CN111953977A - 图像传输方法、***及装置 - Google Patents
图像传输方法、***及装置 Download PDFInfo
- Publication number
- CN111953977A CN111953977A CN202010660861.8A CN202010660861A CN111953977A CN 111953977 A CN111953977 A CN 111953977A CN 202010660861 A CN202010660861 A CN 202010660861A CN 111953977 A CN111953977 A CN 111953977A
- Authority
- CN
- China
- Prior art keywords
- image
- component
- gray
- neural network
- original
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007906 compression Methods 0.000 claims abstract description 23
- 230000006835 compression Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 116
- 230000006837 decompression Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000000903 blocking effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
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
- H04N19/134—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
- H04N19/146—Data rate or code amount at the encoder output
-
- 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
- H04N19/186—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 a colour or a chrominance component
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开提供一种图像传输方法、***及装置，涉及图像处理技术领域，能够解决压缩整体图像得到的码流数据量大的问题。具体技术方案为：本公开实施例提供的图像传输方法，包括：采集RGB格式的原始图像，将原始图像转换目标图像，其中，目标图像的颜色空为YCbCr颜色空间，其中，Y为亮度、Cb为蓝色色度、Cr为红色色度；将目标图像中的Cb分量和Cr分量去掉，得到灰度图，对灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。其中，本发明由于只是对目标图像中的Y分量进行压缩，而无需对整个原始图像进行压缩，从而可以很大程度的降低传输码流的数据量。
Description
技术领域
本公开涉及图像处理领域，尤其涉及图像传输方法、***及装置。
背景技术
在视频传输领域，由于传输图像数量大，因此，需要对图像进行压缩，以节省传输时所需的带宽。
现有图像压缩方案大多是对图像数据整体进行压缩，这种方式并不能最大程度降低码流。
发明内容
本公开实施例提供一种图像传输方法、***及装置，能够解决压缩整体图像得到的码流数据量大的问题。所述技术方案如下：
根据本公开实施例的第一方面，提供一种一种图像传输方法，所述方法应用于图像编码端，所述方法包括：
采集原始图像，所述原始图像为RGB格式的图像；
将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
本公开实施例提供的图像传输方法，包括：采集RGB格式的原始图像，，将原始图像转换目标图像，其中，目标图像的颜色空为YCbCr颜色空间，其中，Y为亮度、Cb为蓝色色度、Cr为红色色度；将目标图像中的Cb分量和Cr分量去掉，得到灰度图，对灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。其中，由于只是对目标图像中的Y分量进行压缩，而无需对整个原始图像进行压缩，从而可以很大程度的降低传输码流。
在一个实施例中，所述将所述原始图像转换目标图像，包括：
根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
根据本公开实施例的第二方面，提供一种图像传输方法，所述方法应用于图像解码端，所述方法包括：
接收码流，所述码流中包括仅有Y分量的灰度图；
对所述码流进行解压缩，得到所述灰度图；
将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
显示所述原始图像。
本公开实施例提供的图像传输方法，包括：接收码流，码流中包括仅有Y分量的灰度图；对码流进行解压缩，得到灰度图；将灰度图输入预先训练好的目标神经网络中，通过目标神经网络获取灰度图对应的原始图像，原始图像为RGB格式的图像；显示原始图像。其中，由于图像编码段只是对目标图像中的Y分量进行压缩，从而图像解码端接收的码流也只是包括Y分量的灰度图，由于传输的不是整个原始图像对应的码流，从而可以很大程度的降低传输码流的数据量。
在一个实施例中，所述将所述灰度图输入预先训练好的目标神经网络中之前，所述方法还包括：
对原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，所述对原始神经网络进行训练，以获取所述目标神经网络，包括：
获取样本集，所述样本集中包括多个RGB格式的样本图像；
将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
对每一幅所述训练灰度图进行压缩处理；
