CN114584776A - 帧内预测模式的译码方法和装置 - Google Patents

帧内预测模式的译码方法和装置 Download PDF

Info

Publication number
CN114584776A
CN114584776A CN202011387076.6A CN202011387076A CN114584776A CN 114584776 A CN114584776 A CN 114584776A CN 202011387076 A CN202011387076 A CN 202011387076A CN 114584776 A CN114584776 A CN 114584776A
Authority
CN
China
Prior art keywords
data block
side length
block
size
prediction mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011387076.6A
Other languages
English (en)
Inventor
杨海涛
宋楠
陈旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202011387076.6A priority Critical patent/CN114584776A/zh
Priority to PCT/CN2021/128000 priority patent/WO2022111233A1/zh
Publication of CN114584776A publication Critical patent/CN114584776A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/12—Selection from among a plurality of transforms or standards, e.g. selection between discrete cosine transform [DCT] and sub-band transform or selection between H.263 and H.264
    • H04N19/122—Selection of transform size, e.g. 8x8 or 2x4x8 DCT; Selection of sub-band transforms of varying structure or type
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/157—Assigned coding mode, i.e. the coding mode being predefined or preselected to be further used for selection of another element or parameter
    • H04N19/159—Prediction type, e.g. intra-frame, inter-frame or bidirectional frame prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本申请公开了一种帧内预测模式的译码方法和设备。涉及基于人工智能(AI)的视频或图像压缩技术领域，具体涉及基于神经网络的视频压缩技术领域。该方法包括编码方法和解码方法，编码方法包括：根据当前图像块的周围图像的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量；根据当前图像块的目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。解码方法包括：采用与编码端相同的方法获取当前图像块的概率向量；根据码流和概率向量确定目标帧内预测模式。本申请实施例中的方法，在对当前图像块的目标帧内预测模式进行编解码时，可以提高准确性、节约存储开销，降低计算复杂度。

