帧内预测方法、编解码方法、编解码器、系统、电子设备和存储介质技术方案

本申请公开了一种帧内预测方法、编解码方法、编解码器、系统、电子设备和介质，该方法包括：获取当前块在预设范围内的参考像素，当前块为当前编码块或当前编码块内部的子块；将参考像素输入帧内预测神经网络进行学习，得到当前块的帧内预测值；其中，帧内预测神经网络包括全连接层结构和/或卷积层结构。通过上述方式，本申请能够对输入帧内预测神经网络中的输入元素进行调节，能够使得得到帧内预测值更加准确。准确。准确。

【技术实现步骤摘要】
帧内预测方法、编解码方法、编解码器、系统、电子设备和存储介质


[0001]本申请涉及视频编码
，特别是涉及一种帧内预测方法、编解码方法、编解码器、系统、电子设备和存储介质。

技术介绍

[0002]通常，视频编码的应用领域非常广泛，视频图像数据量比较大，通常需要对视频像素数据(RGB、YUV等)其进行压缩，压缩后的数据称之为视频码流，视频码流通过有线或者无线网络传输至用户端，再进行解码观看。
[0003]首先视频是由许多静止的图像连续播放形成的，每一幅静止的图像都可看作一帧。由于一帧中相近的像素点其像素值通常也是比较接近的，颜色一般不会突然变化，因此可利用这个空间上的相关性来进行压缩，这个技术就是帧内预测。
[0004]一般来说，对于帧内预测来说不同位置的参考块的重要性应该是不同的，然而往往在输入网络的过程中，并没有区分参考块的重要性，则通过网络处理得到的传统帧内预测的空间相关性信息无法利用，并且得到的帧内预测值并不够准确。