对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络，包括：
将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，所述根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络，包括：
将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
根据本公开实施例的第三方面，提供一种图像传输***，该***包括：图像编码端和图像编码端；
所述图像编码端，用于采集原始图像，所述原始图像为RGB格式的图像；
所述图像编码端，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
所述图像编码端，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
所述图像编码端，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端；
所述图像解码端，用于接收码流，所述码流中包括仅有Y分量的灰度图；
所述图像解码端，用于对所述码流进行解压缩，得到所述灰度图；
所述图像解码端，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
所述图像解码端，用于显示所述原始图像。
在一个实施例中，
所述图像编码端，用于根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
所述图像编码端，用于根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
所述图像编码端，用于根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
在一个实施例中，
所述图像解码端，用于对原始神经网络进行训练，以获取所述目标神经网络。
所述图像解码端，用于获取样本集，所述样本集中包括多个RGB格式的样本图像；
所述图像解码端，用于将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
所述图像解码端，用于去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
所述图像解码端，用于对每一幅所述训练灰度图进行压缩处理；
所述图像解码端，用于对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
所述图像解码端，用于通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，
所述图像解码端，用于将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，
所述图像解码端，用于将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
根据本公开实施例的第四方面，提供一种图像传输装置，所述装置应用于图像编码端，所述装置包括：
采集模块，用于采集原始图像，所述原始图像为RGB格式的图像；
第一转换模块，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
第一图像处理模块，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
压缩发送模块，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
在一个实施例中，所述转换模块包括：
Y分量获取模块，用于根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
Cb分量获取模块，用于根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
Cr分量获取模块，用于根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
根据本公开实施例的第五方面，提供一种图像传输装置，所述装置应用于图像解码端，所述装置包括：
接收模块，用于接收码流，所述码流中包括仅有Y分量的灰度图；
第一解压缩模块，用于对所述码流进行解压缩，得到所述灰度图；
还原模块，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
显示模块，用于显示所述原始图像。
在一个实施例中，所述装置还包括：
获取模块，用于对原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，所述获取模块包括：
获取子模块，用于获取样本集，所述样本集中包括多个RGB格式的样本图像；
转换子模块，用于将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
图像处理子模块，用于去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
压缩子模块，用于对每一幅所述训练灰度图进行压缩处理；
解压缩子模块，用于对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
训练子模块，用于通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，所述解压缩子模块包括：
分块子单元，用于将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
训练子单元，用于根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，所述训练子单元包括：
获取子单元，用于将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算子单元，用于计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
