一种基于神经网络的跨分量色度预测方法及装置

1.本发明属于视频编码技术领域，具体涉及一种基于神经网络的跨分量色度预测方法及装置。


背景技术：

2.h.266/vvc，即通用视频编码标准(versatile video coding，简称vvc)是专为4k和8k流媒体而构建的一代新标准，其将帮助用户在设备上存储更多的高清视频，并减少网络上的数据使用量。h.266/vvc代表了四代视频编码国际标准的巅峰。由于h.266/vvc编码效率的飞跃性提升，视频的使用率将在全球范围内进一步提高。
3.新一代通用视频编码标准h.266/vvc中，色度帧内预测模式总共8种，其中颜色分量间线性模型技术(cross-component linear model prediction，简称cclm)是新增的针对色度分量的编码工具。由于同一颜色空间的各个分量之间存在较强的相关性，所以利用分量间的相关性去除冗余是很好的提高压缩效率的方法。现有在h.266/vvc中使用分量间线性模型预测方法包括：根据同一编码块的重建亮度值构造色度的预测值，如公式predc(i,j)＝α
·
rec
l
(i,j)+β，其中，predc(i,j)表示编码块的色度预测值，rec
l
(i,j)表示同一编码块中的重建亮度值，α和β是线性模型参数，通过相邻参考点的重建亮度、色度值推导得到。在h.266/vvc中包括三种分量间线性模型预测模式：intra_lt_cclm、intra_l_cclm和intra_t_cclm。每种模式都会选取最多4个相邻参考点用于线性模型参数α和β的推导。这三种模式的区别在于用于推导线性模型参数的相邻参考点的选择区域不同。确定三种模式的选择区域后，再进一步在选择区域内进行用于线性模型参数推导的相邻参考点的选取。获取相邻参考点后，根据有效相邻参考点的个数进行线性模型参数的推导，在推导出线性模型参数之后，对当前编码块通过公式predc(i,j)＝α
·
rec
l
(i,j)+β进行色度值的预测。
4.但是，现有分量间线性模型预测方法中，对编码块中每个像素都使用相同的简单的线性函数predc(i,j)＝α
·
rec
l
(i,j)+β及相同的α和β进行预测每一个点的色度值，首先一次函数计算快但是过于简单，误差较大，其次一个编码块的所有预测点使用同样参数的同一函数，也引入较大误差。也就是说，现有分量间线性模型预测方法得到的预测块准确度较低。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于神经网络的跨分量色度预测方法及装置。
6.本发明的一个实施例提供了一种基于神经网络的跨分量色度预测方法，包括：
7.获取编码块的相邻区域，所述编码块包括若干待预测点，所述相邻区域包括若干参考点；
8.对所述相邻区域中的参考点进行数据预处理得到待预测点的若干预测参考点；
9.将所述预测参考点的相关信息和/或待预测点的相关信息输入神经网络模型实现
待预测点色度值的预测，其中，所述预测参考点的相关信息包括预测参考点的亮度值、预测参考点的色度值中的至少一种，所述待预测点的相关信息包括待预测点的亮度值、待预测点与预测参考点的亮度差值中的至少一种。
10.在本发明的一个实施例中，获取的编码块的相邻区域包括上相邻区域、右上相邻区域、左相邻区域和左下相邻区域中的至少一种。
11.在本发明的一个实施例中，对所述相邻区域中参考点进行数据预处理得到待预测点的若干预测参考点包括：
12.对所述相邻区域中的参考点进行存储处理；
13.从存储的所有参考点中获取待预测点的若干预测参考点。
14.在本发明的一个实施例中，从存储的所有参考点中获取待预测点的若干预测参考点包括：
15.选择预设参考亮度值附近的n个参考点作为预测参考点，n为大于0的整数；
16.若选择的预测参考点数量小于n时，计算填充参考色度值和填充参考亮度值，利用所述填充参考色度值和填充参考亮度值将预测参考点数量补充为n个。
17.在本发明的一个实施例中，从存储的所有参考点中获取待预测点的若干预测参考点还包括：
18.将存储的所有参考点按照参考亮度值进行排序处理；
19.从排序的所有参考点中获取待预测点的若干预测参考点。
