

所述当前预测单元PU块中每个像素点对应的预测MV值在编码过程中利用高级运动向量预测技术AMVP获得；

步骤2：基于步骤1获得的当前预测单元PU块各像素点所述的二维正交变换，分别计算当前预测单元PU块中所有像素点对应的二维正交变换绝对值之和，SATDint和SATDqter，并计算SATDint和SATDqter的比值SATDqter/SATDint；

其中，SATDint表示整像素MV的SATD值，SATDqter表示分像素MV的SATD值；

所述SATD值表示经过哈达曼变换后的绝对误差和；

步骤3：获取当前预测单元PU块的QP值，以及统计当前预测单元PU块的相邻已编码的PU块中已执行IMV操作的数量占所有相邻已编码的PU块数量的比例S1，当前预测单元PU块中最优MV的比特数占编码的总比特数的比例S2；

步骤4：将步骤2获得的SATDqter/SATDint，步骤3获得的QP值、S1以及S2输入基于贝叶斯的IMV执行分类器，获得当前预测单元PU块是否需要执行IMV的分类标志；

所述基于贝叶斯的IMV执行分类器是将已执行过IMV模式的PU块的IMV标志位作为输出数据，对应的PU块按照步骤1-步骤3获得对应的SATDqter/SATDint、QP值、S1以及S2作为输入数据进行训练获得；

所述PU块的IMV标志位是指在执行过IMV模式后，IMV标志位为0表示PU块无需进行IMV模式，IMV标志位为1表示PU块需要进行IMV模式；

步骤5：依据步骤4得到的分类标志，对当前预测单元PU执行相应模式；

若当前预测单元PU需要执行IMV，则对当前预测单元PU执行IMV_2N×2N模式后，继续后续模式；

若当前预测单元PU不需要执行IMV，则当前预测单元PU跳过IMV_2N×2N模式，并根据率失真代价决策出最优MV以及当前预测单元PU块后续执行的最佳模式；

其中贝叶斯训练过程如下：

首先获取先验概率，即将所有的数据归结为两类，一类是不使用IMV，另一类是使用IMV，在获取的训练数据中，分别计算两个种类的概率，此概率即为先验概率，分别用P(C0)和P(C1)表示；最终计算出在每个类别下每个特征属性值的概率，即P(X1i|C0)～P(X4i|C0)和P(X1i|C1)～P(X4i|C1)，i的取值根据每个特征属性值的个数而定，X1i～X4i分别为四个特征属性的值，依次表示SATDqter/SATDint的值、当前预测单元的QP值、最优MV的比特数占总比特数的比例以及相邻PU块中使用IMV的块占所有相邻块的比例；

其中贝叶斯分类过程如下：

首先，获得四个特征属性的值，然后在训练之后获得的训练数据中查找该特征值所对应的概率，即P(X1i|C0)～P(X4i|C0)和P(X1i|C1)～P(X4i|C1)；之后，计算P(X|C0)和P(X|C1)，其中P(X|C0)＝P(X1a|C0)xP(X2b|C0)xP(X3c|C0)xP(X4d|C0)，a、b、c、d在i的取值范围内根据所对应的数据取值，同理可得P(X|C1)；最终，分别求得在该特征值下两种类别的概率，即该特征值下不使用IMV的概率P(C0|X)和该特征值下使用IMV的概率P(C1|X)；这两个的概率由贝叶斯公式可得，贝叶斯公式如下：可得：

由于P(X)为常量，由此可得：

P(C0|X)＝P(X|C0)P(C0)

P(C1|X)＝P(X|C1)P(C1)

若满足如下公式：

P(C0|X)＞P(C1|X)

则表示当前预测单元PU需要执行IMV，否则，当前预测单元PU不需要执行IMV。

2.根据权利要求1所述的方法，其特征在于，所述当前预测单元PU块的相邻已编码的PU块包括当前预测单元PU块的左方的PU块、上方的PU块、左上方的PU块、右上的PU块以及同位PU块。

3.一种基于贝叶斯分类的自适应运动矢量精度快速选择装置，其特征在于，包括：整像素精度运动估计模块，对视频帧图像的预测单元PU块执行帧间2Nx2N预测的运动估计时，在当前预测单元PU块经过整像素精度运动估计后，获得当前预测单元PU块的最优MV的值；