修正子单元，用于若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
确定子单元，用于若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种图像传输方法的流程图；
图2是本公开实施例提供的一种图像传输方法的流程图；
图3是本公开实施例提供的一种目标神经网络的结构示意图；
图4是本公开实施例提供的一种图像传输***的结构示意图；
图5是本公开实施例提供的一种图像传输装置的结构图；
图6是本公开实施例提供的一种图像传输装置中第一转换模块的结构图；
图7是本公开实施例提供的一种图像传输装置的结构图；
图8是本公开实施例提供的一种图像传输装置的结构图；
图9是本公开实施例提供的一种图像传输装置中获取模块的结构图；
图10是本公开实施例提供的一种图像传输装置中解压缩子模块的结构图；
图11是本公开实施例提供的一种图像传输装置中训练子单元的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供一种图像传输方法，如图1所示，方法应用于图像编码端，该图像传输方法包括以下步骤：
101、采集原始图像，原始图像为RGB格式的图像。
一般采集到的图像是RGB格式的图像，也即彩色图片。
102、将原始图像转换目标图像，目标图像的颜色空为YCbCr颜色空间，其中，Y为亮度、Cb为蓝色色度、Cr为红色色度。
具体的，根据第一权重系数集合和RGB格式的图像的R分量、G分量和B分量，得到Y分量；第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数。
示例的，第一权重系数集合为：0.299、0.578和0.114，其中，0.299为第一R分量的权重系数，0.578为第一G分量的权重系数，0.114为第一B分量的权重系数，此时，可以通过下述公式获取Y分量：
Y＝0.299R+0.578G+0.114B；
其中，R为原始图像中的R分量，G为原始图像中的G分量，B为原始图像中的B分量。
根据第二权重系数集合、第一预设附加值和RGB格式的图像的R分量、G分量和B分量，得到Cb分量；第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数。
示例的，第二权重系数集合为：-0.172、-0.339和0.551，第一预设附加值为128；其中，-0.172为第二R分量的权重系数，-0.339为第二G分量的权重系数，0.551为第二B分量的权重系数，此时，可以通过下述公式获取Cb分量：
Cb＝-0.172R-0.339G+0.551B+128；
其中，R为原始图像中的R分量，G为原始图像中的G分量，B为原始图像中的B分量。
根据第三权重系数集合、第二预设附加值和RGB格式的图像的R分量、G分量和B分量，得到Cr分量；第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
示例的，第三权重系数集合为：0.511、-0.428和-0.008，第二预设附加值为128；其中，0.511为第三R分量的权重系数，-0.428为第三G分量的权重系数，-0.008为第三B分量的权重系数，此时，可以通过下述公式获取Cr分量：
Cr＝0.511R-0.428G-0.008B+128；
其中，R为原始图像中的R分量，G为原始图像中的G分量，B为原始图像中的B分量。
103、将目标图像中的Cb分量和Cr分量去掉，得到灰度图。
将Cb分量和Cr分量去掉，原始图像就会变为灰度图。
104、对灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
对生成的灰度图进行压缩，之后，将压缩后得到的码流进行存储或者通过网络发送给图像解码端。
具体的，对于灰度图的压缩可以采用现有数据压缩处理方式，这里不再赘述。
本发明实施例所提出的图像传输方法中的视频图像压缩方法，只需要压缩并传输Y一个分量，在接收端解压Y分量后，通过进行色彩还原来重建CbCr分量，这种方式能够大大降低码流。
本公开实施例提供的图像传输方法，包括：采集RGB格式的原始图像，，将原始图像转换目标图像，其中，目标图像的颜色空为YCbCr颜色空间，其中，Y为亮度、Cb为蓝色色度、Cr为红色色度；将目标图像中的Cb分量和Cr分量去掉，得到灰度图，对灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。其中，由于只是对目标图像中的Y分量进行压缩，而无需对整个原始图像进行压缩，从而可以很大程度的降低传输码流的数据量。
本公开实施例提供一种图像传输方法，如图2所示，方法应用于图像解码端，该图像传输方法包括以下步骤：
201、接收码流，码流中包括仅有Y分量的灰度图。
具体的，从磁盘中或者网络上获取图像编码端通过压缩灰度图得到的码流。
202、对码流进行解压缩，得到灰度图。
按照与图像编码端所采用的压缩方式相对应的解压缩方式对当前接收到的码流进行解压缩，解压缩后得到的是只包含Y分量的灰度图。
203、将灰度图输入预先训练好的目标神经网络中，通过目标神经网络获取灰度图对应的原始图像，原始图像为RGB格式的图像。
将得到的灰度图输入预先训练好的神经网络(也可以称之为：还原器)中，通过还原器将灰度图还原成彩色图片；这一步骤中，所得到的彩色图片就是原始图像，之后，可以将该原始图像输出到显示端进行显示。
204、显示原始图像。
本公开实施例提供的图像传输方法，包括：接收码流，码流中包括仅有Y分量的灰度图；对码流进行解压缩，得到灰度图；将灰度图输入预先训练好的目标神经网络中，通过目标神经网络获取灰度图对应的原始图像，原始图像为RGB格式的图像；显示原始图像。其中，由于图像编码段只是对目标图像中的Y分量进行压缩，从而图像解码端接收的码流也只是包括Y分量的灰度图，由于传输的不是整个原始图像对应的码流，从而可以很大程度的降低传输码流。
在一个实施例中，上述步骤203之前还包括以下子步骤A1：
A1、对原始神经网络进行训练，以获取目标神经网络。
在一个实施例中，上述步骤A1包括以下子步骤：
A11、获取样本集，样本集中包括多个RGB格式的样本图像。
