基于深度高斯过程回归的图像编码、解码以及压缩方法

1.本发明涉及图像压缩领域，具体地，涉及一种基于深度高斯过程回归的图像编码、解码以及压缩方法。


背景技术：

2.近年来，深度神经网络在图像压缩领域中得到广泛应用。在近几年兴起的端到端图像压缩方法中，深度神经网络代替了传统图像压缩方法中的变换、量化和熵编码模块。目前主流的端到端图像压缩方法采用的是变分自编码器的架构。在这种架构中，对瓶颈层特征熵模型建模的准确性因极大影响码率的大小而引起广泛关注。
3.早期的熵模型假设瓶颈层特征的元素之间是相互独立的。经过对现有技术的文献检索发现，j.ball
é
等人在2017年的international conference on learning representation会议上发表的“end-to-end optimized image compression”一文中提出了一种非参数化的、可完全分解的熵模型。随后，为了利用瓶颈层特征元素之间的依赖关系，基于上下文的熵模型被提出。现有的基于上下文建立熵模型的方法主要分为两种。第一种是基于三维上下文的熵模型，它同时考虑了瓶颈层特征通道内和通道间元素的相关性。第二种是基于二维上下文的熵模型，由于它只考虑瓶颈层特征通道内元素的相关性，相比于基于三维上下文的熵模型，在编解码时通道之间可以并行，极大减少了计算和时间开销，因此引起了人们广泛的兴趣。
4.在基于二维上下文的熵模型中，主要有两种方法利用上下文进行建模。第一种是自回归方法，由于因果性，它只能利用瓶颈层特征中已经解码的元素。第二种是j.ball
é
等人在2018年的international conference on learning representation会议上发表的“variational image compression with a scale hyperprior”一文中提出的超先验模型。它利用卷积神经网络获取全局的上下文信息，但是需要存储额外的码流。目前主流的基于二维上下文的熵模型同时用到了这两种互补的方法，比如minnen等人在2018年的conference and workshop on neural information processing systems会议上发表的“joint autoregressive and hierarchical priors for learned image compression”一文中提出的熵模型。然而，现有的基于二维上下文的熵模型都用确定的参数估计瓶颈层特征中元素的分布，比如，混合高斯分布中的均值，即熵模型基于混合高斯分布来估计瓶颈层特征的分布，具体地对于每个特征，将混合高斯分布的均值作为对于其该特征的预测值，并对产生的残差根据均值为零、方差为所估计方差的混合高斯分布来估计用于编码的概率值。因此，当均值的估计并不准确时，会产生更大的残差，从而导致对应概率值变小，码率增大。目前混合高斯分布是基于确定个数的高斯分布均值的线性组合来估计均值，而不是估计该均值的分布，因此更容易受到输入图像的影响，从而对瓶颈层特征的估计值会不准确、产生偏离，使得用于编码的估计概率远离高斯分布的峰值，导致压缩图像的码率增大，使率失真性能变差。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于深度高斯过程回归的图像编码、解码以及压缩方法。
6.根据本发明的一个方面，提供一种基于深度高斯过程回归的图像编码方法，包括：
7.采用编码卷积神经网络得到待编码图像的瓶颈层多通道特征，作为第一特征图；
8.将所述第一特征图中的每个特征量化为整数，得到第二特征图；
9.基于深度高斯过程回归的自回归模型和超先验模型，对所述第二特征图的每一个通道，加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流；
10.将所述超先验模型得到的超先验信息编码为超先验二进制码流；
11.合并所述超先验二进制码流与所述特征二进制码流，得到压缩图像的二进制码流。
12.优选地，所述混合高斯分布编码特征包括权重、均值和方差。
