图像处理方法及装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。


背景技术：

2.基于深度学习的图像编码受限于ieee754浮点数系统的计算非确定性。在不同的软、硬件平台上，对于相同的数值输入，浮点数运算的结果并不能保持一致。上述情况可能导致解码图像失真，这对于实现跨平台的深度视觉编码及传输是不利的。


技术实现要素：

3.本公开提出了一种图像处理方法及装置、电子设备和存储介质。
4.根据本公开的一方面，提供了一种图像处理方法，包括：获取待编码的第一图像的第一整数特征信息和第一编码边信息；根据所述第一整数特征信息和第一编码边信息，获得熵编码参数，所述熵编码参数为通过整数定点化处理后的神经网络获得的编码信息，所述整数定点化处理用于使神经网络的输出信息为整数信息；根据所述熵编码参数、所述第一编码边信息和所述第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果。
5.根据本公开的实施例的图像处理方法，通过整数定点化处理，使得神经网络输出的浮点数等参数成为确定的值，在跨平台使用神经网络进行编码时能够保持获得的参数一致，从而获得跨平台编码能力，减少跨平台应用时解码图像失真的可能性。
6.在一种可能的实现方式中，所述获取待编码的第一图像的第一整数特征信息和第一编码边信息，包括：将所述第一图像输入第一编码网络，获取第一特征信息；将所述第一特征信息输入第二编码网络，获得第三特征信息；对所述第三特征信息进行取整处理，获得所述第一编码边信息；将所述第一特征信息进行取整处理，获得所述第一整数特征信息。
7.通过这种方式，可获得各元素均为整数的第一编码边信息和第一整数特征信息，以减少编码冗余，并减少浮点数运算的不确定性。
8.在一种可能的实现方式中，所述根据所述第一整数特征信息和第一编码边信息，获得熵编码参数，包括：将所述第一编码边信息输入整数定点化处理后的第一解码网络，获得第二特征信息；根据所述第二特征信息和所述第一整数特征信息，获得所述熵编码参数。
9.通过这种方式，可通过整数定点化处理后的第一解码网络获得第二特征信息减少计算结果的不确定性，提升熵编码参数的准确性。
10.在一种可能的实现方式中，所述根据所述第二特征信息和所述第一整数特征信息，获得熵编码参数，包括：根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，所述第一超验特征信息和所述第二超验特征信息分别与所述第一整数特征信息的部分特征对应；根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估
计参数；根据所述第一熵编码估计参数和所述第二熵编码估计参数，获得所述熵编码参数。
11.通过这种方式，可基于第一整数特征信息对第二特征信息进行参数预测处理，提升获得的熵编码参数的准确性。
12.在一种可能的实现方式中，所述根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，包括：将所述第一整数特征信息进行分解，获得第二整数特征信息和第三整数特征信息；根据所述第二整数特征信息和所述第二特征信息，获得所述第一超验特征信息；根据所述第三整数特征信息和所述第二特征信息，获得所述第二超验特征信息。
13.通过这种方式，在获得的两个整数特征信息中(第二整数特征信息和第三整数特征信息)，分别具有与另一个特征信息的相邻的元素，便于获得两个整数特征信息中的元素之间的关系，便于获取语义信息。
14.在一种可能的实现方式中，所述将所述第一整数特征信息进行分解，获得第二整数特征信息和第三整数特征信息，包括：将所述第一整数特征信息进行棋盘分解，获得所述第二整数特征信息和所述第三整数特征信息。
15.通过这种方式，可通过棋盘分解后的第一整数特征信息中的元素的对应关系，获得第一超验特征信息和第二超验特征信息，便于获得第一超验特征信息和第二超验特征信息的元素之间的关系，便于获取语义信息。
16.在一种可能的实现方式中，根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估计参数，包括：将所述第一超验特征信息输入整数定点化处理后的参数预测网络，获得第一熵编码估计参数；将所述第二整数特征信息输入整数定点化处理后的语义预测网络，获得第一语义特征信息；将所述第一语义特征信息和所述第二超验特征信息输入所述整数定点化处理后的参数预测网络，获得第二熵编码估计参数。
17.通过这种方式，可在确定熵编码参数时，考虑相邻的元素之间的关系的信息，获得所述第一语义特征信息，可提升熵编码参数的准确性。
18.在一种可能的实现方式中，所述根据所述熵编码参数、所述第一编码边信息和所述第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果，包括：将所述熵编码参数输入概率定点化处理后的概率估计网络，获得第一概率累积参数，其中，所述概率定点化处理使得所述第一概率累积参数为确定的参数；根据所述第一概率累积参数和所述第一整数特征信息进行熵编码处理，获得编码特征；根据所述编码特征和所述第一编码边信息，获得所述第一编码结果。
19.通过这种方式，可通过概率定点化处理后的概率估计网络输出确定的第一概率累积参数，并基于第一概率累积函数进行编码，使得编码结果可具有确定性，以及较高的压缩率，且能够进行跨平台编解码，并减小解码时图像失真的概率。
20.在一种可能的实现方式中，所述方法还包括：从待解码的第二编码结果中获取第二编码边信息；根据所述第二编码边信息进行解码处理，获得第四整数特征信息；对所述第四整数特征信息进行解码处理，获得第二图像。
21.通过这种方式，可基于整数定点化处理后的第一解码网络获得第四特征信息，使得第四特征信息为确定的信息，减小解码失真的概率。
22.在一种可能的实现方式中，所述根据所述第二编码边信息进行解码处理，获得第四整数特征信息，包括：将所述第二编码边信息输入整数定点化处理后的第一解码网络，获得第四特征信息；根据第四特征信息，获得第五整数特征信息，其中，所述第五整数特征信息与所述第四特征信息的部分特征对应；根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息。
23.在一种可能的实现方式中，所述根据第四特征信息，获得第五整数特征信息，包括：对所述第四特征信息进行分解，获得第三超验特征信息，其中，所述第三超验特征信息为所述第四特征信息的部分特征；将所述第三超验特征信息输入所述整数定点化处理后的参数预测网络，获得第三熵编码估计参数；将所述第三熵编码估计参数输入概率定点化处理后的概率估计网络，获得第二概率累积参数；根据所述得第二概率累积参数，对所述第二编码结果进行解码处理，获得第五整数特征信息。
24.通过这种方式，可通过整数定点化处理后的参数预测网络与概率定点化处理后的概率估计网络，获得与全部的整数特征信息的一部分对应的第五整数特征信息，提升第五整数特征信息的确定性。
25.在一种可能的实现方式中，所述根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息，包括：对所述第四特征信息进行分解，获得第四超验特征信息，其中，所述第四超验特征信息为所述第四特征信息的部分特征；根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数；根据所述第四熵编码估计参数，获得第六整数特征信息；根据所述第五整数特征信息和所述第六整数特征信息，获得所述第四整数特征信息。
26.通过这种方式，可基于相邻元素之间的关系的信息获得第六整数特征信息，进而获得第四整数特征信息，可提升第四整数特征信息的准确性。
27.在一种可能的实现方式中，所述根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数，包括：将所述第五整数特征信息输入整数定点化处理后的语义预测网络，获得第二语义特征信息；将所述第二语义特征信息和所述第四超验特征信息输入所述整数定点化处理后的参数预测网络，获得所述第四熵编码估计参数。