采集RGB格式的样本图像，形成样本集。
A12、将样本集中的每一幅RGB格式的样本图像转换为训练图像，训练图像的颜色空为YCbCr颜色空间。
A13、去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图。
A14、对每一幅训练灰度图进行压缩处理。
A15、对压缩处理后的训练灰度图进行解压缩处理，得到解压缩灰度图。
A16、通过解压缩灰度图和解压缩灰度图对应的样本图像对原始神经网络进行训练，以获取目标神经网络。
在一个实施例中，上述步骤A16包括以下子步骤B1-B2：
在B1中、将解压缩灰度图和解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本，其中，每一个训练样本中包括：解压缩灰度图中的分块图像和解压缩灰度图对应的样本图像中相同位置的分块图像。
将解压缩后的得到的解压缩灰度图和原图(RGB格式的样本图像)按照相同的第一预设规则进行分块，形成训练样本集。
其中，训练样本集中包括多个训练样本，每一个训练样本表示为(Ai，Bi)其中，Ai表示解压缩灰度图中的分块图像，即，输入数据；Bi表示解压缩灰度图对应的样本图像中相同位置的分块图像，即，目标。
在B2中、根据每一个训练样本集对原始神经网络进行训练，以获取目标神经网络。
在一个实施例中，上述步骤B2包括以下子步骤C21-C24：
C21、将每一个训练样本集中的解压缩灰度图中的分块图像作为原始神经网络的输入，获取对应的网络输出结果；
C22、计算网络输出结果和解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
C23、若差值大于预设误差阈值，则根据差值调整原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至差值小于预设误差阈值；
C24、若差值小于预设误差阈值，则确定差值小于预设误差阈值时对应的神经网络为目标神经网络。
具体的，将分块后的灰度图作为原始神经网络的输入，并计算网络输出结果；计算网络输出结果与实际值(目标)之间的差值，根据得到的差值来调整原始神经网络的参数(权重)，并不断重复上述步骤不断迭代，直到网络输出结果与实际值之间的差值小于预设误差阈值为止。
将最终得到的神经网络作为本发明中所使用预先训练好的目标神经网络，用于在图像解码端进行灰度图像的还原。
一个可以实现颜色还原的目标神经网络结构参见图3，这里我们将训练好的神经网络称为：还原器。
其中，InputLayer表示目标神经网络的输入；Conv2D表示二维卷积；RepeatVector表示复制；Reshape表示保持原输入；Concatenate表示合并矩阵；UpSampling2D表示二维上采样。图3中神经网络结构中各个步骤的实现方式与相关技术中类似，此处不再赘述。
本公开实施例提供一种图像传输***，如图4所示，该***包括：图像编码端和图像编码端；
所述图像编码端，用于采集原始图像，所述原始图像为RGB格式的图像；
所述图像编码端，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
所述图像编码端，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
所述图像编码端，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端；
所述图像解码端，用于接收码流，所述码流中包括仅有Y分量的灰度图；
所述图像解码端，用于对所述码流进行解压缩，得到所述灰度图；
所述图像解码端，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
所述图像解码端，用于显示所述原始图像。
在一个实施例中，
所述图像编码端，用于根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
所述图像编码端，用于根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
所述图像编码端，用于根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
在一个实施例中，
所述图像解码端，用于对原始神经网络进行训练，以获取所述目标神经网络。
所述图像解码端，用于获取样本集，所述样本集中包括多个RGB格式的样本图像；
所述图像解码端，用于将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
所述图像解码端，用于去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
所述图像解码端，用于对每一幅所述训练灰度图进行压缩处理；
所述图像解码端，用于对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
所述图像解码端，用于通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，
所述图像解码端，用于将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，
所述图像解码端，用于将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
基于上述图1对应的实施例中所描述的图像传输方法，下述为本公开装置实施例，可以用于执行本公开方法实施例。
本公开实施例提供一种图像传输装置，如图5所示，所述装置应用于图像编码端，所述装置包括：
采集模块11，用于采集原始图像，所述原始图像为RGB格式的图像；
第一转换模块12，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
第一图像处理模块13，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
压缩发送模块14，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
在一个实施例中，如图6所示，所述第一转换模块12包括：