20.在本发明的一个实施例中，获取编码块的相邻区域之前还包括：
21.将所述编码块进行划分得到若干子编码块；
22.获取所述子编码块的相邻区域，所述子编码块包括若干待预测点，所述相邻区域包括若干参考点；
23.对所述子编码块的相邻区域中参考点进行数据预处理得到所述子编码块中待预测点的若干预测参考点。
24.在本发明的一个实施例中，对每个所述子编码块进行训练采用的第一神经网络模型不相同。
25.在本发明的一个实施例中，还包括：
26.所述预测参考点的相关信息还包括预测参考点的位置信息；
27.所述待预测点的相关信息还包括待预测点的位置信息。
28.在本发明的一个实施例中，还包括：
29.所述神经网络模型包括若干子神经网络模型；
30.将所述预测参考点的相关信息和/或待预测点的相关信息分别输入所述若干子神经网络模型实现待预测点色度值的预测。
31.本发明的另一个实施例提供了一种基于神经网络的跨分量色度预测装置，包括：
32.数据获取模块，用于获取编码块的相邻区域，所述编码块包括若干待预测点，所述相邻区域包括若干参考点；
33.数据处理模块，用于对所述相邻区域中的参考点进行数据预处理得到待预测点的若干预测参考点；
34.数据预测模块，用于将所述预测参考点的相关信息和/或待预测点的相关信息输
入神经网络模型实现待预测点色度值的预测，其中，所述预测参考点的相关信息包括预测参考点的亮度值、预测参考点的色度值中的至少一种，所述待预测点的相关信息包括待预测点的亮度值、待预测点与预测参考点的亮度差值中的至少一种。
35.与现有技术相比，本发明的有益效果：
36.本发明提供的基于神经网络的跨分量色度预测方法，是通过数据预处理选择与当前像素相关性强的数据后，使用神经网络模型对预处理数据进行处理以得到更准确预测值的跨分量预测，由于对数据进行了预处理，参与运算的数据相关性强，运算复杂度低，且容易收敛，在视频编解码芯片中，使用统一的预测方法进行分量间预测，降低了编解码复杂度。
37.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
38.图1是本发明实施例提供的一种基于神经网络的跨分量色度预测方法的流程示意图；
39.图2是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中编码块的相邻区域示意图；
40.图3(a)～图3(h)是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中几种编码块的相邻区域选择情况示意图；
41.图4是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中网络结构示意图；
42.图5(a)～5(e)是本发明实施例提供的不同输入信息下基于神经网络的跨分量色度预测的结构示意图；
43.图6是本发明实施例提供的又一种基于神经网络的跨分量色度预测方法中网络结构示意图；
44.图7是本发明实施例提供的再一种基于神经网络的跨分量色度预测方法中网络结构示意图；
45.图8是本发明实施例提供的另一种基于神经网络的跨分量色度预测方法中网络结构示意图；
46.图9是本发明实施例提供的还一种基于神经网络的跨分量色度预测方法中网络结构示意图；
47.图10是本发明实施例提供的一种编码器结构示意图；
48.图11是本发明实施例提供的一种解码器结构示意图；
49.图12是本发明实施例提供的一种基于神经网络的跨分量色度预测装置的结构示意图。
具体实施方式
50.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
51.实施例一
52.请参见图1，图1是本发明实施例提供的一种基于神经网络的跨分量色度预测方法的流程示意图。本实施例提出了一种基于神经网络的跨分量色度预测方法，该基于神经网络的跨分量色度预测方法包括以下步骤：
53.步骤1、获取编码块的相邻区域，编码块包括若干待预测点，相邻区域包括若干参考点。