28.通过这种方式，可获得第二语义特征信息，即，表示相邻元素之间的关系的信息，从而提高第四熵编码估计参数的准确性。
29.在一种可能的实现方式中，所述方法还包括：根据所述第一解码网络的多个网络层级的卷积核参数的最大值和最小值，对所述卷积核参数进行取整处理，获得取整处理后的多个网络层级的卷积核参数；分别确定所述第一解码网络的多个网络层级，针对预设的校准数据的运算结果中的最大值和最小值，其中，将所述第一编码边信息输入整数定点化处理后的第一解码网络，获得第二特征信息，包括：根据所述整数定点化处理后的第一解码网络的多个网络层级的输出信息，以及所述运算结果中的最大值和最小值，获得所述多个网络层级的输入信息，所述多个网络层级的输出信息包括所述整数定点化处理后的第一解码网络的多个网络层级对所述第一编码边信息的处理结果；根据所述网络层级的输入信息，以及所述取整处理后的多个网络层级的卷积核参数，获得所述第二特征信息。
30.通过这种方式，可通过整数定点化处理减少浮点数运算的不确定性，为跨平台应用提供了应用基础，且不会改变神经网络的结构，保证了神经网络的性能，且不增加训练难
度和设计难度，使得编码的压缩率不会降低。
31.在一种可能的实现方式中，所述方法还包括：对正态分布函数进行二次拟合，获得拟合系数；根据所述拟合系数，获得所述概率定点化处理后的概率估计网络。
32.通过这种方式，可通过概率定点化处理，使得概率估计网络输出确定的第一概率累积参数，从而获得跨平台使用的能力，减小解码图像失真的可能性。且无需改变神经网络的结构，不增加训练难度和设计难度，且无需删减概率估计网络，使得编码的压缩率不会降低。
33.根据本公开的一方面，提供了一种图像处理装置，包括：第一信息获取模块，获取待编码的第一图像的第一整数特征信息和第一编码边信息；熵编码参数获取模块，用于根据所述第一整数特征信息和第一编码边信息，获得熵编码参数，所述熵编码参数为通过整数定点化处理后的神经网络获得的编码信息，所述整数定点化处理用于使神经网络的输出信息为整数信息；编码模块，用于根据所述熵编码参数、所述第一编码边信息和所述第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果。
34.在一种可能的实现方式中，所述第一信息获取模块进一步用于：将所述第一图像输入第一编码网络，获取第一特征信息；将所述第一特征信息输入第二编码网络，获得第三特征信息；对所述第三特征信息进行取整处理，获得所述第一编码边信息；将所述第一特征信息进行取整处理，获得所述第一整数特征信息。
35.在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一编码边信息输入整数定点化处理后的第一解码网络，获得第二特征信息；根据所述第二特征信息和所述第一整数特征信息，获得所述熵编码参数。
36.在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：所述根据所述第二特征信息和所述第一整数特征信息，获得熵编码参数，包括：根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，所述第一超验特征信息和所述第二超验特征信息分别与所述第一整数特征信息的部分特征对应；根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估计参数；根据所述第一熵编码估计参数和所述第二熵编码估计参数，获得所述熵编码参数。
37.在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一整数特征信息进行分解，获得第二整数特征信息和第三整数特征信息；根据所述第二整数特征信息和所述第二特征信息，获得所述第一超验特征信息；根据所述第三整数特征信息和所述第二特征信息，获得所述第二超验特征信息。
38.在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一整数特征信息进行棋盘分解，获得所述第二整数特征信息和所述第三整数特征信息。
39.在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一超验特征信息输入整数定点化处理后的参数预测网络，获得第一熵编码估计参数；将所述第二整数特征信息输入整数定点化处理后的语义预测网络，获得第一语义特征信息；将所述第一语义特征信息和所述第二超验特征信息输入所述整数定点化处理后的参数预测网络，获得第二熵编码估计参数。
40.在一种可能的实现方式中，所述编码模块进一步用于：将所述熵编码参数输入概
率定点化处理后的概率估计网络，获得第一概率累积参数，其中，所述概率定点化处理使得所述第一概率累积参数为确定的参数；根据所述第一概率累积参数和所述第一整数特征信息进行熵编码处理，获得编码特征；根据所述编码特征和所述第一编码边信息，获得所述第一编码结果。
41.在一种可能的实现方式中，所述装置还包括：解码模块，用于从待解码的第二编码结果中获取第二编码边信息；根据所述第二编码边信息进行解码处理，获得第四整数特征信息；对所述第四整数特征信息进行解码处理，获得第二图像。
42.在一种可能的实现方式中，所述解码模块进一步用于：将所述第二编码边信息输入整数定点化处理后的第一解码网络，获得第四特征信息；根据第四特征信息，获得第五整数特征信息，其中，所述第五整数特征信息与所述第四特征信息的部分特征对应；根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息。
43.在一种可能的实现方式中，所述解码模块进一步用于：对所述第四特征信息进行分解，获得第三超验特征信息，其中，所述第三超验特征信息为所述第四特征信息的部分特征；将所述第三超验特征信息输入所述整数定点化处理后的参数预测网络，获得第三熵编码估计参数；将所述第三熵编码估计参数输入概率定点化处理后的概率估计网络，获得第二概率累积参数；根据所述得第二概率累积参数，对所述第二编码结果进行解码处理，获得第五整数特征信息。
44.在一种可能的实现方式中，所述解码模块进一步用于：对所述第四特征信息进行分解，获得第四超验特征信息，其中，所述第四超验特征信息为所述第四特征信息的部分特征；根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数；根据所述第四熵编码估计参数，获得第六整数特征信息；根据所述第五整数特征信息和所述第六整数特征信息，获得所述第四整数特征信息。
45.在一种可能的实现方式中，所述解码模块进一步用于：将所述第五整数特征信息输入整数定点化处理后的语义预测网络，获得第二语义特征信息；将所述第二语义特征信息和所述第四超验特征信息输入所述整数定点化处理后的参数预测网络，获得所述第四熵编码估计参数。
46.在一种可能的实现方式中，所述装置还包括：整数定点化模块，用于根据所述第一解码网络的多个网络层级的卷积核参数的最大值和最小值，对所述卷积核参数进行取整处理，获得取整处理后的多个网络层级的卷积核参数；分别确定所述第一解码网络的多个网络层级，针对预设的校准数据的运算结果中的最大值和最小值，所述熵编码参数获取模块进一步用于：根据所述整数定点化处理后的第一解码网络的多个网络层级的输出信息，以及所述运算结果中的最大值和最小值，获得所述多个网络层级的输入信息，所述多个网络层级的输出信息包括所述整数定点化处理后的第一解码网络的多个网络层级对所述第一编码边信息的处理结果；根据所述网络层级的输入信息，以及所述取整处理后的多个网络层级的卷积核参数，获得所述第二特征信息。
47.在一种可能的实现方式中，所述装置还包括：概率定点化模块，用于对正态分布函数进行二次拟合，获得拟合系数；根据所述拟合系数，获得所述概率定点化处理后的概率估计网络。
