图像处理方法及装置、电子设备和存储介质与流程

技术特征：
1.一种图像处理方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1或2所述的方法，其特征在于，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。4.根据权利要求3所述的方法，其特征在于，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。5.根据权利要求4所述的方法，其特征在于，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。6.根据权利要求5所述的方法，其特征在于，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。7.根据权利要求5或6所述的方法，其特征在于，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。8.根据权利要求1-7中任一项所述的方法，其特征在于，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。9.根据权利要求1-8中任一项所述的方法，其特征在于，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。10.根据权利要求9所述的方法，其特征在于，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。11.根据权利要求10所述的方法，其特征在于，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。12.根据权利要求10或11所述的方法，其特征在于，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。
13.根据权利要求12所述的方法，其特征在于，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。14.根据权利要求3所述的方法，其特征在于，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。15.根据权利要求8所述的方法，其特征在于，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。16.一种图像处理装置，其特征在于，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。17.一种电子设备，其特征在于，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，以执行权利要求1至15中任意一项所述的方法。18.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至15中任意一项所述的方法。

技术总结
本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：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；根据第一整数特征信息和第一编码边信息，获得熵编码参数；根据熵编码参数、第一编码边信息和第一整数特征信息进行编码处理，获得所述第一图像的第一编码结果。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。平台应用时解码图像失真的可能性。平台应用时解码图像失真的可能性。


技术研发人员：何岱岚 王岩 杨孜名 秦红伟
受保护的技术使用者：北京市商汤科技开发有限公司
技术研发日：2022.05.23
技术公布日：2022/8/30