CN114596374A - 一种图像压缩方法及装置 - Google Patents

一种图像压缩方法及装置 Download PDF

Info

Publication number
CN114596374A
CN114596374A CN202210209880.8A CN202210209880A CN114596374A CN 114596374 A CN114596374 A CN 114596374A CN 202210209880 A CN202210209880 A CN 202210209880A CN 114596374 A CN114596374 A CN 114596374A
Authority
CN
China
Prior art keywords
image
block data
reference color
image block
compressed
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
CN202210209880.8A
Other languages
English (en)
Inventor
宋飞宇
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.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology 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 Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202210209880.8A priority Critical patent/CN114596374A/zh
Publication of CN114596374A publication Critical patent/CN114596374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开提供了一种图像压缩方法及装置，该方法首先获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；然后，针对每个图像块数据，提取所述图像块数据的图像特征；之后，利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；最后，基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。本公开实施例通过图像块数据的图像特征来进行图像分割模式的匹配，然后利用匹配的图像分割模式对图像块数据进行压缩，能够避免通过暴力迭代选择图像分割模式，减少选择图像分割模式的计算量，提高选择图像分割模式的速度，同时兼顾图像分割模式的压缩质量。

Description

一种图像压缩方法及装置
技术领域
本公开涉及计算机技术领域，具体而言，涉及一种图像压缩方法及装置。
背景技术
在图像质量较高、场景复杂的游戏中，纹理图像的数据十分庞大，无法存储在图形处理器(Graphics Processing Unit，GPU)的内存之中，此时，通常使用虚拟纹理技术(Virtual Texture，VT)，建立虚拟空间坐标系，并为纹理图像中的各个像素点赋予虚拟坐标，将纹理图像分页，计算机设备在运行时仅保存需要的少数页面在GPU之中，其他的页面则存储在硬盘当中，减小GPU的存储压力和计算压力。
在进行图像实时渲染的过程中，会进行像素点的实时生成，每次生成像素点都会花费一定量的时间，为了提高图像渲染的性能，需要使用GPU支持的压缩格式将图像进行压缩，从而降低GPU的带宽占用，提高实时渲染的性能。但常见的压缩方式压缩质量价差，而高质量的压缩方式在移动端等性能较低的设备上难以正常运行。
发明内容
本公开实施例至少提供一种图像压缩方法及装置。
第一方面，本公开实施例提供了一种图像压缩方法，应用于图形处理器，包括：
获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
针对每个图像块数据，提取所述图像块数据的图像特征；
利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据，包括：
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息；所述描述信息包括所述图像块数据中各个像素点对应的基准颜色对及权重；
对所述描述信息进行熵编码，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式，包括：
利用训练好的卷积神经网络以及所述图像特征，从多个标准区域划分图像中筛选出目标区域划分图像；
将所述目标区域划分图像对应的图像分割模式作为所述图像块数据在目标压缩格式下匹配的图像分割模式。
一种可选的实施方式中，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息，包括：
基于匹配的图像分割模式，对所述图像块数据进行分割，得到至少两个图像区域；
针对每个图像区域，确定所述图像区域对应的基准颜色对，以及确定所述图像区域对应的目标基准颜色描述模式；
基于所述基准颜色对以及所述图像区域中各个像素点的颜色值，确定各个像素点对应的权重，生成所述权重的描述信息；
利用所述目标基准颜色描述模式生成所述基准颜色对的描述信息。
一种可选的实施方式中，通过以下步骤训练所述卷积神经网络：
获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像；
利用所述样本图像特征及与所述样本图像特征匹配的标准区域划分图像对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
一种可选的实施方式中，确定所述图像区域对应的目标基准颜色描述模式，包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从初始基准颜色描述模式开始依次计算在所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值高于或等于第一预设阈值；
将最后计算采用的基准颜色描述模式作为所述目标基准颜色描述模式。