13.优选地，所述均值的获取，包括：
14.所述基于深度高斯过程回归的自回归模型输出后验分布；
15.所述后验分布作为编码所述第二特征图的混合高斯分布的均值的分布；
16.从所述均值的分布采样，得到用于编码所述第二特征图的混合高斯分布的均值；
17.所述方差和权重的获取，包括：
18.基于所述超先验模型输出的超先验信息，生成用于编码所述第二特征图的混合高斯分布的方差和权重。
19.优选地，所述加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流，包括：
20.根据所述均值、方差和权重对所述第二特征图进行概率估计，获得估计概率；
21.根据所述估计概率进行算术编码；
22.得到所述特征二进制码流。
23.优选地，所述基于深度高斯过程回归的自回归模型，包括：
24.m个独立的基于深度高斯过程回归的自回归子模型；
25.每个所述自回归子模型分别采用不同大小的二维上下文n1×
n1,
…
,nm×
nm，0＜n1＜
…
＜nm，进行自回归建模。
26.优选地，所述自回归子模型，包括：
27.自回归序列生成模块，第m个(m＝1,2,
…
,m)基于深度高斯过程回归的自回归子模型的二维上下文大小为nm×
nm，对第二特征图的第k个通道，选取自回归目标特征y
i,j,k
(第k个通道中第i行第j列的特征)，逐行扫描选取个通道中第i行第j列的特征)，逐行扫描选取个通道中第i行第j列的特征)，逐行扫描选取构成用于回归的序列
28.预处理模块，通过由多层全连接层和leaky relu激活函数级联构成的深度神经网络对所述自回归序列进行白化和降维预处理，获得预处理后的自回归序列
29.深度高斯过程回归模块，对所述预处理后的自回归序列用深度高斯过程进行回归，获得输出作为y
i，j，k
的无偏估计值。
30.优选地，所述深度高斯过程回归模块包括变分推断子模块和采样估计子模块，其中：
31.在所述变分推断子模块中，设深度高斯过程层数为l，对第l层，将第l-1层的d
l-1
个输出向量作为输入，计算第l层的d
l
个输出向量的后验分布包括：
32.对每个输出向量引入后验分布为高斯分布的辅助向量所述高斯分布的期望和方差的值由随机初始化后经过训练优化获得；
33.分解的联合后验分布的联合后验分布其中分布为高斯分布
34.根据和计算的后验分布计算过程为计算过程为获得为高斯分布
35.在所述采样估计子模块中，对所述深度高斯过程从第1层开始按层间顺序采样，对所述第l-1层，根据d
l-1
个输出向量的后验分布采样，得到采样值作为第l层的输入；直至获得所述深度高斯过程最后一层输出的后验分布的采样作为自回归目标特征y
i,j,k
的混合高斯分布的均值分布的无偏估计。
36.优选地，所述超先验模型包括：
37.对所述第二特征图采用超先验编码卷积神经网络得到超先验信息；
38.对所述超先验信息进行量化得到量化后的超先验信息，对量化后的超先验信息建立一个非参数化的分布估计，并利用所述分布估计对量化后的超先验信息进行算术编码，获得超先验二进制码流；
39.利用所述非参数化的分布估计对所述超先验二进制码流进行算数解码得到恢复的超先验信息；
40.对所述恢复的超先验信息采用超先验解码卷积神经网络得到重构的超先验信息，作为第二特征图的混合高斯分布的方差和权重。
41.根据本发明的第二个方面，提供一种基于深度高斯过程回归的图像解码方法，用于上述方法得到的二进制码流解码，包括：
42.分解所述二进制码流，获得特征二进制码流和超先验二进制码流；
43.用超先验模型从所述超先验二进制码流中获得重构超先验信息；
44.用所述重构超先验信息和所述基于深度高斯过程回归的自回归模型输出的后验分布，获得用于解码所述第二特征图的混合高斯分布的均值、方差和权重；
45.根据所述混合高斯分布的均值、方差和权重对所述特征二进制码流进行二进制解码，获得所述第二特征图；
46.将所述第二特征图通过解码卷积神经网络，获得重构图像。
47.根据本发明的第三个方面，提供一种基于深度高斯过程回归的图像压缩方法，包括：
48.对待压缩图像采用上述的基于深度高斯过程回归的图像编码方法，得到二进制码流；