54.具体而言，输入视频包括若干编码块，编码块包括若干待预测点，请参见图2，图2是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中编码块的相邻区域示意图，对于每个编码块，其相邻区域包括上相邻区域、右上相邻区域、左相邻区域和左下相邻区域，相邻区域包括若干参考点，本实施例相邻区域包括上相邻区域、右上相邻区域、左相邻区域和左下相邻区域的至少一种，请参见图3(a)～图3(h)，图3(a)～图3(h)是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中几种编码块的相邻区域选择情况示意图，本实施例获取如图3(a)～图3(h)所示的编码块的相邻区域。
55.步骤2、对相邻区域中的参考点进行数据预处理得到待预测点的若干预测参考点。
56.具体而言，本实施例由步骤1获取的所有相邻区域的有效区域都被作为网络输入的选择区域，对选择区域的所有参考点进行数据预处理，依次包括存储和截断，具体步骤2包括步骤2.1、步骤2.2：
57.步骤2.1、对相邻区域中的参考点进行存储处理。
58.具体而言，本实施例首先对由步骤1获取的编码块的相邻区域的参考点进行存储，存储方式不限。比如对于图3(h)所示的编码块和相邻区域对应的存储方式可以为先直接存储上相邻区域的参考点和右上相邻区域的参考点，再存储左相邻区域的参考点和左下相邻区域的参考点，所有相邻区域的参考点包括参考亮度值和参考色度值；对于图3(h)所示的编码块和相邻区域对应的存储方式同样可以为先存储左相邻区域的参考点和左下相邻区域的参考点，再存储上相邻区域的参考点和右上相邻区域的参考点；以交替存储参考点的方式，对于图3(h)所示的编码块和相邻区域对应的存储方式同样还可以为先存储上相邻区域的参考点，再存储左相邻区域的参考点，再存储右上相邻区域的参考点，再存储左下相邻区域的参考点；以及不局限于上述三种存储方式的其他方式。其他图3(a)～3(g)选择的存储方式如上，在此不再赘述。其中，相邻区域可以为多参考行/列参考点，即上相邻区域/右上相邻区域的参考点可以为一行或多行，左相邻区域/左下相邻区域的参考点可以为一列或多列。
59.步骤2.2、从存储的所有参考点中获取待预测点的若干预测参考点。
60.具体而言，本实施例从步骤2.1存储结果中，截取在预设参考亮度值y附近的n个参考点作为预测参考点，n为大于0的整数，预设参考亮度值根据实际设计需要选取，比如本实施例可以选取待预测点的亮度值作为预设参考亮度值。截取时，计算待预测点与相邻参考点之间的参考亮度差值的绝对值|
△
y|，将参考点中参考亮度差值的绝对值|
△
y|较小的n个参考点作为预测参考点。若截取的可供选择的预测参考点数量小于n时，需要计算填充参考色度值和填充参考亮度值，利用填充参考色度值和填充参考亮度值将预测参考点数量补充为n个，具体地：
61.若选择的预测参考点不足n个时，可以使用超出当前有效参考亮度值范围的大值，补足预测参考点数量为n个，例如对于10比特深度使用1023进行参考亮度值填充，同时其对
应的参考色度值可以使用色度有效取值的中值512或511等填充，补足预测参考点数量为n个，也可以对所有有效参考亮度值求和再求平均，将此平均值作为参考亮度值的默认填充值，填充参考色度值也是将所有有效参考色度的平均值作为默认填充值，也可以直接将待预测点的最后一个有效参考点的参考亮度值和参考色度值分别作为默认填充参考亮度值、填充参考色度值。其中，若截取的预测参考点数量为0时，无需经过神经网络预测，直接将色度默认值作为色度预测值，具体在h.266/vvc中默认值为色度中间值，色度中间值的计算方法为1《《(bitdepthc-1)，bitdepthc为色度的比特深度，当前视频为8比特视频时，色度值的范围为0-255，色度中间值为128，当前视频为10比特视频，则色度值的范围为0-1023，色度中间值为512。
62.本实施例步骤2.2从存储的所有参考点中获取待预测点的若干预测参考点还包括：将存储的所有参考点按照参考亮度值进行排序处理；从排序的所有参考点中获取待预测点的若干预测参考点。