Y分量获取模块121，用于根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
Cb分量获取模块122，用于根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
Cr分量获取模块123，用于根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
基于上述图2对应的实施例中所描述的图像传输方法，下述为本公开装置实施例，可以用于执行本公开方法实施例。
本公开实施例提供一种图像传输装置，如图7所示，所述装置应用于图像解码端，所述装置包括：
接收模块21，用于接收码流，所述码流中包括仅有Y分量的灰度图；
第一解压缩模块22，用于对所述码流进行解压缩，得到所述灰度图；
还原模块23，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
显示模块24，用于显示所述原始图像。
在一个实施例中，如图8所示，所述装置还包括：
获取模块25，用于对原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，如图9所示，所述获取模块25包括：
获取子模块251，用于获取样本集，所述样本集中包括多个RGB格式的样本图像；
转换子模块252，用于将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
图像处理子模块253，用于去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
压缩子模块254，用于对每一幅所述训练灰度图进行压缩处理；
解压缩子模块255，用于对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
训练子模块256，用于通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，如图10所示，所述解压缩子模块255包括：
分块子单元2551，用于将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
训练子单元2552，用于根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
在一个实施例中，如图11所示，所述训练子单元2552包括：
获取子单元25521，用于将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算子单元25522，用于计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
修正子单元25523，用于若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
确定子单元25524，用于若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
基于上述图1对应的实施例中所描述的图像传输方法，本公开实施例还提供一种计算机可读存储介质，例如，非临时性计算机可读存储介质可以是只读存储器(英文：ReadOnly Memory，ROM)、随机存取存储器(英文：Random Access Memory，RAM)、CD-ROM、磁带、软盘和光数据存储装置等。该存储介质上存储有计算机指令，用于执行上述图1对应的实施例中所描述的数据传输方法，此处不再赘述。
基于上述图2对应的实施例中所描述的图像传输方法，本公开实施例还提供一种计算机可读存储介质，例如，非临时性计算机可读存储介质可以是只读存储器(英文：ReadOnly Memory，ROM)、随机存取存储器(英文：Random Access Memory，RAM)、CD-ROM、磁带、软盘和光数据存储装置等。该存储介质上存储有计算机指令，用于执行上述图2对应的实施例中所描述的数据传输方法，此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像传输方法，其特征在于，所述方法应用于图像编码端，所述方法包括：
采集原始图像，所述原始图像为RGB格式的图像；
将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
2.根据权利要求1所述的图像传输方法，其特征在于，所述将所述原始图像转换目标图像，包括：
根据第一权重系数集合和所述RGB格式的图像的R分量、G分量和B分量，得到Y分量；所述第一权重***集合中包括：第一R分量的权重系数、第一G分量的权重系数和第一B分量的权重系数；
根据第二权重系数集合、第一预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cb分量；所述第二权重***集合中包括：第二R分量的权重系数、第二G分量的权重系数和第二B分量的权重系数；
根据第三权重系数集合、第二预设附加值和所述RGB格式的图像的所述R分量、所述G分量和所述B分量，得到所述Cr分量；所述第三权重***集合中包括：第三R分量的权重系数、第三G分量的权重系数和第三B分量的权重系数。
3.一种图像传输方法，其特征在于，所述方法应用于图像解码端，所述方法包括：
接收码流，所述码流中包括仅有Y分量的灰度图；
对所述码流进行解压缩，得到所述灰度图；
将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
显示所述原始图像。
4.根据权利要求3所述的图像传输方法，其特征在于，所述将所述灰度图输入预先训练好的目标神经网络中之前，所述方法还包括：
对原始神经网络进行训练，以获取所述目标神经网络。
5.根据权利要求4所述的图像传输方法，其特征在于，所述对原始神经网络进行训练，以获取所述目标神经网络，包括：
获取样本集，所述样本集中包括多个RGB格式的样本图像；
将所述样本集中的每一幅RGB格式的样本图像转换为训练图像，所述训练图像的颜色空为YCbCr颜色空间；
去掉每一幅训练图像中的Cb分量和Cr分量，得到训练灰度图；
对每一幅所述训练灰度图进行压缩处理；
