图像处理方法、装置、设备、计算机存储介质和系统制造方法及图纸

本申请实施例公开了一种图像处理方法、装置、设备、计算机存储介质和系统，该方法包括：获取多个重构块；其中，所述多个重构块是由待处理图像所划分的多个图像块经由预设编码网络模型和预设解码网络模型后得到的；确定所述多个重构块中至少一个重构块的中心区域；对所述至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块；根据所述至少一个目标重构块和所述多个重构块，生成重构图像；对所述重构图像中的块边界进行滤波处理，得到目标图像。图像。图像。

【技术实现步骤摘要】
图像处理方法、装置、设备、计算机存储介质和系统


[0001]本申请涉及视频编解码
，尤其涉及一种图像处理方法、装置、设备、计算机存储介质和系统。

技术介绍

[0002]近年来，人工神经网络已经发展到了深度学习(deep learning)阶段。深度学习是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法，其强大的表达能力使其在计算机视觉和图像处理中得到了广泛应用，在视频和图像处理上的表现也具有较好的效果。
[0003]目前，基于深度学习的图像编解码以及图像后处理技术往往采用将整张图像一次性输入编解码网络进行处理的方案。但是随着图像尺寸的增大以及编解码网络的加深，这种方案会导致编解码的运行时间以及运行内存需求的大大增加。另外，即使目前存在一些基于块的图像编解码方案，但是现有方案的结构使得块与块之间的编解码不完全独立，无法实现编解码处理的并行化，仍然无法降低编解码的运行时间以及运行内存需求。

技术实现思路

[0004]本申请提出一种图像处理方法、装置、设备、计算机存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，应用于图像处理装置，所述方法包括：获取多个重构块；其中，所述多个重构块是由待处理图像所划分的多个图像块经由预设编码网络模型和预设解码网络模型后得到的；确定所述多个重构块中至少一个重构块的中心区域；对所述至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块；根据所述至少一个目标重构块和所述多个重构块，生成重构图像；对所述重构图像中的块边界进行滤波处理，得到目标图像。2.根据权利要求1所述的方法，其特征在于，所述对所述至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块，包括：对所述至少一个重构块的中心区域进行质量增强，得到至少一个增强区域；根据所述至少一个增强区域对应替换所述至少一个重构块的中心区域，得到所述至少一个目标重构块。3.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个目标重构块和所述多个重构块，生成重构图像，包括：利用所述至少一个目标重构块对应替换所述多个重构块中至少一个重构块，将替换后得到的多个重构块进行拼接，生成所述重构图像。4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：构建预设后处理网络模型；相应地，所述对所述至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块，包括：利用所述预设后处理网络模型对所述至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块；所述对所述重构图像中的块边界进行滤波处理，得到目标图像，包括：利用所述预设后处理网络模型对所述重构图像中的块边界进行滤波处理，得到目标图像。5.根据权利要求4所述的方法，其特征在于，所述构建预设后处理网络模型，包括：获取多个重构训练块；其中，所述多个重构训练块是由训练集合中的至少一张训练图像所划分的多个训练块经由所述预设编码网络模型和所述预设解码网络模型后得到的；构建后处理网络模型，以所述多个重构训练块和所述至少一张训练图像对所述后处理网络模型进行训练，得到所述预设后处理网络模型。6.根据权利要求5所述的方法，其特征在于，所述以所述多个重构训练块和所述至少一张训练图像对所述后处理网络模型进行训练，得到所述预设后处理网络模型，包括：基于所述多个重构训练块和所述至少一张训练图像，利用预设算法对所述后处理网络模型进行模型训练；当所述模型训练的代价函数对应的损失值收敛到预设阈值时，将训练后得到的后处理网络模型确定为所述预设后处理网络模型。7.根据权利要求4所述的方法，其特征在于，所述基于所述预设后处理网络模型对所述重构图像中的块边界进行滤波处理，得到目标图像，包括：确定所述重构图像中包括所述块边界的至少一个矩形区域；
将所述至少一个矩形区域输入所述预设后处理网络模型，得到至少一个处理后的矩形区域；利用所述至少一个处理后的矩形区域替换所述重构图像中包括所述块边界的对应局部区域，得到所述目标图像。8.根据权利要求7所述的方法，其特征在于，在所述得到至少一个处理后的矩形区域之后，所述方法还包括：对所述至少一个处理后的矩形区域进行裁剪，得到至少一个目标矩形区域；利用所述至少一个目标矩形区域替换所述重构图像中包括所述块边界的对应局部区域，得到所述目标图像。9.一种图像处理方法，其特征在于，应用于解码设备，所述方法包括：接收编码设备传输的码流；其中，所述码流是由待处理图像所划分的多个图像块经由预设编码网络模型后得到的；利用预设解码网络模型解析所述码流，获取多个重构块；利用预设后处理网络模型对所述多个重构块中至少一个重构块的中心区域进行质量增强，得到至少一个目标重构块；根据所述至少一个目标重构块和所述多个重构块，生成重构图像；利用所述预设后处理网络模型对所述重构图像中的块边界进行滤波处理，得到目标图像。10.根据权利要求9所述的方法，其特征在于，所述方法还包括：获取训练集合；其中，所述训练集合包括至少一张训练图像；构建编码网络模型和解码网络模型，基于所述训练集合对所述编码网络模型和所述解码网络模型进行模型训练，得到所述预设编码网络模型和所述预设解码网络模型。11.根据权利要求10所述的方法，其特征在于，所述基于所述训练集合对所述编码网络模型和所述解码网络模型进行模型训练，得到所述预设编码网络模型和所述预设解码网络模型，包括：基于所述训练集合，利用预设算法对所述编码网络模型和所述解码网络模型进行模型训练；当所述模型训练的代价函数对应的损失值收敛到预设阈值时，将训练后得到的编码网络模型和解码网络模型确定为所述预设编码网络模型和所述预设解码网络模型。12.根据权利要求10所述的方法，其特征在于，所述方法还包括：获取多个重构训练块；其中，所述多个重构训练块是由所述训练集合中的至少一张训练图像所划分的多个训练块经由所述预设编码网络模型和所述预设解码网络模型后得到的；构建后处理网络模型，以所述多个重构训练块和所述至少一张训练图像对所述后处理网络模型进行训练，得到所述预设后处理网络模型。13.根据权利要求12所述的方法，其特征在于，所述以所述多个重构训练块和所述至少一张训练图像对所述后处理网络模型进行训练，得到所述预设后处理网络模型，包括：基于所述多个重构训练块和所述至少一张训练图像，利用预设算法对所述后处理网络模型进行模型训练；
当所述模型训练的代价函数对应的损失值收敛到预设阈值时，将训练后得到的后处理网络模型确定为所述预设后处理网络模型。14.根据权利要求9至13任一项所述的方法，其特征在于，所述利用所述预设后处理网络模型对所述重...

【专利技术属性】
技术研发人员：马展，王锡宁，陈彤，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：