1.一种低复杂度的快速VVC帧内编码方法，其特征在于包括基于上下文相关性的CU划分模块、基于时空相关性的帧内模式选择模块；基于上下文相关性的CU划分模块首先根据当前CU块的纹理特征将CU划分为复杂块和简单块；对简单块进行提前终止所有类型的划分，对复杂块继续进行二叉树划分和三叉树划分；同时编码器决策出当前CU的最佳模式时：基于时空相关性的CU模式选择模块首先对于帧内的粗选部分，在帧内角度预测模式的索引值为2～67的角度模式中每隔4个角度选取一个中心角度；然后基于此，在小范围前后各增加2个角度模式搜索；其次在细选部分，MPM被作为最佳预测模式的概率非常大，利用这一特性对细选部分进行优化；

基于上下文相关的CU划分模块，具体实现如下：

步骤(I)、计算CU块的方差Var，用以判断当前CU的纹理复杂度；Var的计算公式如下：

其中W、H分别表示当前CU的宽度和高度；P(x,y)表示CU中位置为(x,y)的像素值；

步骤(II)、根据阈值将当前的CU分为两类：I类和II类；I类是具有简单纹理的CU，II类是具有复杂纹理的CU，具体的分类规则如下：其中Var为CU块的方差，为实验确定的分类阈值，QP为量化参数；对于I类，则跳过QT、BT和TT的划分，对于II类则继续进行优化；

步骤(Ⅲ)、对于II类，采用关联亮度样本以决定当前CU块的二叉树划分和三叉树划分的方向，进而对当前的CU划分规则进行优化；

步骤(Ⅳ)、对于不满足步骤(Ⅱ)和步骤(Ⅲ)条件的CU块，进行基于上下文的快速CU提前终止，利用最佳二叉树划分的结果对三叉树划分进行优化。

2.根据权利要求1所述的一种低复杂度的快速VVC帧内编码方法，其特征在于步骤(Ⅲ)所述的规则如下：

1)计算不同大小CU块的水平和垂直两个方向上的标准差Fhor和Fver：

2)将帧内预测模式IPM分为两类，在IPM中的水平模式的索引是18，垂直模式的索引是50；所以定义IPM索引号11～25为水平方向IPMhor，IPM索引号43～57为垂直方向IPMver；为了得到划分的准确性，设置了以下划分规则：其中，FHskipsplit和FVskipsplit分别表示跳过水平划分和垂直划分，根据上面(3)(4)对当前块进行判断，当垂直方向的标准差减去水平方向的标准差小于阈值thresholdi＝0,1,2并且帧内预测模式为垂直划分，则跳过水平的二叉树和三叉树划分，当水平方向的标准差减去垂直方向的标准差小于阈值thresholdi＝0,1,2，并且帧内预测模式为水平划分，跳过垂直的二叉树和三叉树划分。

3.根据权利要求2所述的一种低复杂度的快速VVC帧内编码方法，其特征在对阈值的选取实现如下：

从VVC标准测试序列中按照视频不同分辨率以及纹理特征将其分成5类，从每一类中选取一个视频序列，选取的测试序列有Cactus、PartyScene、BasketballPass、FourPeople和ChinaSpeed序列，这里定义一个划分的参数Miss-hit，其中，Miss-hit表示CU未准确划分的百分比；ΔBDBR和ΔTime分别表示QP取22、27、32、37时候所取得的码率和时间效率的平均值；先分别作出这5个序列的Miss-hit与threshold的曲线图，然后对5条曲线作平均以生成平均曲线，并选择该曲线的最低点作为最后的阈值thresholdi＝0,1,2。

4.根据权利要求2所述的一种低复杂度的快速VVC帧内编码方法，其特征在步骤(Ⅳ)中对于CU快速划分优化的规则为：(1)、获取二叉树划分的水平和垂直两个方向的最佳的率失真代价，δ(T0)和δ(T1)分别表示水平二叉树和垂直二叉树划分；RD(T0)和RD(T1)分别表示二叉树水平和垂直划分方向上最佳的率失真代价；

(2)、确定当前CU最佳二叉树的划分方向，如果RD(T0)＜RD(T1),当前的CU执行水平三叉树划分，并提前终止垂直三叉树划分判断；相应地，如果RD(T1)＜RD(T0),当前的CU执行垂直三叉树划分，并提前终止水平三叉树划分的判断。

5.根据权利要求1或4所述的一种低复杂度的快速VVC帧内编码方法，其特征在基于时空相关性的模式选择模块，具体实现如下：步骤(1)、统计最佳预测模式在不同角度模式集合中的概率，在索引值为2～34的各角度模式中每隔4个角度选取一个中心角度；

步骤(2)、以步骤(1)中选取的中心角度为基准，在小范围前后各增加2个角度模式搜索：若当前模式为50，向左边方向和向右边方向各添加两个角度模式，把角度48、49、51、52加上角度50构成一个角度集合；若选取的角度集合中存在特殊的边缘角度则只需要取单侧的角度，即角度索引值为2时，向右侧选取两个相邻的角度，把角度3、4加上角度2构成一个角度集合；同理当选取的角度为66的时候，向左侧选取两个相邻的角度，把角度64、65加上角度66构成一个角度集合；

步骤(3)、对于细选阶段，相邻的CU块之间的帧内预测模式也存在很强的相关性，MPM被作为最佳预测模式的概率非常大，因此利用相邻预测模式之间的相关性对基于时空相关性的模式选择模块进行优化；其中主要规则如下：规则1：记MPM模式的绝对误差和为SAD,记Hadamard变换后的绝对值和的代价为JSATD，当SAD和JSATD同时最小的时候，直接将它们对应的MPM模式作为最佳预测模式；提前终止当前模式选择的流程；

规则2：对MPM中6个模式进行筛选，依据粗选模式中计算得到的最小的JSATD，自适应的获取一个阈值Th，Th＝Jmin(SATD)×μ      (9)

其中，Jmin(SATD)是当前块的所有预测模式的JSATD值的最小值，μ为比例系数；若MPM中预测模式的JSATD值小于Th，则不会把此MPM模式放入最后的RDO计算中；对于其它情况下的MPM模式则进行原始的编码操作。