一种可选的实施方式中，确定所述图像区域对应的目标基准颜色描述模式，还包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。
第二方面，本公开实施例还提供一种图像压缩装置，应用于图形处理器，包括：
获取模块，用于获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
提取模块，用于针对每个图像块数据，提取所述图像块数据的图像特征；
匹配模块，用于利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
压缩模块，用于基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述压缩模块在基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据时，用于：
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息；所述描述信息包括所述图像块数据中各个像素点对应的基准颜色对及权重；
对所述描述信息进行熵编码，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述匹配模块在利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式时，用于：
利用训练好的卷积神经网络以及所述图像特征，从多个标准区域划分图像中筛选出目标区域划分图像；
将所述目标区域划分图像对应的图像分割模式作为所述图像块数据在目标压缩格式下匹配的图像分割模式。
一种可选的实施方式中，所述压缩模块在基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息时，用于：
基于匹配的图像分割模式，对所述图像块数据进行分割，得到至少两个图像区域；
针对每个图像区域，确定所述图像区域对应的基准颜色对，以及确定所述图像区域对应的目标基准颜色描述模式；
基于所述基准颜色对以及所述图像区域中各个像素点的颜色值，确定各个像素点对应的权重，生成所述权重的描述信息；
利用所述目标基准颜色描述模式生成所述基准颜色对的描述信息。
一种可选的实施方式中，所述装置还包括训练模块，用于：
获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像；
利用所述样本图像特征及与所述样本图像特征匹配的标准区域划分图像对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
一种可选的实施方式中，所述压缩模块在确定所述图像区域对应的目标基准颜色描述模式时，用于：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从初始基准颜色描述模式开始依次计算在所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值高于或等于第一预设阈值；
将最后计算采用的基准颜色描述模式作为所述目标基准颜色描述模式。
一种可选的实施方式中，所述压缩模块在确定所述图像区域对应的目标基准颜色描述模式时，还用于：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。
第三方面，本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本公开实施例提供的图像压缩方法及装置，首先获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；然后，针对每个图像块数据，提取所述图像块数据的图像特征；之后，利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；最后，基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。本公开实施例通过图像块数据的图像特征来进行图像分割模式的匹配，然后利用匹配的图像分割模式对图像块数据进行压缩，能够避免通过暴力迭代选择图像分割模式，减少选择图像分割模式的计算量，提高选择图像分割模式的速度，同时兼顾图像分割模式的压缩质量。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种图像压缩方法的流程图；
图2示出了本公开实施例所提供的一种图像压缩装置的示意图；
图3示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，在进行图像实时渲染的过程中，会进行像素点的实时生成，每次生成像素点都会花费一定量的时间，为了提高图像渲染的性能，需要使用GPU支持的压缩格式将图像进行压缩，从而降低GPU的带宽占用，提高实时渲染的性能。但常见的压缩方式压缩质量价差，而高质量的压缩方式在移动端等性能较低的设备上难以正常运行。
基于上述研究，本公开提供了一种图像压缩方法及装置，通过图像块数据的图像特征来进行图像分割模式的匹配，然后利用匹配的图像分割模式对图像块数据进行压缩，能够避免通过暴力迭代选择图像分割模式，减少选择图像分割模式的计算量，提高选择图像分割模式的速度，同时兼顾图像分割模式的压缩质量。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种图像压缩方法进行详细介绍，本公开实施例所提供的图像压缩方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备上部署有能够进行图形渲染的图形处理器。在一些可能的实现方式中，该图像压缩方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的图像压缩方法的流程图，所述方法包括步骤S101～S104，其中：
S101、获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据。
这里，待压缩图像数据可以为虚拟纹理图像数据，该方法可以由计算机设备上的图形处理器执行，图形处理器在获取到待压缩图像数据时，可以将待压缩图像数据且分为多个图像块数据，切分图像块数据的标准可以为预设分辨率，预设分辨率可以设置多个档位，如4*4、5*4、5*5乃至12*12，通过将虚拟纹理图像数据分页并压缩存储，可以使用少量存储空间，并清晰显示画面的效果。