Description

帧内预测模式的译码方法和装置
技术领域
本申请涉及基于人工智能(AI)的视频或图像压缩技术领域，尤其涉及一种帧内预测模式的译码方法和装置。
背景技术
视频编码(视频编码和解码)广泛用于数字视频应用，例如广播数字电视、互联网和移动网络上的视频传输、视频聊天和视频会议等实时会话应用、DVD和蓝光光盘、视频内容采集和编辑系统以及可携式摄像机的安全应用。
即使在影片较短的情况下也需要对大量的视频数据进行描述，当数据要在带宽容量受限的网络中发送或以其它方式传输时，这样可能会造成困难。因此，视频数据通常要先压缩然后在现代电信网络中传输。由于内存资源可能有限，当在存储设备上存储视频时，视频的大小也可能成为问题。视频压缩设备通常在信源侧使用软件和/或硬件，以在传输或存储之前对视频数据进行编码，从而减少用来表示数字视频图像所需的数据量。然后，压缩的数据在目的地侧由视频解压缩设备接收。在有限的网络资源以及对更高视频质量的需求不断增长的情况下，需要改进压缩和解压缩技术，这些改进的技术能够提高压缩率而几乎不影响图像质量。
近年来，将深度学习应用于在图像和视频编解码领域逐渐成为一种趋势。
其中，基于神经网络的HEVC的帧内预测模式的译码方法引入神经网络模型到帧内预测过程中，在编码时，借助神经网络模型得到与当前图像块的帧内预测模式有关的语法元素，并对所获取的语法元素进行编码；在解码时，根据码流中解码得到的语法元素和神经网络模型确定当前图像块的帧内预测模式。
然而，现有技术在对当前图像块的帧内预测模式进行编解码时，存在着准确度受限、存储开销较大，计算复杂度较高等问题。
发明内容
本申请提供了一种基于神经网络的帧内预测模式的译码方法和装置，可以提高对当前图像块的帧内预测模式进行编解码时的准确性，并节约存储空间，降低计算复杂度，从而提高编解码性能。
具体实施例在所附独立权利要求中概述，其它实施例在从属权利要求中概述。
第一方面，本申请提供一种帧内预测模式的编码方法，该方法包括：获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；确定当前图像块的目标帧内预测模式；根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。
可以看出，在本申请实施例中，获取当前图像块的三个周围图像块的重建块、预测块和残差块中的至少两个，由于可以通过每个周围图像块的重建块、预测块和残差块中的两个计算得到另一个，因而本申请实施例可以充分利用了周围图像块的相关信息，进而根据周围图像块的重建块、预测块和残差块中的至少两个生成的当前图像块的概率向量更加准确，提高了编入码流中数据的准确性，提升了编码性能。
在一种可能的设计中，上述根据周围图像块的重建块、预测块和残差块中的至少两个、当前图像块和预测模式概率模型得到当前图像块的概率向量，包括：当目标帧内预测模式为非矩阵加权帧内预测MIP模式时，根据周围图像块的重建块、预测块和残差块中的至少两个、当前图像块和预测模式概率模型得到当前图像块的概率向量。
可以看出，当目标帧内预测模式为非MIP模式时，采用本申请实施例中的方法对当前图像块的帧内预测模式进行编码，通过获取当前图像块的三个周围图像块的重建块、预测块和残差块中的至少两个，本申请实施例可以充分利用了周围图像块的相关信息，进而根据周围图像块的重建块、预测块和残差块中的至少两个生成的当前图像块的概率向量更加准确，从而在目标帧内预测模式为非MIP模式的情况下，提高了编入码流中数据的准确性，提升了编码性能。
在一种可能的设计中，上述根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，包括：对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；根据第一数据块和预测模式概率模型得到当前图像块的概率向量。
应当理解，本申请实施例中的预测模式概率模型可以是神经网络模型，不同尺寸的第二数据块对应不同的神经网络模型。
可以看出，在本申请实施例中，由于周围图像块的重建块、预测块和残差块中的至少两个可以充分表征周围图像块的相关信息，通过对三个周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块，因而该第一数据块可以充分反映当前图像块的相关信息，进而根据该第一数据块得到的当前图像块的概率向量更加准确，从而提高了编入码流中数据的准确性，提升了编码性能。
在一种可能的设计中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
在一种可能的设计中，上述当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，可以包括四种方式：(1)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一边长和第二边长之比等于目标尺寸的第一边长和第二边长之比时，对第一数据块进行水平和竖直两个方向的等比缩放，得到第二数据块；(2)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一边长和第二边长之比等于目标尺寸的第二边长和第一边长之比时，对第一数据块进行转置，以及水平和竖直两个方向的等比缩放，得到第二数据块；(3)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一变长和第二边长分别等于目标尺寸的第二边长和第一边长时，对第一数据块进行转置，得到第二数据块；(4)当第一数据块的尺寸不为目标尺寸时，对第一数据块进行缩放，得到第二数据块。
应当理解，本申请实施例中上述四种方式中使用的目标尺寸可以不同，且目标尺寸可以是一个或多个，同时，目标尺寸的数量小于第一数据块尺寸的数量；上述第一边长和第二边长可以分别为宽和高，或者分别为高和宽；此外，上述第二种方式中对第一数据块进行的转置和缩放操作没有先后顺序，先进行转置再进行缩放和先进行缩放再进行转置，两种方式下得到的第二数据块的尺寸相同。
可以看出，在上述实施例中，由于第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高编码性能，此外，对于纹理较简单，且尺寸较大的第一数据块，经过尺寸变换操作缩小为较小尺寸的第二数据块后，可以有效地降低后续利用神经网络模型计算概率向量时的计算复杂度，从而提高编码效率。
在一种可能的设计中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸为目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
可以看出，在本申请实施例中，通过第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像块的自身信息，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性，提升了编码性能。
在一种可能的设计中，尺寸变换操作包括缩放，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，经过缩放可以减少第二数据块尺寸种类的数量，从而也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，节约了用于存储神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，尺寸变换操作包括缩放和转置中的至少一项，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息来确定第二数据块的尺寸，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，通过执行缩放和转置操作，可以减少第二数据块尺寸种类的数量，同时也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，从而节约了用于存储神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，上述根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流，包括：当尺寸变换操作不包含转置时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值，对第一参考值进行编码，以得到目标帧内预测模式对应的码流；当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，根据预设常数和目标帧内预测模式的第一标识确定第二标识，根据第二标识和概率向量，确定第二参考值；对第二参考值进行编码，以得到目标帧内预测模式对应的码流；当尺寸变换操作包含转置，且目标帧内预测模式为非角度预测模式时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值；对第一参考值进行编码，以得到目标帧内预测模式对应的码流。
应当理解，本申请实施例中，预设常数与多功能视频编码VVC技术中帧内预测模式的数量相等，即为67；第一标识可以为目标帧内预测模式对应的模式值；角度预测模式为VVC中模式值为2-67的65种帧内预测模式，非角度预测模式为模式值为0的平面planar预测模式和模式值为1的直流DC预测模式。
可以看出，在本申请实施例中，当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，通过预设常数对目标帧内预测模式的第一标识进行处理，得到第二标识，进而根据第二标识确定第二参考值，确保在第一数据块经过转置的情况下，在码流中编入对应正确的第二参考值，从而保证编码过程的正确性。
第二方面，本申请提供一种帧内预测模式的编码方法，该方法包括：获取当前图像块的周围图像块；对周围图像块进行拼接或者级联，得到第一数据块；对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；确定当前图像块的目标帧内预测模式；根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。
应当理解，本申请实施例中的预测模式概率模型可以是神经网络模型，不同尺寸的第二数据块对应不同的神经网络模型。
可以看出，在本申请实施例中，通过对第一数据块进行缩放，得到尺寸较小的第二数据块，可以有效降低后续利用第二数据块参与概率向量计算时的计算复杂度，从而提高编码效率；同时，通过尺寸变换操作，可以减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，上述对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当目标帧内预测模式为非矩阵加权帧内预测MIP模式，且第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸。
应当理解，目标尺寸可以根据实际场景进行设定，且目标尺寸的数量小于第一数据块尺寸的数量。
可以看出，在本申请实施例中，由于第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而在目标帧内预测模式为非矩阵加权帧内预测MIP模式的情况下，减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高编码性能；同时，通过对第一数据块进行缩放，得到尺寸较小的第二数据块，从而在目标帧内预测模式为非矩阵加权帧内预测MIP模式的情况下，可以有效降低后续利用第二数据块参与概率向量计算时的计算复杂度，从而提高编码效率。
在一种可能的设计中，上述对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当目标帧内预测模式为非矩阵加权帧内预测MIP模式，且第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸。
应当理解，上述第一边长和第二边长可以分别为宽和高，或者分别为高和宽。
可以看出，在本申请实施例中，通过第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像块的自身信息，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性，提升了编码性能。
在一种可能的设计中，当目标帧内预测模式为非矩阵加权帧内预测MIP模式，且第一数据块的尺寸等于目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
可以看出，在本申请实施例中，当第一数据块的尺寸等于设定的目标尺寸时，不进行尺寸变换操作，直接利用第一数据块参与概率向量的生成，简化了对目标帧内预测模式进行编码的过程，提升了编码效率。
在一种可能的设计中，尺寸变换操作包括缩放，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，经过缩放可以减少第二数据块尺寸种类的数量，从而也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，节约了用于存储神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，尺寸变换操作包括缩放和转置中的至少一项；上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息来确定第二数据块的尺寸，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，通过执行缩放和转置操作，可以减少第二数据块尺寸种类的数量，同时也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，从而节约了用于存储神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，上述根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流，包括：当尺寸变换操作不包含转置时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值；对第一参考值进行编码，以得到目标帧内预测模式对应的码流；当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，根据预设常数和目标帧内预测模式的第一标识确定第二标识，根据第二标识和概率向量，确定第二参考值；对第二参考值进行编码，以得到目标帧内预测模式对应的码流；当尺寸变换操作包含转置，且目标帧内预测模式为非角度预测模式时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值；对第一参考值进行编码，以得到目标帧内预测模式对应的码流。
应当理解，本申请实施例中，预设常数与多功能视频编码VVC技术中帧内预测模式的数量相等，即为67；第一标识可以为目标帧内预测模式对应的模式值；角度预测模式为VVC中模式值为2-67的65种帧内预测模式，非角度预测模式为模式值为0的平面planar预测模式和模式值为1的直流DC预测模式。
可以看出，在本申请实施例中，当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，通过预设常数对目标帧内预测模式的第一标识进行处理，得到第二标识，进而根据第二标识确定第二参考值，确保在第一数据块经过转置的情况下，在码流中编入对应正确的第二参考值，从而保证编码过程的正确性。
第三方面，本申请提供一种帧内预测模式的解码方法，该方法包括：获取当前图像块对应的码流，以及当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。
可以看出，在本申请实施例中，获取当前图像块的三个周围图像块的重建块、预测块和残差块中的至少两个，由于可以通过每个周围图像块的重建块、预测块和残差块中的两个计算得到另一个，因而本申请实施例可以充分利用了周围图像块的相关信息，进而根据周围图像块的重建块、预测块和残差块中的至少两个生成的当前图像块的概率向量更加准确，进而后续可以根据该概率向量和码流准确地确定当前图像块的目标帧内预测模式，提升解码性能。
在一种可能的设计中，上述根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，包括：对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；根据第一数据块和预测模式概率模型得到当前图像块的概率向量。
应当理解，本申请实施例中的预测模式概率模型可以是神经网络模型，不同尺寸的第二数据块对应不同的神经网络模型。
可以看出，在本申请实施例中，由于周围图像块的重建块、预测块和残差块中的至少两个可以充分表征周围图像块的相关信息，通过对三个周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块，因而该第一数据块可以充分反映当前图像块的相关信息，根据该第一数据块得到的当前图像块的概率向量也更加准确，进而后续可以根据该概率向量和码流准确地确定当前图像块的目标帧内预测模式，提升解码性能。
在一种可能的设计中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
应当理解，本申请实施例中的各步骤的具体实现过程与第一方面中对应的步骤相同，此处不再赘述。
可以看出，在本申请实施例中，由于第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高解码性能，此外，对于纹理较简单，且尺寸较大的第一数据块，经过尺寸变换操作缩小为较小尺寸的第二数据块后，可以有效地降低后续利用神经网络模型计算概率向量时的计算复杂度，从而提高解码效率。
在一种可能的设计中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第一边长和第二边长为第一数据块中两个互相垂直的边的长度，第二数据块的尺寸为目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
可以看出，在本申请实施例中，通过第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像块的自身信息，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而后续可以根据该概率向量和码流准确地确定当前图像块的目标帧内预测模式，提升了解码性能。
在一种可能的设计中，尺寸变换操作包括缩放，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息，因而提高了后续根据第二数据块得到的概率向量的准确性，从而后续根据该概率向量和码流所确定的当前图像块的目标帧内预测模式更加准确；同时，经过缩放可以减少第二数据块尺寸种类的数量，从而也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，节约了用于存储神经网络模型的存储空间，提高解码性能。
在一种可能的设计中，尺寸变换操作包括缩放和转置中的至少一项，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；其中，M和N为正整数。
可以看出，在上述实施例中，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息来确定第二数据块的尺寸，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，通过执行缩放和转置操作，可以减少第二数据块尺寸种类的数量，同时也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，从而节约了用于存储神经网络模型的存储空间，提高编码性能。
在一种可能的设计中，上述根据码流和概率向量，确定当前图像块的目标帧内预测模式，包括：对码流进行解码，得到目标参考值；当尺寸变换操作不包含转置时，根据目标参考值和概率向量确定目标帧内预测模式；当尺寸变换操作包含转置时，根据目标参考值和概率向量确定第一标识；当第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和第一标识，确定目标帧内预测模式；当第一标识对应的帧内预测模式为非角度预测模式时，根据目标参考值和概率向量确定目标帧内预测模式。
可以看出，在本申请实施例中，当对第一数据块进行的尺寸变换操作包括转置，且上述第一标识对应的帧内预测模式为角度预测模式时，表明在编码过程中上述第一标识经过了转置处理，此时，根据预设常数对第一标识进行转置处理，得到第二标识，该第二标识对应的帧内预测模式即为当前图像块的目标帧内预测模式，通过上述方式可以确保第一数据块进行了转置操作后，在解码过程中得到正确的目标帧内预测模式，进而根据目标帧内预测模式得到当前图像块真实的预测块。
第四方面，本申请提供一种帧内预测模式的解码方法，该方法包括：获取当前图像块对应的码流，以及当前图像块的周围图像块；对周围图像块进行拼接或者级联，得到第一数据块；对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。
可以看出，在本申请实施例中，对于纹理较简单且尺寸较大的第一数据块，经过尺寸变换操作缩小为较小尺寸的第二数据块后，可以有效地降低后续利用神经网络模型计算概率向量时的计算复杂度，提高解码效率；此外，由于第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高解码性能。
在一种可能的设计中，上述对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸。
可以看出，在本申请实施例中，目标尺寸可以根据实际应用场景进行设定，通过尺寸变换操作将第一数据块的尺寸变为目标尺寸可以有效满足实际的场景需求；同时，由于目标尺寸种类的数量小于第一数据块尺寸种类的数量，因而经过尺寸变换操作，可以有效减少第二数据块尺寸种类的数量，以及减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高解码性能。
在一种可能的设计中，上述对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸。
可以看出，在本申请实施例中，通过第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像块的自身信息，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而后续可以根据该概率向量和码流准确地确定当前图像块的目标帧内预测模式，提升了解码性能。
在一种可能的设计中，上述方法还包括：当第一数据块的尺寸等于目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
可以看出，在本申请实施例中，当第一数据块的尺寸等于设定的目标尺寸时，不进行尺寸变换操作，直接利用第一数据块参与概率向量的生成，简化了当前图像块概率向量的生成过程，提升了解码效率。
在一种可能的设计中，尺寸变换操作包括缩放，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；其中，M和N为正整数。
应当理解，上述对第一数据块进行缩放得到第二数据块的具体过程和有益效果与第三方面中对应的过程相同，此处不再赘述。
在一种可能的设计中，尺寸变换操作包括缩放和转置中的至少一项，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；其中，M和N为正整数。
应当理解，上述对第一数据块进行缩放得到第二数据块的具体过程和有益效果与第三方面中对应的过程相同，此处不再赘述。
在一种可能的设计中，上述根据码流和概率向量，确定当前图像块的目标帧内预测模式，包括：对码流进行解码，得到目标参考值；当尺寸变换操作不包含转置时，根据目标参考值和概率向量确定目标帧内预测模式；当尺寸变换操作包含转置时，根据目标参考值和概率向量确定第一标识；当第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和第一标识，确定目标帧内预测模式；当第一标识对应的帧内预测模式为非角度预测模式时，根据目标参考值和概率向量确定目标帧内预测模式。
应当理解，上述根据码流和概率向量确定当前图像块的目标帧内预测模式的过程和有益效果与第三方面中对应的过程相同，此处不再赘述。
第五方面，本申请提供一种编码装置，其有益效果可以参见第一方面的描述，此处不再赘述。所述编码装置具有实现上述第一方面的方法实例中行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，所述编码装置包括：获取单元，用于获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；处理单元，用于根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；确定单元，用于确定当前图像块的目标帧内预测模式；编码单元，用于根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。这些模块可以执行上述第一方面方法示例中的相应功能，具体参见方法示例中的详细描述，此处不做赘述。
第六方面，本申请提供一种编码装置，其有益效果可以参见第二方面的描述，此处不再赘述。所述编码装置具有实现上述第二方面的方法实例中行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，所述编码装置包括：获取单元，用于获取当前图像块的周围图像块；处理单元，用于对周围图像块进行拼接或者级联，得到第一数据块；对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；以及用于将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；确定单元，用于确定当前图像块的目标帧内预测模式；编码单元，用于根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。这些模块可以执行上述第二方面方法示例中的相应功能，具体参见方法示例中的详细描述，此处不做赘述。
第七方面，本申请提供一种解码装置，有益效果可以参见第三方面的描述，此处不再赘述。所述解码装置具有实现上述第三方面的方法实例中行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，所述解码装置包括：获取单元，用于获取当前图像块对应的码流，以及当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；处理单元，用于根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；解码单元，用于根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。这些模块可以执行上述第三方面方法示例中的相应功能，具体参见方法示例中的详细描述，此处不做赘述。
第八方面，本申请提供一种解码装置，有益效果可以参见第四方面的描述，此处不再赘述。所述解码装置具有实现上述第四方面的方法实例中行为的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，所述解码装置包括：获取单元，用于获取当前图像块对应的码流，以及当前图像块的周围图像块；处理单元，用于对周围图像块进行拼接或者级联，得到第一数据块；对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；以及用于将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率；解码单元，用于根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。这些模块可以执行上述第四方面方法示例中的相应功能，具体参见方法示例中的详细描述，此处不做赘述。