48.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执
行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
49.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
50.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
51.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
52.图1示出根据本公开实施例的图像处理方法的流程图；
53.图2示出根据本公开的实施例的棋盘分解的示意图；
54.图3a和图3b示出根据本公开实施例的图像处理方法的应用示意图；
55.图4示出根据本公开实施例的图像处理装置的框图；
56.图5示出根据本公开实施例的一种电子设备的框图；
57.图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
58.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
59.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
60.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
61.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
62.在通过深度学习神经网络进行图像编码的过程中，由于对浮点数及概率计算结果的不确定性，导致了该图像编码方法的应用受到限制，即，在跨平台使用的过程中，可能因为计算结果的偏差导致解码图像失真。而相关技术中将深度学习神经网络改为全整数运算网络可能限制神经网络的功能，且设计和训练更加困难，删减概率估计网络可能造成编码压缩了下降。针对该问题，本公开提供了一种图像处理方法，如下。
63.图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：
64.在步骤s11中，获取待编码的第一图像的第一整数特征信息和第一编码边信息；
65.在步骤s12中，根据所述第一整数特征信息和第一编码边信息，获得熵编码参数，
所述熵编码参数为通过整数定点化处理后的神经网络获得的编码信息，所述整数定点化处理用于使神经网络的输出信息为整数信息；
66.在步骤s13中，根据所述熵编码参数、所述第一编码边信息和所述第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果。
67.根据本公开的实施例的图像处理方法，通过整数定点化处理，使得神经网络输出的浮点数等参数成为确定的值，在跨平台使用神经网络进行编码时能够保持获得的参数一致，从而获得跨平台编码能力，减少跨平台应用时解码图像失真的可能性。
68.在一种可能的实现方式中，所述图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
69.在一种可能的实现方式中，针对上述问题，本公开可通过整数定点化处理处理，使得神经网络运算过程中获得的参数和/或结果是确定的，不受浮点数的不确定性的影响，上述确定的结果可使得基于深度学习神经网络的编解码方法能够跨平台应用，而减少编解码结果的不一致以及图像失真等后果。进一步地，整数定点化处理不会改变神经网络的结构，不会使神经网络的性能下降，也不会增大神经网络的复杂度。
70.在一种可能的实现方式中，在编码过程中，以待编码的第一图像为例，使用以上经过整数定点化处理的神经网络进行编码，可在保证其编码结果的确定性的基础上，不会降低其编码性能。所述第一图像可以是任意图像，例如，拍摄获得的图像，计算机生成的图像等，也可以是视频中的任意视频帧。本公开对第一图像的类型不做限制。
71.在一种可能的实现方式中，在步骤s11中，可获取待编码的第一图像的第一整数特征信息和第一编码边信息。编码编信息用于在编码处理过程中减小信息冗余，所述第一编码编信息为对第一图像进行编码过程中的编码编信息。所述第一整数特征信息为参数值为整数的特征信息，所述第一整数特征信息是对第一图像进行特征提取等处理获得的。
72.在一种可能的实现方式中，步骤s11可包括：将所述第一图像输入第一编码网络，获取第一特征信息；将所述第一特征信息输入第二编码网络，获得第三特征信息；对所述第三特征信息进行取整处理，获得所述第一编码边信息；将所述第一特征信息进行取整处理，获得所述第一整数特征信息。
73.在一种可能的实现方式中，将第一图像输入第一编码网络，所述第一编码网络可对第一图像进行下采样、卷积等编码处理，以减小第一图像的分辨率，但可提升第一图像的维度、感受野等参数。所获得的第一特征信息为多个维度的特征信息(即，张量)，每个维度的特征信息可表示为特征图或特征矩阵，即，所述第一特征信息可包括多个特征图或特征矩阵。其中，第一特征信息中各元素的数值可以是浮点数，例如，所述特征矩阵中的各元素的数值可以是浮点数。所述第一特征信息也可以是其他形式的信息，例如，向量等形式的信息，本公开对第一特征信息的类型不做限制。
74.并将第一特征信息转换为第一整数特征信息，即，将第一特征信息中各元素数值的浮点数转换为整数，以在进一步运算的过程中，减少浮点数运算的不确定性。
75.在一种可能的实现方式中，可对第一特征信息进行进一步处理，以获得在编码中
使用、且能够减少编码冗余的第一编码边信息。可将第一特征信息输入第二编码网络，获得第三特征信息。所述第二编码网络可以是深度学习神经网络，该神经网络可对第一特征信息进行进一步地编码处理，例如，下采样、卷积等编码处理，获得第三特征信息。第三特征信息中各元素的数值可以是浮点数。
76.在一种可能的实现方式中，为了减少浮点数运算的不确定性，可对第三特征信息进行取整，即，对第三特征信息的各元素的数值进行取整，获得各元素的数值为整数的第一编码边信息。在示例中，取整的处理可包括向下取整、向上取整、近似取整等，也可通过以下公式(1)进行取整：
[0077][0078]
其中，w为第三特征信息中任意元素的数值(浮点数)，maxw为第三特征信息中元素的最大值，minw为第三特征信息中元素的最小值。表示取整运算，例如，向下取整、向上取整、近似取整等，q为w通过公式(1)进行取整后的整数值。
[0079]
在一种可能的实现方式中，类似地，对第一特征信息进行取整处理可与第三特征信息的取整处理的方法类似，例如，可对第一特征信息的各元素的数值进行向下取整、向上取整、近似取整，通过公式(1)进行取整等，本公开对取整处理的具体方式不做限制。在取整处理后，可获得各元素的数值均为整数的第一整数特征信息。
[0080]
通过这种方式，可获得各元素均为整数的第一编码边信息和第一整数特征信息，以减少编码冗余，并减少浮点数运算的不确定性。
[0081]
在一种可能的实现方式中，在步骤s12中，在获得上述各元素的数值均为整数的第一编码边信息和第一整数特征信息后，可基于这两种信息获得用于编码的熵编码参数，所述编码可包括熵编码，所述熵编码为按照熵原理进行编码，不丢失任何信息的编码处理，所述熵编码参数为对所述第一图像进行所述熵编码过程中所使用的信息。
[0082]
在一种可能的实现方式中，步骤s12可包括：将所述第一编码边信息输入整数定点化处理后的第一解码网络，获得第二特征信息；根据所述第二特征信息和所述第一整数特征信息，获得所述熵编码参数。
[0083]
通过这种方式，可通过整数定点化处理后的第一解码网络获得第二特征信息减少计算结果的不确定性，提升熵编码参数的准确性。
[0084]