49.对所述二进制码流采用上述的基于深度高斯过程回归的图像解码方法进行解压缩，得到重构图像。
50.优选地，所述基于卷积神经网络和深度高斯过程回归模型的参数通过率失真优化获得：
51.min r λ
·d52.其中，λ为选定的拉格朗日系数用于平衡失真和码率，失真是在训练图像集上根据待压缩图像xc和重构图像的均方误差，码率r根据m个深度高斯过程回归获得的混合高斯分布计算获得，对于给定图像xc，其中：
[0053][0054]
分别是编码第k个通道中第i行第j列特征时混合高斯分布的均值、方差和权重，是尺度因子用于组合基于深度高斯过程回归的自回归子模型，是辅助变量的先验分布，是量化后的超先验信息第n维的分布估计，代表定义在区间到的均匀分布。
[0055]
与现有技术相比，本发明具有如下的有益效果：
[0056]
本发明实施例中的基于深度高斯过程回归的图像编码、解码以及压缩方法，采用
非参数化的深度高斯过程回归方法进行自回归建模，将深度高斯过程回归输出的后验分布作为混合高斯模型的均值，可以更灵活地对均值进行估计，从而得到更准确的均值估计。
[0057]
本发明实施例中的基于深度高斯过程回归的图像编码、解码以及压缩方法，与基准掩码积神经网络相比，在重构图像质量相同的前提下，可以节约3.6％的码流开销，提升了率失真性能。
附图说明
[0058]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0059]
图1为本发明一实施例中的基于深度高斯过程回归的图像编码的流程图；
[0060]
图2为本发明一实施例中的基于深度高斯过程回归的模型的流程图；
[0061]
图3为本发明一实施例中的深度高斯过程回归模块的流程图；
[0062]
图4为本发明一实施例中的基于深度高斯过程回归的图像解码的流程图；
[0063]
图5为本发明一实施例中的基于深度高斯过程回归的图像压缩的流程；
[0064]
图6为本发明基于深度高斯过程回归的子模型训练过程流程图。
具体实施方式
[0065]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0066]
本发明提供一个实施例，一种基于深度高斯过程回归的图像编码方法，包括：
[0067]
s100采用编码卷积神经网络得到待编码图像的瓶颈层多通道特征，作为第一特征图；
[0068]
s200将所述第一特征图中的每个特征量化为整数，得到第二特征图；
[0069]
s300基于深度高斯过程回归的自回归模型和超先验模型，对所述第二特征图的每一个通道，加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流；
[0070]
s400将所述超先验模型得到的超先验信息编码为超先验二进制码流；
[0071]
s500合并所述超先验二进制码流与所述特征二进制码流，得到压缩图像的二进制码流
[0072]
基于上述实施例进一步优化获得优选实施例，如图1所示，为该优选实施例的基于深度高斯过程回归的图像编码的流程图，包括：
[0073]
s101瓶颈层多通道特征提取：待编码图像通过编码卷积神经网络，获得三维的瓶颈层多通道特征；
[0074]
s102均匀量化：将瓶颈层多通道特征四舍五入量化为整数；
[0075]
s103深度高斯过程回归：对瓶颈层多通道特征的每一个通道建立一个独立的基于深度高斯过程回归的自回归模型；每一个基于深度高斯过程回归的自回归模型包括m个基于深度高斯过程回归的自回归子模型，分别采用不同大小的二维上下文n1×
n1,
…
,nm×
nm，0＜n1＜
…
＜nm，进行自回归建模。
[0076]
第二特征图的每个通道是从输入的图像采用不同参数的卷积滤波器获得的(卷积神经网络的每一层对于每个输入通道和输出通道采用一个感受野大小相同但是参数值不同的卷积滤波器)，因此第二特征图中的每个通道中特征的统计分布不相同。在深度高斯过程回归中，针对上述不同采用多个不同上下文大小的自回归子模型(即各个自回归子模型模型结构相同，但是自回归阶数各不相同)来进行处理，提升模型拟合的精确度。