分像素精度运动估计模块，对视频帧图像的预测单元PU块执行帧间2Nx2N预测的运动估计时，在当前预测单元PU块经过分像素精度运动估计后，获得当前预测单元PU块的最优MV的值；

SATDint和SATDqter计算模块，首先利用当前预测单元PU块分别经过整像素精度运动估计和分像素精度运动估计后，获得每个像素点的最优MV的值和对应的预测MV值之差的二维正交变换，然后计算当前预测单元PU块中所有像素点对应的二维正交变换绝对值之和；

SATDint表示整像素MV的SATD值，SATDqter表示分像素MV的SATD值；

所述SATD表示经过哈达曼变换后的绝对误差和；

统计模块，获取当前预测单元PU块的QP值，以及统计当前预测单元PU块的相邻已编码的PU块中已执行IMV操作的数量占所有相邻已编码的PU块数量的比例S1，当前预测单元PU块中最优MV的比特数占编码的总比特数的比例S2；

基于贝叶斯的IMV执行分类器，利用当前预测单元PU块的SATDqter/SATDint、QP值、S1以及S2，获得当前预测单元PU块是否需要执行IMV的分类标志；

选择模块，依据基于贝叶斯的IMV执行分类器输出的当前预测单元PU块是否需要执行IMV的分类标志，选择当前预测单元PU块的执行模式：若当前预测单元PU需要执行IMV，则对当前预测单元PU执行IMV_2N×2N模式后，继续后续模式；

若当前预测单元PU不需要执行IMV，则当前预测单元PU跳过IMV_2N×2N模式，并根据率失真代价决策出最优MV以及当前预测单元PU块后续执行的最佳模式；

其中贝叶斯训练过程如下：

首先获取先验概率，即将所有的数据归结为两类，一类是不使用IMV，另一类是使用IMV，在获取的训练数据中，分别计算两个种类的概率，此概率即为先验概率，分别用P(C0)和P(C1)表示；最终计算出在每个类别下每个特征属性值的概率，即P(X1i|C0)～P(X4i|C0)和P(X1i|C1)～P(X4i|C1)，i的取值根据每个特征属性值的个数而定，X1i～X4i分别为四个特征属性的值，依次表示SATDqter/SATDint的值、当前预测单元的QP值、最优MV的比特数占总比特数的比例以及相邻PU块中使用IMV的块占所有相邻块的比例；

其中贝叶斯分类过程如下：

首先，获得四个特征属性的值，然后在训练之后获得的训练数据中查找该特征值所对应的概率，即P(X1i|C0)～P(X4i|C0)和P(X1i|C1)～P(X4i|C1)；之后，计算P(X|C0)和P(X|C1)，其中P(X|C0)＝P(X1a|C0)xP(X2b|C0)xP(X3c|C0)xP(X4d|C0)，a、b、c、d在i的取值范围内根据所对应的数据取值，同理可得P(X|C1)；最终，分别求得在该特征值下两种类别的概率，即该特征值下不使用IMV的概率P(C0|X)和该特征值下使用IMV的概率P(C1|X)；这两个的概率由贝叶斯公式可得，贝叶斯公式如下：可得：

由于P(X)为常量，由此可得：

P(C0|X)＝P(X|C0)P(C0)

P(C1|X)＝P(X|C1)P(C1)

若满足如下公式：

P(C0|X)＞P(C1|X)

则表示当前预测单元PU需要执行IMV，否则，当前预测单元PU不需要执行IMV。

4.根据权利要求3所述的装置，其特征在于，所述基于贝叶斯的IMV执行分类器是将已执行过IMV模式的PU块的IMV标志位作为输出数据，PU块按照SATDint和SATDqter计算模块和统计模块获得对应PU块的SATDqter/SATDint、QP值、S1以及S2作为输入数据进行训练获得；

所述PU块的IMV标志位是指在执行过IMV模式后，IMV标志位为0表示PU块无需进行IMV模式，IMV标志位为1表示PU块需要进行IMV模式。

5.根据权利要求4所述的装置，其特征在于，所述当前预测单元PU块的相邻已编码的PU块包括当前预测单元PU块的左方的PU块、上方的PU块、左上方的PU块、右上的PU块以及同位PU块。