S102、针对每个图像块数据，提取所述图像块数据的图像特征。
在得到图像块数据后，可以开始对图像块数据进行压缩，使用的压缩格式可以为自适应可伸缩纹理压缩格式(Adaptive Scalable Texture Compression，ASTC)，该纹理压缩格式可以将图像块数据压缩至每个像素占用1bite以下，压缩比例一定的情况下，图像更加清晰。
在使用上述纹理压缩格式进行压缩时，需要确定一个合适的图像分割模式，然后利用确定的图像分割模式对图像块数据进行切分，并将切分的部分分别按照对应的不同方式压缩存储，通常，图形处理器需要利用暴力迭代计算，确定出最合适的图像分割模式，然而，ASTC有大量的图像分割模式可供选用，合适的图像分割模式能够有效提高压缩质量，性能较差的图形处理器(如移动设备)难以承受大量的暴力迭代计算，即使能够进行迭代计算，也需要花费较久的时间，在实时渲染的场景下效果较差。
为了避免确定图像块数据的图像分割模式花费过长时间，在压缩之前，可以先提取图像块数据的图像特征，图像特征可以包括图像块数据中各个像素点的颜色特征，然后，再利用图像块特征，确定图像块数据的图像分割模式。
S103、利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式。
该步骤中，可以利用训练好的神经网络图像特征进行处理，最终匹配到图像块特征对应的图像分割模式，示例性的，可以利用训练好的卷积神经网络，基于各个像素点的图像特征对像素点进行分类，然后，基于分类结果，与图像分割模式对应的标准区域划分图像进行对比，选取出与分类结果最接近的标准区域划分图像作为目标区域划分图像，并将选取的目标区域划分图像对应的图像分割模式作为图像块数据匹配的图像分割模式。
上述卷积神经网络可以利用各个图像分割模式进行压缩对应的图像质量作为训练数据，使卷积神经网络输出的图像分割模式的压缩图像质量最优。示例性的，可以获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像，然后，利用需要训练的卷积神经网络处理所述样本图像特征，得到各个图像分割模式下的区域划分图像，然后利用与所述样本图像特征匹配的标准区域划分图像和区域划分图像生成损失，并根据损失对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
这里，在不同的压缩格式下，可供选择的图像分割模式也不同，不同的压缩模式对应不同的区域数量，第一压缩模式可以将图像块数据分割为两个区域，第二压缩模式可以将图像块分割为三个区域，第三压缩模式可以将图像块分割为四个区域等等，分割的区域越多，图像压缩的效果就越差，图像显示的就越清晰。根据预设的清晰度或压缩质量标准，可以从各个压缩模式中选取出目标压缩模式，并从目标压缩模式对应的图像分割模式中进行匹配。在分割的区域中，各个像素点的颜色值相同或相近。
S104、基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
在匹配到图像分割模式之后，即可以利用匹配的图像分割模式对图像块数据进行压缩，得到图像块数据的描述信息，这些描述信息用于描述图像块数据内各个像素点的颜色信息，如RGB值、亮度、对比度等信息，为了降低存储空间的占用，压缩数据可以通过一组基准颜色对和权重来表示压缩后的真实颜色信息，这样，多个像素点通过共用基准颜色对，只需要单独存储权重即可还原像素点的描述信息。
具体的，可以按照匹配的图像分割模式指示的分割方式，对图像块数据进行分割，得到至少两个图像区域，然后，针对每个图像区域，确定各个图像区域对应的基准颜色对和目标基准颜色描述模式，基准颜色对为两种颜色的组合，可以根据该图像区域内各个像素点的颜色值分别与基准颜色对之间的相似度，确定该像素点对应的权重，基准颜色描述模式限定了像素点描述信息的类型，影响具体压缩的方式和解压的方式，可以通过迭代计算的方式从基准颜色描述模式中选取最优解，确定目标基准颜色描述模式。
进一步的，可以设置一个可接受阈值，在进行目标基准颜色描述模式的迭代计算时，若计算结果达到设置的可接受阈值，则直接将该计算结果对应的基准颜色描述模式作为目标基准颜色描述模式。
在确定目标基准颜色描述模式的过程中，若检测到待压缩图像数据的前一帧历史待压缩图像中，存在于当前图像区域匹配的历史图像区域，且当前的多个基准颜色描述模式中包含上述历史图像区域所使用的历史基准颜色描述模式，则可以按照预设的顺序，从初始基准颜色描述模式开始依次计算在多种基准颜色描述模式下描述上述基准颜色对得到的描述信息的评价值，直到评价值高于或等于第一预设阈值，最后，将最后一次计算所采用的基准颜色描述模式作为目标基准颜色描述模式。
这里，历史待压缩图像确定历史基准颜色描述模式时，同样采用了按照预设顺序进行迭代计算的方式，若历史待压缩图像中存在当前图像区域匹配的历史图像区域，则说明历史待压缩图像与当前图像区域较为相似，可以利用历史图像区域的基准颜色描述模式，为了获取更好的压缩效果，可以从寻找评价值比历史待压缩图像对应的评价值更高基准颜色描述模式，评价值可以高于或等于第一预设阈值，该第一预设阈值可以比历史待压缩图像对应的描述信息高于预设差值，这样，可以使后续的压缩质量逐渐提高。
进一步的，若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则可以按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。这样，可以继承历史待压缩图像的迭代计算，直接从历史基准颜色描述模式开始进行迭代计算，减少计算量，并找到评价值高于第一预设阈值的目标基准颜色描述模式，进一步提高压缩质量。
在得到描述信息后，可以对描述信息进行熵编码，进一步压缩描述信息，降低存储空间占用。
这里，熵编码即编码过程中按熵原理不丢失任何信息的编码。信息熵为信源的平均信息量(不确定性的度量)。通过熵编码，能够将数据压缩，且不丢失数据的信息。本公开实施例中使用的熵编码方式可以为有界整数序列编码(Bounded Integer SequenceEncoding，BISE)，将浮点的数据量化成为N个字符组成的字符集。
这样，在进行熵编码之后，得到的字符集即为图像块数据对应的压缩数据，图形处理器可以在需要时对压缩数据进行解压还原，最终渲染出对应的图像。