在一种可能的实现方式中，可通过整数定点化处理后的第一解码网络对第一编码边信息进行处理，获得第二特征信息。如上所述，整数定点化处理可减少对浮点数的计算结果的不确定性，使得神经网络的输出结果为确定的参数，即，神经网络的输入信息与输出信息之间存在确定的对应关系，而不会按照概率等因素来确定输出信息，使得输出信息具有一定的不确定性，或者，不会由于浮点数的取值、精度等问题造成的输出信息具有一定的不确定性。并且，对各元素的数值均为整数的第一编码边信息进行处理，可进一步减少输出信息的不确定性。
[0085]
在一种可能的实现方式中，所述整数定点化处理可对神经网络的参数(例如，卷积核参数)进行整数定点化处理，例如，按照一定规律对神经网络的参数进行取整处理，使得神经网络的运算过程中减少由于浮点数的取值、精度等因素造成的输出结果的不确定性。进一步地，还可对神经网络的各网络层级的输入信息按照一定规律进行取整处理，以进一
步减少输出结果的不确定性。
[0086]
在一种可能的实现方式中，所述方法还包括：根据所述第一解码网络的多个网络层级的卷积核参数的最大值和最小值，对所述卷积核参数进行取整处理，获得取整处理后的多个网络层级的卷积核参数；分别确定所述第一解码网络的多个网络层级，针对预设的校准数据的运算结果中的最大值和最小值。
[0087]
在一种可能的实现方式中，第一解码网络可以是深度学习神经网络，例如，卷积神经网络，第一解码网络可包括多个卷积层，本公开对第一解码网络的结构不做限制。如上所述，可对第一解码网络的网络参数(例如，卷积核参数)按照一定规律进行取整处理，例如，可进行向上取整、向下取整、近似取整等处理，也可根据上述公式(1)进行取整处理。
[0088]
在示例中，卷积核参数可以是矩阵的形式，例如，2
×
2矩阵，3
×
3矩阵等。可对矩阵中各元素的数值进行取整处理，例如，可按照公式(1)的方式进行取整处理。针对某个卷积层的卷积核参数，可确定其中的最大值和最小值，并按照公式(1)来求解各元素取整后的数值，获得该卷积层的取整处理后的卷积核参数。进一步地，可按照这种方式获得各网络层级的取整处理后的卷积核参数。
[0089]
进一步地，还可获得每个取整处理后的卷积核参数的定点化结果定点化结果可表示取整处理后的数值变化幅度，如以下公式(2)所示：
[0090][0091]
其中，q’为取整处理后的卷积核参数，maxw’为取整处理前的卷积核参数的最大值，minw’为取整处理前的卷积核参数的最小值。
[0092]
在一种可能的实现方式中，还可对各网络层级的输入信息按照一定规律进行取整处理，以进一步减少输出信息的不确定性，且可防止运算过程中的数据溢出。在示例中，整处理后的卷积核参数的数据长度为8位，可对取整处理后每个卷积层的输入信息进行取整，使得输入的信息为[0，255]数值范围内的8位整数，使得在运算时不会发生数据溢出。
[0093]
在一种可能的实现方式中，可通过未进行上述取整处理的神经网络对预设的校准数据x进行处理时各卷积层的运算结果，来确定对取整处理后的每个卷积层的输入信息进行取整时所使用的参数。在示例中，所述取整时所使用的参数为，未进行取整处理的神经网络对预设的校准数据进行处理时，各网络层级(例如，卷积层)的运算结果(例如，处理结果为张量的形式)中各元素中的最大值maxx和最小值minx。其中，校准数据可以是随机生成的图像数据，或者是预设的满足特定规律的图像数据，本公开对校准数据不做限制。
[0094]
在一种可能的实现方式中，进一步地，可将第一编码信息输入整数定点化处理后的第一解码网络，且通过上述参数(最大值maxx和最小值minx)对第一解码网络的每个取整处理后的卷积层的输入信息进行取整处理，并通过取整处理后的卷积层对取整处理后的输入信息进行处理，整数定点化处理后的第一解码网络最终可输出确定的第二特征信息。该步骤可包括：根据所述整数定点化处理后的第一解码网络的多个网络层级的输出信息，以及所述运算结果中的最大值和最小值，获得所述多个网络层级的输入信息，所述多个网络层级的输出信息包括所述整数定点化处理后的第一解码网络的多个网络层级对所述第一编码边信息的处理结果；根据所述网络层级的输入信息，以及所述取整处理后的多个网络层级的卷积核参数，获得所述第二特征信息。
[0095]
在示例中，将第一编码边信息输入整数定点化处理后的第一解码网络，该神经网络可逐层进行处理，例如，第一个网络层级对第一编码边信息进行处理，获得第一个网络层级的输出信息(即，第一个网络层级对所述第一编码边信息的处理结果)，第一个网络层级的输出信息经过取整处理后得到第二个网络层级的输入信息，通过第二个网络层级进行处理后，获得第二个网络层级的输出信息(即，第二个网络层级对所述第一编码边信息的处理结果)
……
可按照这种方式获得每个网络层级的输入信息，并进行处理，最终可获得第二特征信息。
[0096]
在示例中，可仅对取整处理后的卷积层的上一个网络层级的输出信息进行取整处理，获得取整处理后的卷积层的输入信息，其他网络层级(例如，激活层等)则可无需对上一个网络层级的输出信息进行取整处理，直接将上一个网络层级的输出信息作为输入信息。或者，也可对每个网络层级的上一个网络层级的输出信息进行取整处理，获得本网络层级的输入信息，本公开对此不做限制。
[0097]
在示例中，在对输出信息进行取整处理时，可基于上述参数(即，上述最大值maxx和最小值minx)进行取整处理。例如，可将上一个网络层级的输出信息的各元素的数值除以最接近的整数，也可将上一个网络层级的输出信息的各元素的数值乘以后再进行取整，以将各元素的数值转换为[0，255]数值范围内的8位整数，获得各网络层级的输入信息，使得在运算时不会发生数据溢出。
[0098]
在示例中，可通过整数定点化处理后的第一解码网络对各网络层级的取整后的输入信息进行处理，可输出上述第二特征信息，在示例中，第二特征信息为与第一编码边信息具有确定的对应关系的整数特征信息。
[0099]
通过这种方式，可通过整数定点化处理减少浮点数运算的不确定性，为跨平台应用提供了应用基础，且不会改变神经网络的结构，保证了神经网络的性能，且不增加训练难度和设计难度，使得编码的压缩率不会降低。
[0100]
在一种可能的实现方式中，在通过上述方式获得第二特征信息后，可对第二特征信息继续进行处理，例如，可基于上述第一整数特征信息对第二特征信息进行参数预测处理，获得熵编码参数。熵编码参数为进行熵编码的过程中所需的参数，亦为确定图像编码过程中的概率累积参数的重要依据，基于第一整数特征信息对第二特征信息进行参数预测处理，可提高预测准确性，进而提升概率累积参数的准确性。当然，也可直接通过第二特征信息进行参数预测处理，例如，直接将第二特征信息输入参数预测网络进行处理，获得熵编码参数，本公开对此不做限制。
[0101]
在一种可能的实现方式中，为提升熵编码参数的准确性，可根据所述第二特征信息和所述第一整数特征信息，获得熵编码参数，该步骤可包括：根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，所述第一超验特征信息和所述第二超验特征信息分别与所述第一整数特征信息的部分特征对应；根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估计参数；根据所述第一熵编码估计参数和所述第二熵编码估计参数，获得所述熵编码参数。
[0102]
通过这种方式，可基于第一整数特征信息对第二特征信息进行参数预测处理，提
升获得的熵编码参数的准确性。
[0103]
在一种可能的实现方式中，所述根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，包括：将所述第一整数特征信息进行分解，获得第二整数特征信息和第三整数特征信息；根据所述第二整数特征信息和所述第二特征信息，获得所述第一超验特征信息；根据所述第三整数特征信息和所述第二特征信息，获得所述第二超验特征信息。
[0104]
在一种可能的实现方式中，第一整数特征信息可以是张量形式的特征信息(例如，包括多个矩阵)，且该特征信息中的每个元素的数值均为整数。对第一整数特征信息的分解方式可包括多种，例如，可对每个矩阵进行对称分解，例如，获得每个矩阵的两个斜对角矩阵，或者按照矩阵的中心行或中心列进行对称分解，获得两个矩阵。为便于确定元素之间的关系，可按照棋盘格的形式进行分解。该步骤可包括：将所述第一整数特征信息进行棋盘分解，获得所述第二整数特征信息和所述第三整数特征信息。
