编码方法、编码设备及计算机可读存储介质技术

本申请公开了一种编码方法、编码设备及计算机可读存储介质，该编码方法包括：获取当前块的依赖块、当前模板以及依赖模板，当前模板包括当前块周围的多个重建像素点，依赖模板包括依赖块周围的多个重建像素点；将依赖块、当前模板以及依赖模板输入预先训练的目标神经网络，得到当前块中待编码像素点的目标预测值；其中，目标神经网络根据当前模板以及依赖模板中像素点的重建像素值，确定依赖模板与当前模板之间的依赖关系，并根据依赖块中像素点的重建像素值以及依赖关系，确定待编码像素点的目标预测值。本申请所提供的编码方法能够提高预测的准确率。高预测的准确率。高预测的准确率。

【技术实现步骤摘要】
编码方法、编码设备及计算机可读存储介质


[0001]本申请属于视频编码
，特别是涉及一种编码方法、编码设备及计算机可读存储介质。

技术介绍

[0002]视频图像数据量比较大，通常需要对其进行编码压缩后，再进行传输或存储，编码后的数据称之为视频码流，其中视频码流通过有线或者无线网络传输至用户端，再由用户端进行解码观看。
[0003]目前在对视频图像数据进行编码时，通常直接采用简单的线性预测方式进行预测，比如跨分量线性预测技术和局部光照补偿技术，容易导致预测不准确，因此目前的预测过程有待进一步提升。