本申请第一方面所述的方法可由本申请第五方面所述的装置执行。本申请第一方面所述的方法的其它特征和实现方式直接取决于本申请第五方面所述的装置的功能性和实现方式。
本申请第二方面所述的方法可由本申请第六方面所述的装置执行。本申请第二方面所述的方法的其它特征和实现方式直接取决于本申请第六方面所述的装置的功能性和实现方式。
本申请第三方面所述的方法可由本申请第七方面所述的装置执行。本申请第三方面所述的方法的其它特征和实现方式直接取决于本申请第七方面所述的装置的功能性和实现方式。
本申请第四方面所述的方法可由本申请第八方面所述的装置执行。本申请第四方面所述的方法的其它特征和实现方式直接取决于本申请第八方面所述的装置的功能性和实现方式。
第九方面，本申请提供一种编码器(20)，包括处理电路，该编码器可用于执行第一方面和第二方面中全部或任一种可能的实施例中的方法。
第十方面，本申请提供一种解码器(30)，包括处理电路，该解码器可用于执行第三方面和第四方面中全部或任一种可能的实施例中的方法。
第十一方面，本申请提供一种编码器，其特征在于，包括：一个或多个处理器；以及非瞬时性计算机可读存储介质，该非瞬时性计算机可读存储介质耦合到所述处理器并存储由所述处理器执行的程序，其中所述程序在由所述处理器执行时，使得所述编码器执行上述第一方面或第二方面中全部或任一种可能的实施例中的方法。
第十二方面，本申请提供一种解码器，包括：一个或多个处理器；非瞬时性计算机可读存储介质，该非瞬时性计算机可读存储介质耦合到所述处理器并存储由所述处理器执行的程序，其中所述程序在由所述处理器执行时，使得所述解码器执行上述第三方面或第四方面中全部或任一种可能的实施例中的方法。
第十三方面，本申请提供一种非瞬时性计算机可读存储介质，包括程序代码，当其由计算机设备运行时，执行上述第一方面、第二方面、第三方面和第四方面中全部或任一种可能的实施例中的方法。
第十四方面，本申请提供一种非瞬时性计算机可读存储介质，包括根据上述第一方面或第二方面中全部或任一种可能的实施例中方法编码的比特流。
第十五方面，本申请提供一种计算机程序产品，包括程序代码，该程序代码在计算机或处理器上运行时执行上述第一方面、第二方面、第三方面和第四方面中全部或任一种可能的实施例中的方法。
附图及以下说明中将详细描述一个或多个实施例。其它特征、目的和优点在说明、附图以及权利要求中是显而易见的。
附图说明
下面对本申请实施例用到的附图进行介绍。
图1A为用于实现本申请实施例的视频译码系统示例的框图，其中该系统利用神经网络来编码或解码视频图像；
图1B为用于实现本申请实施例的视频译码系统另一示例的框图，其中该视频编码器和/或视频解码器使用神经网络来编码或解码视频图像；
图2为用于实现本申请实施例的视频编码器实例示例的框图，其中该视频编码器20使用神经网络来编码视频图像；
图3为用于实现本申请实施例的视频解码器实例示例的框图，其中该视频解码器30使用神经网络来解码视频图像；
图4为用于实现本申请实施例的视频译码装置的示意性框图；
图5为用于实现本申请实施例的视频译码装置的示意性框图；
图6为申请实施例中的一种用于获取当前图像块的概率向量的神经网络结构示意图；
图7为申请实施例中一种对当前图像块的目标帧内预测模式进行编码的方法的流程图；
图8为申请实施例中另一种对当前图像块的目标帧内预测模式进行编码的方法的流程图；
图9为本申请实施例中的多个帧内预测模式的示意图；
图10为本申请实施例中一种当前图像块的拼接方式的示意图；
图11-1至图11-4为本申请实施例中当前图像块在当前帧内的四种位置关系示意图；
图12为本申请实施例中一种编码器对当前图像块的帧内预测模式的相关语法元素进行编码的流程图；
图13为本申请实施例中一种用于对当前图像块的目标帧内预测模式进行解码的方法的流程图；
图14为本申请实施例中另一种用于对当前图像块的目标帧内预测模式进行解码的方法的流程图；
图15是本申请实施例中一种编码装置的示意性框图；
图16是本申请实施例中一种解码装置的示意性框图。
具体实施方式
本申请实施例提供一种基于AI的视频图像压缩技术，尤其是提供一种基于神经网络的帧内预测模式的编解码技术，以改进传统的混合视频编解码系统。
视频编码通常是指处理形成视频或视频序列的图像序列。在视频编码领域，术语“图像(picture)”、“帧(frame)”或“图片(image)”可以用作同义词。视频编码(或通常称为编码)包括视频编码和视频解码两部分。视频编码在源侧执行，通常包括处理(例如，压缩)原始视频图像以减少表示该视频图像所需的数据量(从而更高效存储和/或传输)。视频解码在目的地侧执行，通常包括相对于编码器作逆处理，以重建视频图像。实施例涉及的视频图像(或通常称为图像)的“编码”应理解为视频图像或视频序列的“编码”或“解码”。编码部分和解码部分也合称为编解码(编码和解码，CODEC)。
在无损视频编码情况下，可以重建原始视频图像，即重建的视频图像与原始视频图像具有相同的质量(假设存储或传输期间没有传输损耗或其它数据丢失)。在有损视频编码情况下，通过量化等执行进一步压缩，来减少表示视频图像所需的数据量，而解码器侧无法完全重建视频图像，即重建的视频图像的质量比原始视频图像的质量较低或较差。
几个视频编码标准属于“有损混合型视频编解码”(即，将像素域中的空间和时间预测与变换域中用于应用量化的2D变换编码结合)。视频序列中的每个图像通常分割成不重叠的块集合，通常在块级上进行编码。换句话说，编码器通常在块(视频块)级处理即编码视频，例如，通过空间(帧内)预测和时间(帧间)预测来产生预测块；从当前块(当前处理/待处理的块)中减去预测块，得到残差块；在变换域中变换残差块并量化残差块，以减少待传输(压缩)的数据量，而解码器侧将相对于编码器的逆处理部分应用于编码或压缩的块，以重建用于表示的当前块。另外，编码器需要重复解码器的处理步骤，使得编码器和解码器生成相同的预测(例如，帧内预测和帧间预测)和/或重建像素，用于处理，即编码后续块。
在以下译码系统10的实施例中，编码器20和解码器30根据图1A至图3进行描述。
图1A为示例性译码系统10的示意性框图，例如可以利用本申请技术的视频译码系统10(或简称为译码系统10)。视频译码系统10中的视频编码器20(或简称为编码器20)和视频解码器30(或简称为解码器30)代表可用于根据本申请中描述的各种示例执行各技术的设备等。
如图1A所示，译码系统10包括源设备12，源设备12用于将编码图像等编码图像数据21提供给用于对编码图像数据21进行解码的目的设备14。
源设备12包括编码器20，另外即可选地，可包括图像源16、图像预处理器等预处理器(或预处理单元)18、通信接口(或通信单元)22。
图像源16可包括或可以为任意类型的用于捕获现实世界图像等的图像捕获设备，和/或任意类型的图像生成设备，例如用于生成计算机动画图像的计算机图形处理器或任意类型的用于获取和/或提供现实世界图像、计算机生成图像(例如，屏幕内容、虚拟现实(virtual reality，VR)图像和/或其任意组合(例如增强现实(augmented reality，AR)图像)的设备。所述图像源可以为存储上述图像中的任意图像的任意类型的内存或存储器。
为了区分预处理器(或预处理单元)18执行的处理，图像(或图像数据)17也可称为原始图像(或原始图像数据)17。
预处理器18用于接收(原始)图像数据17，并对图像数据17进行预处理，得到预处理图像(或预处理图像数据)19。例如，预处理器18执行的预处理可包括修剪、颜色格式转换(例如从RGB转换为YCbCr)、调色或去噪。可以理解的是，预处理单元18可以为可选组件。
视频编码器(或编码器)20用于接收预处理图像数据19并提供编码图像数据21(下面将根据图2等进一步描述)。
源设备12中的通信接口22可用于：接收编码图像数据21并通过通信信道13向目的设备14等另一设备或任何其它设备发送编码图像数据21(或其它任意处理后的版本)，以便存储或直接重建。
目的设备14包括解码器30，另外即可选地，可包括通信接口(或通信单元)28、后处理器(或后处理单元)32和显示设备34。
目的设备14中的通信接口28用于直接从源设备12或从存储设备等任意其它源设备接收编码图像数据21(或其它任意处理后的版本)，例如，存储设备为编码图像数据存储设备，并将编码图像数据21提供给解码器30。
通信接口22和通信接口28可用于通过源设备12与目的设备14之间的直连通信链路，例如直接有线或无线连接等，或者通过任意类型的网络，例如有线网络、无线网络或其任意组合、任意类型的私网和公网或其任意类型的组合，发送或接收编码图像数据(或编码数据)21。
例如，通信接口22可用于将编码图像数据21封装为报文等合适的格式，和/或使用任意类型的传输编码或处理来处理所述编码后的图像数据，以便在通信链路或通信网络上进行传输。
通信接口28与通信接口22对应，例如，可用于接收传输数据，并使用任意类型的对应传输解码或处理和/或解封装对传输数据进行处理，得到编码图像数据21。
通信接口22和通信接口28均可配置为如图1A中从源设备12指向目的设备14的对应通信信道13的箭头所指示的单向通信接口，或双向通信接口，并且可用于发送和接收消息等，以建立连接，确认并交换与通信链路和/或例如编码后的图像数据传输等数据传输相关的任何其它信息，等等。
视频解码器(或解码器)30用于接收编码图像数据21并提供解码图像数据(或解码图像数据)31(下面将根据图3等进一步描述)。
后处理器32用于对解码后的图像等解码图像数据31(也称为重建后的图像数据)进行后处理，得到后处理后的图像等后处理图像数据33。后处理单元32执行的后处理可以包括例如颜色格式转换(例如从YCbCr转换为RGB)、调色、修剪或重采样，或者用于产生供显示设备34等显示的解码图像数据31等任何其它处理。
显示设备34用于接收后处理图像数据33，以向用户或观看者等显示图像。显示设备34可以为或包括任意类型的用于表示重建后图像的显示器，例如，集成或外部显示屏或显示器。例如，显示屏可包括液晶显示器(liquid crystal display，LCD)、有机发光二极管(organic light emitting diode，OLED)显示器、等离子显示器、投影仪、微型LED显示器、硅基液晶显示器(liquid crystal on silicon，LCoS)、数字光处理器(digital lightprocessor，DLP)或任意类型的其它显示屏。
译码系统10还包括训练引擎25，训练引擎25用于训练编码器20(尤其是编码器20中的帧内预测单元254)或解码器30(尤其是解码器30中的帧内预测单元344)以处理根据当前图像块的周围图像块拼接或级联得到的第一数据块或第二数据块，以生成当前图像块的概率向量。
尽管图1A示出了源设备12和目的设备14作为独立的设备，但设备实施例也可以同时包括源设备12和目的设备14或同时包括源设备12和目的设备14的功能，即同时包括源设备12或对应功能和目的设备14或对应功能。在这些实施例中，源设备12或对应功能和目的设备14或对应功能可以使用相同硬件和/或软件或通过单独的硬件和/或软件或其任意组合来实现。
根据描述，图1A所示的源设备12和/或目的设备14中的不同单元或功能的存在和(准确)划分可能根据实际设备和应用而有所不同，这对技术人员来说是显而易见的。
编码器20(例如视频编码器20)或解码器30(例如视频解码器30)或两者都可通过如图1B所示的处理电路实现，例如一个或多个微处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application-specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、离散逻辑、硬件、视频编码专用处理器或其任意组合。编码器20可以通过处理电路46实现，以包含参照图2编码器20论述的各种模块和/或本文描述的任何其它编码器系统或子系统。解码器30可以通过处理电路46实现，以包含参照图3解码器30论述的各种模块和/或本文描述的任何其它解码器系统或子系统。所述处理电路46可用于执行下文论述的各种操作。如图5所示，如果部分技术在软件中实施，则设备可以将软件的指令存储在合适的非瞬时性计算机可读存储介质中，并且使用一个或多个处理器在硬件中执行指令，从而执行本发明技术。视频编码器20和视频解码器30中的其中一个可作为组合编解码器(encoder/decoder，CODEC)的一部分集成在单个设备中，如图1B所示。
源设备12和目的设备14可包括各种设备中的任一种，包括任意类型的手持设备或固定设备，例如，笔记本电脑或膝上型电脑、手机、智能手机、平板或平板电脑、相机、台式计算机、机顶盒、电视机、显示设备、数字媒体播放器、视频游戏控制台、视频流设备(例如，内容业务服务器或内容分发服务器)、广播接收设备、广播发射设备，等等，并可以不使用或使用任意类型的操作系统。在一些情况下，源设备12和目的设备14可配备用于无线通信的组件。因此，源设备12和目的设备14可以是无线通信设备。
在一些情况下，图1A所示的视频译码系统10仅仅是示例性的，本申请提供的技术可适用于视频编码设置(例如，视频编码或视频解码)，这些设置不一定包括编码设备与解码设备之间的任何数据通信。在其它示例中，数据从本地存储器中检索，通过网络发送，等等。视频编码设备可以对数据进行编码并将数据存储到存储器中，和/或视频解码设备可以从存储器中检索数据并对数据进行解码。在一些示例中，编码和解码由相互不通信而只是编码数据到存储器和/或从存储器中检索并解码数据的设备来执行。
图1B是根据一示例性实施例的包含图2的视频编码器20和/或图3的视频解码器30的视频译码系统40的实例的说明图。视频译码系统40可以包含成像设备41、视频编码器20、视频解码器30(和/或藉由处理电路46实施的视频编/解码器)、天线42、一个或多个处理器43、一个或多个内存存储器44和/或显示设备45。
如图1B所示，成像设备41、天线42、处理电路46、视频编码器20、视频解码器30、处理器43、内存存储器44和/或显示设备45能够互相通信。在不同实例中，视频译码系统40可以只包含视频编码器20或只包含视频解码器30。
在一些实例中，天线42可以用于传输或接收视频数据的经编码比特流。另外，在一些实例中，显示设备45可以用于呈现视频数据。处理电路46可以包含专用集成电路(application-specific integrated circuit，ASIC)逻辑、图形处理器、通用处理器等。视频译码系统40也可以包含可选的处理器43，该可选处理器43类似地可以包含专用集成电路(application-specific integrated circuit，ASIC)逻辑、图形处理器、通用处理器等。另外，内存存储器44可以是任何类型的存储器，例如易失性存储器(例如，静态随机存取存储器(static random access memory，SRAM)、动态随机存储器(dynamic random accessmemory，DRAM)等)或非易失性存储器(例如，闪存等)等。在非限制性实例中，内存存储器44可以由超速缓存内存实施。在其它实例中，处理电路46可以包含存储器(例如，缓存等)用于实施图像缓冲器等。
在一些实例中，通过逻辑电路实施的视频编码器20可以包含(例如，通过处理电路46或内存存储器44实施的)图像缓冲器和(例如，通过处理电路46实施的)图形处理单元。图形处理单元可以通信耦合至图像缓冲器。图形处理单元可以包含通过处理电路46实施的视频编码器20，以实施参照图2和/或本文中所描述的任何其它编码器系统或子系统所论述的各种模块。逻辑电路可以用于执行本文所论述的各种操作。
在一些实例中，视频解码器30可以以类似方式通过处理电路46实施，以实施参照图3的视频解码器30和/或本文中所描述的任何其它解码器系统或子系统所论述的各种模块。在一些实例中，逻辑电路实施的视频解码器30可以包含(通过处理电路46或内存存储器44实施的)图像缓冲器和(例如，通过处理电路46实施的)图形处理单元。图形处理单元可以通信耦合至图像缓冲器。图形处理单元可以包含通过处理电路46实施的视频解码器30，以实施参照图3和/或本文中所描述的任何其它解码器系统或子系统所论述的各种模块。
在一些实例中，天线42可以用于接收视频数据的经编码比特流。如所论述，经编码比特流可以包含本文所论述的与编码视频帧相关的数据、指示符、索引值、模式选择数据等，例如与编码分割相关的数据(例如，变换系数或经量化变换系数，(如所论述的)可选指示符，和/或定义编码分割的数据)。视频译码系统40还可包含耦合至天线42并用于解码经编码比特流的视频解码器30。显示设备45用于呈现视频帧。
应理解，本申请实施例中对于参考视频编码器20所描述的实例，视频解码器30可以用于执行相反过程。关于信令语法元素，视频解码器30可以用于接收并解析这种语法元素，相应地解码相关视频数据。在一些例子中，视频编码器20可以将语法元素熵编码成经编码视频比特流。在此类实例中，视频解码器30可以解析这种语法元素，并相应地解码相关视频数据。
为便于描述，参考通用视频编码(Versatile video coding，VVC)参考软件或由ITU-T视频编码专家组(Video Coding Experts Group，VCEG)和ISO/IEC运动图像专家组(Motion Picture Experts Group，MPEG)的视频编码联合工作组(Joint CollaborationTeam on Video Coding，JCT-VC)开发的高性能视频编码(High-Efficiency VideoCoding，HEVC)描述本发明实施例。本领域普通技术人员理解本发明实施例不限于HEVC或VVC。
编码器和编码方法
图2为用于实现本申请技术的视频编码器20的示例的示意性框图。在图2的示例中，视频编码器20包括输入端(或输入接口)201、残差计算单元204、变换处理单元206、量化单元208、反量化单元210、逆变换处理单元212、重建单元214、环路滤波器220、解码图像缓冲器(decoded picture buffer，DPB)230、模式选择单元260、熵编码单元270和输出端(或输出接口)272。模式选择单元260可包括帧间预测单元244、帧内预测单元254和分割单元262。帧间预测单元244可包括运动估计单元和运动补偿单元(未示出)。图2所示的视频编码器20也可称为混合型视频编码器或基于混合型视频编解码器的视频编码器。
参见图2，帧内预测模块包括经过训练的目标模型(亦称为神经网络)，该神经网络用于处理根据当前图像块的周围图像块拼接或级联得到的第一数据块或第二数据块，以生成当前图像块的概率向量。
残差计算单元204、变换处理单元206、量化单元208和模式选择单元260组成编码器20的前向信号路径，而反量化单元210、逆变换处理单元212、重建单元214、缓冲器216、环路滤波器220、解码图像缓冲器(decoded picture buffer，DPB)230、帧间预测单元244和帧内预测单元254组成编码器的后向信号路径，其中编码器20的后向信号路径对应于解码器的信号路径(参见图3中的解码器30)。反量化单元210、逆变换处理单元212、重建单元214、环路滤波器220、解码图像缓冲器230、帧间预测单元244和帧内预测单元254还组成视频编码器20的“内置解码器”。
图像和图像分割(图像和块)
编码器20可用于通过输入端201等接收图像(或图像数据)17，例如，形成视频或视频序列的图像序列中的图像。接收的图像或图像数据也可以是预处理后的图像(或预处理后的图像数据)19。为简单起见，以下描述使用图像17。图像17也可称为当前图像或待编码的图像(尤其是在视频编码中将当前图像与其它图像区分开时，其它图像例如同一视频序列，即也包括当前图像的视频序列，中的之前编码后图像和/或解码后图像)。
(数字)图像为或可以视为具有强度值的像素点组成的二维阵列或矩阵。阵列中的像素点也可以称为像素(pixel或pel)(图像元素的简称)。阵列或图像在水平方向和垂直方向(或轴线)上的像素点数量决定了图像的大小和/或分辨率。为了表示颜色，通常采用三个颜色分量，即图像可以表示为或包括三个像素点阵列。在RBG格式或颜色空间中，图像包括对应的红色、绿色和蓝色像素点阵列。但是，在视频编码中，每个像素通常以亮度/色度格式或颜色空间表示，例如YCbCr，包括Y指示的亮度分量(有时也用L表示)以及Cb、Cr表示的两个色度分量。亮度(luma)分量Y表示亮度或灰度水平强度(例如，在灰度等级图像中两者相同)，而两个色度(chrominance，简写为chroma)分量Cb和Cr表示色度或颜色信息分量。相应地，YCbCr格式的图像包括亮度像素点值(Y)的亮度像素点阵列和色度值(Cb和Cr)的两个色度像素点阵列。RGB格式的图像可以转换或变换为YCbCr格式，反之亦然，该过程也称为颜色变换或转换。如果图像是黑白的，则该图像可以只包括亮度像素点阵列。相应地，图像可以为例如单色格式的亮度像素点阵列或4:2:0、4:2:2和4:4:4彩色格式的亮度像素点阵列和两个相应的色度像素点阵列。
在一个实施例中，视频编码器20的实施例可包括图像分割单元(图2中未示出)，用于将图像17分割成多个(通常不重叠)图像块203。这些块在H.265/HEVC和VVC标准中也可以称为根块、宏块(H.264/AVC)或编码树块(Coding Tree Block，CTB)，或编码树单元(CodingTree Unit，CTU)。分割单元可用于对视频序列中的所有图像使用相同的块大小和使用限定块大小的对应网格，或在图像或图像子集或图像组之间改变块大小，并将每个图像分割成对应块。
在其它实施例中，视频编码器可用于直接接收图像17的块203，例如，组成所述图像17的一个、几个或所有块。图像块203也可以称为当前图像块或待编码图像块。
与图像17一样，图像块203同样是或可认为是具有强度值(像素点值)的像素点组成的二维阵列或矩阵，但是图像块203的比图像17的小。换句话说，块203可包括一个像素点阵列(例如，单色图像17情况下的亮度阵列或彩色图像情况下的亮度阵列或色度阵列)或三个像素点阵列(例如，彩色图像17情况下的一个亮度阵列和两个色度阵列)或根据所采用的颜色格式的任何其它数量和/或类型的阵列。块203的水平方向和垂直方向(或轴线)上的像素点数量限定了块203的大小。相应地，块可以为M×N(M列×N行)个像素点阵列，或M×N个变换系数阵列等。
在一个实施例中，图2所示的视频编码器20用于逐块对图像17进行编码，例如，对每个块203执行编码和预测。
在一个实施例中，图2所示的视频编码器20还可以用于使用片(也称为视频片)分割和/或编码图像，其中图像可以使用一个或多个片(通常为不重叠的)进行分割或编码。每个片可包括一个或多个块(例如，编码树单元CTU)或一个或多个块组(例如H.265/HEVC/VVC标准中的编码区块(tile)和VVC标准中的砖(brick)。
在一个实施例中，图2所示的视频编码器20还可以用于使用片/编码区块组(也称为视频编码区块组)和/或编码区块(也称为视频编码区块)对图像进行分割和/或编码，其中图像可以使用一个或多个片/编码区块组(通常为不重叠的)进行分割或编码，每个片/编码区块组可包括一个或多个块(例如CTU)或一个或多个编码区块等，其中每个编码区块可以为矩形等形状，可包括一个或多个完整或部分块(例如CTU)。
残差计算
残差计算单元204用于通过如下方式根据图像块203和预测块265来计算残差块205(后续详细介绍了预测块265)：例如，逐个像素点(逐个像素)从图像块203的像素点值中减去预测块265的像素点值，得到像素域中的残差块205。
变换
变换处理单元206用于对残差块205的像素点值执行离散余弦变换(discretecosine transform，DCT)或离散正弦变换(discrete sine transform，DST)等，得到变换域中的变换系数207。变换系数207也可称为变换残差系数，表示变换域中的残差块205。
变换处理单元206可用于应用DCT/DST的整数化近似，例如为H.265/HEVC指定的变换。与正交DCT变换相比，这种整数化近似通常由某一因子按比例缩放。为了维持经过正变换和逆变换处理的残差块的范数，使用其它比例缩放因子作为变换过程的一部分。比例缩放因子通常是根据某些约束条件来选择的，例如比例缩放因子是用于移位运算的2的幂、变换系数的位深度、准确性与实施成本之间的权衡等。例如，在编码器20侧通过逆变换处理单元212为逆变换(以及在解码器30侧通过例如逆变换处理单元312为对应逆变换)指定具体的比例缩放因子，以及相应地，可以在编码器20侧通过变换处理单元206为正变换指定对应比例缩放因子。
在一个实施例中，视频编码器20(对应地，变换处理单元206)可用于输出一种或多种变换的类型等变换参数，例如，直接输出或由熵编码单元270进行编码或压缩后输出，例如使得视频解码器30可接收并使用变换参数进行解码。
量化
量化单元208用于通过例如标量量化或矢量量化对变换系数207进行量化，得到量化变换系数209。量化变换系数209也可称为量化残差系数209。
量化过程可减少与部分或全部变换系数207有关的位深度。例如，可在量化期间将n位变换系数向下舍入到m位变换系数，其中n大于m。可通过调整量化参数(quantizationparameter，QP)修改量化程度。例如，对于标量量化，可以应用不同程度的比例来实现较细或较粗的量化。较小量化步长对应较细量化，而较大量化步长对应较粗量化。可通过量化参数(quantization parameter，QP)指示合适的量化步长。例如，量化参数可以为合适的量化步长的预定义集合的索引。例如，较小的量化参数可对应精细量化(较小量化步长)，较大的量化参数可对应粗糙量化(较大量化步长)，反之亦然。量化可包括除以量化步长，而反量化单元210等执行的对应或逆解量化可包括乘以量化步长。根据例如HEVC一些标准的实施例可用于使用量化参数来确定量化步长。一般而言，可以根据量化参数使用包含除法的等式的定点近似来计算量化步长。可以引入其它比例缩放因子来进行量化和解量化，以恢复可能由于在用于量化步长和量化参数的等式的定点近似中使用的比例而修改的残差块的范数。在一种示例性实现方式中，可以合并逆变换和解量化的比例。或者，可以使用自定义量化表并在比特流中等将其从编码器向解码器指示。量化是有损操作，其中量化步长越大，损耗越大。
在一个实施例中，视频编码器20(对应地，量化单元208)可用于输出量化参数(quantization parameter，QP)，例如，直接输出或由熵编码单元270进行编码或压缩后输出，例如使得视频解码器30可接收并使用量化参数进行解码。
反量化
反量化单元210用于对量化系数执行量化单元208的反量化，得到解量化系数211，例如，根据或使用与量化单元208相同的量化步长执行与量化单元208所执行的量化方案的反量化方案。解量化系数211也可称为解量化残差系数211，对应于变换系数207，但是由于量化造成损耗，反量化系数211通常与变换系数不完全相同。
逆变换
逆变换处理单元212用于执行变换处理单元206执行的变换的逆变换，例如，逆离散余弦变换(discrete cosine transform，DCT)或逆离散正弦变换(discrete sinetransform，DST)，以在像素域中得到重建残差块213(或对应的解量化系数213)。重建残差块213也可称为变换块213。
重建
重建单元214(例如，求和器214)用于将变换块213(即重建残差块213)添加到预测块265，以在像素域中得到重建块215，例如，将重建残差块213的像素点值和预测块265的像素点值相加。
滤波
环路滤波器单元220(或简称“环路滤波器”220)用于对重建块215进行滤波，得到滤波块221，或通常用于对重建像素点进行滤波以得到滤波像素点值。例如，环路滤波器单元用于顺利进行像素转变或提高视频质量。环路滤波器单元220可包括一个或多个环路滤波器，例如去块滤波器、像素点自适应偏移(sample-adaptive offset，SAO)滤波器或一个或多个其它滤波器，例如自适应环路滤波器(adaptive loop filter，ALF)、噪声抑制滤波器(noise suppression filter，NSF)或任意组合。例如，环路滤波器单元220可以包括去块滤波器、SAO滤波器和ALF滤波器。滤波过程的顺序可以是去块滤波器、SAO滤波器和ALF滤波器。再例如，增加一个称为具有色度缩放的亮度映射(luma mapping with chromascaling，LMCS)(即自适应环内整形器)的过程。该过程在去块之前执行。再例如，去块滤波过程也可以应用于内部子块边缘，例如仿射子块边缘、ATMVP子块边缘、子块变换(sub-block transform，SBT)边缘和内子部分(intra sub-partition，ISP)边缘。尽管环路滤波器单元220在图2中示为环路滤波器，但在其它配置中，环路滤波器单元220可以实现为环后滤波器。滤波块221也可称为滤波重建块221。