[0105]
图2示出根据本公开的实施例的棋盘分解的示意图。如图2所示，每个格可表示上述矩阵中的一个元素，可将矩阵中阴影格位置处的元素和空白格位置处的元素分离，获得两个矩阵。其中一个矩阵为阴影格位置处的元素对应的矩阵，在该矩阵中，阴影格位置处的元素与原矩阵的元素数值相同，空白格位置处的元素的数值可为0、1或随机值，本公开对该值不做限制。类似地，另一个矩阵为空白格位置处的元素对应的矩阵，在该矩阵中，空白格位置处的元素与原矩阵的元素数值相同，阴影格位置处的元素的数值可为0、1或随机值，本公开对该值不做限制。
[0106]
通过这种方式，在获得的两个整数特征信息中(第二整数特征信息和第三整数特征信息)，分别具有与另一个特征信息的相邻的元素，便于获得两个整数特征信息中的元素之间的关系，便于获取语义信息。
[0107]
在一种可能的实现方式中，第二特征信息也为张量形式的特征信息，可按照相同的方式进行分解，例如，也可按照对称的方式或棋盘的方式进行分解。以棋盘的方式进行分解为例，第二特征信息也可获得阴影格位置处对应的特征信息和空白格位置处对应的特征信息(第一超验特征信息和第二超验特征信息)。例如，第二整数特征信息和第一超验特征信息为阴影格位置处对应的特征信息，第三整数特征信息和第二超验特征信息为空白格位置处对应的特征信息。本公开对阴影格位置和空白格位置处对应的特征信息不做限制。
[0108]
在一种可能的实现方式中，也可按照对应关系，在第二特征信息中确定出第一超验特征信息和第二超验特征信息。例如，第一整数特征信息为对第一特征信息进行取整获得的，第一编码边信息为对第一特征信息进行编码并取整后获得的，进而通过第一解码网络获得了第二特征信息，因此，第二特征信息与第一特征信息之间存在对应关系，与第一整数特征信息也存在对应关系。第二整数特征信息为第一整数特征信息中特定位置的元素对应的特征信息，因此，第二特征信息中与第一整数特征信息中特定位置的元素(第二整数特征信息)对应的特征信息即可确定为第一超验特征信息，类似地，第二特征信息中与第一整数特征信息中特定位置的元素(第三整数特征信息)对应的特征信息即可确定为第二超验特征信息。
[0109]
通过这种方式，可通过棋盘分解后的第一整数特征信息中的元素的对应关系，获得第一超验特征信息和第二超验特征信息，便于获得第一超验特征信息和第二超验特征信
息的元素之间的关系，便于获取语义信息。
[0110]
在一种可能的实现方式中，可分别对第一超验特征信息和第二超验特征信息进行处理，分别获得第一熵编码估计参数和第二熵编码估计参数，所述第一熵编码估计参数和第二熵编码估计参数为用于估计所述熵编码参数的参数，例如，第一熵编码估计参数为与第一超验特征信息对应的参数，第二熵编码估计参数为与第二超验特征信息对应的参数，即，第一熵编码估计参数和第二熵编码估计参数为与棋盘分解后的第一整数特征信息对应的参数，可将二者按照棋盘的形式进行组合，获得所述熵编码参数。
[0111]
在示例中，可将二者直接输入整数定点化处理后的参数预测网络，以获得所述第一熵编码估计参数和第二熵编码估计参数。参数预测网络可以是深度学习神经网络，本公开对此不做限制。对参数预测网络进行的整数定点化处理与上述对第一解码网络的整数定点化处理的方式一致，在此不再赘述。第一熵编码估计参数和第二熵编码估计参数可以是张量形式的参数，本公开对此不做限制。
[0112]
在一种可能的实现方式中，如上所述，第二整数特征信息和第三整数特征信息，分别具有与另一个特征信息的相邻的元素，便于获得原特征信息的元素之间的关系。因此，可基于元素之间的关系来提升两个熵编码估计参数的准确性。根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估计参数，包括：将所述第一超验特征信息输入整数定点化处理后的参数预测网络，获得第一熵编码估计参数；将所述第二整数特征信息输入整数定点化处理后的语义预测网络，获得第一语义特征信息；将所述第一语义特征信息和所述第二超验特征信息输入所述整数定点化处理后的参数预测网络，获得第二熵编码估计参数。
[0113]
在一种可能的实现方式中，可将上述两个超验特征信息之一(以第一超验特征信息为例)直接输入整数定点化处理后的参数预测网络，获得与之对应的熵编码估计参数(第一熵编码估计参数)。并将与输入参数预测网络的超验特征信息(第一超验特征信息)对应的整数特征信息(第二整数特征信息)输入整数定点化处理后的语义预测网络，获得第一语义特征信息，该第一语义特征信息可表示输入的整数特征信息(第二整数特征信息)的上下文的特征信息，例如，与之相邻的元素(第三整数特征信息中的元素)的特征信息。进一步地，可将第一语义特征信息以及另一个超验特征信息(与第三整数特征信息对应的第二超验特征信息)共同输入整数定点化处理后的参数预测网络，可获得另一个熵编码估计参数(第二熵编码估计参数)。通过该方式获得的熵编码估计参数可携带有表示相邻的元素之间的关系的信息，可提升熵编码估计参数的准确性。本公开对直接输入参数预测网络的超验特征信息不做限制。
[0114]
在一种可能的实现方式中，第一熵编码估计参数和第二熵编码估计参数分别为与第二整数特征信息和第三整数特征信息对应的参数，基于对第一整数特征信息进行分解的分解方式，对第一熵编码估计参数和第二熵编码估计参数进行合并，例如，将第一熵编码估计参数的阴影格位置的元素与第二熵编码估计参数中空白格位置的元素进行合并，获得熵编码参数。本公开对分解与合并的方式不做限制。
[0115]
通过这种方式，可在确定熵编码参数时，考虑相邻的元素之间的关系的信息，获得所述第一语义特征信息，可提升熵编码参数的准确性。
[0116]
在一种可能的实现方式中，在步骤s13中，可通过上述熵编码参数第一编码边信息
和第一整数特征信息进行编码处理，例如，进行熵编码处理，获得第一图像的第一编码结果。步骤s13可包括：将所述熵编码参数输入概率定点化处理后的概率估计网络，获得第一概率累积参数，其中，所述概率定点化处理使得所述第一概率累积参数为确定的参数；根据所述第一概率累积参数和所述第一整数特征信息进行熵编码处理，获得编码特征；根据所述编码特征和所述第一编码边信息，获得所述第一编码结果。
[0117]
在一种可能的实现方式中，可基于上述熵编码参数，获得第一概率累积参数，第一概率累积参数可以是概率累积函数形式的信息，本公开对第一概率累积参数的形式不做限制。第一概率累积参数是进行熵编码的重要参数，可用于以概率累积函数的形式，在不损失信息的情况下进行编码，获得符合特定概率分布的编码信息。然而，相关技术中的概率累积参数并非确定的参数，而非确定的参数在不同平台的使用过程中获得的结果可能不一致，因而基于此进行编码所获得的编码结果也可能不一致，从而导致利用该编码结果进行解码获得的图像发生失真。
[0118]
在一种可能的实现方式中，针对此问题，可对概率估计网络进行概率定点化处理，使得概率估计网络的输出信息与输入信息之间的关系是确定的，而非基于概率的不确定关系。在示例中，可通过确定性函数(例如，二次函数)对上述概率分布的分布函数(例如，正态分布函数)进行拟合，从而获得曲线形态接近概率分布函数，但输入信息与基于该确定性函数的输出信息之间的关系为确定关系的概率估计网络。所述方法还包括：对正态分布函数进行二次拟合，获得拟合系数；根据所述拟合系数，获得所述概率定点化处理后的概率估计网络。
[0119]
在一种可能的实现方式中，可通过如以下公式(3)的形式的二次函数对正态分布函数进行二次拟合，可获得拟合系数：
[0120]
p

(n)＝ax2 bx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0121]
其中，n为自变量x(例如，向量、矩阵或张量形式的量)进行取整后的数值，p

