[发明专利]图像划分方法和装置

说明书

本申请提供了一种图像划分方法和装置，本申请的方案在获得图像的编码树单元CTU之后，可以将CTU输入到训练好的划分深度识别模型，便可以得到CTU中各个基本单元的划分深度，而基于CTU中各个基本单元的划分深度便可以推导出该CTU中编码单元的划分方式，从而无需通过递归方式来确定CTU对应的编码单元划分方式，也就避免了递归过程中频繁计算率失真代价，从而降低了确定CTU的编码单元划分方式的复杂度和耗时。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像划分方法和装置。

背景技术

HEVC(High Efficiency Video Coding，高效视频编码)标准是目前互联网视频数据主流的压缩标准之一。HEVC引入了自适应四叉树的块划分技术，带来了十分可观的编码性能增益，同时也大幅度提升了编码器复杂度。

自适应四叉树划分在编码过程中经常通过率失真优化(Rate–distortionoptimization，RDO)的方式，确定图像的各编码树单元(Coding Tree Unit，CTU)的划分方式。具体的，一帧图像在被划分为互不重叠的多个CTU之后，每个CTU会进一步被划分为需要编码的编码单元(Coding Unit，CU)，而将CTU划分为CU是一个递归过程，需要遍历CTU所有可能的CU划分方式，并通过计算率失真代价来确定最优的CU划分方式。

然而，由于基于率失真优化的方式划分CTU需要遍历所有的CU划分方式，而每个CTU对应的CU划分方式较多，如，HEVC标准中采用的CTU尺寸(同时也是最大可能的CU尺寸)为64×64，最小CU尺寸为8×8。因此，一个CTU可能的划分方式高达83522种，且每次计算率失真代价都需要耗费一定时长，从而使得CTU划分过程的复杂度较高，耗时较长。

发明内容

有鉴于此，本申请提供了一种图像划分方法和装置，以降低图像的CTU划分的复杂度，减少了CTU划分编码单元所需的时间。

为实现上述目的，本申请提供了如下技术方案：

一方面，本申请提供了一种图像划分方法，包括：

获得图像中待划分的编码树单元CTU；

将所述CTU输入到划分深度识别模型，得到所述划分深度识别模型预测出的所述CTU的划分深度特征，所述CTU的划分深度特征包括所述CTU中各基本单元对应的划分深度，所述CTU包括K*K个互不重叠的基本单元，且每个基本单元由L*L个像素点构成，其中，K＝2ⁿ，n为大于等于1的自然数，L为大于等于2的自然数；其中，所述划分深度识别模型为利用标注有实际划分深度特征的多个CTU样本训练卷积神经网络模型得到的，所述CTU样本的实际划分深度特征为基于率失真优化方式确定出的所述CTU样本中各个基本单元对应的划分深度；

基于所述CTU中各基本单元的划分深度，确定所述CTU所需划分出的至少一个编码单元CU，并将所述CTU划分为所述至少一个编码单元CU。

又一方面，本申请还提供了一种图像划分装置，包括：

划分对象获得单元，用于获得图像中待划分的编码树单元CTU；

深度识别单元，用于将所述CTU输入到划分深度识别模型，得到所述划分深度识别模型预测出的所述CTU的划分深度特征，所述CTU的划分深度特征包括所述CTU中各基本单元对应的划分深度，所述CTU包括K*K个互不重叠的基本单元，且每个基本单元由L*L个像素点构成，其中，K＝2ⁿ，n为大于等于1的自然数，L为大于等于2的自然数；其中，所述划分深度识别模型为利用标注有实际划分深度特征的多个CTU样本训练卷积神经网络模型得到的，所述CTU样本的实际划分深度特征为基于率失真优化方式确定出的所述CTU样本中各个基本单元对应的划分深度；