在一个实施例中，视频编码器20(对应地，环路滤波器单元220)可用于输出环路滤波器参数(例如SAO滤波参数、ALF滤波参数或LMCS参数)，例如，直接输出或由熵编码单元270进行熵编码后输出，例如使得解码器30可接收并使用相同或不同的环路滤波器参数进行解码。
解码图像缓冲器
解码图像缓冲器(decoded picture buffer，DPB)230可以是存储参考图像数据以供视频编码器20在编码视频数据时使用的参考图像存储器。DPB 230可以由多种存储器设备中的任一种形成，例如动态随机存取存储器(dynamic random access memory，DRAM)，包括同步DRAM(synchronous DRAM，SDRAM)、磁阻RAM(magnetoresistive RAM，MRAM)、电阻RAM(resistive RAM，RRAM)或其它类型的存储设备。解码图像缓冲器230可用于存储一个或多个滤波块221。解码图像缓冲器230还可用于存储同一当前图像或例如之前的重建图像等不同图像的其它之前的滤波块，例如之前重建和滤波的块221，并可提供完整的之前重建即解码图像(和对应参考块和像素点)和/或部分重建的当前图像(和对应参考块和像素点)，例如用于帧间预测。解码图像缓冲器230还可用于存储一个或多个未经滤波的重建块215，或一般存储未经滤波的重建像素点，例如，未被环路滤波单元220滤波的重建块215，或未进行任何其它处理的重建块或重建像素点。
模式选择(分割和预测)
模式选择单元260包括分割单元262、帧间预测单元244和帧内预测单元254，用于从解码图像缓冲器230或其它缓冲器(例如，列缓冲器，图中未显示)接收或获得原始块203(当前图像17的当前块203)和重建图像数据等原始图像数据，例如，同一(当前)图像和/或一个或多个之前解码图像的滤波和/或未经滤波的重建像素点或重建块。重建图像数据用作帧间预测或帧内预测等预测所需的参考图像数据，以得到预测块265或预测值265。
模式选择单元260可用于为当前块预测模式(包括不分割)和预测模式(例如帧内或帧间预测模式)确定或选择一种分割，生成对应的预测块265，以对残差块205进行计算和对重建块215进行重建。
在一个实施例中，模式选择单元260可用于选择分割和预测模式(例如，从模式选择单元260支持的或可用的预测模式中)，所述预测模式提供最佳匹配或者说最小残差(最小残差是指传输或存储中更好的压缩)，或者提供最小信令开销(最小信令开销是指传输或存储中更好的压缩)，或者同时考虑或平衡以上两者。模式选择单元260可用于根据码率失真优化(rate distortion Optimization，RDO)确定分割和预测模式，即选择提供最小码率失真优化的预测模式。本文“最佳”、“最低”、“最优”等术语不一定指总体上“最佳”、“最低”、“最优”的，但也可以指满足终止或选择标准的情况，例如，超过或低于阈值的值或其他限制可能导致“次优选择”，但会降低复杂度和处理时间。
换言之，分割单元262可用于将视频序列中的图像分割为编码树单元(codingtree unit，CTU)序列，CTU 203可进一步被分割成较小的块部分或子块(再次形成块)，例如，通过迭代使用四叉树(quad-tree partitioning，QT)分割、二叉树(binary-treepartitioning，BT)分割或三叉树(triple-tree partitioning，TT)分割或其任意组合，并且用于例如对块部分或子块中的每一个执行预测，其中模式选择包括选择分割块203的树结构和选择应用于块部分或子块中的每一个的预测模式。
下文将详细地描述由视频编码器20执行的分割(例如，由分割单元262执行)和预测处理(例如，由帧间预测单元244和帧内预测单元254执行)。
分割
分割单元262可将一个编码树单元203分割(或划分)为较小的部分，例如正方形或矩形形状的小块。对于具有三个像素点阵列的图像，一个CTU由N×N个亮度像素点块和两个对应的色度像素点块组成。CTU中亮度块的最大允许大小在正在开发的通用视频编码(Versatile Video Coding，VVC)标准中被指定为128×128，但是将来可指定为不同于128×128的值，例如256×256。图像的CTU可以集中/分组为片/编码区块组、编码区块或砖。一个编码区块覆盖着一个图像的矩形区域，一个编码区块可以分成一个或多个砖。一个砖由一个编码区块内的多个CTU行组成。没有分割为多个砖的编码区块可以称为砖。但是，砖是编码区块的真正子集，因此不称为编码区块。VVC支持两种编码区块组模式，分别为光栅扫描片/编码区块组模式和矩形片模式。在光栅扫描编码区块组模式，一个片/编码区块组包含一个图像的编码区块光栅扫描中的编码区块序列。在矩形片模式中，片包含一个图像的多个砖，这些砖共同组成图像的矩形区域。矩形片内的砖按照片的砖光栅扫描顺序排列。这些较小块(也可称为子块)可进一步分割为更小的部分。这也称为树分割或分层树分割，其中在根树级别0(层次级别0、深度0)等的根块可以递归地分割为两个或两个以上下一个较低树级别的块，例如树级别1(层次级别1、深度1)的节点。这些块可以又分割为两个或两个以上下一个较低级别的块，例如树级别2(层次级别2、深度2)等，直到分割结束(因为满足结束标准，例如达到最大树深度或最小块大小)。未进一步分割的块也称为树的叶块或叶节点。分割为两个部分的树称为二叉树(binary-tree，BT)，分割为三个部分的树称为三叉树(ternary-tree，TT)，分割为四个部分的树称为四叉树(quad-tree，QT)。
例如，编码树单元(CTU)可以为或包括亮度像素点的CTB、具有三个像素点阵列的图像的色度像素点的两个对应CTB、或单色图像的像素点的CTB或使用三个独立颜色平面和语法结构(用于编码像素点)编码的图像的像素点的CTB。相应地，编码树块(CTB)可以为N×N个像素点块，其中N可以设为某个值使得分量划分为CTB，这就是分割。编码单元(codingunit，CU)可以为或包括亮度像素点的编码块、具有三个像素点阵列的图像的色度像素点的两个对应编码块、或单色图像的像素点的编码块或使用三个独立颜色平面和语法结构(用于编码像素点)编码的图像的像素点的编码块。相应地，编码块(CB)可以为M×N个像素点块，其中M和N可以设为某个值使得CTB划分为编码块，这就是分割。
例如，在实施例中，根据HEVC可通过使用表示为编码树的四叉树结构将编码树单元(CTU)划分为多个CU。在叶CU级作出是否使用帧间(时间)预测或帧内(空间)预测对图像区域进行编码的决定。每个叶CU可以根据PU划分类型进一步划分为一个、两个或四个PU。一个PU内使用相同的预测过程，并以PU为单位向解码器传输相关信息。在根据PU划分类型应用预测过程得到残差块之后，可以根据类似于用于CU的编码树的其它四叉树结构将叶CU分割为变换单元(TU)。
例如，在实施例中，根据当前正在开发的最新视频编码标准(称为通用视频编码(VVC)，使用嵌套多类型树(例如二叉树和三叉树)的组合四叉树来划分用于分割编码树单元的分段结构。在编码树单元内的编码树结构中，CU可以为正方形或矩形。例如，编码树单元(CTU)首先由四叉树结构进行分割。四叉树叶节点进一步由多类型树结构分割。多类型树形结构有四种划分类型：垂直二叉树划分(SPLIT_BT_VER)、水平二叉树划分(SPLIT_BT_HOR)、垂直三叉树划分(SPLIT_TT_VER)和水平三叉树划分(SPLIT_TT_HOR)。多类型树叶节点称为编码单元(CU)，除非CU对于最大变换长度而言太大，这样的分段用于预测和变换处理，无需其它任何分割。在大多数情况下，这表示CU、PU和TU在四叉树嵌套多类型树的编码块结构中的块大小相同。当最大支持变换长度小于CU的彩色分量的宽度或高度时，就会出现该异常。VVC制定了具有四叉树嵌套多类型树的编码结构中的分割划分信息的唯一信令机制。在信令机制中，编码树单元(CTU)作为四叉树的根首先被四叉树结构分割。然后每个四叉树叶节点(当足够大可以被)被进一步分割为一个多类型树结构。在多类型树结构中，通过第一标识(mtt_split_cu_flag)指示节点是否进一步分割，当对节点进一步分割时，先用第二标识(mtt_split_cu_vertical_flag)指示划分方向，再用第三标识(mtt_split_cu_binary_flag)指示划分是二叉树划分或三叉树划分。根据mtt_split_cu_vertical_flag和mtt_split_cu_binary_flag的值，解码器可以基于预定义规则或表格推导出CU的多类型树划分模式(MttSplitMode)。需要说明的是，对于某种设计，例如VVC硬件解码器中的64×64的亮度块和32×32的色度流水线设计，当亮度编码块的宽度或高度大于64时，不允许进行TT划分。当色度编码块的宽度或高度大于32时，也不允许TT划分。流水线设计将图像分为多个虚拟流水线数据单元(virtual pipeline data unit，VPDU)，每个VPDU在图像中定义为互不重叠的单元。在硬件解码器中，连续的VPDU在多个流水线阶段同时处理。在大多数流水线阶段，VPDU大小与缓冲器大小大致成正比，因此需要保持较小的VPDU。在大多数硬件解码器中，VPDU大小可以设置为最大变换块(transform block，TB)大小。但是，在VVC中，三叉树(TT)和二叉树(BT)的分割可能会增加VPDU的大小。
另外，需要说明的是，当树节点块的一部分超出底部或图像右边界时，强制对该树节点块进行划分，直到每个编码CU的所有像素点都位于图像边界内。
例如，所述帧内子分割(intra sub-partitions，ISP)工具可以根据块大小将亮度帧内预测块垂直或水平地分为两个或四个子部分。
在一个示例中，视频编码器20的模式选择单元260可以用于执行上文描述的分割技术的任意组合。
如上所述，视频编码器20用于从(预定的)预测模式集合中确定或选择最好或最优的预测模式。预测模式集合可包括例如帧内预测模式和/或帧间预测模式。
帧内预测
帧内预测模式集合可包括35种不同的帧内预测模式，例如，像DC(或均值)模式和平面模式的非方向性模式，或如HEVC定义的方向性模式，或者可包括67种不同的帧内预测模式，例如，像DC(或均值)模式和平面模式的非方向性模式，或如VVC中定义的方向性模式。例如，若干传统角度帧内预测模式自适应地替换为VVC中定义的非正方形块的广角帧内预测模式。又例如，为了避免DC预测的除法运算，仅使用较长边来计算非正方形块的平均值。并且，平面模式的帧内预测结果还可以使用位置决定的帧内预测组合(positiondependent intra prediction combination，PDPC)方法修改。
帧内预测单元254用于根据帧内预测模式集合中的帧内预测模式使用同一当前图像的相邻块的重建像素点来生成帧内预测块265。
帧内预测单元254(或通常为模式选择单元260)还用于输出帧内预测参数(在本申请实施例中，帧内预测参数包括当前图像块的目标帧内预测模式的信息以及当前图像块的概率向量)以语法元素266的形式发送到熵编码单元270，以包含到编码图像数据21中，从而视频解码器30可执行操作，例如接收并使用用于解码的预测参数。
帧间预测
在可能的实现中，帧间预测模式集合取决于可用参考图像(即，例如前述存储在DBP 230中的至少部分之前解码的图像)和其它帧间预测参数，例如取决于是否使用整个参考图像或只使用参考图像的一部分，例如当前块的区域附近的搜索窗口区域，来搜索最佳匹配参考块，和/或例如取决于是否执行半像素、四分之一像素和/或16分之一内插的像素内插。
除上述预测模式外，还可以采用跳过模式和/或直接模式。
例如，扩展合并预测，这种模式的合并候选列表由以下五种候选类型按顺序组成：来自空间相邻CU的空间MVP、来自并置CU的时间MVP、来自FIFO表的基于历史的MVP、成对平均MVP和零MV。可以使用基于双边匹配的解码器侧运动矢量修正(decoder side motionvector refinement，DMVR)来增加合并模式的MV的准确度。带有MVD的合并模式(mergemode with MVD，MMVD)来自有运动矢量差异的合并模式。在发送跳过标志和合并标志之后立即发送MMVD标志，以指定CU是否使用MMVD模式。可以使用CU级自适应运动矢量分辨率(adaptive motion vector resolution，AMVR)方案。AMVR支持CU的MVD以不同的精度进行编码。根据当前CU的预测模式，自适应地选择当前CU的MVD。当CU以合并模式进行编码时，可以将合并的帧间/帧内预测(combined inter/intra prediction，CIIP)模式应用于当前CU。对帧间和帧内预测信号进行加权平均，得到CIIP预测。对于仿射运动补偿预测，通过2个控制点(4参数)或3个控制点(6参数)运动矢量的运动信息来描述块的仿射运动场。基于子块的时间运动矢量预测(subblock-based temporal motion vector prediction，SbTMVP)，与HEVC中的时间运动矢量预测(temporal motion vector prediction，TMVP)类似，但预测的是当前CU内的子CU的运动矢量。双向光流(bi-directional optical flow，BDOF)以前称为BIO，是一种减少计算的简化版本，特别是在乘法次数和乘数大小方面的计算。在三角形分割模式中，CU以对角线划分和反对角线划分两种划分方式被均匀划分为两个三角形部分。此外，双向预测模式在简单平均的基础上进行了扩展，以支持两个预测信号的加权平均。
帧间预测单元244可包括运动估计(motion estimation，ME)单元和运动补偿(motion compensation，MC)单元(两者在图2中未示出)。运动估计单元可用于接收或获取图像块203(当前图像17的当前图像块203)和解码图像231，或至少一个或多个之前重建块，例如，一个或多个其它/不同之前解码图像231的重建块，来进行运动估计。例如，视频序列可包括当前图像和之前的解码图像231，或换句话说，当前图像和之前的解码图像231可以为形成视频序列的图像序列的一部分或形成该图像序列。
例如，编码器20可用于从多个其它图像中的同一或不同图像的多个参考块中选择参考块，并将参考图像(或参考图像索引)和/或参考块的位置(x、y坐标)与当前块的位置之间的偏移(空间偏移)作为帧间预测参数提供给运动估计单元。该偏移也称为运动矢量(motion vector，MV)。
运动补偿单元用于获取，例如接收，帧间预测参数，并根据或使用该帧间预测参数执行帧间预测，得到帧间预测块246。由运动补偿单元执行的运动补偿可能包含根据通过运动估计确定的运动/块矢量来提取或生成预测块，还可能包括对子像素精度执行内插。内插滤波可从已知像素的像素点中产生其它像素的像素点，从而潜在地增加可用于对图像块进行编码的候选预测块的数量。一旦接收到当前图像块的PU对应的运动矢量时，运动补偿单元可在其中一个参考图像列表中定位运动矢量指向的预测块。
运动补偿单元还可以生成与块和视频片相关的语法元素，以供视频解码器30在解码视频片的图像块时使用。此外，或者作为片和相应语法元素的替代，可以生成或使用编码区块组和/或编码区块以及相应语法元素。
熵编码
熵编码单元270用于将熵编码算法或方案(例如，可变长度编码(variable lengthcoding，VLC)方案、上下文自适应VLC方案(context adaptive VLC，CALVC)、算术编码方案、二值化算法、上下文自适应二进制算术编码(context adaptive binary arithmeticcoding，CABAC)、基于语法的上下文自适应二进制算术编码(syntax-based context-adaptive binary arithmetic coding，SBAC)、概率区间分割熵(probability intervalpartitioning entropy，PIPE)编码或其它熵编码方法或技术)应用于量化残差系数209、帧间预测参数、帧内预测参数、环路滤波器参数和/或其它语法元素，得到可以通过输出端272以编码比特流21等形式输出的编码图像数据21，使得视频解码器30等可以接收并使用用于解码的参数。可将编码比特流21传输到视频解码器30，或将其保存在存储器中稍后由视频解码器30传输或检索。
在本申请实施例中，帧内预测参数包括目标帧内预测模式和当前图像块的概率向量，熵编码单元270在概率向量中选择出与目标帧内预测模式对应的第一参考值或第二参考值，然后将该第一参考值或第二参考值编入码流，该第一参考值或第二参考值用于指示当前图像块的目标帧内预测模式。
视频编码器20的其它结构变体可用于对视频流进行编码。例如，基于非变换的编码器20可以在某些块或帧没有变换处理单元206的情况下直接量化残差信号。在另一种实现方式中，编码器20可以具有组合成单个单元的量化单元208和反量化单元210。
解码器和解码方法
图3示出了用于实现本申请技术的示例性视频解码器30。视频解码器30用于接收例如由编码器20编码的编码图像数据21(例如编码比特流21)，得到解码图像331。编码图像数据或比特流包括用于解码所述编码图像数据的信息，例如表示编码视频片(和/或编码区块组或编码区块)的图像块的数据和相关的语法元素。
在图3的示例中，解码器30包括熵解码单元304、反量化单元310、逆变换处理单元312、重建单元314(例如求和器314)、环路滤波器320、解码图像缓冲器(DBP)330、模式应用单元360、帧间预测单元344和帧内预测单元354。帧间预测单元344可以为或包括运动补偿单元。在一些示例中，视频解码器30可执行大体上与参照图2的视频编码器100描述的编码过程相反的解码过程。
参见图3，帧内预测模块包括经过训练的目标模型(亦称为神经网络)，该神经网络用于处理根据当前图像块的周围图像块拼接或级联得到的第一数据块或第二数据块，以生成当前图像块的概率向量。
如编码器20所述，反量化单元210、逆变换处理单元212、重建单元214、环路滤波器220、解码图像缓冲器DPB230、帧间预测单元344和帧内预测单元354还组成视频编码器20的“内置解码器”。相应地，反量化单元310在功能上可与反量化单元110相同，逆变换处理单元312在功能上可与逆变换处理单元122相同，重建单元314在功能上可与重建单元214相同，环路滤波器320在功能上可与环路滤波器220相同，解码图像缓冲器330在功能上可与解码图像缓冲器230相同。因此，视频编码器20的相应单元和功能的解释相应地适用于视频解码器30的相应单元和功能。
熵解码
熵解码单元304用于解析比特流21(或一般为编码图像数据21)并对编码图像数据21执行熵解码，得到量化系数309和/或解码后的编码参数(图3中未示出)等，例如帧间预测参数(例如参考图像索引和运动矢量)、帧内预测参数(例如帧内预测模式或索引)、变换参数、量化参数、环路滤波器参数和/或其它语法元素等中的任一个或全部。熵解码单元304可用于应用编码器20的熵编码单元270的编码方案对应的解码算法或方案。熵解码单元304还可用于向模式应用单元360提供帧间预测参数、帧内预测参数和/或其它语法元素，以及向解码器30的其它单元提供其它参数。视频解码器30可以接收视频片和/或视频块级的语法元素。此外，或者作为片和相应语法元素的替代，可以接收或使用编码区块组和/或编码区块以及相应语法元素。
在本申请实施例中，熵解码单元304可用于向模式应用单元360提供的帧内预测参数包括用于指示当前图像块用于进行帧内预测的目标帧内预测模式的目标参考值。
反量化
反量化单元310可用于从编码图像数据21(例如通过熵解码单元304解析和/或解码)接收量化参数(quantization parameter，QP)(或一般为与反量化相关的信息)和量化系数，并基于所述量化参数对所述解码的量化系数309进行反量化以获得反量化系数311，所述反量化系数311也可以称为变换系数311。反量化过程可包括使用视频编码器20为视频片中的每个视频块计算的量化参数来确定量化程度，同样也确定需要执行的反量化的程度。
逆变换
逆变换处理单元312可用于接收解量化系数311，也称为变换系数311，并对解量化系数311应用变换以得到像素域中的重建残差块213。重建残差块213也可称为变换块313。变换可以为逆变换，例如逆DCT、逆DST、逆整数变换或概念上类似的逆变换过程。逆变换处理单元312还可以用于从编码图像数据21(例如通过熵解码单元304解析和/或解码)接收变换参数或相应信息，以确定应用于解量化系数311的变换。
重建
重建单元314(例如，求和器314)用于将重建残差块313添加到预测块365，以在像素域中得到重建块315，例如，将重建残差块313的像素点值和预测块365的像素点值相加。
滤波
环路滤波器单元320(在编码环路中或之后)用于对重建块315进行滤波，得到滤波块321，从而顺利进行像素转变或提高视频质量等。环路滤波器单元320可包括一个或多个环路滤波器，例如去块滤波器、像素点自适应偏移(sample-adaptive offset，SAO)滤波器或一个或多个其它滤波器，例如自适应环路滤波器(adaptive loop filter，ALF)、噪声抑制滤波器(noise suppression filter，NSF)或任意组合。例如，环路滤波器单元220可以包括去块滤波器、SAO滤波器和ALF滤波器。滤波过程的顺序可以是去块滤波器、SAO滤波器和ALF滤波器。再例如，增加一个称为具有色度缩放的亮度映射(luma mapping with chromascaling，LMCS)(即自适应环内整形器)的过程。该过程在去块之前执行。再例如，去块滤波过程也可以应用于内部子块边缘，例如仿射子块边缘、ATMVP子块边缘、子块变换(sub-block transform，SBT)边缘和内子部分(intra sub-partition，ISP)边缘。尽管环路滤波器单元320在图3中示为环路滤波器，但在其它配置中，环路滤波器单元320可以实现为环后滤波器。
解码图像缓冲器
随后将一个图像中的解码视频块321存储在解码图像缓冲器330中，解码图像缓冲器330存储作为参考图像的解码图像331，参考图像用于其它图像和/或分别输出显示的后续运动补偿。
解码器30用于通过输出端312等输出解码图像311，向用户显示或供用户查看。
预测
帧间预测单元354在功能上可与帧间预测单元244(特别是运动补偿单元)相同，帧内预测单元344在功能上可与帧内预测单元254相同，并基于从编码图像数据21(例如通过熵解码单元304解析和/或解码)接收的分割和/或预测参数或相应信息决定划分或分割和执行预测。在本申请中，帧内预测单元344可以基于熵解码单元204中的得到的目标参考值和神经网络模型中得到的概率向量确定当前图像块用于帧内预测的目标帧内预测模式。模式应用单元360可用于根据重建图像、块或相应的像素点(已滤波或未滤波)执行每个块的预测(帧内或帧间预测)，得到预测块365。
当将视频片编码为帧内编码(intra coded，I)片时，模式应用单元360中的帧内预测单元354用于根据指示的帧内预测模式和来自当前图像的之前解码块的数据生成用于当前视频片的图像块的预测块365。当视频图像编码为帧间编码(即，B或P)片时，模式应用单元360中的帧间预测单元344(例如运动补偿单元)用于根据运动矢量和从熵解码单元304接收的其它语法元素生成用于当前视频片的视频块的预测块365。对于帧间预测，可从其中一个参考图像列表中的其中一个参考图像产生这些预测块。视频解码器30可以根据存储在DPB330中的参考图像，使用默认构建技术来构建参考帧列表0和列表1。除了片(例如视频片)或作为片的替代，相同或类似的过程可应用于编码区块组(例如视频编码区块组)和/或编码区块(例如视频编码区块)的实施例，例如视频可以使用I、P或B编码区块组和/或编码区块进行编码。
模式应用单元360用于通过解析运动矢量和其它语法元素，确定用于当前视频片的视频块的预测信息，并使用预测信息产生用于正在解码的当前视频块的预测块。例如，模式应用单元360使用接收到的一些语法元素确定用于编码视频片的视频块的预测模式(例如帧内预测或帧间预测)、帧间预测片类型(例如B片、P片或GPB片)、用于片的一个或多个参考图像列表的构建信息、用于片的每个帧间编码视频块的运动矢量、用于片的每个帧间编码视频块的帧间预测状态、其它信息，以解码当前视频片内的视频块。除了片(例如视频片)或作为片的替代，相同或类似的过程可应用于编码区块组(例如视频编码区块组)和/或编码区块(例如视频编码区块)的实施例，例如视频可以使用I、P或B编码区块组和/或编码区块进行编码。
在一个实施例中，图3所示的视频编码器30还可以用于使用片(也称为视频片)分割和/或解码图像，其中图像可以使用一个或多个片(通常为不重叠的)进行分割或解码。每个片可包括一个或多个块(例如CTU)或一个或多个块组(例如H.265/HEVC/VVC标准中的编码区块和VVC标准中的砖。
在一个实施例中，图3所示的视频解码器30还可以用于使用片/编码区块组(也称为视频编码区块组)和/或编码区块(也称为视频编码区块)对图像进行分割和/或解码，其中图像可以使用一个或多个片/编码区块组(通常为不重叠的)进行分割或解码，每个片/编码区块组可包括一个或多个块(例如CTU)或一个或多个编码区块等，其中每个编码区块可以为矩形等形状，可包括一个或多个完整或部分块(例如CTU)。
视频解码器30的其它变型可用于对编码图像数据21进行解码。例如，解码器30可以在没有环路滤波器单元320的情况下产生输出视频流。例如，基于非变换的解码器30可以在某些块或帧没有逆变换处理单元312的情况下直接反量化残差信号。在另一种实现方式中，视频解码器30可以具有组合成单个单元的反量化单元310和逆变换处理单元312。
应理解，在编码器20和解码器30中，可以对当前步骤的处理结果进一步处理，然后输出到下一步骤。例如，在插值滤波、运动矢量推导或环路滤波之后，可以对插值滤波、运动矢量推导或环路滤波的处理结果进行进一步的运算，例如裁剪(clip)或移位(shift)运算。
应该注意的是，可以对当前块的推导运动矢量(包括但不限于仿射模式的控制点运动矢量、仿射、平面、ATMVP模式的子块运动矢量、时间运动矢量等)进行进一步运算。例如，根据运动矢量的表示位将运动矢量的值限制在预定义范围。如果运动矢量的表示位为bitDepth，则范围为-2^(bitDepth-1)至2^(bitDepth-1)-1，其中“^”表示幂次方。例如，如果bitDepth设置为16，则范围为-32768～32767；如果bitDepth设置为18，则范围为-131072～131071。例如，推导运动矢量的值(例如一个8×8块中的4个4×4子块的MV)被限制，使得所述4个4×4子块MV的整数部分之间的最大差值不超过N个像素，例如不超过1个像素。这里提供了两种根据bitDepth限制运动矢量的方法。
尽管上述实施例主要描述了视频编解码，但应注意的是，译码系统10、编码器20和解码器30的实施例以及本文描述的其它实施例也可以用于静止图像处理或编解码，即视频编解码中独立于任何先前或连续图像的单个图像的处理或编解码。一般情况下，如果图像处理仅限于单个图像17，帧间预测单元244(编码器)和帧间预测单元344(解码器)可能不可用。视频编码器20和视频解码器30的所有其它功能(也称为工具或技术)同样可用于静态图像处理，例如残差计算204/304、变换206、量化208、反量化210/310、(逆)变换212/312、分割262/362、帧内预测254/354和/或环路滤波220/320、熵编码270和熵解码304。
图4为本发明实施例提供的视频译码设备400的示意图。视频译码设备400适用于实现本文描述的公开实施例。在一个实施例中，视频译码设备400可以是解码器，例如图1A中的视频解码器30，也可以是编码器，例如图1A中的视频编码器20。