(n)为自变量为n的二次函数的函数值。a和b为所述拟合系数。
[0122]
在一种可能的实现方式中，概率定点化处理后的概率估计网络可输出如下公式(4)形式第一概率累积参数：
[0123]
c(n)＝q
half-sgn(n)p

(|n|)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0124]
其中，sgn(n)为用于获取n的符号的函数，q
half
为拟合系数，c(n)为概率定点化处理后的概率估计网络输出的第一概率累积参数，也是接近自变量为x的正态分布的函数值的数值。
[0125]
在一种可能的实现方式中，可将熵编码参数输入上述概率定点化处理后的概率估计网络，可获得与熵编码参数具有确定的对应关系的第一概率累积参数，从而使得该编码方法可跨平台使用，减小解码图像失真的可能性。
[0126]
通过这种方式，可通过概率定点化处理，使得概率估计网络输出确定的第一概率累积参数，从而获得跨平台使用的能力，减小解码图像失真的可能性。且无需改变神经网络的结构，不增加训练难度和设计难度，且无需删减概率估计网络，使得编码的压缩率不会降低。
[0127]
在一种可能的实现方式中，可对第一概率累积参数和第一整数特征信息进行熵编码处理，获得编码特征，例如，符合上述特定概率分布的编码信息。进一步地，可根据编码特
征和第一编码边信息获得第一图像的编码结果，例如，码流。例如，可将编码特征和第一编码编信息存入码流，获得第一图像的编码结果。
[0128]
通过这种方式，可通过概率定点化处理后的概率估计网络输出确定的第一概率累积参数，并基于第一概率累积函数进行编码，使得编码结果可具有确定性，以及较高的压缩率，且能够进行跨平台编解码，并减小解码时图像失真的概率。
[0129]
在一种可能的实现方式中，在解码过程中，不论与编码过程处于同一平台，还是跨平台解码，其解码获得的结果可保持一致性，使得编解码方法能够跨平台应用，扩展了应用范围。所述方法还包括：从待解码的第二编码结果中获取第二编码边信息；根据所述第二编码边信息进行解码处理，获得第四整数特征信息；对所述第四整数特征信息进行解码处理，获得第二图像。
[0130]
在一种可能的实现方式中，以对任意编码结果(例如，第二编码结果)进行解码为例，可在第二编码结果的码流中获取与待解码的第二图像对应的第二编码边信息。其中，第二图像为与第二编码结果对应的图像，即，所述第二编码结果为所述第二图像的编码结果。
[0131]
在一种可能的实现方式中，进一步地，可基于第二编码边信息进行解码处理，获得第四整数特征信息，即，与第二图像对应的整数特征信息。并可进行解码获得第二图像。
[0132]
在一种可能的实现方式中，所述根据所述第二编码边信息进行解码处理，获得第四整数特征信息，包括：将所述第二编码边信息输入整数定点化处理后的第一解码网络，获得第四特征信息；根据第四特征信息，获得第五整数特征信息，其中，所述第五整数特征信息与所述第四特征信息的部分特征对应；根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息。
[0133]
通过这种方式，可基于整数定点化处理后的第一解码网络获得第四特征信息，使得第四特征信息为确定的信息，减小解码失真的概率。
[0134]
在一种可能的实现方式中，可通过如上所述的整数定点化处理后的第一解码网络，获得第四特征信息。即，将第二编码边信息输入整数定点化处理后的第一解码网络，获得第四特征信息。
[0135]
在一种可能的实现方式中，可通过第四特征信息进行解码。例如，可通过与以上编码过程相反的方式进行解码。所述根据第四特征信息，获得第五整数特征信息，包括：对所述第四特征信息进行分解，获得第三超验特征信息；将所述第三超验特征信息输入所述整数定点化处理后的参数预测网络，获得第三熵编码估计参数；将所述第三熵编码估计参数输入所述概率定点化处理后的概率估计网络，获得第二概率累积参数；根据所述得第二概率累积参数，对所述第二编码结果进行解码处理，获得第五整数特征信息。
[0136]
在一种可能的实现方式中，可对第四特征信息进行分解，例如，按照与以上棋盘分解相同的方式进行分解，获得第三超验特征信息和第四超验特征信息。
[0137]
在一种可能的实现方式中，可对其中一个超验特征信息进行直接解码，以第三超验特征信息为例，可将其直接输入如上所述的整数定点化处理后的参数预测网络，获得第三熵编码估计参数。并将第三熵编码估计参数输入如上所述的概率定点化处理后的概率估计网络，获得第二概率累积参数，即，与第三超验特征信息(即，对第四特征信息分解后的部分特征信息)对应的第二概率累积参数。
[0138]
在一种可能的实现方式中，可通过第二概率累积参数对第二编码结果进行解码，
例如，可通过解码网络基于第二概率累积参数对第二编码结果进行解码处理，获得第五整数特征信息，即，与第三超验特征信息对应的整数特征信息，亦为全部的整数特征信息的一部分。
[0139]
通过这种方式，可通过整数定点化处理后的参数预测网络与概率定点化处理后的概率估计网络，获得与全部的整数特征信息的一部分对应的第五整数特征信息，提升第五整数特征信息的确定性。
[0140]
在一种可能的实现方式中，所述根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息，包括：对所述第四特征信息进行分解，获得第四超验特征信息，其中，所述第四超验特征信息为所述第四特征信息的部分特征；根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数；根据所述第四熵编码估计参数，获得第六整数特征信息；根据所述第五整数特征信息和所述第六整数特征信息，获得所述第四整数特征信息。
[0141]
在一种可能的实现方式中，可基于上述分解获得的第四超验特征信息，获得第六整数特征信息，即，全部整数特征信息的另一部分，进而可获得完整的整数特征信息，即，第四整数特征信息。可通过与以上获得第五整数特征信息相同的方式获得第六整数特征信息。在另一示例中，由于第三超验特征信息和第四超验特征信息为编码时携带有元素之间的关系的信息，可利用此信息提升解码的准确性。
[0142]
在一种可能的实现方式中，根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数，包括：将所述第五整数特征信息输入整数定点化处理后的语义预测网络，获得第二语义特征信息；将所述第二语义特征信息和所述第四超验特征信息输入所述整数定点化处理后的参数预测网络，获得所述第四熵编码估计参数。
[0143]
通过这种方式，可获得第二语义特征信息，即，表示相邻元素之间的关系的信息，从而提高第四熵编码估计参数的准确性。
[0144]
在一种可能的实现方式中，可将第五整数特征信息输入如上所述的语义预测网络，获得第二语义特征信息，即，表示相邻元素之间的关系的信息。可将第二语义特征信息和第四超验特征信息输入如上所述的整数定点化处理后的参数预测网络，获得所述第四熵编码估计参数。并可基于第四熵编码估计参数，通过与以上获得第五整数特征信息相同的方式获得第六整数特征信息，即，全部整数特征信息的另一部分。
[0145]
通过这种方式，可基于相邻元素之间的关系的信息获得第六整数特征信息，进而获得第四整数特征信息，可提升第四整数特征信息的准确性。
[0146]
在一种可能的实现方式中，可基于第四特征信息的分解方式(例如，棋盘分解等)对第五整数特征信息和第六整数特征信息进行合并，从而获得全部整数特征信息，即，第四整数特征信息。
[0147]
在一种可能的实现方式中，可对第四整数特征信息进行解码，例如，进行上采样，可获得第二图像，即，完成对第二图像的解码。以上解码过程中，可通过整数定点化处理或概率定点化处理后的神经网络获得解码过程中的信息，进而获得解码的结果，即，第二图像，使得解码过程具有通用性，不会由于浮点数计算的不确定性或概率计算的不确定性而导致跨平台应用时解码的结果不一致，从而可减少图像失真，提高解码的成功率。
