[发明专利]一种图像处理方法以及相关设备

说明书

本申请涉及人工智能领域，公开了一种图像处理方法，包括：获取第一图像；分割所述第一图像，获得N个第一图块；从N个第一图块中获取N个第一自适应数据，N个第一自适应数据与N个第一图块一一对应；根据N个第一自适应数据对N个第一图块进行预处理；通过编码神经网络处理预处理后的N个第一图块，得到N组第一特征图；对N组第一特征图进行量化和熵编码，以获得N个第一编码表示。本申请通过提取多个自适应信息，该多个自适应信息可用于对多个重构图块进行补偿，从而凸显局部特性，提升第二图像的图像质量。

技术领域

本申请涉及人工智能领域，尤其涉及一种图像处理方法以及相关设备。

背景技术

如今多媒体数据占据了互联网的绝大部分流量。对于图像数据的压缩对于多媒体数据的存储和高效传输有着至关重要的作用。所以图像编码是一项具有重大实用价值的技术。

对于图像编码的研究已经有较长的历史，研究人员提出了大量的方法，并制定了多种国际标准，比如JPEG，JPEG2000，WebP，BPG等图像编码标准。这些编码方法虽然在目前都得到了广泛应用，但是针对现在不断增长的图像数据量及不断出现的新媒体类型，这些传统方法显示出了某些局限性。近年来，开始有研究人员开展了基于深度学习图像编码方法的研究。有些研究人员已经取得了不错的成果，比如Ballé等人提出了一种端到端优化的图像编码方法，取得了超越目前最好的图像编码性能，甚至超越了目前最好的传统编码标准BPG。深度学习图像编码是一种有损图像编码技术，深度学习图像编码的一般流程如下：在编码端提取图像的自适应数据，利用自适应数据对图像进行预处理，通过编码神经网络对预处理后的图像进行编码得到压缩数据，在解码端对压缩数据进行解码，得到与原始图像相近的图像。

虽然上述深度学习图像编码相对于传统编码方法有较大的进步，但如何降低编码过程中图像质量的损失，是有损图像编码技术一直需要解决的问题。

发明内容

本申请提供了一种图像处理方法以及相关设备，用于提升图像质量。

本申请第一方面提供了一种图像处理方法，所述方法包括：

编码端获取第一图像，然后分割第一图像，获得N个第一图块，N为大于1的整数。编码端从N个第一图块中获取N个第一自适应数据，N个第一自适应数据与N个第一图块一一对应。编码端通过N个第一自适应数据对N个第一图块进行预处理。在预处理后，编码端通过编码神经网络处理预处理后N个第一图块，得到N组第一特征图。编码端对N组第一特征图进行量化和熵编码，得到N个第一编码表示。其中，通过提取多个自适应信息，该多个自适应信息可用于对多个重构图块进行补偿，从而凸显局部特性，提升第二图像的图像质量。

在第一方面的一种可选设计中，如果对N个第一编码表示进行熵解码，可得到N组第二特征图。如果通过解码神经网络处理N组第二特征图，可得到N个第一重构图块，N个第一自适应数据用于对N个第一重构图块进行补偿。如果通过组合补偿后的N个第一重构图块，可得到第二图像。

在第一方面的一种可选设计中，所述方法还包括：编码端向解码端发送N个第一编码表示，N个第一自适应数据和对应关系，对应关系包括N个第一自适应数据和N个第一编码表示的对应关系。

在第一方面的一种可选设计中，所述方法还包括：编码端量化N个第一自适应数据，获得N个第一自适应量化数据。编码端向解码端发送N个第一自适应量化数据，N个第一自适应量化数据用于对N个第一重构图块进行补偿。其中，N为大于1的整数，编码端需要获取多个第一自适应数据。相比于只从第一图像中获取一个自适应数据，在获取多个自适应数据时，量化第一自适应数据，可以减少第一自适应数据的数据量。

在第一方面的一种可选设计中，N越大，单个第一自适应量化数据的信息熵越小。其中，N越大，第一图块的数量越多，第一自适应量化数据的数量越多。在此情况下，通过减少第一自适应量化数据的信息熵，可以进一步提升第一自适应数量的量化程度，减少第一自适应数据的数据量。