视频译码设备400包括：用于接收数据的入端口410(或输入端口410)和接收单元(receiver unit，Rx)420；用于处理数据的处理器、逻辑单元或中央处理器(centralprocessing unit，CPU)430；例如，这里的处理器430可以是神经网络处理器430；用于传输数据的发送单元(transmitter unit，Tx)440和出端口450(或输出端口450)；用于存储数据的存储器460。视频译码设备400还可包括耦合到入端口410、接收单元420、发送单元440和出端口450的光电(optical-to-electrical，OE)组件和电光(electrical-to-optical，EO)组件，用于光信号或电信号的出口或入口。
处理器430通过硬件和软件实现。处理器430可实现为一个或多个处理器芯片、核(例如，多核处理器)、FPGA、ASIC和DSP。处理器430与入端口410、接收单元420、发送单元440、出端口450和存储器460通信。处理器430包括译码模块470(例如，基于神经网络NN的译码模块470)。译码模块470实施上文所公开的实施例。例如，译码模块470执行、处理、准备或提供各种编码操作。因此，通过译码模块470为视频译码设备400的功能提供了实质性的改进，并且影响了视频译码设备400到不同状态的切换。或者，以存储在存储器460中并由处理器430执行的指令来实现译码模块470。
存储器460包括一个或多个磁盘、磁带机和固态硬盘，可以用作溢出数据存储设备，用于在选择执行程序时存储此类程序，并且存储在程序执行过程中读取的指令和数据。存储器460可以是易失性和/或非易失性的，可以是只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、三态内容寻址存储器(ternary content-addressable memory，TCAM)和/或静态随机存取存储器(static random-access memory，SRAM)。
图5为示例性实施例提供的装置500的简化框图，装置500可用作图1A中的源设备12和目的设备14中的任一个或两个。
装置500中的处理器502可以是中央处理器。或者，处理器502可以是现有的或今后将研发出的能够操控或处理信息的任何其它类型设备或多个设备。虽然可以使用如图所示的处理器502等单个处理器来实施已公开的实现方式，但使用一个以上的处理器速度更快和效率更高。
在一种实现方式中，装置500中的存储器504可以是只读存储器(ROM)设备或随机存取存储器(RAM)设备。任何其它合适类型的存储设备都可以用作存储器504。存储器504可以包括处理器502通过总线512访问的代码和数据506。存储器504还可包括操作系统508和应用程序510，应用程序510包括允许处理器502执行本文所述方法的至少一个程序。例如，应用程序510可以包括应用1至N，还包括执行本文所述方法的视频译码应用。
装置500还可以包括一个或多个输出设备，例如显示器518。在一个示例中，显示器518可以是将显示器与可用于感测触摸输入的触敏元件组合的触敏显示器。显示器518可以通过总线512耦合到处理器502。
虽然装置500中的总线512在本文中描述为单个总线，但是总线512可以包括多个总线。此外，辅助储存器可以直接耦合到装置500的其它组件或通过网络访问，并且可以包括存储卡等单个集成单元或多个存储卡等多个单元。因此，装置500可以具有各种各样的配置。
由于本申请实施例涉及神经网络的应用，为了便于理解，下面先对本申请实施例所使用到的一些名词或术语进行解释说明，该名词或术语也作为发明内容的一部分。
(1)神经网络
神经网络(Neural Network，NN)是机器学习模型，神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：
Figure BDA0002809295780000301
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
(2)深度神经网络
深度神经网络(Deep Neural Network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：
Figure BDA0002809295780000302
其中，
Figure BDA0002809295780000303
是输入向量，
Figure BDA0002809295780000304
是输出向量，
Figure BDA0002809295780000305
是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量
Figure BDA0002809295780000306
经过如此简单的操作得到输出向量
Figure BDA0002809295780000307
由于DNN层数多，则系数W和偏移向量
Figure BDA0002809295780000308
的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为
Figure BDA0002809295780000309
上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第j个神经元的系数定义为
Figure BDA00028092957800003010
需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(3)卷积神经网络
卷积神经网络(convolutional neuron network，CNN)是一种带有卷积结构的深度神经网络，是一种深度学习(deep learning)架构，深度学习架构是指通过机器学习的算法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈(feed-forward)人工神经网络，该前馈人工神经网络中的各个神经元可以对输入其中的图像作出响应。卷积神经网络包含了一个由卷积层和池化层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。
卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。卷积层可以包括很多个卷积算子，卷积算子也称为核，其在图像处理中的作用相当于一个从输入图像矩阵中提取特定信息的过滤器，卷积算子本质上可以是一个权重矩阵，这个权重矩阵通常被预先定义，在对图像进行卷积操作的过程中，权重矩阵通常在输入图像上沿着水平方向一个像素接着一个像素(或两个像素接着两个像素……这取决于步长stride的取值)的进行处理，从而完成从图像中提取特定特征的工作。该权重矩阵的大小应该与图像的大小相关，需要注意的是，权重矩阵的纵深维度(depth dimension)和输入图像的纵深维度是相同的，在进行卷积运算的过程中，权重矩阵会延伸到输入图像的整个深度。因此，和一个单一的权重矩阵进行卷积会产生一个单一纵深维度的卷积化输出，但是大多数情况下不使用单一权重矩阵，而是应用多个尺寸(行×列)相同的权重矩阵，即多个同型矩阵。每个权重矩阵的输出被堆叠起来形成卷积图像的纵深维度，这里的维度可以理解为由上面所述的“多个”来决定。不同的权重矩阵可以用来提取图像中不同的特征，例如一个权重矩阵用来提取图像边缘信息，另一个权重矩阵用来提取图像的特定颜色，又一个权重矩阵用来对图像中不需要的噪点进行模糊化等。该多个权重矩阵尺寸(行×列)相同，经过该多个尺寸相同的权重矩阵提取后的特征图的尺寸也相同，再将提取到的多个尺寸相同的特征图合并形成卷积运算的输出。这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到，通过训练得到的权重值形成的各个权重矩阵可以用来从输入图像中提取信息，从而使得卷积神经网络进行正确的预测。当卷积神经网络有多个卷积层的时候，初始的卷积层往往提取较多的一般特征，该一般特征也可以称之为低级别的特征；随着卷积神经网络深度的加深，越往后的卷积层提取到的特征越来越复杂，比如高级别的语义之类的特征，语义越高的特征越适用于待解决的问题。
由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
在经过卷积层/池化层的处理后，卷积神经网络还不足以输出所需要的输出信息。因为如前所述，卷积层/池化层只会提取特征，并减少输入图像带来的参数。然而为了生成最终的输出信息(所需要的类信息或其他相关信息)，卷积神经网络需要利用神经网络层来生成一个或者一组所需要的类的数量的输出。因此，在神经网络层中可以包括多层隐含层，该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到，例如该任务类型可以包括图像识别，图像分类，图像超分辨率重建等等。
可选的，在神经网络层中的多层隐含层之后，还包括整个卷积神经网络的输出层，该输出层具有类似分类交叉熵的损失函数，具体用于计算预测误差，一旦整个卷积神经网络的前向传播完成，反向传播就会开始更新前面提到的各层的权重值以及偏差，以减少卷积神经网络的损失，及卷积神经网络通过输出层输出的结果和理想结果之间的误差。
(4)损失函数
在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
下面将结合图6详细地描述用于帧内预测的目标模型(亦称为神经网络)。图6示意目标模型(例如用于预测的神经网络，简称预测网络)的示例架构600。以第一数据块或第二数据块作为神经网络的输入，神经网络使用卷积层处理输入数据，使用Softmax层输出当前图像块的概率向量。
该神经网络模型的主体结构为卷积神经网络中的深度残差网络(deep residualnetwork，ResNet)，ResNet由9个残差块(residual block)组成；每个残差块有两个基本层，每个基本层包含一个卷积层(convolution layer)、一个非线性激活函数(rectifiedlinear unit，ReLU)层和一个批标准化(batch normalization，BN)层。此外，在第一个残差块和数据输入之间还存在一个卷积层，该卷积层可以加快神经网络模型训练的收敛速度，减轻梯度消失或梯度爆炸现象对训练的影响。在最后一个残差块之后，还依次连接有一个卷积层和一个自适应平均池化(adaptive average pooling)层，来将特征图转化为多维向量，最后通过Softmax层输出67种帧内预测模式的概率分布，此概率分布为一个多维向量，其维度为图9所示的帧内预测模式数目之和，即67。
应当理解，本申请实施例中的使用的神经网络模型只是给出的一种具体的实例，本申请实施例对此并不限定。本领域的技术人员也可通过其它的架构来构建神经网络模型，从而达到与本申请实施例中的神经网络模型相同的技术效果，例如：由包括AlexNet、ZFNet、VGGNet、GoogleNet等卷积神经网络架构或非卷积神经网络架构中的一种或多种所构成的神经网络模型。此外，本领域的技术人员还可以通过改变本申请实施例中神经网络模型的部分结构来达到与本申请实施例相同的技术效果，例如：改变本申请中神经网络模型的残差块数量等。
在设计好用来计算概率向量的初始神经网络模型结构之后，开始对神经网络模型进行训练，本申请实施例中的神经网络模型进行训练过程如下：
本申请实施例在图像处理器上对初始神经网络模型进行训练。神经网络模型的训练数据库包括训练集、验证集和测试集，训练集、验证集和测试集分别包括一系列的图像集合。下面将输入神经网络模型中的第一数据块或第二数据块称为目标数据块，针对每一种尺寸的目标数据块，分别从训练集、验证集和测试集中选出与该目标数据块尺寸相同的图像作为该目标数据块的训练集、验证集和测试集，对该目标数据块的训练集中的每个图像进行压缩，提取出神经网络模型的输入数据和目标数据，输入数据为每个图像压缩后得到的数据块，目标数据为每个图像的目标帧内预测模式对应的第一标识。在每次训练的过程中，将压缩后的数据块输入神经网络模型，得到与该数据块对应的一个67维概率向量，采用公式(1-2)所示的交叉熵损失函数来衡量在该次训练过程中，神经网络模型的输出和预期之间的误差，从而判断是否结束神经网络模型的训练。
Figure BDA0002809295780000331
具体地，在采用公式(1-2)所示的交叉熵损失函数计算每次训练后的交叉熵损失函数值时，M表示样本的类别数目，这里M为图像的帧内预测模式总数，即M＝67；i表示每次训练所使用的图像的目标数据，即该图像的目标帧内预测模式对应的第一标识；T(i)为指示函数，当指示的类别与样本类别相同时为1，否则其值为0，例如，在当前图像的目标数据为30的情况下，当i取30时，T(i)值为1；当i取其余值(0-29或31-66中任意值)时，T(i)值为0；Pi表示Softmax层输出的概率分布中第i维的取值。应当理解，Pi值越大，即采用目标帧内预测模式来进行帧内预测时的概率越大时，损失函数值将会越小。
在结束每次训练及每次的交叉熵损失函数值的计算后，判断每次交叉熵损失函数值与预设损失值之间的关系，当每次交叉熵损失函数值大于预设损失值时，根据每次的交叉熵损失函数值来调整神经网络模型中各参数的权重，利用调整后的神经网络模型进行下一次训练，直到交叉熵损失函数值小于或等于预设损失值时，结束神经网络模型的训练。然后，利用该目标数据块的验证集和测试集对神经网络模型分别进行验证和测试；在经过验证和测试后，便可确定与该目标数据块对应的神经网络模型的参数，也即得到与该目标数据块对应的神经网络模型。针对每种尺寸的目标数据块分别进行上述操作，即可得到与不同尺寸的目标数据块分别对应的不同参数配置的神经网络模型。
应当理解，本申请实施例可根据不同的应用场景采用不同的训练数据库，本申请实施例对此不做具体限定。此外，本申请实施例中对神经网络模型的训练方法只是给出的一个具体实例，本申请对此并不做具体限定。除上述方法外，还可以采用其它方法对神经网络模型进行训练，例如，首先采用包含特定尺寸图像的训练集、验证集和测试集分别对初始神经网络模型进行训练、验证和测试，确定一个中间神经网络模型，然后再采用上述实施例中所描述的方法，针对不同尺寸的目标数据块，分别对中间神经网络模型进行训练、验证和测试，得到与不同尺寸的目标数据块分别对应的不同参数配置的神经网络模型，其中，上述特定尺寸可以是根据实际场景所选择的任一尺寸，此处不做具体限定。
应当理解，不同尺寸的目标数据块对应不同参数配置的神经网络模型，经过上述尺寸变换操作后，第二数据块的尺寸种类少于第一数据块的尺寸种类，因而可以节省用于存储与目标数据块对应的神经网络模型的存储空间。
下文将详细的阐述利用本申请所提出的方法对当前图像块的帧内预测模式进行编解码的过程。
图7是本申请实施例中一种用于对当前图像块的目标帧内预测模式进行编码的方法700的流程图。方法700可由视频编码器20执行，具体地，可以由视频编码器20的帧内预测单元254和熵编码单元270来执行。方法700描述为一系列的步骤或者操作，应当理解的是，方法700的部分步骤没有执行顺序的限制，如步骤S701和步骤S702。图7所示的方法700包括步骤S701、S702、S703和S704，下面将对这些步骤进行详细地描述。
步骤S701，获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个。
具体地，获取与当前图像块相邻的左侧、左上和上侧的三个周围图像块，三个周围图像块的尺寸与当前图像块相同(如图10所示)；三个周围图像块中每个周围图像块包含一个重建块、残差块和预测块，选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块中的至少两个。在一种可行的实施方式中，可以选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块来进行后续的拼接或级联操作。
步骤S702，根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用该任一元素对应的帧内预测模式的概率。
在一种可行的实施方式中，在当前图像块的目标帧内预测模式为非矩阵加权帧内预测MIP模式的情况下，根据周围图像块的重建块、预测块和残差块中的至少两个、当前图像块和预测模式概率模型得到所述当前图像块的概率向量。
上述根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，具体包括：通过对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量。应当注意，通过拼接和级联两种方式时得到的第一数据块的尺寸不同。
其中，通过对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块的过程可以根据当前图像块在当前帧内的位置关系分为四种情况：即在当前图像块分别位于当前帧的左上侧边缘、左侧边缘、上侧边缘和非边缘这四种不同的位置时(对应图11-1到图11-4中的四种位置关系)，选取当前图像块的三个周围图像块的方式不同，在本申请的实施例中，以当前图像块的宽和高分别为M和N来进行详细描述，M和N为正整数。
第一种位置关系，如图11-1所示，在当前图像块位于当前帧的非边缘位置时，即当前图像块与当前帧的左侧边缘和上侧边缘的距离分别大于或等于M、N时，可以直接从当前帧中选取与当前图像块大小相等且相邻的左侧、左上和上侧三个周围图像块，此时三个周围图像块已进行帧内预测，三个周围图像块中的每个图像块都包含一个重建块、残差块和预测块；对于当前图像块而言，当前图像块的残差块、重建块和预测块中无数据，向当前图像块的残差块、重建块和预测块中填充默认值或0，其中，默认值为2n-1，n为视频编码器100内部的像素比特深度。
可选地，在第一种位置关系中，当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个三通道且尺寸为2M×2N的数据块，该第一数据块的三个通道中分别填入的是当前图像块和周围图像块的重建块、残差块和预测块；当选取三个周围图像块和当前图像块中每个图像块的重建块和预测块，或者重建块和残差块，或者预测块和残差块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个二通道且尺寸为2M×2N的数据块，该第一数据块的两个通道中分别填入的是当前图像块和周围图像块的重建块和预测块。
可选地，在第一种位置关系中，若当前图像块的残差块、重建块和预测块中填充的数据都为0，选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行级联时，得到的第一数据块为一个九通道且尺寸为M×N的数据块；当选取三个周围图像块和当前图像块中每个图像块的重建块和预测块，并对三个周围编码块和当前编码块进行级联时，得到的第一数据块为一个四通道且尺寸为M×N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来级联的数据块不同，且当前图像块的每个数据块中填充的数据不同时，级联所得到的第一数据块的通道数不同，除上述所列举的两种情况外，其余情况下，对周围图像块和当前图像块进行级联得到的第一数据块的通道数很容易推导得出，此处不再赘述。
第二种位置关系，如图11-2所示，在当前图像块位于当前帧的左上侧边缘时，即当前图像块与当前帧的左侧边缘和上侧边缘的距离分别小于M、N时，无法从当前帧中选取与当前图像块尺寸相同且相邻的左侧、左上和上侧三个周围图像块，此时，向当前图像块相邻的左侧、左上和上侧分别扩充出与当前图像块的尺寸相同的三个周围图像块；在此种位置关系中，三个周围图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0或2n-1；当前图像块的重建块、残差块和预测块中可以填入0或2n-1。
可选地，在第二种位置关系中，当向三个周围图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0，向当前图像块的重建块、残差块和预测块中都填入0；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个二通道且尺寸为2M×2N的数据块；当选取三个周围图像块和当前图像块中每个图像块的残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个一通道且尺寸为2M×2N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来拼接的数据块不同，且当前图像块和三个周围图像块的每个数据块中填充的数据不同时，拼接所得到的第一数据块的通道数不同，除上述所列举的两种情况外，其余情况下，对周围图像块和当前图像块进行拼接得到的第一数据块的通道数很容易推导得出，此处不再赘述。
可选地，在第二种位置关系中，当向三个周围图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0，向当前图像块的重建块、残差块和预测块中都填入0；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行级联时，得到的第一数据块为一个四通道且尺寸为M×N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来级联的数据块不同，且当前图像块和周围图像块中的每个数据块中填充的数据不同时，级联所得到的第一数据块的通道数不同，除上述所列举的情况外，其余情况下，对周围图像块和当前图像块进行级联得到的第一数据块的通道数很容易推导得出，此处不再赘述。
第三种位置关系，如图11-3所示，在当前图像块位于当前帧的左侧边缘，即当前图像块与当前帧的左侧边缘的距离小于M，且当前图像块与当前帧的上侧边缘的距离大于或等于N时，此时，可以从当前帧中选取一个与当前图像块相邻且尺寸相同的上侧图像块，向当前图像块相邻的左侧、左上侧分别扩充出与当前图像块的尺寸大小相同的两个周围图像块；在此种位置关系中中，扩充出的左侧和左上侧图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0或2n-1；当前图像块的重建块、残差块和预测块中可以填入0或2n-1。
可选地，在第三种位置关系中，当向左侧和左上侧图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0，向当前图像块的重建块、残差块和预测块中都填入0；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个二通道且尺寸为2M×2N的数据块；当选取三个周围图像块和当前图像块中每个图像块的残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个一通道且尺寸为2M×2N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来拼接的数据块不同，且当前图像块和三个周围图像块的每个数据块中填充的数据不同时，拼接所得到的第一数据块的通道数不同，除上述所列举的两种情况外，其余情况下，对周围图像块和当前图像块进行拼接得到的第一数据块的通道数很容易推导得出，此处不再赘述。
可选地，在第三种位置关系中，当左侧和左上侧图像块的每个图像块中的重建块和预测块和残差块中填入默认值2n-1，向当前图像块的重建块、残差块中都填入0，预测块中填入2n-1；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行级联时，得到的第一数据块为一个十通道且尺寸为M×N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来级联的数据块不同，且当前图像块和周围图像块中的每个数据块中填充的数据不同时，级联所得到的第一数据块的通道数不同，除上述所列举的情况外，其余情况下，对周围图像块和当前图像块进行级联得到的第一数据块的通道数很容易推导得出，此处不再赘述。
第四种位置关系，如图11-4所示，在当前图像块位于当前帧的左侧边缘，即当前图像块与当前帧的左侧边缘的距离大于或等于M，且当前图像块与当前帧的上侧边缘的距离小于N时，此时，可以从当前帧选取一个与当前图像块相邻且尺寸相同的左侧图像块，然后向当前图像块相邻的上侧、左上侧分别扩充出与当前图像块的尺寸大小相同的两个周围图像块，在此种位置关系中中，扩充出的上侧和左上侧图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块可以填入0或2n-1；当前图像块的重建块、残差块和预测块中可以填入0或2n-1。
可选地，在第四种位置关系中，当向上侧和左上侧图像块的每个图像块中的重建块和预测块中填入默认值2n-1，每个图像块中的残差块填入0，向当前图像块的重建块、残差块和预测块中都填入0；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个二通道且尺寸为2M×2N的数据块；当选取三个周围图像块和当前图像块中每个图像块的残差块和预测块，并对三个周围编码块和当前编码块进行拼接时，得到的第一数据块为一个一通道且尺寸为2M×2N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来拼接的数据块不同，且当前图像块和三个周围图像块的每个数据块中填充的数据不同时，拼接所得到的第一数据块的通道数不同，除上述所列举的两种情况外，其余情况下，对周围图像块和当前图像块进行拼接得到的第一数据块的通道数很容易推导得出，此处不再赘述。
可选地，在第四种位置关系中，当上侧和左上侧图像块的每个图像块中的重建块和预测块和残差块中填入默认值2n-1，向当前图像块的重建块、残差块中都填入0，预测块中填入2n-1；当选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块，并对三个周围编码块和当前编码块进行级联时，得到的第一数据块为一个十通道且尺寸为M×N的数据块；应当理解，当周围图像块和当前图像块中的每个图像块中选取用来级联的数据块不同，且当前图像块和周围图像块中的每个数据块中填充的数据不同时，级联所得到的第一数据块的通道数不同，除上述所列举的情况外，其余情况下，对周围图像块和当前图像块进行级联得到的第一数据块的通道数很容易推导得出，此处不再赘述。
此外，本申请描述的图像块可以理解为但不限于：预测单元(prediction unit，PU)或者编码单元CU或者变换单元TU等。根据不同视频压缩编解码标准的规定，CU可包含一个或多个预测单元PU，例如，在HEVC中，一个CU可包含多个PU，但在VVC中，一个CU对应一个PU。图像块可具有固定或可变的大小，且根据不同视频压缩编解码标准而在大小上不同。此外，当前图像块是指当前待编码或解码的图像块，例如待编码或解码的预测单元。
在一种可行的实施方式中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，可以包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
其中，上述概率模式预测模型可以是图6中所示的神经网络模型，或其它形式的神经网络模型，或数学模型，本申请对此不做具体限定。
表1：第一数据块的尺寸种类
Figure BDA0002809295780000371
其中，对于不同尺寸的当前图像块，对当前图像块和当前图像块的三个周围编码块进行拼接或者级联后，得到的第一数据块的尺寸不同。在本申请实施例中，第一数据块的尺寸种类共有17种(如表1所示)，对第一数据块进行尺寸变换操作，得到第二数据块，第二数据块的尺寸种类小于17种。
上述当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块的过程可以分为四种方式：
(1)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一边长和第二边长之比等于目标尺寸的第一边长和第二边长之比时，对第一数据块进行水平和竖直两个方向的等比缩放，得到第二数据块；
(2)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一边长和第二边长之比等于目标尺寸的第二边长和第一边长之比时，对第一数据块进行转置，以及水平和竖直两个方向的等比缩放，得到第二数据块；
(3)当第一数据块的尺寸不为目标尺寸，且第一数据块的第一边长和第二边长分别等于目标尺寸的第二边长和第一边长时，对第一数据块进行转置，得到第二数据块；
(4)当第一数据块的尺寸不为目标尺寸时，对第一数据块进行缩放，得到第二数据块。