[0148]
在一种可能的实现方式中，以上使用的神经网络，例如，第一编码网络、整数定点
化处理后的第一解码网络、概率定点化处理后的概率估计网络、第二编码网络、整数定点化处理后的参数预测网络、整数定点化处理后的语义预测网络、第一解码网络等，可共同进行训练，且在训练时即对其中的第一解码网络、概率估计网络等神经网络进行整数定点化处理或概率定点化处理，使得训练后的神经网络具备通过整数定点化处理或概率定点化处理获得一致的编解码结果的能力。
[0149]
在示例中，可通过以上神经网络对样本图像执行上述编码过程，获得编码结果，并通过以上神经网络对编码结果执行上述解码过程，获得解码后的图像，进而可基于解码后的图像与样本图像之间的差异确定上述神经网络的网络损失，并通过反向传播来调整上述神经网络的网络参数。在经过多次训练过程后，网络损失符合误差要求后，可完成训练，获得训练后的上述神经网络，并可在编码和解码过程中使用训练后的神经网络。
[0150]
根据本公开的实施例的图像处理方法，通过整数定点化处理与概率定点化处理，使得神经网络输出的浮点数及概率等参数成为确定的值，在跨平台使用神经网络进行编码时能够保持获得的参数一致，从而获得跨平台编码能力。此外，整数定点化处理与概率定点化处理无需改变神经网络的结构，无需将神经网络改变为全整数运算网络，保证了神经网络的性能，且不增加训练难度和设计难度，且无需删减概率估计网络，使得编码的压缩率不会降低。进一步地，还可考虑相邻的元素之间的关系的信息，进一步提升编解码处理的准确性。
[0151]
图3a和图3b示出根据本公开实施例的图像处理方法的应用示意图。如图3a所示，在对图像进行编码的过程中，可将图像输入第一编码网络ga，获得特征信息y(第一特征信息)，对y进行取整，获得整数特征信息y(第一整数特征信息)，并将特征信息y输入第二编码网络ha，获得第三特征信息，对第三特征信息进行取整，可获得编码边信息z(第一编码边信息)。
[0152]
在一种可能的实现方式中，将编码边信息z输入整数定点化处理后的第一解码网络hs，获得特征信息ψ(第二特征信息)。可对整数特征信息y进行棋盘分解，获得整数特征信息y1(第二整数特征信息)和整数特征信息y2(第三整数特征信息)，特征信息ψ中与y1对应的特征信息为超验特征信息ψ1(第一超验特征信息)，与y2对应的特征信息为超验特征信息ψ2(第二超验特征信息)。可将ψ1输入整数定点化处理后的参数预测网络，获得熵编码估计参数θ1(第一熵编码估计参数)，将整数特征信息y1输入整数定点化处理后的语义预测网络，获得语义特征信息φ(第一语义特征信息)，将语义特征信息φ和超验特征信息ψ2(第二超验特征信息)输入整数定点化处理后的参数预测网络，获得熵编码估计参数θ2(第二熵编码估计参数)，将θ1和θ2进行合并，例如，按棋盘的方式进行合并，获得熵编码参数θ。
[0153]
在一种可能的实现方式中，将熵编码参数θ输入概率定点化处理后的概率估计网络，获得第一概率累积参数，进而可将第一概率累积参数和整数特征信息y进行熵编码处理获得编码特征，并将编码特征和第一编码编信息z存入码流，获得编码结果。
[0154]
在一种可能的实现方式中，如图3b所示，在解码过程中，可在码流中获取编码边信息z(第二编码信息)，输入整数定点化处理后的第一解码网络hs，获得特征信息ψ(第四特征信息)，可通过棋盘分解的方式对其进行分解，获得超验特征信息ψ1(第三超验特征信息)和ψ2(第四超验特征信息)。可将ψ1输入整数定点化处理后的参数预测网络，获得熵编码估计参数θ1(第三熵编码估计参数)，将θ1输入所述概率定点化处理后的概率估计网络，
获得第二概率累积参数。通过解码网络基于第二概率累积参数对编码结果进行解码，可获得整数特征信息y1(第五整数特征信息)。
[0155]
在一种可能的实现方式中，可将整数特征信息y1输入整数定点化处理后的语义预测网络，获得语义特征信息φ(第二语义特征信息)，并将φ和超验特征信息ψ2输入整数定点化处理后的参数预测网络，获得熵编码估计参数θ2(第四熵编码估计参数)。通过同样的方式，可获得整数特征信息y2(第六整数特征信息)。
[0156]
在一种可能的实现方式中，可按照棋盘的方式对整数特征信息y2和y1进行合并，获得整数特征信息y(第四整数特征信息)，并将其输入解码网络gs，即可解码获得图像，即，解码成功。
[0157]
在一种可能的实现方式中，所述图像处理方法可用于数据中心、云存储、流媒体点播服务等场景，在这些场景中，大量图像或视频需要在不同架构的计算平台间传输，并保证传输后在异构平台上可以成功解码。本公开的图像处理方法，可使得基于深度学习的编解码方法可跨平台使用，允许用户在数据中心中接入任意计算平台，也允许用户将编码得到的视觉数据码流直接分发至下游移动设备进行解码读取，并具备较高的编解码性能。本公开对图像处理方法的应用领域不做限制。
[0158]
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
[0159]
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
[0160]
图4示出根据本公开实施例的图像处理装置的框图，如图4所示，所述装置包括：第一信息获取模块11，获取待编码的第一图像的第一整数特征信息和第一编码边信息；熵编码参数获取模块12，用于根据所述第一整数特征信息和第一编码边信息，获得熵编码参数，所述熵编码参数为通过整数定点化处理后的神经网络获得的编码信息，所述整数定点化处理用于使神经网络的输出信息为整数信息；编码模块13，用于根据所述熵编码参数、所述第一编码边信息和所述第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果。
[0161]
在一种可能的实现方式中，所述第一信息获取模块进一步用于：将所述第一图像输入第一编码网络，获取第一特征信息；将所述第一特征信息输入第二编码网络，获得第三特征信息；对所述第三特征信息进行取整处理，获得所述第一编码边信息；将所述第一特征信息进行取整处理，获得所述第一整数特征信息。
[0162]
在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一编码边信息输入整数定点化处理后的第一解码网络，获得第二特征信息；根据所述第二特征信息和所述第一整数特征信息，获得所述熵编码参数。
[0163]
在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：所述根据所述第二特征信息和所述第一整数特征信息，获得熵编码参数，包括：根据所述第二特征信息和所述第一整数特征信息，获得第一超验特征信息和第二超验特征信息，所述第一超验特征
信息和所述第二超验特征信息分别与所述第一整数特征信息的部分特征对应；根据所述第一超验特征信息、所述第二超验特征信息和所述整数定点化处理后的参数预测网络，获得第一熵编码估计参数和第二熵编码估计参数；根据所述第一熵编码估计参数和所述第二熵编码估计参数，获得所述熵编码参数。
[0164]
在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一整数特征信息进行分解，获得第二整数特征信息和第三整数特征信息；根据所述第二整数特征信息和所述第二特征信息，获得所述第一超验特征信息；根据所述第三整数特征信息和所述第二特征信息，获得所述第二超验特征信息。
[0165]
在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一整数特征信息进行棋盘分解，获得所述第二整数特征信息和所述第三整数特征信息。
[0166]
在一种可能的实现方式中，所述熵编码参数获取模块进一步用于：将所述第一超验特征信息输入整数定点化处理后的参数预测网络，获得第一熵编码估计参数；将所述第二整数特征信息输入整数定点化处理后的语义预测网络，获得第一语义特征信息；将所述第一语义特征信息和所述第二超验特征信息输入所述整数定点化处理后的参数预测网络，获得第二熵编码估计参数。
