图像滤波方法技术

本申请提供了一种图像滤波方法

【技术实现步骤摘要】
图像滤波方法、装置及设备


[0001]本申请实施例涉及图像处理
，尤其涉及一种图像滤波方法
、
装置及设备
。

技术介绍

[0002]数字视频技术可以并入多种视频装置中，例如数字电视
、
智能手机
、
计算机
、
电子阅 读器或视频播放器等
。
随着视频技术的发展，视频数据所包括的数据量较大，为了便于视 频数据的传输，视频装置执行视频压缩技术，以使视频数据更加有效的传输或存储
。
[0003]在视频压缩技术中会造成图像损失，为了降低损失，则对重建图像进行滤波
。
随着神 经网络技术的快速发展，在一些场景中，使用基于神经网络的滤波器对重建图像进行滤波
。
[0004]但是，由于基于神经网络的滤波器在训练过程与实际使用过程中的数据处理不一致， 使得基于神经网络的滤波器的滤波效果差
。

技术实现思路

[0005]本申请提供一种图像滤波方法
、
装置及设备，可以提高图像的滤波效果
。
[0006]第一方面，本申请提供一种图像滤波方法，包括：
[0007]获取待滤波图像；
[0008]确定基于神经网络的滤波器，并根据与所述基于神经网络的滤波器在训练过程中所使 用的训练图像的相同的分块方式，对所述待滤波图像进行划分，得到
N
个待滤波图像块， 所述
N
为正整数；
[0009]使用所述基于神经网络的滤波器，对所述
N
个待滤波图像块分别进行滤波，得到滤波 后图像
。
[0010]第二方面，本申请提供一种图像滤波装置，包括：
[0011]获取单元，用于获取待滤波图像；
[0012]划分单元，用于确定基于神经网络的滤波器，并根据与所述基于神经网络的滤波器在 训练过程中所使用的训练图像的相同的分块方式，对所述待滤波图像进行划分，得到
N
个 待滤波图像块，所述
N
为正整数；
[0013]滤波单元，用于使用所述基于神经网络的滤波器，对所述
N
个待滤波图像块分别进行 滤波，得到滤波后图像
。
[0014]第三方面，提供了一种电子设备，包括：处理器和存储器，该存储器用于存储计算机 程序，该处理器用于调用并运行该存储器中存储的计算机程序，以执行第一方面的方法
。
[0015]第四方面，提供了一种芯片，用于实现上述第一方面中任一方面或其各实现方式中的 方法
。
具体地，所述芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安 装有所述芯片的设备执行如上述第一方面中任一方面或其各实现方式中的方法
。
[0016]第五方面，提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序
使 得计算机执行第一方面的方法
。
[0017]第六方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令 使得计算机执行上述第一方面中任一方面或其各实现方式中的方法
。
[0018]第七方面，提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第 一方面中任一方面或其各实现方式中的方法
。
[0019]综上，在本申请中，通过获取待滤波图像；确定基于神经网络的滤波器，并根据与基 于神经网络的滤波器在训练过程中所使用的训练图像的相同的分块方式，对待滤波图像进 行划分，得到
N
个待滤波图像块，
N
为正整数；使用基于神经网络的滤波器，对
N
个待 滤波图像块分别进行滤波，得到滤波后图像
。
即本申请实施例中，通过将基于神经网络的 滤波器在实际使用过程中的分块方式，与在训练时所使用的分块方式保持一致，以使得基 于神经网络的滤波器发挥出最佳滤波性能，进而提高了图像的滤波效果
。
附图说明
[0020]为了更清楚地说明本专利技术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专利技术的一些实施例，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
。
[0021]图1为本申请实施例涉及的一种应用场景示意图；
[0022]图2为本申请实施例涉及的一种视频编解码系统的示意性框图；
[0023]图3为本申请实施例提供的编码框架的示意图；
[0024]图4为本申请实施例提供的解码框架的示意图；
[0025]图
5A
至图
5C
为图像类型示意图；
[0026]图6为本申请实施例涉及的滤波示意图；
[0027]图
7A
至图
7D
为一种图像分块方式；
[0028]图8为本申请一实施例提供的图像滤波方法流程图；
[0029]图