[0077]
s104超先验信息提取：对瓶颈层多通道特征采用超先验编码卷积神经网络得到超先验信息；
[0078]
s105超先验信息编码：对超先验信息进行量化和算术编码，建立一个非参数化的分布估计，并利用此分布估计对量化后的超先验信息进行算术编码，获得超先验二进制码流；
[0079]
s106超先验信息解码：对超先验信息二进制码流进行算术解码，获得恢复的超先验信息；对恢复的超先验信息采用超先验解码卷积网络，获得重构超先验信息；
[0080]
s107瓶颈层多通道特征编码：用基于深度高斯过程回归的自回归模型的输出的后验分布作为用于编码量化后的瓶颈层多通道特征的高斯混合模型的均值；用重构超先验信息获得用于编码量化后的瓶颈层多通道特征的高斯混合模型的方差和权重；根据高斯混合模型的均值、方差和权重对量化后的瓶颈层多通道特征进行算术编码，获得瓶颈层多通道特征二进制码流；
[0081]
s108码流合成：将超先验信息二进制码流和瓶颈层多通道特征码流合并，获得压缩图像二进制码流。
[0082]
本发明提供基于深度高斯过程回归的自回归子模型的优选实施例，如图2所示，为该模型的结构示意图，包括：
[0083]
自回归序列生成模块，第m个(m＝1,2,
…
,m)基于深度高斯过程回归的自回归子模型的二维上下文大小为nm×
nm，对第二特征图的第k个通道，选取自回归目标特征y
i,j,k
(第k个通道中第i行第j列的特征)，逐行扫描选取个通道中第i行第j列的特征)，逐行扫描选取个通道中第i行第j列的特征)，逐行扫描选取构成用于回归的序列
[0084]
预处理模块，通过由多层全连接层和leaky relu激活函数级联构成的深度神经网络对所述自回归序列进行白化和降维预处理，获得预处理后的自回归序列按照通用近似定理，理论上多层(大于等于2层)全连接层能够以任意精度拟合任意函数，在实际网络设计中，通过图像处理常用的leaky relu激活函数引入非线性，提升深度神经网络的拟合能力。
[0085]
深度高斯过程回归模块，对所述预处理后的自回归序列用深度高斯过程进行回归，获得输出作为y
i,j,k
的估计值。
[0086]
进一步的，深度高斯过程回归模块，其结构如图3所示，包括：
[0087]
变分推断子模块，假设深度高斯过程层数为l，对第l层(l≤l)，将第l-1层的d
l-1
个
输出向量作为输入(当l＝1时，输入为预处理后的回归的序列计算第l层的d
l
个输出向量的后验分布具体操作为
[0088]
对每个输出向量引入后验分布为高斯分布的辅助向量所述高斯分布的期望和方差的值由随机初始化后经过训练优化获得；
[0089]
分解的联合后验分布的联合后验分布其中分布为高斯分布
[0090]
根据和计算的后验分布计算过程为计算过程为因此为高斯分布
[0091]
采样估计子模块，对所述深度高斯过程从第1层开始按层间顺序采样，对所述第l-1层，根据d
l-1
个输出向量的后验分布采样，得到采样值作为第l层的输入(当l＝1时，输入为预处理后的回归的序列)，最终获得所述深度高斯过程最后一层输出的后验分布的采样作为自回归目标特征y
i,j,k
的混合高斯分布的均值分布的无偏估计。无偏估计为深度高斯过程回归输出的后验分布作为混合高斯模型的均值，即根据所述的深度高斯过程回归的自回归子模型，所获得的均值在统计意义上对于给定输入获得的输出值是没有偏移的。
[0092]
在另一优选实施例中，深度高斯过程回归模块中的深度高斯过程简化为单层的高斯过程(l＝1)。
[0093]
本实施例的基于深度高斯过程回归的图像编码方法，将深度高斯过程最后一层输出的后验分布作为量化后的瓶颈层多通道特征的高斯混合模型的均值，具有更好的灵活性和均值估计的准确性。
[0094]
基于相同的发明构思，本发明另一实施例中提供一种基于深度高斯过程回归的图像解码方法，流程图如图4所示，包括：
[0095]
s201码流分解：分解压缩图像二进制码流，获得超先验信息二进制码流和瓶颈层
多通道特征二进制码流；
[0096]
s202超先验信息解码：对超先验信息二进制码流进行算数解码，获得恢复的超先验信息；对恢复的超先验信息采用超先验解码卷积网络，获得重构超先验信息；