本公开实施例提供的图像压缩方法，首先获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；然后，针对每个图像块数据，提取所述图像块数据的图像特征；之后，利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；最后，基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。本公开实施例通过图像块数据的图像特征来进行图像分割模式的匹配，然后利用匹配的图像分割模式对图像块数据进行压缩，能够避免通过暴力迭代选择图像分割模式，减少选择图像分割模式的计算量，提高选择图像分割模式的速度，同时兼顾图像分割模式的压缩质量。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与图像压缩方法对应的图像压缩装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述图像压缩方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图2所示，为本公开实施例提供的一种图像压缩装置的示意图，所述装置包括：
获取模块210，用于获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
提取模块220，用于针对每个图像块数据，提取所述图像块数据的图像特征；
匹配模块230，用于利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
压缩模块240，用于基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述压缩模块240在基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据时，用于：
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息；所述描述信息包括所述图像块数据中各个像素点对应的基准颜色对及权重；
对所述描述信息进行熵编码，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述匹配模块230在利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式时，用于：
利用训练好的卷积神经网络以及所述图像特征，从多个标准区域划分图像中筛选出目标区域划分图像；
将所述目标区域划分图像对应的图像分割模式作为所述图像块数据在目标压缩格式下匹配的图像分割模式。
一种可选的实施方式中，所述压缩模块240在基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息时，用于：
基于匹配的图像分割模式，对所述图像块数据进行分割，得到至少两个图像区域；
针对每个图像区域，确定所述图像区域对应的基准颜色对，以及确定所述图像区域对应的目标基准颜色描述模式；
基于所述基准颜色对以及所述图像区域中各个像素点的颜色值，确定各个像素点对应的权重，生成所述权重的描述信息；
利用所述目标基准颜色描述模式生成所述基准颜色对的描述信息。
一种可选的实施方式中，所述装置还包括训练模块，用于：
获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像；
利用所述样本图像特征及与所述样本图像特征匹配的标准区域划分图像对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
一种可选的实施方式中，所述压缩模块240在确定所述图像区域对应的目标基准颜色描述模式时，用于：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从初始基准颜色描述模式开始依次计算在所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值高于或等于第一预设阈值；
将最后计算采用的基准颜色描述模式作为所述目标基准颜色描述模式。
一种可选的实施方式中，所述压缩模块240在确定所述图像区域对应的目标基准颜色描述模式时，还用于：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
对应于图1中的图像压缩方法，本公开实施例还提供了一种电子设备300，如图3所示，为本公开实施例提供的电子设备300结构示意图，包括：
处理器31、存储器32、和总线33；存储器32用于存储执行指令，包括内存321和外部存储器322；这里的内存321也称内存储器，用于暂时存放处理器31中的运算数据，以及与硬盘等外部存储器322交换的数据，处理器31通过内存321与外部存储器322进行数据交换，当所述电子设备300运行时，所述处理器31与所述存储器32之间通过总线33通信，使得所述处理器31执行以下指令：
获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
针对每个图像块数据，提取所述图像块数据的图像特征；
利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述处理器31执行的指令中，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据，包括：
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息；所述描述信息包括所述图像块数据中各个像素点对应的基准颜色对及权重；
对所述描述信息进行熵编码，得到所述图像块数据对应的压缩数据。
一种可选的实施方式中，所述处理器31执行的指令中，所述利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式，包括：
利用训练好的卷积神经网络以及所述图像特征，从多个标准区域划分图像中筛选出目标区域划分图像；
将所述目标区域划分图像对应的图像分割模式作为所述图像块数据在目标压缩格式下匹配的图像分割模式。
一种可选的实施方式中，所述处理器31执行的指令中，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息，包括：
基于匹配的图像分割模式，对所述图像块数据进行分割，得到至少两个图像区域；