技术实现思路

[0004]本申请提供一种编码方法、编码设备及计算机可读存储介质，能够提高预测的准确率。
[0005]本申请实施例第一方面提供编码方法，所述编码方法包括：获取当前块的依赖块、当前模板以及依赖模板，所述当前模板包括所述当前块周围的多个重建像素点，所述依赖模板包括所述依赖块周围的多个重建像素点；将所述依赖块、所述当前模板以及所述依赖模板输入预先训练的目标神经网络，得到所述当前块中待编码像素点的目标预测值；其中，所述目标神经网络根据所述当前模板以及所述依赖模板中像素点的重建像素值，确定所述依赖模板与所述当前模板之间的依赖关系，并根据所述依赖块中像素点的重建像素值以及所述依赖关系，确定所述待编码像素点的所述目标预测值。
[0006]本申请实施例第二方面提供一种解码方法，所述解码方法包括：接收编码器发送的编码数据；通过对所述编码数据进行解码，得到当前解码块中当前像素点的预测值；其中，所述当前解码块中所述当前像素点的预测值是采用上述任一项所述编码方法处理得到的。
[0007]本申请实施例第三方面提供一种编码设备，所述编码设备包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现上述任一项所述方法中的步骤。
[0008]本申请实施例第四方面提供一种解码设备，所述解码设备包括处理器、存储器以及通信电路，所述处理器分别耦接所述存储器、所述通信电路，所述存储器中存储有程序数据，所述处理器通过执行所述存储器内的所述程序数据以实现上述任一项所述方法中的步骤。
[0009]本申请实施例第五方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序能够被处理器执行以实现上述方法中的步骤。
[0010]有益效果：本申请利用预先训练好的目标神经网络来学习当前模板与依赖模板之间的依赖关系，可以建立更加复杂的线性或者非线性关系，使得建立的依赖关系更加符合图像的实际情况，从而可以使得预测结果准确，提高预测结果的准确率，以及提升压缩效率。
附图说明
[0011]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它的附图，其中：
[0012]图1是本申请编码方法一实施方式的流程示意图；
[0013]图2是当前块与依赖块在一应用场景中的示意图；
[0014]图3是当前块与依赖块在另一应用场景中的示意图；
[0015]图4是当前块与依赖块在又一应用场景中的示意图；
[0016]图5是当前块与当前模板的相对示意图；
[0017]图6是本申请目标神经网络一实施方式的结构示意图；
[0018]图7是图6目标神经网络在一实例中的具体结构示意图；
[0019]图8是图7增强单元中残差块的结构示意图；
[0020]图9是本申请编码方法另一实施方式的部分流程示意图；
[0021]图10是本申请编码方法又一实施方式的部分流程示意图；
[0022]图11是本申请解码方法一实施方式的流程示意图；
[0023]图12是本申请编码器一实施方式的结构示意图；
[0024]图13是本申请编码器另一实施方式的结构示意图；
[0025]图14是本申请解码器一实施方式的结构示意图；
[0026]图15是本申请解码器另一实施方式的结构示意图；
[0027]图16是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
[0028]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0029]需要说明的是，本申请中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]参阅图1，图1是本申请编码方法一实施方式的流程示意图，该编码方法包括：
[0031]S110：获取当前块的依赖块、当前模板以及依赖模板。
[0032]具体地，当前块是指当前要进行编码的编码块，也可以称为当前编码块，当前块可以是亮度块，也可以是色度块，其中将当前块所处的视频帧定义为当前帧。当前模板包括当前块周围的多个重建像素点。
[0033]依赖块包括多个重建像素点，且依赖块与当前块可以处于同一视频帧中，也可以处于不同视频帧中，具体地，当采用帧间预测的方式对当前块进行预测时，依赖块处于参考帧中，当采用帧内预测的方式对当前块进行预测时，依赖块处于当前帧中。
[0034]依赖模板包括依赖块周围的多个重建像素点，且当前模板所包括的重建像素点相对当前块的分布情况，与依赖模板所包括的重建像素点相对依赖块的分布情况相同。例如，当按照从左往右，从上往下的顺序依次对图像帧中的各个编码块进行编码时，如果当前模板所包括的重建像素点分布在当前块的左侧和上侧，则依赖模板所包括的重建像素点也分布在依赖块的左侧和上侧。
[0035]在本实施方式中，依赖块是当前块对应的跨分量已重建块、当前帧中与当前块相邻的已重建块、参考帧中与当前块对应的目标参考块或者目标参考块对应的跨分量已重建块。
[0036]具体地，当前块对应的跨分量已重建块与当前块对应图像中的对应区域，只是该跨分量已重建块与当前块对应的颜色分量不同，结合图2，当依赖块是当前块对应的跨分量已重建块时，如果当前块是色度块，则依赖块可以是与该色度块对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种编码方法，其特征在于，所述方法包括：获取当前块的依赖块、当前模板以及依赖模板，所述当前模板包括所述当前块周围的多个重建像素点，所述依赖模板包括所述依赖块周围的多个重建像素点；将所述依赖块、所述当前模板以及所述依赖模板输入预先训练的目标神经网络，得到所述当前块中待编码像素点的目标预测值；其中，所述目标神经网络根据所述当前模板以及所述依赖模板中像素点的重建像素值，确定所述依赖模板与所述当前模板之间的依赖关系，并根据所述依赖块中像素点的重建像素值以及所述依赖关系，确定所述待编码像素点的所述目标预测值。2.根据权利要求1所述的方法，其特征在于，所述依赖块是所述当前块对应的跨分量已重建块、当前帧中与所述当前块相关的已重建块、参考帧中与所述当前块对应的目标参考块或者所述目标参考块对应的跨分量已重建块。3.根据权利要求1所述的方法，其特征在于，所述获取当前块的依赖块、当前模板以及依赖模板的步骤，包括：确定所述当前块的所述依赖块；分别根据所述当前块外侧、所述依赖块外侧的同一目标区域中的重建像素点，确定所述当前模板以及所述依赖模板；其中，所述当前块外侧的所述目标区域包括所述当前块外侧的第一子区域、第二子区域、第三子区域、第四子区域以及第五子区域中的至少一个，所述第一子区域位于所述当前块的第一侧且两端与所述当前块的两端分别齐平，所述第二子区域位于所述当前块的第二侧且两端与所述当前块的两端分别齐平，所述第三子区域连接所述第一子区域与所述第二子区域，所述第四子区域位于所述第一子区域背离所述第三子区域一侧，所述第五子区域位于所述第二子区域背离所述第三子区域一侧。4.根据权利要求1所述的方法，其特征在于，所述将所述依赖块、所述当前模板以及所述依赖模板输入预先训练的目标神经网络，得到所述当前块中待编码像素点的目标预测值的步骤，包括：将所述依赖块、所述当前模板、所述依赖模板以及目标边信息输入所述目标神经网络，得到所述待编码像素点的所述目标预测值；其中，所述目标边信息包括所述当前块的量化参数、所述依赖块的量化参数、所述当前块与所述依赖块的对应关系中的至少一种信息；所述目标神经网络根据所述当前模板、所述依赖模板中像素点的重建像素值以及所述目标边信息，确定所述依赖模板与所述当前模板之间的所述依赖关系。5.根据权利要求1所述的方法，其特征在于，所述目标神经网络包括：关系拟合模块，用于根据所述当前模板以及所述依赖模板中像素点的重建像素值，确定所述依赖关系；特征提取模块，用于对所述依赖块进行特征提取，得到依赖特征；预测模块，同时与所述关系拟合模块以及所述特征提取模块连接，用于将所述依赖关系与所述依赖特征进行融合处理，得到融合特征；通道转换模块，与所述预测模块连接，用于对所述融合特征进行通道转换处理，得到预测特征，其中，所述预测特征的维度与所述依赖块的维度相同；
残差连接线，连接所述特征提取模块的输入与所述通道转换模块的输出，以将所述预测特征与所述依赖块中像素点的重建像素值进行相加处理后，作为所述目标神经网络的输出。6.根据权利要求5所述的方法，其特征在于，所述依赖关系包括多个权重，所述依赖特征包括多个特征点的特征值，多个所述特征点分布在多个通道上，且分布在不同所述通道上的所述特征点一一对应；所述预测模块具体用于：分别将每个所述特征点的特征值与所述特征点对应的所述权重进行融合处理，得到所述融合特征；其中，所述多个权重与所述多个特征点一一对应，或者，不同所述通道上对应的所述特征点对应同一个所述权重，或者，分布在同一所述通道的所述特征点对应同一个所述权重。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：分别利用多个样本组，对所述目标神经网络进行训练；其中，编码多个所述样本组的量化参数不完全相同。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：分别确定多个第一神经网络对应的第一量化参数与所述当前块对应的第二量化参数的差值；将最小的差值对应的所述第一神经网络，确定为所述目标神经网络。其中...

【专利技术属性】
技术研发人员：江东，林聚财，彭双，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：