[0097]
s203深度高斯过程回归：该模块的结构和参数值与图1所示实施例中的深度高斯过程回归完全相同。具体的，首先用0元素初始化未解码的量化后的瓶颈层多通道特征；对量化后的瓶颈层多通道特征的每一个通道建立一个独立的基于深度高斯过程回归的自回归模型；每一个基于深度高斯过程回归的自回归模型包括m个基于深度高斯过程回归的自回归子模型，分别采用不同大小的二维上下文n1×
n1,
…
,nm×
nm，0＜n1＜
…
＜nm，进行自回归建模；每一个基于深度高斯过程回归的自回归子模型的结构如图2所示，包括自回归序列生成模块、预处理模块和深度高斯过程回归模块；其中，深度高斯过程回归模块的结构如图3所示，包括变分推断模块和采样估计模块。
[0098]
在另一优选实施例中，深度高斯过程回归模块中的深度高斯过程简化为单层的高斯过程(l＝1)。
[0099]
s204瓶颈层多通道特征解码：用基于深度高斯过程回归的自回归模型的输出的后验分布作为用于解码量化后的瓶颈层多通道特征的高斯混合模型的均值；用重构超先验信息获得用于解码量化后的瓶颈层多通道特征的高斯混合模型的方差和权重；根据高斯混合模型的均值、方差和权重对量化后的瓶颈层多通道特征二进制码流进行二进制解码，渐进获得重构的量化后的瓶颈层多通道特征。其中渐进获得指量化后的瓶颈层多通道特征的元素是按照扫描顺序逐个重构的。具体的，对于量化后的瓶颈层多通道特征每个通道，按照通道中从左上到右下的顺序扫描通道中的元素。
[0100]
s205图像重构：对重构的量化后的瓶颈层多通道特征采用解码卷积神经网络，获得重构图像。
[0101]
本实施例的基于深度高斯过程回归的图像解码方法用于对应图1所示的基于深度高斯过程回归的图像编码方法。同样的，将深度高斯过程最后一层输出的后验分布作为量化后的瓶颈层多通道特征的高斯混合模型的均值，使得均值的估计更加地准确和灵活。
[0102]
根据相同的发明构思，其他实施例中提供一种基于深度高斯过程回归的图像压缩方法。如图5所示，为该方法的流程图，包括：
[0103]
s301获取待压缩图像；
[0104]
s302基于卷积神经网络和深度高斯过程回归对待压缩图像进行压缩，获得压缩图像二进制码流。具体的，采用图1所示基于深度高斯过程回归的图像编码方法对待压缩图像进行压缩。
[0105]
s303基于卷积神经网络和深度高斯过程回归对压缩图像二进制码流进行解压缩，获得重构图像。具体的，采用图2所示基于深度高斯过程回归的图像解码方法对压缩图像二进制码流进行解压缩。
[0106]
基于相同的发明构思，在本发明的其他实施例中，提供一个基于深度高斯过程回归的图像压缩模型的训练方法，其流程如图6所示。本实施例中，训练集选用flicker数据集中的20000张图像。训练之后的图像压缩模型可以用于实际的编解码。具体的，如图6所示，包括：
[0107]
s401瓶颈层多通道特征提取：将flicker数据集中的图像裁成256
×
256大小，输入
编码卷积神经网络获得瓶颈层多通道特征；
[0108]
s402超先验信息提取：将瓶颈层多通道特征输入超先验编码卷积神经网络获得超先验信息；
[0109]
s403超先验信息可导量化：由于量化操作的梯度几乎处处为0，为了使得训练时对超先验信息的量化操作的梯度可以反向传播，对超先验信息添加均匀分布的量化噪声来模拟实际的量化；
[0110]
s404超先验信息重构：将添加量化噪声后的超先验信息输入超先验解码卷积神经网络获得重构的超先验信息；
[0111]
s405超先验信息码率估计：假设超先验信息中每个元素是独立的，用一个非参数化的分布估计来拟合超先验信息中每个元素的概率分布，获得超先验信息码率估计；
[0112]
s406特征可导量化：将瓶颈层多通道特征四舍五入量化为整数，为了使得训练时对瓶颈层多通道特征的量化操作的梯度可以反向传播，设定量化后的瓶颈层多通道特征对量化前的瓶颈层多通道特征的梯度为1；
[0113]