[0167]
在一种可能的实现方式中，所述编码模块进一步用于：将所述熵编码参数输入概率定点化处理后的概率估计网络，获得第一概率累积参数，其中，所述概率定点化处理使得所述第一概率累积参数为确定的参数；根据所述第一概率累积参数和所述第一整数特征信息进行熵编码处理，获得编码特征；根据所述编码特征和所述第一编码边信息，获得所述第一编码结果。
[0168]
在一种可能的实现方式中，所述装置还包括：解码模块，用于从待解码的第二编码结果中获取第二编码边信息；根据所述第二编码边信息进行解码处理，获得第四整数特征信息；对所述第四整数特征信息进行解码处理，获得第二图像。
[0169]
在一种可能的实现方式中，所述解码模块进一步用于：将所述第二编码边信息输入整数定点化处理后的第一解码网络，获得第四特征信息；根据第四特征信息，获得第五整数特征信息，其中，所述第五整数特征信息与所述第四特征信息的部分特征对应；根据所述第五整数特征信息和所述第四特征信息，获得所述第四整数特征信息。
[0170]
在一种可能的实现方式中，所述解码模块进一步用于：对所述第四特征信息进行分解，获得第三超验特征信息，其中，所述第三超验特征信息为所述第四特征信息的部分特征；将所述第三超验特征信息输入所述整数定点化处理后的参数预测网络，获得第三熵编码估计参数；将所述第三熵编码估计参数输入所述概率定点化处理后的概率估计网络，获得第二概率累积参数；根据所述得第二概率累积参数，对所述第二编码结果进行解码处理，获得第五整数特征信息。
[0171]
在一种可能的实现方式中，所述解码模块进一步用于：对所述第四特征信息进行分解，获得第四超验特征信息，其中，所述第四超验特征信息为所述第四特征信息的部分特征；根据所述第五整数特征信息和所述第四超验特征信息，获得第四熵编码估计参数；根据所述第四熵编码估计参数，获得第六整数特征信息；根据所述第五整数特征信息和所述第六整数特征信息，获得所述第四整数特征信息。
[0172]
在一种可能的实现方式中，所述解码模块进一步用于：将所述第五整数特征信息
输入整数定点化处理后的语义预测网络，获得第二语义特征信息；将所述第二语义特征信息和所述第四超验特征信息输入所述整数定点化处理后的参数预测网络，获得所述第四熵编码估计参数。
[0173]
在一种可能的实现方式中，所述装置还包括：整数定点化模块，用于根据所述第一解码网络的多个网络层级的卷积核参数的最大值和最小值，对所述卷积核参数进行取整处理，获得取整处理后的多个网络层级的卷积核参数；分别确定所述第一解码网络的多个网络层级，针对预设的校准数据的运算结果中的最大值和最小值，所述熵编码参数获取模块进一步用于：根据所述整数定点化处理后的第一解码网络的多个网络层级的输出信息，以及所述运算结果中的最大值和最小值，获得所述多个网络层级的输入信息，所述多个网络层级的输出信息包括所述整数定点化处理后的第一解码网络的多个网络层级对所述第一编码边信息的处理结果；根据所述网络层级的输入信息，以及所述取整处理后的多个网络层级的卷积核参数，获得所述第二特征信息。
[0174]
在一种可能的实现方式中，所述装置还包括：概率定点化模块，用于对正态分布函数进行二次拟合，获得拟合系数；根据所述拟合系数，获得所述概率定点化处理后的概率估计网络。
[0175]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0176]
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
[0177]
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
[0178]
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
[0179]
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
[0180]
电子设备可以被提供为终端、服务器或其它形态的设备。
[0181]
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
[0182]
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
[0183]
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以
方便多媒体组件808和处理组件802之间的交互。
[0184]
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0185]
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
[0186]
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0187]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0188]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0189]
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0190]
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0191]
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数
字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0192]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
[0193]
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
[0194]
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
,linux
tm
，freebsd
tm
或类似。
[0195]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
[0196]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0197]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0198]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0199]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机
可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0200]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0201]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0202]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0203]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0204]
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
[0205]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。