可选地，目标尺寸的种类可以为7种，即从表1中第一边长和第二边长之比为1：1、1：2、2：1、1：4、4：1、1：8和8：1的尺寸中分别选取一种作为目标尺寸。将第一数据块的尺寸与7种目标尺寸进行比较，根据第一数据块的尺寸与7种目标尺寸的关系，可以采用上述四种方式中的(1)或(2)或(3)种中的任一种方式，得到第二数据块。
例如，以第一数据块的第一边长和第二边长为16×8来详细说明在上述实施例中得到第二数据块的过程：若目标尺寸中第一边长和第二边长之比为2：1目标尺寸的第一边长和第二边长分别为32×16，则对第一数据块的第一边长和第二边长分别进行水平和竖直两个方向的等比放大，得到第一边长和第二边长分别为32×16的第二数据块；若目标尺寸中第一边长和第二边长之比为2：1的目标尺寸的第一边长和第二边长分别为8×4，则对第一数据块的第一边长和第二边长分别进行水平和竖直两个方向的等比缩小，得到第一边长和第二边长分别为8×4的第二数据块。应当理解，在本申请实施例中其它部分中提到的缩放的具体过程与此处相同。
可选地，目标尺寸的种类可以为4种，即从表1中第一边长和第二边长之比为1：1的尺寸中选取一种，1：2或2：1的尺寸中选取一种，1：4或4：1的尺寸中选取一种，1：8或8：1的尺寸中选取一种，一共四种尺寸，作为目标尺寸。将第一数据块的尺寸与4种目标尺寸进行比较，根据第一数据块的尺寸与4种目标尺寸的关系，可以采用上述四种方式中的(1)或(2)或(3)种中的任一种方式，得到第二数据块。
需要注意的是，在本申请的实施例中，当需要对第一数据块进行转置和缩放处理时，进行转置和缩放的操作没有先后顺序，采用不同的操作顺序进行处理时得到的第二数据块尺寸相同。
可以看出，在本申请实施例中，通过上述两种实现方式，可以将第一数据块的尺寸种类从17种减少为第二数据块的7种或4种，从而有效减少后续分别与不同尺寸的第二数据块对应的神经网络模型的种类，进而节约用于存储神经网络模型的存储空间，提高编码性能。
可选地，目标尺寸的可以为表1中17种尺寸中的一种，或表1中17种尺寸以外的一种。将第一数据块的尺寸与该1种目标尺寸进行比较，根据第一数据块的尺寸与4种目标尺寸的关系，可以采用上述第(4)种方式，得到第二数据块。
例如，以目标尺寸的第一边长和第二边长为4×8来进行详细说明上述实施例实现的具体过程：当第一数据块尺寸的第一边长和第二边长分别为4×4时，对第一数据块的第二边长进行竖直方向上的放大，得到第一边长和第二边长分别为4×8的第二数据块；当第一数据块尺寸的第一边长和第二边长分别为16×4时，对第一数据块的第一边长和第二边长分别进行水平方向上缩小和竖直方向上放大，得到第一边长和第二边长分别为4×8的第二数据块。
可以看出，在本申请实施例中，可以将第一数据块的尺寸种类从17种减少为1种，最大程度地减少了第二数据块的尺寸类型，从而后续得到一种与第二数据块尺寸对应的神经网络模型，显著地减少了用于存储神经网络模型的存储空间，提高编码效率；同时，对于纹理较简单，且尺寸较大的第一数据块，经过缩小为较小尺寸的第二数据块后，可以有效地降低后续采用神经网络模型计算概率向量时的计算复杂度，从而提高编码性能。
在一种可行的实施方式中，上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量，可以包括：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸为目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
具体地，首先根据第一数据块的第一边长与第二边长的大小关系，以及水平梯度的绝对值与垂直梯度的绝对值之和与预设阈值的大小关系，确定第一数据块对应的目标尺寸；当第一数据块的尺寸不为所述目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块。
其中，可选地，预设阈值的取值可以为4*M*N，当前图像块的第一边长和第二边长分别为M和N，第一数据块的第一边长和第二边长分别为2M和2N；当前图像块的水平梯度和当前图像块的垂直梯度通过Sobel算子计算得到。应当理解，预设阈值的值可以根据实际情况确定，本申请实施例对此不做限定；此外，计算水平梯度和垂直梯度的算子也不限定于Sobel算子，可以根据实际情况确定，例如，还可以选择Scharr算子、laplacian算子或其它功能类似的算子。
其中，图像的梯度表示图像灰度的变化量，当前图像块的水平梯度和垂直梯度分别表示在当前帧内，当前图像块相对于周围图像块在水平方向和垂直方向上灰度的变化量。图像可以理解为二维离散函数f(x,y)，图像f(x,y)在点(x,y)处的梯度是一个具有大小和方向的矢量，设Gx和Gy分别表示当前图像块在水平方向和垂直方向的梯度，这个梯度的矢量可以表示为：
Figure BDA0002809295780000391
这个矢量的幅度为：
Figure BDA0002809295780000392
这个矢量的方向角为：
Figure BDA0002809295780000393
上述当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块的过程可以分为两种情况：
(1)上述尺寸变换操作包括缩放，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；其中，M和N为正整数。
(2)上述尺寸变换操作包括缩放和转置中的至少一项，上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；其中，M和N为正整数。
可以看出，在本申请实施例中，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度确定第二数据块的过程，充分利用了当前图像的自身信息来确定第二数据块的尺寸，增强了第二数据块与当前图像块的相关性，因而提高了后续根据第二数据块得到的概率向量的准确性，从而提高了码流中数据的准确性；同时，通过执行缩放和转置操作，可以减少第二数据块尺寸种类的数量，同时也会减少与不同尺寸的第二数据块分别对应的神经网络模型的数量，从而节约了用于存储神经网络模型的存储空间，提高编码性能。
步骤S703，确定当前图像块的目标帧内预测模式。
可选地，通过RDO或神经网络或其它可能的方式从多功能视频编码(versatilevideo coding，VVC)技术中的67种帧内预测模式(如图9所示)和MIP模式中搜索出对当前图像块进行帧内预测的目标帧内预测模式，目标帧内预测模式在图9中的模式值(0-66)即为其对应的第一标识。
其中，请参见图9，VVC中67种帧内预测模式包括直流(direct current，DC)预测模式、平面Planar预测模式和65种角度预测模式，DC和Planar预测模式的第一标识分别为1和0，剩余65种角度预测模式的第一标识从左下角到右上角分别为2-66。
步骤S704，根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。
上述根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流可分为两种情况：
(1)当尺寸变换操作不包含转置时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值，对第一参考值进行编码，以得到目标帧内预测模式对应的码流。
其中，目标帧内预测模式在图9中的模式值即为其对应的第一标识，概率向量为一个67维向量，概率向量中的每个元素对应区间(0，1)上的一个概率区间，且概率向量中的元素与图9中的67个模式值一一对应。
上述根据目标帧内预测模式的第一标识和概率向量，确定第一参考值，对第一参考值进行编码，以得到目标帧内预测模式对应的码流，具体为：根据目标帧内预测模式的第一标识确定该第一标识在概率向量中对应的元素，然后在该元素对应的概率区间中任意选取一个数值作为第一参考值编入码流，该第一参考值即可用于表征当前图像块的目标帧内预测模式。
(2)当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，根据预设常数和目标帧内预测模式的第一标识确定第二标识，根据第二标识和概率向量，确定第二参考值；对第二参考值进行编码，以得到目标帧内预测模式对应的码流；当尺寸变换操作包含转置，且目标帧内预测模式为非角度预测模式时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值；对第一参考值进行编码，以得到目标帧内预测模式对应的码流。
其中，预设常数为图3中所示的多个帧内预测模式的个数，即67，角度预测模式为模式值2-66的帧内预测模式，非角度预测模式为模式值为DC直流模式或平面模式。
具体地，当尺寸变换操作包含转置，且目标帧内预测模式为角度预测模式时，利用预设常数减去第一标识，得到第二标识，在概率向量中选出第二标识所对应的元素，然后在该元素对应的概率区间中任意选取一个数值作为第二参考值编入码流；当尺寸变换操作包含转置，且目标帧内预测模式为非角度预测模式时，对目标帧内预测模式的编码方式与方式(1)相同，此处不再赘述。
可以看出，在图7所示的实施例中，获取当前图像块的三个周围图像块的重建块、预测块和残差块中的至少两个，由于可以通过每个周围图像块的重建块、预测块和残差块中的两个计算得到另一个，因而本申请实施例可以充分利用了周围图像块的相关信息，进而根据周围图像块的重建块、预测块和残差块中的至少两个生成的当前图像块的概率向量更加准确，提高了编入码流中数据的准确性，提升了编码性能；此外，由于第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高编码性能；同时，对于纹理较简单，且尺寸较大的第一数据块，经过尺寸变换操作缩小为较小尺寸的第二数据块后，可以有效地降低后续利用神经网络模型计算概率向量时的计算复杂度，从而提高编码效率。
请参见图8，图8为本申请中另一种对当前图像块的目标帧内预测模式进行编码的方法800的流程图。如图8所示，方法800分别包括如下六个步骤：
S801，获取当前图像块的周围图像块。
具体地，可以获取与当前图像块相邻的左侧、左上和上侧的三个周围图像块，三个周围图像块的尺寸与当前图像块相同(如图10所示)，三个周围图像块中每个周围图像块包含一个重建块、残差块和预测块，可以选取三个周围图像块和当前图像块中每个图像块的重建块、残差块和预测块中的一个或多个来进行后续的拼接或级联操作。
S802，对周围图像块进行拼接或者级联，得到第一数据块。
S803，对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放。
S804，将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用该任一元素对应的帧内预测模式的概率。
S805，确定当前图像块的目标帧内预测模式。
S806，根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。
具体地，步骤S802到S804分别与步骤S702相对应的过程相同，步骤S805和步骤S806分别与步骤S703和S704中对应的步骤相同，此处不再赘述。
可以看出，在图8所示的实施例中，第一数据块的尺寸有多种，通过对第一数据块进行尺寸变换操作，得到第二数据块，可以有效减少第二数据块尺寸种类的数量，从而减少与不同尺寸的第二数据块对应的神经网络模型的数量，进而节省神经网络模型的存储空间，提高编码性能；同时，对于纹理较简单，且尺寸较大的第一数据块，经过尺寸变换操作缩小为较小尺寸的第二数据块后，可以有效地降低后续利用神经网络模型计算概率向量时的计算复杂度，从而提高编码效率。
请参见图12，图12为本申请实施例中一种编码器对当前图像块的帧内预测模式的相关语法元素进行编码的流程图。如图12所示，在VVC中，对于一个当前图像块来说，其帧内预测模式相关的语法元素包括MIP标志位、多参考行MRL索引、与MIP模式和ISP模式分别对应的标识、该当前图像块目标帧内预测模式对应的第一标识，以及该当前图像块的概率向量；熵编码器103在对当前图像块的帧内预测相关的语法元素进行编码时，分为如下步骤：根据步骤S704中的描述，从概率向量中选出与目标帧内预测模式对应的第一参考值或第二参考值；采用常规编码方式编码MIP标志位，并确定MIP标志位是否为第一预设值，若是，则采用旁路编码方式编码MIP模式；若MIP标志位为第二预设值，则采用常规编码方式依次编码MRL索引、ISP模式对应的标识，以及采用旁路编码方式编码该当前图像块使用目标帧内预测模式进行帧内预测的第一参考值或第二参考值，其中，第一预设值和第二预设值分别为1和0。应当注意的是，上述第一预设值和第二预设值只是本申请实施例中的一个具体实例，本申请对此不做具体限定。
其中，MIP标志位、MRL索引和ISP模式等信息在对当前图像块的目标帧内预测模式进行搜索的过程中已经确定，MIP标志位用来指示当前图像块是否采用MIP模式进行帧内预测，MRL索引指示当前图像块进行帧内预测时采用的参考行的索引，ISP模式指示当前图像块的子块划分方式，其中，当前图像块的所有子块共用一种帧内预测模式，且在当前图像块采用MRL的情况下，不执行ISP。
应当理解，本申请实施例中所描述的编码器20采用上下文自适应的二进制算术编码CABAC方式来对当前图像块帧内预测相关的语法元素进行编码，本申请中也可以通过其它方式对当前图像块帧内预测相关的语法元素进行编码，此处不做具体限定。
请参见图13，图13是本申请施例中一种用于对当前图像块的目标帧内预测模式进行解码的方法1300的流程图，图13所示的方法1300包括步骤S1301、S1302和S1303，下面将对这些步骤进行详细介绍。
步骤S1301，获取当前图像块对应的码流，以及当前图像块的周围图像块的重建块、预测块和残差块中的至少两个。
具体地，解码器30获取经熵编码器304编码的视频码流；获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个的具体过程与步骤S701相同，此处不再赘述。
步骤S1302，根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用该任一元素对应的帧内预测模式的概率。
具体地，步骤S1302的具体执行过程与步骤S702相同，此处不再赘述。
步骤S1303，根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。
具体地，对码流进行解码，得到目标参考值；根据目标参考值确定当前图像块的目标帧内预测模式。
上述根据目标参考值确定当前图像块的目标帧内预测模式包括两种情况：
(1)当尺寸变换操作不包含转置时，根据目标参考值和概率向量确定目标帧内预测模式。
具体地，目标参考值位于0和1之间，根据目标参考值落入的概率区间确定其在概率向量中对应的标识，根据该对应的标识确定当前图像块的目标帧内预测模式。
(2)当尺寸变换操作包含转置时，根据目标参考值和概率向量确定第一标识；当第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和第一标识，确定目标帧内预测模式；当第一标识对应的帧内预测模式为非角度预测模式时，根据目标参考值和概率向量确定目标帧内预测模式。
具体地，根据目标参考值落入的概率区间确定其在概率向量中对应的元素的第一标识，当该第一标识所对应的帧内预测模式为角度预测模式时，利用预设常数减去第一标识，得到第二标识，该第二标识在图9中所对应的帧内预测模式即为当前图像块的目标帧内预测模式；当该第一标识所对应的帧内预测模式为非角度预测模式时，该第一标识在图9中所对应的帧内预测模式即为当前图像块的目标帧内预测模式。
请参见图14，图14是本申请施例中一种用于对当前图像块的目标帧内预测模式进行解码的方法1400的流程图，图14所示的方法1400包括步骤S1401、S1402、1403、S1404和S1405，下面将对这些步骤进行详细介绍。
S1401，获取当前图像块对应的码流，以及当前图像块的周围图像块。
具体地，上述获取当前图像块对应的码流与步骤S1301中对应步骤相同，上述获取当前图像块的周围图像块与步骤S801中对应步骤相同，此处不再赘述。
S1402，对周围图像块进行拼接或者级联，得到第一数据块。
S1403，对第一数据块进行尺寸变换操作，以得到第二数据块，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放。
S1404，将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用该任一元素对应的帧内预测模式的概率。
S1405，根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。
具体地，步骤S1402、S1403、S1404和S1405具体的执行过程分别与S802、S803、S804和S1303相同，此处不再赘述。
请参见图15，图15为本申请提供的一种编码装置1500的示意性框图。应当理解，此处的编码装置1500可以对应于图1A或者可以图2中的编码器20，该编码装置1500可以包括：
获取单元1501，用于获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个。
处理单元1502，用于根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率。
确定单元1503，用于确定当前图像块的目标帧内预测模式。
编码单元1504，用于根据目标帧内预测模式和概率向量，将目标帧内预测模式编入码流。
在一种可能的实现方式中，上述处理单元具体用于：当目标帧内预测模式为非矩阵加权帧内预测MIP模式时，根据周围图像块的重建块、预测块和残差块中的至少两个、当前图像块和预测模式概率模型得到当前图像块的概率向量。
在一种可能的实现方式中，上述处理单元具体用于：对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；根据第一数据块和预测模式概率模型得到当前图像块的概率向量。
在一种可能的实现方式中，在上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量的方面，处理单元具体用于：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
在一种可能的实现方式中，在上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量的方面，处理单元具体用于：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸为目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
在一种可能的实现方式中，尺寸变换操作包括缩放，在根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块的方面，处理单元具体用于：
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；
当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；
其中，M和N为正整数。
在一种可能的实现方式中，尺寸变换操作包括缩放和转置中的至少一项，在根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块的方面，处理单元具体用于：
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：
当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；
当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；
其中，M和N为正整数。
在一种可能的实现方式中，上述编码单元具体用于：当尺寸变换操作不包含转置时，根据目标帧内预测模式的第一标识和概率向量，确定第一参考值；对第一参考值进行编码，以得到目标帧内预测模式对应的码流；
当尺寸变换操作包含转置时，根据预设常数和第一标识确定第二标识，根据第二标识和概率向量，确定第二参考值；对第二参考值进行编码，以得到目标帧内预测模式对应的码流。
上述即为编码装置1500具体地执行图13所描述的方法实施例的过程；同理，编码装置1500也可用于实现图8所示的方法实施例中的全部或任一步骤，此处不再赘述。
请参见图16，图16为本申请提供的一种编码装置1600的示意性框图。应当理解，此处的编码装置1600可以对应于图1A或者可以图3中的解码器30，该编码装置1600可以包括：
获取单元1601，用于获取当前图像块对应的码流，以及当前图像块的周围图像块的重建块、预测块和残差块中的至少两个。
处理单元1602，用于根据周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到当前图像块的概率向量，概率向量中的多个元素与多个帧内预测模式一一对应，概率向量中的任一元素用于表征对当前图像块进行预测时采用任一元素对应的帧内预测模式的概率。
解码单元1603，用于根据码流和概率向量，确定当前图像块的目标帧内预测模式，并根据目标帧内预测模式，确定当前图像块的预测块。
在一种可能的实现方式中，上述处理单元具体用于：对周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；根据第一数据块和预测模式概率模型得到当前图像块的概率向量。
在一种可能的实现方式中，在上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量的方面，处理单元具体用于：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，对第一数据块进行尺寸变换操作，以得到第二数据块，第二数据块的尺寸等于目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
在一种可能的实现方式中，在上述根据第一数据块和预测模式概率模型得到当前图像块的概率向量的方面，处理单元具体用于：当第一数据块的尺寸为目标尺寸时，将第一数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量，或者；
当第一数据块的尺寸不为目标尺寸时，根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块，第一边长和第二边长为第一数据块中两个互相垂直的边的长度，第二数据块的尺寸为目标尺寸，尺寸变换操作包括缩放和转置中的至少一项，缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将第二数据块输入预测模式概率模型进行处理，以得到当前图像块的概率向量。
在一种可能的实现方式中，尺寸变换操作包括缩放，在上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块的方面，处理单元具体用于：
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4，4N/M；
当第一数据块的第一边长M小于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8，8N/M；
其中，M和N为正整数。
在一种可能的实现方式中，尺寸变换操作包括缩放和转置中的至少一项，在上述根据第一数据块的第一边长与第二边长的大小关系，和/或当前图像块的水平梯度和垂直梯度，对第一数据块进行尺寸变换操作，以得到第二数据块的方面，处理单元具体用于：
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4M/N，4；
当第一数据块的第一边长M大于或等于第一数据块的第二边长N，且水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8M/N，8；
当第一数据块的第一边长M小于第一数据块的第二边长N时，对第一数据块执行以下操作，以得到第二数据块：
当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和小于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为4N/M，4；
当第一数据块的水平梯度的绝对值与垂直梯度的绝对值之和大于或等于预设阈值时，对第一数据块进行转置和缩放，以得到第二数据块，第二数据块的第一边长和第二边长分别为8N/M，8；
其中，M和N为正整数。
在一种可能的实现方式中，上述解码单元具体用于：对码流进行解码，得到目标参考值；当尺寸变换操作不包含转置时，根据目标参考值和概率向量确定目标帧内预测模式；
当尺寸变换操作包含转置时，根据目标参考值和概率向量确定第一标识；当第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和第一标识，确定目标帧内预测模式；当第一标识对应的帧内预测模式为非角度预测模式时，根据目标参考值和概率向量确定目标帧内预测模式。
上述即为编码装置1600具体地执行图13所描述的方法实施例的过程；同理，编码装置1600也可用于实现图14所描述的方法实施例中的全部或任一步骤，此处不再赘述。
本领域技术人员能够领会，结合本文公开描述的各种说明性逻辑框、模块和算法步骤所描述的功能可以硬件、软件、固件或其任何组合来实施。如果以软件来实施，那么各种说明性逻辑框、模块、和步骤描述的功能可作为一或多个指令或代码在计算机可读媒体上存储或传输，且由基于硬件的处理单元执行。计算机可读媒体可包含计算机可读存储媒体，其对应于有形媒体，例如数据存储媒体，或包括任何促进将计算机程序从一处传送到另一处的媒体(例如，根据通信协议)的通信媒体。以此方式，计算机可读媒体大体上可对应于(1)非暂时性的有形计算机可读存储媒体，或(2)通信媒体，例如信号或载波。数据存储媒体可为可由一或多个计算机或一或多个处理器存取以检索用于实施本申请中描述的技术的指令、代码和/或数据结构的任何可用媒体。计算机程序产品可包含计算机可读媒体。
作为实例而非限制，此类计算机可读存储媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置、快闪存储器或可用来存储指令或数据结构的形式的所要程序代码并且可由计算机存取的任何其它媒体。并且，任何连接被恰当地称作计算机可读媒体。举例来说，如果使用同轴缆线、光纤缆线、双绞线、数字订户线DSL或例如红外线、无线电和微波等无线技术从网站、服务器或其它远程源传输指令，那么同轴缆线、光纤缆线、双绞线、DSL或例如红外线、无线电和微波等无线技术包含在媒体的定义中。但是，应理解，所述计算机可读存储媒体和数据存储媒体并不包括连接、载波、信号或其它暂时媒体，而是实际上针对于非暂时性有形存储媒体。如本文中所使用，磁盘和光盘包含压缩光盘CD、激光光盘、光学光盘、数字多功能光盘DVD和蓝光光盘，其中磁盘通常以磁性方式再现数据，而光盘利用激光以光学方式再现数据。以上各项的组合也应包含在计算机可读媒体的范围内。
可通过例如一或多个数字信号处理器DSP、通用微处理器、专用集成电路ASIC、现场可编程逻辑阵列FPGA或其它等效集成或离散逻辑电路等一或多个处理器来执行指令。因此，如本文中所使用的术语“处理器”可指前述结构或适合于实施本文中所描述的技术的任一其它结构中的任一者。另外，在一些方面中，本文中所描述的各种说明性逻辑框、模块、和步骤所描述的功能可以提供于经配置以用于编码和解码的专用硬件和/或软件模块内，或者并入在组合编解码器中。而且，所述技术可完全实施于一或多个电路或逻辑元件中。
本申请的技术可在各种各样的装置或设备中实施，包含无线手持机、集成电路(IC)或一组IC(例如，芯片组)。本申请中描述各种组件、模块或单元是为了强调用于执行所揭示的技术的装置的功能方面，但未必需要由不同硬件单元实现。实际上，如上文所描述，各种单元可结合合适的软件和/或固件组合在编码解码器硬件单元中，或者通过互操作硬件单元(包含如上文所描述的一或多个处理器)来提供。
以上所述，仅为本申请示例性的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (65)