针对每个图像区域，确定所述图像区域对应的基准颜色对，以及确定所述图像区域对应的目标基准颜色描述模式；
基于所述基准颜色对以及所述图像区域中各个像素点的颜色值，确定各个像素点对应的权重，生成所述权重的描述信息；
利用所述目标基准颜色描述模式生成所述基准颜色对的描述信息。
一种可选的实施方式中，所述处理器31执行的指令中，还包括：
获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像；
利用所述样本图像特征及与所述样本图像特征匹配的标准区域划分图像对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
一种可选的实施方式中，所述处理器31执行的指令中，确定所述图像区域对应的目标基准颜色描述模式，包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从初始基准颜色描述模式开始依次计算在所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值高于或等于第一预设阈值；
将最后计算采用的基准颜色描述模式作为所述目标基准颜色描述模式。
一种可选的实施方式中，所述处理器31执行的指令中，确定所述图像区域对应的目标基准颜色描述模式，还包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的图像压缩方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的图像压缩方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种图像压缩方法，其特征在于，应用于图形处理器，包括：
获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
针对每个图像块数据，提取所述图像块数据的图像特征；
利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
2.根据权利要求1所述的方法，其特征在于，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据，包括：
基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息；所述描述信息包括所述图像块数据中各个像素点对应的基准颜色对及权重；
对所述描述信息进行熵编码，得到所述图像块数据对应的压缩数据。
3.根据权利要求1所述的方法，其特征在于，所述利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式，包括：
利用训练好的卷积神经网络以及所述图像特征，从多个标准区域划分图像中筛选出目标区域划分图像；
将所述目标区域划分图像对应的图像分割模式作为所述图像块数据在目标压缩格式下匹配的图像分割模式。
4.根据权利要求2所述的方法，其特征在于，所述基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据压缩后的描述信息，包括：
基于匹配的图像分割模式，对所述图像块数据进行分割，得到至少两个图像区域；
针对每个图像区域，确定所述图像区域对应的基准颜色对，以及确定所述图像区域对应的目标基准颜色描述模式；
基于所述基准颜色对以及所述图像区域中各个像素点的颜色值，确定各个像素点对应的权重，生成所述权重的描述信息；
利用所述目标基准颜色描述模式生成所述基准颜色对的描述信息。
5.根据权利要求3所述的方法，其特征在于，通过以下步骤训练所述卷积神经网络：
获取样本图像特征以及与所述样本图像特征匹配的标准区域划分图像；
利用所述样本图像特征及与所述样本图像特征匹配的标准区域划分图像对待训练的卷积神经网络训练，得到训练好的卷积神经网络。
6.根据权利要求4所述的方法，其特征在于，确定所述图像区域对应的目标基准颜色描述模式，包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从初始基准颜色描述模式开始依次计算在所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值高于或等于第一预设阈值；
将最后计算采用的基准颜色描述模式作为所述目标基准颜色描述模式。
7.根据权利要求6所述的方法，其特征在于，确定所述图像区域对应的目标基准颜色描述模式，还包括：
若检测到所述待压缩图像数据的前一帧历史待压缩图像中，存在与当前图像区域匹配的历史图像区域，且多个基准颜色描述模式中包含所述历史图像区域所使用的历史基准颜色描述模式，则按照预设顺序，从所述历史基准颜色描述模式开始，依次计算所述多种基准颜色描述模式下描述所述基准颜色对得到的描述信息的评价值，直到所述评价值大于或等于第二预设阈值；所述第二预设值大于所述第一预设值。
8.一种图像压缩装置，其特征在于，用于图形处理器，包括：
获取模块，用于获取待压缩图像数据，并将所述待压缩图像数据切分为多个图像块数据；
提取模块，用于针对每个图像块数据，提取所述图像块数据的图像特征；
匹配模块，用于利用所述图像特征，确定所述图像块数据在目标压缩格式下匹配的图像分割模式；
压缩模块，用于基于匹配的图像分割模式，对所述图像块数据进行压缩，得到所述图像块数据对应的压缩数据。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的图像压缩方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任意一项所述的图像压缩方法的步骤。
CN202210209880.8A 2022-03-03 2022-03-03 一种图像压缩方法及装置 Pending CN114596374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210209880.8A CN114596374A (zh) 2022-03-03 2022-03-03 一种图像压缩方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210209880.8A CN114596374A (zh) 2022-03-03 2022-03-03 一种图像压缩方法及装置