63.具体而言，本实施例将步骤2.1存储的所有参考点按照其参考亮度值进行排序处理，排序方式不限。比如可以按参考亮度值从小到大的顺序进行统一排序；也可以按参考亮度值从小到大的顺序进行统一排序；也可以通过建立索引表实现排序，具体地：将当前编码块的参考亮度值作为索引，建立两个索引表，分别是参考亮度值索引表及其对应的参考色度值索引表，后续通过参考亮度值索引表查表比较得到所需顺序的参考点；也可以计算待预测点与相邻参考点的参考亮度差值的绝对值|
△
y|，再去根据相邻区域的所有参考亮度差值的绝对值|
△
y|从小到大的顺序进行排序。最后，步骤2.2中n个预测参考点的截取，既可以是原步骤2.2没有进行排序的截取，也可以是经过排序后的截取方式。
64.本实施例对输入的视频编码块进行数据预处理：一方面有利于增强参考亮度差值的绝对值|
△
y|和贡献度的相关性，贡献度是指参考点色度值对待预测点色度值的贡献度，以减少后续神经网络拟合此函数时受到的干扰信息，加快收敛速度，更容易让神经网络拟合出合适的通用的非线性函数；另一方面，由于进行了数据预处理，可以让编码块的所有待预测点共享一套网络结构及网络参数权重，大大减少了所需存储空间；最后，数据预处理中的截断操作，即选取固定数量为n的较小的参考亮度差值的绝对值|
△
y|及其对应的参考色度值，让网络结构可以适用于任意尺寸的编码块，从而可以作为一个通用模块，简单又高效。
65.以n＝8，相邻区域包括上相邻区域、右上相邻区域、左相邻区域和左下相邻区域为例，通过数据预处理，在上相邻区域、右上相邻区域、左相邻区域和左下相邻区域4个选择区域中得到参考亮度差值的绝对值|
△
y|较小的前8个预测参考点(包括参考亮度值和参考色度值)。首先，使待预测点都在丰富的相邻区域中选出最适合自己特性的8个预测参考点，保证了待预测点的输入网络的数据与自身具有高强度的相关性，有利于减小预测误差；其次摒除了大部分空间位置信息的干扰，即相邻区域每个位置上的参考亮度差值的绝对值|
△
y|对于不同待预测点代表的信息不同，通过对参考亮度差值的绝对值|
△
y|及其对应的参考色度值进行排序处理后，使得待预测点相同位置的参考亮度差值的绝对值|
△
y|特性近似一致，大大提高后续神经网络的收敛速度和预测准确性。
66.以图3(c)、图3(d)、图3(e)对应的相邻区域进行预测参考选择为例：对于一个w*h的编码块，定义上侧选择区域宽度为w
′
(相应高度默认为1)，左侧选择区域的高度为h
′
(相
应宽度默认为1)，则图3(c)中在上相邻区域和左相邻区域内进行预测参考点选取，选择的相邻区域w
′
＝w，h
′
＝h，图3(d)中在上相邻区域和右上相邻区域内进行选取，选择的相邻区域w
′
＝w+h，并设置h
′
＝0，图3(e)中在在左相邻区域和左下相邻区域内进行选取，选择的相邻区域h
′
＝w+h，并设置w
′
＝0，本实施例上相邻区域+右上相邻区域取值范围为w
′
＝min{w+h,w+w}，左相邻区域+左下相邻区域取值范围为h
′
＝min{w+h,h+h}。确定三种模式的选取区域后，再进一步在选择的相邻区域内进预测参考点的选取。
67.步骤3、将所述预测参考点的相关信息和/或待预测点的相关信息输入神经网络模型实现待预测点色度值的预测，其中，所述预测参考点的相关信息包括预测参考点的亮度值、预测参考点的色度值中的至少一种，所述待预测点的相关信息包括待预测点的亮度值、待预测点与预测参考点的亮度差值中的至少一种。
68.具体而言，请参见图4，图4是本发明实施例提供的一种基于神经网络的跨分量色度预测方法中网络结构示意图，本实施例利用神经网络模型进行预测，预测时输入网络的数据可以包括预测参考点的相关信息和/或待预测点的相关信息，所述预测参考点的相关信息包括预测参考点的亮度值、预测参考点的色度值中的至少一种，所述待预测点的相关信息包括待预测点的亮度值、待预测点与预测参考点的亮度差值中的至少一种，即输入网络的信息可以只有预测参考点的相关信息，也可以只有待预测点的相关信息，也可以预测参考点的相关信息、待预测点的相关信息均有。其中，预测参考点的相关信息可以只包括预测参考点的亮度值或预测参考点的色度值，也可以同时包括预测参考点的亮度值、预测参考点的色度值，同理待预测点的相关信息可以只包括待预测点的亮度值或待预测点与预测参考点的亮度差值，也可以同时包括待预测点的亮度值、待预测点与预测参考点的亮度差值。请参见图5(a)～图5(e)，图5(a)～图5(e)是本发明实施例提供的不同输入信息下基于神经网络的跨分量色度预测的结构示意图，具体地：