1.一种帧内预测模式的编码方法，其特征在于，所述方法包括：
获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；
根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
确定所述当前图像块的目标帧内预测模式；
根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流。
2.根据权利要求1所述的方法，其特征在于，所述根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，包括：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式时，根据所述周围图像块的重建块、预测块和残差块中的至少两个和所述预测模式概率模型得到所述当前图像块的概率向量。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，包括：
对所述周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；
根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量，包括：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸等于所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量，包括：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸为所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
6.根据权利要求5所述的方法，其特征在于，所述尺寸变换操作包括所述缩放，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
7.根据权利要求4所述的方法，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
8.根据权利要求4-7中任一项所述方法，其特征在于，所述根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流，包括：
当所述尺寸变换操作不包含所述转置时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流；
当所述尺寸变换操作包含所述转置，且目标帧内预测模式为角度预测模式时，根据预设常数和所述目标帧内预测模式的第一标识确定第二标识，根据所述第二标识和所述概率向量，确定第二参考值；对所述第二参考值进行编码，以得到所述目标帧内预测模式对应的码流；当所述尺寸变换操作包含所述转置，且目标帧内预测模式为非角度预测模式时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流。
9.一种帧内预测模式的编码方法，其特征在于，所述方法包括：
获取当前图像块的周围图像块；
对所述周围图像块进行拼接或者级联，得到第一数据块；
对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；
将所述第二数据块输入预测模式概率模型进行处理，以得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
确定所述当前图像块的目标帧内预测模式；
根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流。
10.根据权利要求9所述的方法，其特征在于，所述对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸不为目标尺寸时，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
11.根据权利要求9所述的方法，其特征在于，所述对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸不为目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
12.根据权利要求10或11所述的方法，其特征在于，所述方法还包括：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸等于目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
13.根据权利要求11或12所述的方法，其特征在于，所述尺寸变换操作包括所述缩放，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
14.根据权利要求11或12所述的方法，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
15.根据权利要求9-14中任一项所述方法，其特征在于，所述根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流，包括：
当所述尺寸变换操作不包含所述转置时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流；
当所述尺寸变换操作包含所述转置，且目标帧内预测模式为角度预测模式时，根据预设常数和所述目标帧内预测模式的第一标识确定第二标识，根据所述第二标识和所述概率向量，确定第二参考值；对所述第二参考值进行编码，以得到所述目标帧内预测模式对应的码流；当所述尺寸变换操作包含所述转置，且目标帧内预测模式为非角度预测模式时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流。
16.一种帧内预测模式的解码方法，其特征在于，所述方法包括：
获取当前图像块对应的码流，以及所述当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；
根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，并根据所述目标帧内预测模式，确定所述当前图像块的预测块。
17.根据权利要求16所述的方法，其特征在于，所述根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，包括：
对所述周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；
根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量。
18.根据权利要求17所述的方法，其特征在于，所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量，包括：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸等于所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
19.根据权利要求17所述方法，其特征在于，所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量，包括：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第一边长和所述第二边长为所述第一数据块中两个互相垂直的边的长度，所述第二数据块的尺寸为所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
20.根据权利要求19所述方法，其特征在于，所述尺寸变换操作包括所述缩放，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
21.根据权利要求19所述的方法，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
22.根据权利要求18-21中任一项所述的方法，其特征在于，所述根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，包括：
对所述码流进行解码，得到目标参考值；
当所述尺寸变换操作不包含所述转置时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式；
当所述尺寸变换操作包含所述转置时，根据所述目标参考值和所述概率向量确定第一标识；当所述第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和所述第一标识，确定所述目标帧内预测模式；当所述第一标识对应的帧内预测模式为非角度预测模式时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式。
23.一种帧内预测模式的解码方法，其特征在于，所述方法包括：
获取当前图像块对应的码流，以及所述当前图像块的周围图像块；
对所述周围图像块进行拼接或者级联，得到第一数据块；
对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；
将所述第二数据块输入预测模式概率模型进行处理，以得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，并根据所述目标帧内预测模式，确定所述当前图像块的预测块。
24.根据权利要求23所述的方法，其特征在于，所述对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的尺寸不为目标尺寸时，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
25.根据权利要求23所述的方法，其特征在于，所述对所述第一数据块进行尺寸变换操作，以得到第二数据块，包括：
当所述第一数据块的尺寸不为目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
26.根据权利要求24或25所述的方法，其特征在于，所述方法还包括：
当所述第一数据块的尺寸等于目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
27.根据权利要求25或26所述方法，其特征在于，所述尺寸变换操作包括所述缩放，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
28.根据权利要求25或26所述的方法，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，包括：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
29.根据权利要求23-28中任一项所述的方法，其特征在于，所述根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，包括：
对所述码流进行解码，得到目标参考值；
当所述尺寸变换操作不包含所述转置时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式；
当所述尺寸变换操作包含所述转置时，根据所述目标参考值和所述概率向量确定第一标识；当所述第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和所述第一标识，确定所述目标帧内预测模式；当所述第一标识对应的帧内预测模式为非角度预测模式时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式。
30.一种编码装置，其特征在于，所述装置包括：
获取单元，用于获取当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；
处理单元，用于根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
确定单元，用于确定所述当前图像块的目标帧内预测模式；
编码单元，用于根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流。
31.根据权利要求30中所述的装置，其特征在于，所述处理单元具体用于：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式时，根据所述周围图像块的重建块、预测块和残差块中的至少两个、所述当前图像块和预测模式概率模型得到所述当前图像块的概率向量。
32.根据权利要求30或31中所述的装置，其特征在于，所述处理单元具体用于：
对所述周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；
根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量。
33.根据权利要求32中所述的装置，其特征在于，在所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量的方面，所述处理单元具体用于：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸等于所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
34.根据权利要求32中所述的装置，其特征在于，在所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量的方面，所述处理单元具体用于：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸为所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
35.根据权利要求34中所述的装置，其特征在于，所述尺寸变换操作包括所述缩放，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
36.根据权利要求34中所述的装置，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
37.根据权利要求33-36中任一所述装置，其特征在于，所述编码单元具体用于：
当所述尺寸变换操作不包含所述转置时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流；
当所述尺寸变换操作包含所述转置时，根据预设常数和所述第一标识确定第二标识，根据所述第二标识和所述概率向量，确定第二参考值；对所述第二参考值进行编码，以得到所述目标帧内预测模式对应的码流。
38.一种编码装置，其特征在于，所述装置包括：
获取单元，用于获取当前图像块的周围图像块；
处理单元，用于对所述周围图像块进行拼接或者级联，得到第一数据块；对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；以及用于将所述第二数据块输入预测模式概率模型进行处理，以得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
确定单元，用于确定所述当前图像块的目标帧内预测模式；
编码单元，用于根据所述目标帧内预测模式和所述概率向量，将所述目标帧内预测模式编入码流。
39.根据权利要求38中所述的装置，其特征在于，在所述对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸不为目标尺寸时，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
40.根据权利要求38中所述的装置，其特征在于，在所述对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸不为目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
41.根据权利要求39或40中所述的装置，其特征在于，所述处理单元还用于：
当所述目标帧内预测模式为非矩阵加权帧内预测MIP模式，且所述第一数据块的尺寸等于目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
42.根据权利要求40或41中所述的装置，其特征在于，所述尺寸变换操作包括所述缩放，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
43.根据权利要求40或41中所述的装置，其特征在于，所述尺寸变换操作包括所述缩放，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
44.根据权利要求38-41中任一所述的装置，其特征在于，所述编码单元具体用于：
当所述尺寸变换操作不包含所述转置时，根据所述目标帧内预测模式的第一标识和所述概率向量，确定第一参考值；对所述第一参考值进行编码，以得到所述目标帧内预测模式对应的码流；
当所述尺寸变换操作包含所述转置时，根据预设常数和所述第一标识确定第二标识，根据所述第二标识和所述概率向量，确定第二参考值；对所述第二参考值进行编码，以得到所述目标帧内预测模式对应的码流。
45.一种解码装置，其特征在于，所述装置包括：
获取单元，用于获取当前图像块对应的码流，以及所述当前图像块的周围图像块的重建块、预测块和残差块中的至少两个；
处理单元，用于根据所述周围图像块的重建块、预测块和残差块中的至少两个和预测模式概率模型得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
解码单元，用于根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，并根据所述目标帧内预测模式，确定所述当前图像块的预测块。
46.根据权利要求45所述的装置，其特征在于，所述处理单元具体用于：
对所述周围图像块的重建块、预测块和残差块中的至少两个进行拼接或者级联，得到第一数据块；
根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量。
47.根据权利要求46所述的装置，其特征在于，在所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量的方面，所述处理单元具体用于：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第二数据块的尺寸等于所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
48.根据权利要求46所述的装置，其特征在于，在所述根据所述第一数据块和所述预测模式概率模型得到所述当前图像块的概率向量的方面，所述处理单元具体用于：
当所述第一数据块的尺寸为目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量，或者；
当所述第一数据块的尺寸不为所述目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述第一边长和所述第二边长为所述第一数据块中两个互相垂直的边的长度，所述第二数据块的尺寸为所述目标尺寸，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；将所述第二数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
49.根据权利要求48所述的装置，其特征在于，所述尺寸变换操作包括所述缩放，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
50.根据权利要求48所述的装置，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
51.根据权利要求47-50所述的装置，其特征在于，所述解码单元具体用于：
对所述码流进行解码，得到目标参考值；
当所述尺寸变换操作不包含所述转置时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式；
当所述尺寸变换操作包含所述转置时，根据所述目标参考值和所述概率向量确定第一标识；当所述第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和所述第一标识，确定所述目标帧内预测模式；当所述第一标识对应的帧内预测模式为非角度预测模式时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式。
52.一种解码装置，其特征在于，所述装置包括：
获取单元，用于获取当前图像块对应的码流，以及所述当前图像块的周围图像块；
处理单元，用于对所述周围图像块进行拼接或者级联，得到第一数据块；对所述第一数据块进行尺寸变换操作，以得到第二数据块，所述尺寸变换操作包括缩放和转置中的至少一项，所述缩放包括水平方向缩放、竖直方向缩放或者水平和竖直两个方向的等比缩放；以及用于将所述第二数据块输入预测模式概率模型进行处理，以得到所述当前图像块的概率向量，所述概率向量中的多个元素与多个帧内预测模式一一对应，所述概率向量中的任一元素用于表征对所述当前图像块进行预测时采用所述任一元素对应的帧内预测模式的概率；
解码单元，用于根据所述码流和所述概率向量，确定所述当前图像块的目标帧内预测模式，并根据所述目标帧内预测模式，确定所述当前图像块的预测块。
53.根据权利要求52所述的装置，其特征在于，在所述对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的尺寸不为目标尺寸时，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
54.根据权利要求52所述的装置，其特征在于，在所述对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的尺寸不为目标尺寸时，根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行所述尺寸变换操作，以得到所述第二数据块，所述第二数据块的尺寸等于所述目标尺寸。
55.根据权利要求53或54所述的装置，其特征在于，所述处理单元还用于：
当所述第一数据块的尺寸等于目标尺寸时，将所述第一数据块输入所述预测模式概率模型进行处理，以得到所述当前图像块的概率向量。
56.根据权利要求54或55所述的装置，其特征在于，所述尺寸变换操作包括所述缩放，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4，4N/M；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8，8N/M；
其中，所述M和所述N为正整数。
57.根据权利要求54或55所述的装置，其特征在于，所述尺寸变换操作包括所述缩放和所述转置中的至少一项，在所述根据所述第一数据块的第一边长与第二边长的大小关系，和/或所述当前图像块的水平梯度和垂直梯度，对所述第一数据块进行尺寸变换操作，以得到第二数据块的方面，所述处理单元具体用于：
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4M/N，4；
当所述第一数据块的第一边长M大于或等于所述第一数据块的第二边长N，且所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8M/N，8；
当所述第一数据块的第一边长M小于所述第一数据块的第二边长N时，对所述第一数据块执行以下操作，以得到所述第二数据块：
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和小于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为4N/M，4；
当所述第一数据块的所述水平梯度的绝对值与所述垂直梯度的绝对值之和大于或等于所述预设阈值时，对所述第一数据块进行所述转置和所述缩放，以得到所述第二数据块，所述第二数据块的第一边长和第二边长分别为8N/M，8；
其中，所述M和所述N为正整数。
58.根据权利要求52-57所述的装置，其特征在于，所述解码单元具体用于：
对所述码流进行解码，得到目标参考值；
当所述尺寸变换操作不包含所述转置时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式；
当所述尺寸变换操作包含所述转置时，根据所述目标参考值和所述概率向量确定第一标识；当所述第一标识对应的帧内预测模式为角度预测模式时，根据预设常数和所述第一标识，确定所述目标帧内预测模式；当所述第一标识对应的帧内预测模式为非角度预测模式时，根据所述目标参考值和所述概率向量确定所述目标帧内预测模式。
59.一种编码器(20)，其特征在于，包括处理电路，用于执行根据权利要求1至15中任一项所述的方法。
60.一种解码器(30)，其特征在于，包括处理电路，用于执行根据权利要求16至29中任一项所述的方法。
61.一种编码器，其特征在于，包括：
一个或多个处理器；
非瞬时性计算机可读存储介质，耦合到所述处理器并存储由所述处理器执行的程序，其中所述程序在由所述处理器执行时，使得所述编码器执行根据权利要求1至15中任一项所述的方法。
62.一种解码器，其特征在于，包括：
一个或多个处理器；
非瞬时性计算机可读存储介质，耦合到所述处理器并存储由所述处理器执行的程序，其中所述程序在由所述处理器执行时，使得所述解码器执行根据权利要求16至29中任一项所述的方法。
63.一种计算机程序产品，其特征在于，包括程序代码，当其在计算机或处理器上执行时，用于执行根据权利要求1至29中任一项所述的方法。
64.一种非瞬时性计算机可读存储介质，其特征在于，包括程序代码，当其由计算机设备执行时，用于执行根据权利要求1至29中任一项所述的方法。
65.一种非瞬时性存储介质，其特征在于，包括根据权利要求1至15中任一项所述的方法编码的比特流。
CN202011387076.6A 2020-11-30 2020-11-30 帧内预测模式的译码方法和装置 Pending CN114584776A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011387076.6A CN114584776A (zh) 2020-11-30 2020-11-30 帧内预测模式的译码方法和装置
PCT/CN2021/128000 WO2022111233A1 (zh) 2020-11-30 2021-11-01 帧内预测模式的译码方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011387076.6A CN114584776A (zh) 2020-11-30 2020-11-30 帧内预测模式的译码方法和装置

