[發(fā)明專利]圖像劃分方法和裝置

在審

• 申請?zhí)枺?/td>: 202110752745.3
• 申請日: 2021-07-02
• 公開（公告）號: CN113382245A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計）人: 劉東;馮傲林;李禮
• 申請（專利權(quán)）人: 中國科學(xué)技術(shù)大學(xué)
• 主分類號: H04N19/147
• 分類號: H04N19/147;H04N19/149;H04N19/96;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 劉翠香

本申請?zhí)峁┝艘环N圖像劃分方法和裝置，本申請的方案在獲得圖像的編碼樹單元CTU之后，可以將CTU輸入到訓(xùn)練好的劃分深度識別模型，便可以得到CTU中各個基本單元的劃分深度，而基于CTU中各個基本單元的劃分深度便可以推導(dǎo)出該CTU中編碼單元的劃分方式，從而無需通過遞歸方式來確定CTU對應(yīng)的編碼單元劃分方式，也就避免了遞歸過程中頻繁計算率失真代價，從而降低了確定CTU的編碼單元劃分方式的復(fù)雜度和耗時。

技術(shù)領(lǐng)域

本申請涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種圖像劃分方法和裝置。

背景技術(shù)

HEVC(High Efficiency Video Coding，高效視頻編碼)標(biāo)準(zhǔn)是目前互聯(lián)網(wǎng)視頻數(shù)據(jù)主流的壓縮標(biāo)準(zhǔn)之一。HEVC引入了自適應(yīng)四叉樹的塊劃分技術(shù)，帶來了十分可觀的編碼性能增益，同時也大幅度提升了編碼器復(fù)雜度。

自適應(yīng)四叉樹劃分在編碼過程中經(jīng)常通過率失真優(yōu)化(Rate–distortionoptimization，RDO)的方式，確定圖像的各編碼樹單元(Coding Tree Unit，CTU)的劃分方式。具體的，一幀圖像在被劃分為互不重疊的多個CTU之后，每個CTU會進一步被劃分為需要編碼的編碼單元(Coding Unit，CU)，而將CTU劃分為CU是一個遞歸過程，需要遍歷CTU所有可能的CU劃分方式，并通過計算率失真代價來確定最優(yōu)的CU劃分方式。

然而，由于基于率失真優(yōu)化的方式劃分CTU需要遍歷所有的CU劃分方式，而每個CTU對應(yīng)的CU劃分方式較多，如，HEVC標(biāo)準(zhǔn)中采用的CTU尺寸(同時也是最大可能的CU尺寸)為64×64，最小CU尺寸為8×8。因此，一個CTU可能的劃分方式高達83522種，且每次計算率失真代價都需要耗費一定時長，從而使得CTU劃分過程的復(fù)雜度較高，耗時較長。

發(fā)明內(nèi)容

有鑒于此，本申請?zhí)峁┝艘环N圖像劃分方法和裝置，以降低圖像的CTU劃分的復(fù)雜度，減少了CTU劃分編碼單元所需的時間。

為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦录夹g(shù)方案：

一方面，本申請?zhí)峁┝艘环N圖像劃分方法，包括：

獲得圖像中待劃分的編碼樹單元CTU；

將所述CTU輸入到劃分深度識別模型，得到所述劃分深度識別模型預(yù)測出的所述CTU的劃分深度特征，所述CTU的劃分深度特征包括所述CTU中各基本單元對應(yīng)的劃分深度，所述CTU包括K*K個互不重疊的基本單元，且每個基本單元由L*L個像素點構(gòu)成，其中，K＝2ⁿ，n為大于等于1的自然數(shù)，L為大于等于2的自然數(shù)；其中，所述劃分深度識別模型為利用標(biāo)注有實際劃分深度特征的多個CTU樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型得到的，所述CTU樣本的實際劃分深度特征為基于率失真優(yōu)化方式確定出的所述CTU樣本中各個基本單元對應(yīng)的劃分深度；

基于所述CTU中各基本單元的劃分深度，確定所述CTU所需劃分出的至少一個編碼單元CU，并將所述CTU劃分為所述至少一個編碼單元CU。

又一方面，本申請還提供了一種圖像劃分裝置，包括：

劃分對象獲得單元，用于獲得圖像中待劃分的編碼樹單元CTU；

深度識別單元，用于將所述CTU輸入到劃分深度識別模型，得到所述劃分深度識別模型預(yù)測出的所述CTU的劃分深度特征，所述CTU的劃分深度特征包括所述CTU中各基本單元對應(yīng)的劃分深度，所述CTU包括K*K個互不重疊的基本單元，且每個基本單元由L*L個像素點構(gòu)成，其中，K＝2ⁿ，n為大于等于1的自然數(shù)，L為大于等于2的自然數(shù)；其中，所述劃分深度識別模型為利用標(biāo)注有實際劃分深度特征的多個CTU樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型得到的，所述CTU樣本的實際劃分深度特征為基于率失真優(yōu)化方式確定出的所述CTU樣本中各個基本單元對應(yīng)的劃分深度；