s407深度高斯过程回归：对量化后的瓶颈层多通道特征的每一个通道建立一个独立的基于深度高斯过程回归的自回归模型；每一个基于深度高斯过程回归的自回归模型包括m个基于深度高斯过程回归的自回归子模型，分别采用不同大小的二维上下文n1×
n1,
…
,nm×
nm，0＜n1＜
…
＜nm，进行自回归建模；
[0114]
s408特征码率估计：用基于深度高斯过程回归的自回归模型的输出的后验分布的一个采样作为量化后的瓶颈层多通道特征的高斯混合模型的均值；用重构超先验信息获得编码量化后的瓶颈层多通道特征的高斯混合模型的方差和权重；根据高斯混合模型的均值、方差和权重获得量化后的瓶颈层多通道特征的码率估计；
[0115]
s409总码率估计：将超先验信息码率估计和瓶颈层多通道特征的码率估计相加，获得总码率估计；
[0116]
s410图像重构：对量化后的瓶颈层多通道特征采用解码卷积神经网络，获得重构图像。
[0117]
其中，基于深度高斯过程回归的自回归子模型如图2和图3所示，在此不作赘述。
[0118]
进一步的，用随机梯度下降算法学习上述的图像压缩模型，其损失函数定义为：
[0119][0120]
其中，λ为选定的拉格朗日系数用于平衡失真和码率(λ越大，模型收敛后失真越小，码率越大，改变λ，可以获得不同码率下的图像压缩模型)，失真小，码率越大，改变λ，可以获得不同码率下的图像压缩模型)，失真是在训练图像集上根据待压缩图像xc和重构图像的均方误差，码率r根据m个深度高斯过程回归获得的混合高斯分布计算获得，对于给定图像xc，具体计算过程为
[0121][0122]
这里，分别是编码第k个通道中第i行第j列特征时混合高斯分布的期望、方差和权重，是尺度因子用于组合基于深度高斯过程回归的自回归子模型，是辅助变量的先验分布，是量化后的超先验信息第n维的分布估计，代表定义在区间到的均匀分布。
[0123]
实施效果：
[0124]
在上述实施例中，用flicker数据集对基于深度高斯过程回归的图像压缩模型进行训练，瓶颈层多通道特征的每个通道的采样率设置为1/16，损失函数中失真项设置为均方误差，λ分别设置为0.001、0.004、0.012和0.035分别对应四个不同码率的图像压缩模型，使用adam优化器首先在学习率为10-4
下训练750000步，接着降低学习率至5
×
10-5
训练250000步后，模型收敛，停止训练。
[0125]
在上述实施例中，用训练得到的四个基于深度高斯过程回归的图像压缩模型的图像编码器对kodak测试集中的24张图像进行压缩。当深度高斯过程的层数设置为1时，压缩后的24张图像的平均码率分别为0.1079bpp(比特每像素)、0.2879bpp、0.5247bpp和0.9210bpp；当深度高斯过程的层数设置为2时，压缩后的24张图像的平均码率分别为0.0940bpp、0.2711bpp、0.5194bpp和0.9008bpp；深度高斯过程的层数设置为3时，压缩后的24张图像的平均码率分别为0.0938bpp、0.2725bpp、0.5172bpp和0.9071bpp。
[0126]
在上述实施例中，用训练得到的四个基于深度高斯过程回归的图像压缩模型的图像编码器，对压缩kodak测试集24张图像产生的二进制码流进行解压缩，获得重构图像。当深度高斯过程的层数设置为1时，重构的24张图像的平均峰值信噪比(psnr)分别为27.6683db(分贝)、30.9539db、33.6554db和36.7882db；当深度高斯过程的层数设置为2时，重构的24张图像的平均峰值信噪比分别为27.2620db、30.8822db、33.7075db和36.7512db；深度高斯过程的层数设置为3时，重构的24张图像的平均峰值信噪比分别为27.2691db、30.8667db、33.7406db和36.7921db。
[0127]
此外，相比于用掩码卷积对瓶颈层多通道特征进行自回归的方法，本发明提供的基于深度高斯过程回归的图像压缩方法具有更好的率失真性能。具体的，当深度高斯过程的层数设置为2时，在相同的重构图像失真下，可以节省3.6％的码流开销。
[0128]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。