69.以n＝8为例，请再参见图5(a)，本实施例将步骤2得到的预测参考点的亮度值与待预测点的亮度值的差值的绝对值|
△
y|作为神经网络模型的输入数据，对应的神经网络模型的输出数据为待测点的色度值pred_c。本实施例将数据预处理后的8个亮度差值的绝对值|
△
y|作为网络输入，通过神经网络模型直接预测得到对应待测点的色度值pred_c。数据预处理后的参考亮度差值的绝对值|
△
y|作为输入在该网络中，通过对亮度差值的绝对值|
△
y|除以亮度有效取值的中间值，进行归一化，可以将输入亮度差值的绝对值|
△
y|归一化至(0,2)之间，比如亮度为10比特深度时选取中间值511或512，目的是为了提升网络的收敛速度。最后输出时使用归一化层softmax，是考虑到softmax对较小的差距更为敏感。
70.本实施例中神经网络模型网络结构不限，可以为图5(a)中所示的由全连接层、激活层relu、归一化层softmax堆叠而成，也可由卷积层、全连接层堆叠而成，也可以只由卷积层堆叠而成，激活层relu也可使用其他激活函数替代，比如leakyrelu、prelu等，也可以将bn层、激活层relu等组合使用，归一化层softmax函数也可以使用其他具有归一化功能的函数替代，比如sigmoid等。可以看出，本实施例神经网络模型结构不唯一，可以为其他堆叠方式，且具体神经元数、网络层数、归一化方法、激活函数等均可以根据具体目标进行调整。本实施例可以使用小规模的神经网络模型，即使用轻量级神经网络模型，运算复杂度低，且容易收敛。
71.本实施例网络输入信息中预测参考点的相关信息还可以包括预测参考点的位置
信息、待预测点的相关信息还包括待预测点的位置信息，请再参见图5(b)～图5(e)，本实施例神经网络模型的输入还可以为图5(b)所示的亮度差值|
△
y|、预测参考点的色度值的组合，还可以为图5(c)所示的预测参考点的亮度值、待预测点的亮度值、预测参考点的色度值的组合，还可以为图5(d)所示的亮度差值|
△
y|、预测参考点/待预测点的位置信息r、预测参考点的色度值的组合，还可以为图5(d)所示的预测参考点的亮度值、待预测点的亮度值、预测参考点/待预测点的位置信息r、预测参考点的色度值的组合。本实施例也并不局限于图5(a)～图5(e)的网络输入，可以根据实际需要，输入更多预测参考点的相关信息、待预测点的相关信息。
72.请参见图6，图6是本发明实施例提供的又一种基于神经网络的跨分量色度预测方法中网络结构示意图，本实施例可以选择通过增强网络对色度预测结果做增强处理，以提高神经网络输出数据的准确性。
73.请参见图7、图8，图7是本发明实施例提供的再一种基于神经网络的跨分量色度预测方法中网络结构示意图，图8是本发明实施例提供的另一种基于神经网络的跨分量色度预测方法中网络结构示意图，本实施例将上述任意组合的预测参考点的相关信息、待预测点的相关信息输入神经网络模型后可以直接预测得到对应待测点的色度值pred_c，也可以预测得到如7所示的一参考权重值，也可以预测得到如图8所示的一组参考权重值。比如n为8时，8个参考色度值的权重与其对应的8个预测参考点的参考色度值ref_c点乘，再将点乘的结果相加预测得到待预测点的色度值pred_c。
74.请参见图9，图9是本发明实施例提供的还一种基于神经网络的跨分量色度预测方法中网络结构示意图，本实施例如图8计算得到一组参考权重值，将一组参考权重值进行网络融合处理得到预测参考点对应的融合参考权重值，根据预测参考点的参考色度值ref_c和对应的融合参考权重值实现编码块中待预测点色度值的预测。
75.本实施例对于图5(b)～图5(e)多个输入信息的情况，神经网络模型还可以包括若干子神经网络模型，多个输入信息可以分别输入不同的子神经网络模型，比如输入神经网络模型的信息包括预测参考点的色度值、亮度差值|
△
y|，预测参考点的色度值、亮度差值|
△