9A
至图
9D
为本申请实施例涉及的一种图像分块示意图；
[0030]图
10A
至图
10D
为本申请实施例涉及的另一种图像分块示意图；
[0031]图
11A
至图
11D
为本申请实施例涉及的另一种图像分块示意图；
[0032]图
12A
至图
12D
为本申请实施例涉及的一种图像块扩充示意图；
[0033]图
13A
至图
13D
为本申请实施例涉及的另一种图像块扩充示意图；
[0034]图
14A
和图
14B
为本申请实施例涉及的一种空域参考图像块示意图；
[0035]图
15A
和图
15B
为本申请实施例涉及的另一种空域参考图像块示意图；
[0036]图
16A
和图
16B
为本申请实施例涉及的另一种空域参考图像块示意图；
[0037]图
17A
和图
17B
为本申请实施例涉及的另一种空域参考图像块示意图；
[0038]图
18A
至图
18D
为本申请实施例涉及的时域参考图像块示意图；
[0039]图
19
为本申请一实施例提供的图像滤波方法流程示意图；
[0040]图
20
是本申请一实施例提供的图像滤波装置的示意性框图；
[0041]图
21
是本申请实施例提供的电子设备的示意性框图
。
神经网络的滤波器进行滤波
。
[0053]在一些实施例中，上述电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像滤波方法，其特征在于，包括：获取待滤波图像；确定基于神经网络的滤波器；根据与所述基于神经网络的滤波器在训练过程中所使用的训练图像的相同的分块方式，对所述待滤波图像进行划分，得到
N
个待滤波图像块，所述
N
为正整数；使用所述基于神经网络的滤波器，对所述
N
个待滤波图像块分别进行滤波，得到滤波后图像
。2.
根据权利要求1所述的方法，其特征在于，若所述训练图像的分块方式包括将所述训练图像中的
M
个编码树单元
CTU
确定为一个训练图像块，所述
M
为正整数时，则所述根据与所述基于神经网络的滤波器在训练过程中所使用的训练图像的相同的分块方式，对所述待滤波图像进行划分，得到
N
个待滤波图像块，包括：将所述待滤波图像中的
M
个
CTU
确定为一个待滤波图像块，得到所述
N
个待滤波图像块
。3.
根据权利要求1所述的方法，其特征在于，若所述训练图像的分块方式包括将所述训练图像中的
P
个残缺编码树单元
CTU
确定为一个训练图像块，所述
P
为正整数时，则所述根据与所述基于神经网络的滤波器在训练过程中所使用的训练图像的相同的分块方式，对所述待滤波图像进行划分，得到
N
个待滤波图像块，包括：将所述待滤波图像中的
P
个残缺
CTU
确定为一个待滤波图像块，得到所述
N
个待滤波图像块
。4.
根据权利要求2或3所述的方法，其特征在于，若所述基于神经网络的滤波器是经过所述训练图像块的扩充图像块训练得到时，则所述使用所述基于神经网络的滤波器，对所述
N
个待滤波图像块分别进行滤波，得到滤波图像，包括：针对所述
N
个待滤波图像块中的每一个待滤波图像块，根据所述训练图像块的扩充方式对所述待滤波图像块进行扩充，得到扩充后的待滤波图像块；使用所述基于神经网络的滤波器，对所述扩充后的待滤波图像块进行滤波，得到滤波后的扩充图像块；将所述滤波后的扩充图像块中所述待滤波图像块对应的图像区域，确定为所述待滤波图像块的滤波后图像块
。5.
根据权利要求4所述的方法，其特征在于，若所述训练图像块的扩充方式包括对所述训练图像块的至少一个边界区域向外进行扩充，则所述根据所述训练图像块的扩充方式对所述待滤波图像块进行扩充，得到扩充后的待滤波图像块，包括：对所述待滤波图像块的至少一个边界区域向外进行扩充，得到所述扩充后的待滤波图像块
。6.
根据权利要求1‑
3、5
任一项所述的方法，其特征在于，所述训练图像包括输入图像和所述输入图像对应的目标图像，所述基于神经网络的滤波器是以输入图像块为输入，以目标图像块为目标进行训练得到，所述输入图像块是通过所述训练图像的分块方式对所述输入图像进行图像划分得到，所述目标图像块是通过所述训练图像的分块方式对所述目标图像进行图像划分得到
。7.
根据权利要求6所述的方法，其特征在于，若所述基于神经网络的滤波器在训练时还输入所述输入图像块的参考图像块时，则所述使用所述基于神经网络的滤波器，对所述
N
个
待滤波图像块分别进行滤波，得到滤波后图像，包括：针对所述
N
个待滤波图像块中的每一个待滤波图像块，确定所述待滤波图像块的参...

【专利技术属性】
技术研发人员：王力强，常仁杰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：