[发明专利]一种视频图像编码系统及方法

说明书

本发明涉及图像处理技术领域，公开了一种视频图像编码系统及方法，其系统通过提取目标视频图像的特征图，对特征图进行全局平均池化和全局最大池化并行处理，从而得到对应的两个通道描述向量矩阵，将两个通道描述向量矩阵进行合并，并经过激活层输出通道注意特征，通过空间注意力模块对通道注意特征进行一个通道维度的全局平均池化和全局最大池化并行处理，得到相应的两个空间描述向量矩阵，将两个空间描述向量矩阵按照通道进行合并，并经过卷积层进行激活，从而得到二维空间注意映射矩阵，通过残差重构模块基于预设的深度残差网络对二维空间注意映射矩阵进行重构，从而得到超分辨率重构图像，从而降低了视频图像失真率，提高了图像分辨率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种视频图像编码系统及方法。

背景技术

随着图像采集与显示技术的快速发展，4K/8K 等高分辨率视频正逐渐进入我们的工作和生活。而新一代视频压缩标准（HEVC）较前一代在高分辨率视频的编码上节50%左右的码流，但由于高清视频图像的分辨率成倍增加， 压缩后的视频数据量仍然很大，而且目前网络带宽资源仍然比较有限，这给视频数据的传输和存储带来很大的压力，也就导致提高了视频图像失真率，降低图像分辨率。

发明内容

本发明提供了一种视频图像编码系统及方法，解决了视频图像失真率增高，从而降低图像分辨率的技术问题。

有鉴于此，本发明第一方面提供了一种视频图像编码系统，包括：特征图提取网络模块和自我关注机制模块；

所述特征图提取网络模块用于基于深度学习算法提取目标视频图像的特征图，还用于将所述特征图发送至所述自我关注机制模块；

所述自我关注机制模块包括通道注意力模块、空间注意力模块和残差重构模块；

所述通道注意力模块用于对所述特征图进行全局平均池化和全局最大池化并行处理，从而得到对应的两个通道描述向量矩阵，还用于将两个所述通道描述向量矩阵分别发送至两层的卷积层网络，利用逐个元素相加法将两个所述通道描述向量矩阵进行合并，从而得到新的通道描述向量矩阵，还用于将所述新的通道描述向量矩阵发送至激活层输出通道注意特征；还用于将所述通道注意特征发送至所述空间注意力模块；

所述空间注意力模块用于对所述通道注意特征进行一个通道维度的全局平均池化和全局最大池化并行处理，得到相应的两个空间描述向量矩阵，还用于将两个所述空间描述向量矩阵按照通道进行合并，从而得到新的空间描述向量矩阵；还用于将所述新的空间描述向量矩阵发送至 7×7 的卷积层进行激活，从而得到二维空间注意映射矩阵；还用于将所述二维空间注意映射矩阵发送至所述残差重构模块；

所述残差重构模块用于基于预设的深度残差网络对所述二维空间注意映射矩阵进行重构，从而得到超分辨率重构图像。

优选地，本系统还包括压缩模块，用于对原始视频图像进行压缩，从而得到压缩图像以作为所述目标视频图像。

优选地，所述特征图提取网络模块包含两层深度学习卷积层，两层深度学习卷积层的大小分别为3×3×64和3×3×256。

优选地，所述激活层的激活函数为Sigmoid函数。

优选地，所述预设的深度残差网络由堆叠的若干个残差块组成，每个残差块由卷积层、批处理归一化层和非线性激活函数层组成。

第二方面，本发明还提供了一种视频图像编码方法，包括以下步骤：

基于深度学习算法提取目标视频图像的特征图；

对所述特征图进行全局平均池化和全局最大池化并行处理，从而得到对应的两个通道描述向量矩阵，将两个所述通道描述向量矩阵分别发送至两层的卷积层网络，利用逐个元素相加法将两个所述通道描述向量矩阵进行合并，从而得到新的通道描述向量矩阵，将所述新的通道描述向量矩阵发送至激活层输出通道注意特征；