对压缩处理后的所述训练灰度图进行解压缩处理，得到解压缩灰度图；
通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络。
6.根据权利要求5所述的图像传输方法，其特征在于，通过所述解压缩灰度图和解压缩灰度图对应的样本图像对所述原始神经网络进行训练，以获取所述目标神经网络，包括：
将所述解压缩灰度图和所述解压缩灰度图对应的样本图像按照第一预设规则进行分块处理，得到多个训练样本集，其中，每一个所述训练样本集中包括：所述解压缩灰度图中的分块图像和所述解压缩灰度图对应的样本图像中相同位置的分块图像；
根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络。
7.根据权利要求6所述的图像传输方法，其特征在于，所述根据每一个所述训练样本集对所述原始神经网络进行训练，以获取所述目标神经网络，包括：
将每一个所述训练样本集中的所述解压缩灰度图中的分块图像作为所述原始神经网络的输入，获取对应的网络输出结果；
计算所述网络输出结果和所述解压缩灰度图对应的样本图像中相同位置的分块图像之间的差值；
若所述差值大于预设误差阈值，则根据所述差值调整所述原始神经网络参数，并重新执行上述获取网络输出结果以及计算差值的步骤，直至所述差值小于所述预设误差阈值；
若所述差值小于所述预设误差阈值，则确定所述差值小于所述预设误差阈值时对应的神经网络为所述目标神经网络。
8.一种图像传输***，其特征在于，包括：图像编码端和图像编码端；
所述图像编码端，用于采集原始图像，所述原始图像为RGB格式的图像；
所述图像编码端，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
所述图像编码端，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
所述图像编码端，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端；
所述图像解码端，用于接收码流，所述码流中包括仅有Y分量的灰度图；
所述图像解码端，用于对所述码流进行解压缩，得到所述灰度图；
所述图像解码端，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
所述图像解码端，用于显示所述原始图像。
9.一种图像传输装置，其特征在于，所述装置应用于图像编码端，所述装置包括：
采集模块，用于采集原始图像，所述原始图像为RGB格式的图像；
第一转换模块，用于将所述原始图像转换目标图像，所述目标图像的颜色空为YCbCr颜色空间，其中，所述Y为亮度、所述Cb为蓝色色度、所述Cr为红色色度；
第一图像处理模块，用于将所述目标图像中的Cb分量和Cr分量去掉，得到灰度图；
压缩发送模块，用于对所述灰度图进行压缩，并将压缩后得到的码流进行存储或发送给图像解码端。
10.一种图像传输装置，其特征在于，所述装置应用于图像解码端，所述装置包括：
接收模块，用于接收码流，所述码流中包括仅有Y分量的灰度图；
第一解压缩模块，用于对所述码流进行解压缩，得到所述灰度图；
还原模块，用于将所述灰度图输入预先训练好的目标神经网络中，通过所述目标神经网络获取所述灰度图对应的原始图像，所述原始图像为RGB格式的图像；
显示模块，用于显示所述原始图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010660861.8A CN111953977A (zh) | 2020-07-09 | 2020-07-09 | 图像传输方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010660861.8A CN111953977A (zh) | 2020-07-09 | 2020-07-09 | 图像传输方法、***及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111953977A true CN111953977A (zh) | 2020-11-17 |
Family
ID=73341424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010660861.8A Pending CN111953977A (zh) | 2020-07-09 | 2020-07-09 | 图像传输方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111953977A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112887293A (zh) * | 2021-01-21 | 2021-06-01 | 维沃移动通信有限公司 | 流媒体的处理方法、装置及电子设备 |
| CN115150370A (zh) * | 2022-07-05 | 2022-10-04 | 广东魅视科技股份有限公司 | 一种图像处理的方法 |
| CN117014557A (zh) * | 2023-10-07 | 2023-11-07 | 福昕鲲鹏(北京)信息科技有限公司 | 文档图像的压缩方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104780374A (zh) * | 2015-03-23 | 2015-07-15 | 中国科学技术大学先进技术研究院 | 一种基于亮度编码的帧缓存有损压缩方法及装置 |
| CN106709880A (zh) * | 2016-12-08 | 2017-05-24 | 彭志勇 | 灰度图像的保存方法和灰度图像原始像素的获取方法 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
| CN110276731A (zh) * | 2019-06-17 | 2019-09-24 | 艾瑞迈迪科技石家庄有限公司 | 内镜图像颜色还原方法及装置 |
