[发明专利]一种图像编解码方法及装置

说明书

提供一种图像编解码方法及装置，涉及图像编解码技术领域，能够减少神经网络的参数，能够降低图像编解码的算力消耗。该方法包括：使用第一分析网络对目标图像进行第一去相关变换，得到目标图像的第一特征图；且使用第二分析网络对第一特征图进行第二去相关变换，得到目标图像的第二特征图；然后基于第二特征图的第二概率直方图对第二特征图进行熵编码，获得目标图像的第二码流；并基于第二特征图的第二概率直方图和第二码流，获得目标图像的第二重建图；将第二重建图作为先验信息，使用第一概率预测网络对第一特征图进行概率预测，获得第一概率直方图；以及基于第一特征图的第一概率直方图对第一特征图进行熵编码，获得目标图像的第一码流。

技术领域

本申请实施例涉及图像编解码技术领域，尤其涉及一种图像编解码方法及装置。

背景技术

随着神经网络技术的发展，基于深度学习(深度神经网络)的图像编解码(即图像压缩)方法也应运而生，并且基于深度学习进行图像编解码的性能超越了传统的混合编解码框架下的编解码性能。

以图像编码为例，在一种实现方式中，深度神经网络包括变换网络和概率预测网络，基于该深度神经网络对图像进行编码时，通过变换网络对待编码图像进行变换得到该待编码图像的特征图之后，采用该特征图的概率分布对该特征图的每一个元素进行熵编码，得到待编码图像的码流。其中，该待编码图像的概率分布是通过概率预测网络得到，该概率预测网络是一种利用超先验信息和局部上下文信息进行概率预测的网络。

然而，由于对特征图的概率进行预测需要考虑该局部上下文信息，对于每一个元素的概率进行预测时需要等待该元素的邻域元素解码完成，如此，使得深度神经网络的系统耦合性较强，且深度神经网络的参数量较大，从而导致图像编解码的算力消耗大。

发明内容

本申请实施例提供一种图像编解码方法及装置，能够减少神经网络的参数，能够降低图像编解码的算力消耗。

为达到上述目的，本申请实施例采用如下技术方案：

第一方面，本申请实施例提供一种图像编码方法，包括：使用第一分析网络对目标图像进行第一去相关变换，得到目标图像的第一特征图；然后使用第二分析网络对第一特征图进行第二去相关变换，得到目标图像的第二特征图；基于第二特征图的第二概率直方图对第二特征图进行熵编码，获得目标图像的第二码流，该第二概率直方图用于指示第二特征图中的每一个元素的概率；并且基于第二特征图的第二概率直方图和第二码流，获得目标图像的第二重建图；将第二重建图作为先验信息，使用第一概率预测网络对第一特征图进行概率预测，获得第一概率直方图，该第一概率直方图用于指示第一特征图中的每一个元素的概率；以及基于第一特征图的第一概率直方图对第一特征图进行熵编码，获得目标图像的第一码流。

本申请实施例提供的图像编码方法中，由于神经网络包括多个分析网络时，多个分析网络串联，其中，神经网络的最后一个分析网络输出的特征图的概率分布是预设的，第k个分析网络的输出作为第k+1个分析网络的输入，并且第k个分析网络输出的第k个特征图的概率分布基于第k+1个分析网络输出的特征图的第k+1个重建图进行预测(例如，第一特征图的第一概率直方图是基于第二重建图得到)，无需结合第k个重建图的上下文信息，可以降低神经网络的耦合性，减少神经网络的参数，能够降低图像编码的算力消耗。

一种可能的实现方式中，上述基于第二特征图的第二概率直方图和第二码流，获得目标图像的第二重建图的方法包括：基于第二特征图的第二概率直方图，对目标图像的第二码流进行熵解码，获得目标图像的第二特征图；并且使用第二变换网络对第二特征图进行第二去相关逆变换，获得目标图像的第二重建图。