技术实现思路

[0005]为解决上述技术问题，本申请第一方面采用的技术方案是提供一种帧内预测方法，该方法包括：获取当前块在预设范围内的参考像素，当前块为当前编码块或当前编码块内部的子块；将参考像素输入帧内预测神经网络进行学习，得到当前块的帧内预测值；其中，帧内预测神经网络包括全连接层结构和/或卷积层结构。
[0006]为解决上述技术问题，本申请第二方面采用的技术方案是提供一种图像编码方法，该编码方法包括：对待编码图像进行帧内预测，得到待编码图像中当前块的帧内预测值；其中，帧内预测值是基于第一方面的帧内预测方法处理得到的；基于帧内预测得到的数据进行后续编码处理，得到待编码图像对应的编码数据。
[0007]为解决上述技术问题，本申请第三方面采用的技术方案是提供一种图像解码方法，该解码方法包括：接收编码端发送的编码数据；通过对编码数据进行解码，得到当前块的帧内预测值，帧内预测值基于第一方面的帧内预测方法处理得到。
[0008]为解决上述技术问题，本申请第四方面采用的技术方案是提供一种编码器，该编码器包括：
[0009]预测模块，用于对待编码图像进行帧内预测，得到待编码图像中当前块的帧内预测值；其中，帧内预测值是基于第一方面的帧内预测方法处理得到的；
[0010]编码模块，用于基于帧内预测得到的数据进行后续编码处理，得到待编码图像对应的编码数据。
[0011]为解决上述技术问题，本申请第五方面采用的技术方案是提供一种解码器，其特征在于，包括：
[0012]接收模块，用于接收编码端发送的编码数据；
[0013]解码模块，用于通过对编码数据进行解码，得到当前块的帧内预测值，帧内预测值基于第一方面的帧内预测方法处理得到。
[0014]为解决上述技术问题，本申请第六方面采用的技术方案是提供一种帧内预测系统，帧内预测系统用于对视频图像进行帧内预测，包括：
[0015]获取模块，用于获取当前块在预设范围内的参考像素，当前块为当前编码块或当前编码块内部的子块；
[0016]学习模块，用于将参考像素输入帧内预测神经网络进行学习，得到当前块的帧内预测值；
[0017]其中，帧内预测神经网络包括全连接层结构和/或卷积层结构。
[0018]为解决上述技术问题，本申请第七方面采用的技术方案是提供一种电子设备，该电子设备包括：处理器和存储器，存储器中存储有计算机程序，处理器用于执行计算机程序以实现如本申请第一方面的方法。
[0019]为解决上述技术问题，本申请第八方面采用的技术方案是提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序能够被处理器执行时实现本申请第一方面的方法。
[0020]本申请的有益效果是：本申请通过将参考像素输入帧内预测神经网络进行学习，得到当前块的帧内预测值，可以对输入帧内预测神经网络的输入元素进行调节，从而得到更为准确的帧内预测值。
附图说明
[0021]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请帧内预测模式示意图；
[0023]图2是本申请多参考线中参考像素的填充示意图；
[0024]图3是本申请帧内预测方法第一实施例流程示意图；
[0025]图4是本申请的全连接层结构示意图；
[0026]图5是本申请的卷积层结构示意图；
[0027]图6是本申请参考像素的第一种输入方式处理示意图；
[0028]图7是本申请参考像素的第二种输入方式处理示意图；
[0029]图8是本申请采用第四种边信息一具体输入方式处理示意图；
[0030]图9是基于参考像素的第一种输入方式的一具体实施例的边信息输入方式处理示意图；
[0031]图10是基于参考像素的第一种输入方式的另一具体实施例的边信息输入方式处理示意图；
[0032]图11是基于参考像素的第二种输入方式的一具体实施例的边信息输入方式处理示意图；
[0033]图12是基于参考像素的第二种输入方式的另一具体实施例的边信息输入方式处理示意图；
[0034]图13是基于参考像素的第一种输入方式的权重向量输入的一具体实施例示意图；
[0035]图14是基于参考像素的第一种输入方式的权重向量输入的另一具体实施例示意图；
[0036]图15是基于参考像素的第二种输入方式的传统帧内预测值信息输入的一具体实施例示意图；
[0037]图16是本申请编码器实施例的结构示意框图；
[0038]图17是本申请解码器实施例的结构示意框图；
[0039]图18是本申请帧内预测系统实施例的结构示意框图；
[0040]图19是本申请电子设备实施例的结构示意框图；
[0041]图20是本申请计算机可读存储介质实施例的电路示意框图。
具体实施方式
[0042]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0043]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0044]还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种帧内预测方法，其特征在于，所述方法包括：获取当前块在预设范围内的参考像素，所述当前块为当前编码块或当前编码块内部的子块；将所述参考像素输入帧内预测神经网络进行学习，得到所述当前块的帧内预测值；其中，所述帧内预测神经网络包括全连接层结构和/或卷积层结构。2.根据权利要求1所述的方法，其特征在于，所述获取当前块在预设范围内的参考像素的步骤包括：提取预设数量条参考线的所述参考像素，得到参考像素区域；所述将所述参考像素输入帧内预测神经网络进行学习的步骤包括：将填充的所述参考像素区域分割为相同尺寸的多个互不重叠块，以作为一个多通道图输入所述帧内预测神经网络。3.根据权利要求1所述的方法，其特征在于，所述获取当前块在预设范围内的参考像素的步骤包括：提取预设数量条参考线的所述参考像素，得到参考像素区域；所述将所述参考像素输入帧内预测神经网络进行学习的步骤包括：将所述参考像素区域分割为多个矩形区域块，以作为多个通道图输入所述帧内预测神经网络的多个分支。4.根据权利要求2或3所述的方法，其特征在于，还包括：获取所述当前块的边信息，所述边信息包括所述传统预测方向、权重向量、量化参数信息以及预测值信息中的至少一个；其中，所述预测值信息是将所述参考像素输入传统帧内预测模式得到的；所述将所述参考像素输入帧内预测神经网络进行处理，得到所述当前块的帧内预测值的步骤包括：将所述参考像素和所述边信息输入帧内预测神经网络进行处理，得到所述当前块的帧内预测值。5.根据权利要求4所述的方法，其特征在于，所述边信息包括所述帧内预测值；所述将所述参考像素和所述边信息输入帧内预测神经网络进行处理的步骤之前，所述方法还包括：采用传统帧内预测模式，对所述当前块进行传统帧内预测，得到所述预测值信息。6.根据权利要求5所述的方法，其特征在于，所述将所述参考像素和所述边信息输入帧内预测神经网络进行学习的步骤之前，所述方法还包括：若所述传统帧内预测模式为角度模式，则确定角度预测模式；根据所述角度预测模式指向的参考像素位置，对预设区域分割后的区域块进行权重分配；其中，所述区域块分配的权重与所述区域块离所述角度预测模式指向位置的距离呈负相关，以将各个区域块分配的权重作为一个权重向量边信息输入所述帧内预测神经网络。7.根据权利要求5所述的方法，其特征在于，所述将所述参考像素和所述边信息输入帧内预测神经网络进行学习的步骤之前，所述
方法还包括：构建传统帧内预测模式过程中的最可能模式列表，所述最可能模式列表至少包括帧内角度模式，平面模式，直流模式中的一个；利用所述最可能模式列表的一种预测模式进行预测或利用所述最可能模式列表中的第一个预测模式依次选择多个预测模式进行加权预测，以得到所述预测值信息作为新的分支输入所述帧内预测神经网络。8.根据权利要求7所述的方法，其特征在于，所述将所述参考像素和所述边信息输入帧内预测神经网络进行学习的步骤之前，所述方法还包括：从所述最可能模式列表中选择一个帧内预测模式；若所述帧内预测模式为角度模式...

【专利技术属性】
技术研发人员：方诚，江东，彭双，张雪，林聚财，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：