1.一种基于启发学习的VVC帧内预测快速模式选择方法，其特征在于：包括以下步骤：S1：计算CU的纹理复杂度，分为平坦与非平坦两类；

S2：对于平坦类型的CU，选取平面模式与直流模式作为候选模式，跳过模式粗选过程，直接进入率失真优化过程；

S3：对于非平坦类型的CU，首先根据梯度信息缩减模式粗选过程的搜索范围，其次根据上下文信息为模式粗选过程设置起始搜索点，然后分别以较大、较小步长进行两轮搜索，最后选取最优的两种模式进入率失真优化过程。

2.根据权利要求1所述的基于启发学习的VVC帧内预测快速模式选择方法，其特征在于：步骤S1具体包括：

设定阈值THflat，当前CU纹理复杂度小于阈值THflat时，将其分类为平坦类型CU；当前CU纹理复杂度大于等于阈值THflat时，将其分类为非平坦类型CU；其中THflat取值为1.5；纹理复杂度由方差表示，其定义如下：

其中，W与H分别为当前CU的宽和高，P(i,j)为当前CU位置(i,j)处的像素值，Mean为当前CU像素矩阵的均值。

3.根据权利要求1所述的基于启发学习的VVC帧内预测快速模式选择方法，其特征在于：步骤S2具体包括：

若当前CU纹理复杂度小于阈值THflat，则将平面模式与直流模式添加到率失真优化的候选模式列表中，跳过基于HAD cost的模式粗选过程，直接进入率失真优化过程，计算各个模式的RD cost，选择出RD cost最小的一种模式，RD cost定义如下：RDCost＝SSE+λ·Bittotal其中SSE为原始CU与重建的CU之间的平方误差之和，λ表示拉格朗日乘子，Bittotal表示编码总比特数。

4.根据权利要求1所述的基于启发学习的VVC帧内预测快速模式选择方法，其特征在于：步骤S3具体包括：

S31：对于非平坦类型的CU，首先使用Sobel算子计算水平、垂直、45°、135°方向上的梯度值，其计算过程如下：

其中，W与H分别表示当前CU的宽和高，P表示当前CU对应的像素矩阵；设定阈值THangle，计算最大梯度值与其余三个梯度值之比，若比值大于阈值THangle，将较小梯度值对应方向上的模式添加到搜索范围中；若比值小于THangle，则不添加较小梯度值方向上的模式到搜索范围中；若三个比值均小于THangle，则将完整的67种模式添加到搜索范围中；水平，垂直，45°与

135°方向对应的模式范围分别为：{12‑28}，{2‑12、58‑65}，{44‑58}和{28‑44}；

S32：计算MPM中各模式的HADCost，定义如下：HADCost＝SATD+λ·Bitmode其中，SATD表示残差信号的Hadamard变换系数的绝对值总和，λ表示拉格朗日乘子，Bitmode表示对帧内预测模式信息进行编码的比特位数；选取具有最小HADCost的模式M1作为第一轮的起始搜索点；

S33：进行第一轮模式粗选，即以模式M1为起始搜索点，S1为搜索步长，在搜索范围内进行双向搜索，计算各模式的HADCost，选取具有最小HADCost的模式M2；所述双向搜索即以M1为起始搜索点，以S1为步长依次计算其左右两侧模式的HADCost，即依次计算模式M1,M1‑S1,M1+S1,M1‑2S1,M1+2S1···的HADCost；

S34：进行第二轮模式细选，即以模式M2为起始搜索点，S2为搜索步长，在{M2‑2,M2+2}范围内，进行双向搜索，计算各模式的HADCost；

S35：将两轮搜索过程中具有最小HADCost的两个模式添加到候选列表，进入率失真优化过程，选择最优的模式。