Publications (1)

Publication Number Publication Date
CN114584776A true CN114584776A (zh) 2022-06-03

Family

ID=81755333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011387076.6A Pending CN114584776A (zh) 2020-11-30 2020-11-30 帧内预测模式的译码方法和装置

Country Status (2)

Country Link
CN (1) CN114584776A (zh)
WO (1) WO2022111233A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115941966A (zh) * 2022-12-30 2023-04-07 深圳大学 一种视频压缩方法及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117354529B (zh) * 2023-11-28 2024-03-12 广东匠芯创科技有限公司 基于视频编码系统的图像处理方法、电子设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130049604A (ko) * 2011-11-04 2013-05-14 연세대학교 산학협력단 엔트로피 부호화에서 모드 전환 방법
WO2015043501A1 (en) * 2013-09-27 2015-04-02 Qualcomm Incorporated Residual coding for depth intra prediction modes
EP3695599A1 (en) * 2017-10-13 2020-08-19 Fraunhofer Gesellschaft zur Förderung der Angewand Intra-prediction mode concept for block-wise picture coding
WO2019117645A1 (ko) * 2017-12-14 2019-06-20 한국전자통신연구원 예측 네트워크를 사용하는 영상의 부호화 및 복호화를 위한 방법 및 장치
CN111355956B (zh) * 2020-03-09 2023-05-09 蔡晓刚 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115941966A (zh) * 2022-12-30 2023-04-07 深圳大学 一种视频压缩方法及电子设备
CN115941966B (zh) * 2022-12-30 2023-08-22 深圳大学 一种视频压缩方法及电子设备

Also Published As

Publication number Publication date
WO2022111233A1 (zh) 2022-06-02

Similar Documents

Publication Publication Date Title
CN114339262B (zh) 熵编/解码方法及装置
JP2023071854A (ja) クロマブロック予測方法及び装置
CN114885158B (zh) 位置相关预测组合的模式相关和大小相关块级限制的方法和装置
WO2022063265A1 (zh) 帧间预测方法及装置
CN115695783A (zh) 对图像的块进行解码的方法和设备，解码设备，和计算机可读介质
CN114125446A (zh) 图像编码方法、解码方法和装置
US20230239500A1 (en) Intra Prediction Method and Apparatus
CN114424567A (zh) 使用基于矩阵的帧内预测进行组合的帧间-帧内预测的方法和装置
WO2022111233A1 (zh) 帧内预测模式的译码方法和装置
US20240205435A1 (en) Encoding and decoding method and apparatus
US20230388490A1 (en) Encoding method, decoding method, and device
CN114913249A (zh) 编码、解码方法和相关设备
WO2020259353A1 (zh) 语法元素的熵编码/解码方法、装置以及编解码器
CN115706798A (zh) 熵编解码方法和装置
CN116137659A (zh) 帧间编码的块划分方法和装置
WO2020114393A1 (zh) 变换方法、反变换方法以及视频编码器和视频解码器
JP7508645B2 (ja) モードおよびサイズに依存したブロックレベル制限の方法および装置
RU2786022C1 (ru) Устройство и способ для ограничений уровня блока в зависимости от режима и размера
WO2024012249A1 (zh) 包含文字的图像编解码方法和装置
CN116134817A (zh) 使用稀疏光流表示的运动补偿

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination