专利交易市场

一种基于重建残差的稀疏灰度图像编解码方法，包括以下步骤：1)假定所述编解码系统中包含有n对级联的编解码器，则需要将图像扩展为n个通道的数据，其中新的通道以0填充，构成输入数据x；2)输入到编解码系统中，由编码器提取图像特征并将图像特征压缩成一个低维度的编码向量；3)由解码器对编码向量进行解码，获得一个通道的粗重建图像；4)将重建图像与原图像的差作为残差图像填充到x的零值通道中；5)重复步骤2)～4)，直到x中所有零值通道都已被残差图像填充完毕；6)执行步骤2)获得编码向量，然后通过编码量化器进行编码量化；7)将量化后的编码输入到解码器获得最终的重建图像。以及提供一种基于重建残差的稀疏灰度图像编解码系统。本发明旨在提升图像编解码器对于稀疏灰度图像的重建精度，并提高对稀疏灰度图像的压缩率。

本发明公开了一种水下机器人视觉图像压缩、解压缩及传输方法及装置。方法包括构建用于水下机器人视觉图像压缩的图像压缩模型，训练图像压缩模型，基于训练好的图像压缩模型构建视觉图像编码端，利用视觉图像编码端对水下机器人视觉图像进行压缩编码，生成码流数据，以完成对水下机器人视觉图像的压缩，基于训练好的图像压缩模型构建视觉图像解码端，视觉图像解码端用于对码流数据进行解码和重构图像，以生成重构的水下机器人视觉图像。本发明提出的水下机器人视觉图像压缩、解压缩方法，压缩倍率高，图像重构性能好，可应用于水下机器人视觉图像的压缩与传输任务。

本发明用于基于端到端的智能图像压缩领域，属于图像/视频压缩领域，涉及联合非对称卷积块和条件上下文的智能图像压缩的优化方法，具有训练阶段和推理阶段，在所述训练阶段，搭建整体端到端的图像压缩框架，包括主编码/解码器，超先验编码/解码器，条件上下文模型，熵参数模型，以及因子分解熵模型，其中，所述主编码/解码器，超先验编码/解码器均采用非对称卷积块即ACB模块对视频图像进行特征提取；在推理阶段，利用ACB模块的兼容性对并行卷积核合成。本发明通过非对称卷积块能够提高标准平方卷积的提取特征的能力，邻域/全局域的上下文捕获机制则可以提高潜在特征值的建模精准度，使之更符合客观出现概率情况来减少编码冗余。

本发明公开了面向智慧法院场景的多层次感知视频编码算法优化方法，包括如下步骤：S1，构建多层次感知编码框架，通过结合内容自适应比特分配、时域感知量化控制和空域感知量化控制，实现感知码率控制，通过心理视觉率失真优化，实现有效帧内和帧间预测的模式决策，通过系数级心理视觉率失真优化量化，实现系数级感知量化；S2，模块间相关性分析，度量模块间相关性的定量参数，评估两个算法模块之间的影响程度，通过选择关键控制参数，将复杂的多模块优化转化为连续的单模块优化，确定多个可定制模块的算法决策顺序；S3，构建在线自适应参数模型，利用模块间的内在关联性构建内容自适应的参数计算模型。

本发明属于视频编码领域，公开了一种基于H.266/VVC的分步全零块判决快速算法，包括如下步骤：首先，通过公式推导，得到一个真全零块（G‑AZB）预判决公式，所谓G‑AZB，即经过硬决策量化（HDQ）后为全零的变换块（TU）；然后，对于那些经过HDQ后的非全零块，即伪全零块（P‑AZB），利用基于统计和经验得出的自适应阈值公式实现预判决；最后，对于剩余的一些“狡猾”的P‑AZB，利用机器学习，找寻了8个影响TU变成全零或者非全零块的影响因子，通过离线训练，实现预判决。本发明在保证性能基本不变的前提下，减少了计算复杂度；本发明在新一代视频编码标准VVC上进行，创新度较高。

针对在VVC加入AME使得计算复杂度急剧提升的问题，本发明主要从三个角度对VVC中的AME进行加速。首先，考虑到AME的迭代次数过多，提出了一种自适应迭代次数公式，该公式可以很大程度地削减迭代次数；其次，对AME里的三种MV精度进行删减优化，主要是对一些高精度MV的AME进行跳过；最后，在与其他模式进行比较时，率失真代价的计算过于繁琐，采用较粗略的绝对变换误差和代价来进行决策。

本发明实施例公开了一种视频码率控制方法、装置、计算机设备及存储介质。该方法包括：获取视频I帧及其信息特征；利用预设滤波核对视频I帧中每个编码树单元的内容特征进行提取；根据当前编码树单元的内容特征以及视频I帧的当前剩余码率确定为其分配的实际码率；逐个将当前编码树的内容特征、实际码率、当前剩余码率以及视频I帧的信息特征汇中的量化参数输入训练好的学习模型中，以预测当前编码树单元的量化参数；根据该量化参数对当前编码树单元进行编码。本发明实施例所提供的技术方案，通过分析视频的内容特征，并以此来完成码率的分配，再利用学习模型对量化参数进行预测，有效的提升了码率控制的准确性，从而提升了视频的视觉质量。

本发明公开了一种针对光字符识别的码率设置方法、设备及存储介质，本方法首先对图片进行下采样，其次对下采样图片进行多次编码求取使得下采样图片能够被正确识别的最优QP/Rate值(最低的码率值/量化系数值)，然后根据置信度神经网络求取码率增加量M/量化系数增加量N，最后快速找到针对该原始图片的最优编码值，该最优编码值是使得原始图片的光字符识别精度不受影响的最低码率值/最低量化系数值。相较于现有技术，本发明不仅可以减少网络传输带宽，而且针对大量数以亿计的图片也可以减少存储空间的占用而减少成本。而且本发明涵盖了主流的混合编码架构的应用场景，可以采用任意一种图像编码标准或者视频编码标准的帧内编码方式，应用广泛。

本发明涉及一种带宽压缩量化及反量化方法，该量化方法包括：(a)获取预测残差；(b)获取所述预测残差的量化模式；(c)根据所述量化模式和所述预测残差获取量化残差。本发明的量化方法缩小了量化造成的差异；同样的量化参数下，采用本发明的量化方法恢复的图像量化损失较小。