Publications (1)

Publication Number Publication Date
CN114596374A true CN114596374A (zh) 2022-06-07

Family

ID=81808008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210209880.8A Pending CN114596374A (zh) 2022-03-03 2022-03-03 一种图像压缩方法及装置

Country Status (1)

Country Link
CN (1) CN114596374A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706639A (zh) * 2021-07-21 2021-11-26 国网江苏省电力有限公司电力科学研究院 一种基于矩形nam的图像压缩方法、装置、存储介质及计算设备
WO2024149299A1 (zh) * 2023-01-10 2024-07-18 杭州阿里云飞天信息技术有限公司 图像处理方法及计算设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706639A (zh) * 2021-07-21 2021-11-26 国网江苏省电力有限公司电力科学研究院 一种基于矩形nam的图像压缩方法、装置、存储介质及计算设备
WO2024149299A1 (zh) * 2023-01-10 2024-07-18 杭州阿里云飞天信息技术有限公司 图像处理方法及计算设备

Similar Documents

Publication Publication Date Title
JP2968582B2 (ja) デジタルデータを処理するための方法および装置
EP1281164B1 (en) Visual attention location system
CN114596374A (zh) 一种图像压缩方法及装置
JP5573316B2 (ja) 画像処理方法および画像処理装置
CN113838176A (zh) 模型的训练方法、三维人脸图像生成方法及设备
CN108229346B (zh) 使用有符号的前景提取与融合的视频摘要
CN110996105A (zh) 可变速率压缩的方法和可变速率解压缩的方法
US20100129000A1 (en) Vector-based image processing
CN115834895A (zh) 用于无人机的数据高效压缩存储方法
CN112365418A (zh) 一种图像失真评测的方法、装置及计算机设备
US6909804B2 (en) Image compression usable with animated images
CN112118449B (zh) 一种图像压缩与解压缩的方法及装置
KR19980081853A (ko) 그래픽 이미지 압축 및 복원 방법
Sharieff et al. Intelligent framework for joint data hiding and compression using SMVQ and fast local image in-painting
KR102402643B1 (ko) 3차원 모델링의 색상 최적화 처리 시스템
JP6219648B2 (ja) 画像圧縮装置、画像圧縮方法、プログラムおよび記録媒体
JP2010541094A (ja) 行傾きコードワード及び列傾きコードワードを使用する画素ブロック値の可逆圧縮のための方法、圧縮器、伸張器及び信号表現
Şchiopu et al. Depth image lossless compression using mixtures of local predictors inside variability constrained regions
CN114581541B (zh) 一种图像压缩方法及装置
CN113453017A (zh) 视频处理方法、装置、设备及计算机程序产品
EP0718807B1 (en) Method for compressing and decompressing standardized portrait images
CN111739112A (zh) 图片处理方法、装置、计算机设备及存储介质
CN110956670A (zh) 一种基于深度偏移的多模式自适应z值压缩算法
Kolf et al. How Colorful Should Faces Be? Harmonizing Color and Model Quantization for Resource-restricted Face Recognition
CN115118987B (zh) 一种图像数据处理方法、装置、设备以及存储介质

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