| CN110602491A (zh) * | 2019-08-30 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 帧内色度预测方法、装置、设备及视频编解码*** |
-
2020
- 2020-07-09 CN CN202010660861.8A patent/CN111953977A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104780374A (zh) * | 2015-03-23 | 2015-07-15 | 中国科学技术大学先进技术研究院 | 一种基于亮度编码的帧缓存有损压缩方法及装置 |
| CN106709880A (zh) * | 2016-12-08 | 2017-05-24 | 彭志勇 | 灰度图像的保存方法和灰度图像原始像素的获取方法 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
| CN110276731A (zh) * | 2019-06-17 | 2019-09-24 | 艾瑞迈迪科技石家庄有限公司 | 内镜图像颜色还原方法及装置 |
| CN110602491A (zh) * | 2019-08-30 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 帧内色度预测方法、装置、设备及视频编解码*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112887293A (zh) * | 2021-01-21 | 2021-06-01 | 维沃移动通信有限公司 | 流媒体的处理方法、装置及电子设备 |
| CN115150370A (zh) * | 2022-07-05 | 2022-10-04 | 广东魅视科技股份有限公司 | 一种图像处理的方法 |
| CN117014557A (zh) * | 2023-10-07 | 2023-11-07 | 福昕鲲鹏(北京)信息科技有限公司 | 文档图像的压缩方法、装置、电子设备及存储介质 |
| CN117014557B (zh) * | 2023-10-07 | 2024-01-23 | 福昕鲲鹏(北京)信息科技有限公司 | 文档图像的压缩方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10165297B2 (en) | High dynamic range codecs | |
| CN111953977A (zh) | 图像传输方法、***及装置 | |
| CN108141505B (zh) | 用于高位深医学灰度图像的压缩和解压缩方法 | |
| US7738697B2 (en) | Color transformation method and apparatus with minimized transformation errors | |
| US8780996B2 (en) | System and method for encoding and decoding video data | |
| JPH07236140A (ja) | 動画像の復号化における雑音低減装置 | |
| US7536054B2 (en) | Image compression device, image compression method, image compression program, compression encoding method, compression encoding device, compression encoding program, decoding method, decoding device, and decoding program | |
| CN111429357B (zh) | 训练数据确定方法、视频处理方法、装置、设备及介质 | |
| CN111510739B (zh) | 一种视频传输方法及装置 | |
| US20220272384A1 (en) | Image compression | |
| CN111738951B (zh) | 图像处理方法及装置 | |
| EP1571852A2 (en) | Image coding and decoding with spatial subsampling | |
| JP4293912B2 (ja) | ウェーブレット変換を使用するカラー画像のデータ圧縮 | |
| US7146055B2 (en) | Image processing decompression apparatus and method of using same different scaling algorithms simultaneously | |
| US20110299790A1 (en) | Image compression method with variable quantization parameter | |
| CN114693818A (zh) | 适用于数字正射影像数据的压缩方法 | |
| CN114240750A (zh) | 视频分辨率提升方法及装置、存储介质及电子设备 | |
| JP2001501406A (ja) | ディジタル画像をベクトル量子化および逆ベクトル量子化する方法および装置 | |
| CN115150370B (zh) | 一种图像处理的方法 | |
| JP4037336B2 (ja) | 画像処理装置および方法並びにプログラム | |
| JP4037318B2 (ja) | 画像処理装置および方法並びにプログラム | |
| CN118138770A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
| CN116309049A (zh) | 一种影像处理方法、装置和电子设备 | |
| JPH09261637A (ja) | 画像圧縮装置、画像前処理方法及び画像伝送システム | |
| JPH06315143A (ja) | 画像処理装置 |
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 |