y|可以分别输入两个不同的子神经网络模型，两个子神经网络模型为可相同、可不相同的轻级神经网络。多个子神经网络模型输出一组参考权重值，经数据融合网络融合处理得到最终的融合参考权重，由融合参考权重和预测参考点的参考色度值ref_c点乘计算实现编码块中待预测点色度值pred_c的预测。
76.进一步地，本实施例步骤1获取编码块的相邻区域之前还包括：将编码块进行划分得到若干子编码块，获取子编码块的相邻区域，子编码块包括若干待预测点，相邻区域包括若干参考点，对子编码块的相邻区域中参考点进行数据预处理得到子编码块中待预测点的若干预测参考点。本实施例对同一编码块中所有待预测点使用一个相同的网络结构、参数及网络权重进行预测，也可以将编码块划分为若干子编码块，获取子编码块的相邻区域，子编码块包括若干待预测点，相邻区域包括若干参考点，不同子编码块采用与上述完整编码块相同的处理方式，对每个子编码块进行训练可以采用与第一神经网络模型相同或不相同的网络结构，优选适合子编码块中待预测点的网络结构、参数及网络权重，甚至可以将待预测点作为一个子编码块使用独立属于自己的网络权重。此时子编码的数据预处理在与上述完整编码块相同。
77.请参见图10、图11，图10是本发明实施例提供的一种编码器结构示意图，图11是本发明实施例提供的一种解码器结构示意图，本实施例提出的基于神经网络的跨分量色度预测方法，可以应用于视频编解码芯片中，使用统一的预测方法进行分量间预测，并降低了编解码复杂度，该预测方法将影响视频编解码框架中的帧内预测部分，具体可以应用于帧内预测中的色度值预测部分，对编码端和解码端同时作用。
78.为了验证本实施例提出的基于神经网络的跨分量色度预测方法的有效性，进行了如下测试：在h.266/vvc参考软件vtm10.0中作为新增加的一种色度预测模式，与原有的lt_lm、l_lm、t_lm模式及其他传统色度预测模式竞争。在all intra(ai)条件下，对jvet要求的测试序列(均为yuv420格式)使用8为时域间隔，在yuv分量上bd-rate平均变化分别为-0.27％，-1.54％，-1.84％(负值为有增益的结果)。
79.综上所述，本实施例提出的基于神经网络的跨分量色度预测方法，通过数据预处理选择与每个当前像素相关性强的数据后，使用轻量级的神经网络对预处理数据进行处理以得到更准确预测值的跨分量预测，由于对数据进行了预处理，参与运算的数据相关性强，所以使用的神经网络规模较小，运算复杂度低，且容易收敛，在视频编解码芯片中，使用统一的预测方法进行分量间预测，降低了编解码复杂度；本实施例不仅可以提高对各个颜色分量之间的预测准确性，而且该方法使用神经网络可以处理任意尺寸的编码块，可以用于现有的混合编码框架下的各种视频编码技术，例如h.266/vvc、vc1、avs3等，从而提高视频编码效率；从另一个角度看，可以用于yuv颜色空间的各个分量间预测，也可以用于其他颜色空间，如rgb。
80.实施例二
81.在上述实施例一的基础上，请参见图12，图12是本发明实施例提供的一种基于神经网络的跨分量色度预测装置的结构示意图，本实施例提出了基于神经网络的跨分量色度预测装置，该基于神经网络的跨分量色度预测装置包括：
82.数据获取模块，用于获取编码块的相邻区域，编码块包括若干待预测点，相邻区域包括若干参考点。
83.具体而言，本实施例数据获取模块中获取的编码块的相邻区域包括上相邻区域、右上相邻区域、左相邻区域和左下相邻区域中的至少一种。
84.数据处理模块，用于对相邻区域中的参考点进行数据预处理得到待预测点的若干预测参考点。
85.具体而言，本实施例中对相邻区域中参考点进行数据预处理得到待预测点的若干预测参考点包括：
86.对相邻区域中的参考点进行存储处理；
87.从存储的所有参考点中获取待预测点的若干预测参考点。
88.进一步地，从存储的所有参考点中获取待预测点的若干预测参考点还包括：
89.将存储的所有参考点按照参考亮度值进行排序处理；
90.从排序的所有参考点中获取待预测点的若干预测参考点。
91.进一步地，从排序的所有参考点中获取待预测点的若干预测参考点包括：
92.选择预设参考亮度值附近的n个参考点作为预测参考点，n为大于0的整数；
93.若选择的预测参考点数量小于n时，计算填充参考色度值和参考亮度值，利用填充
参考色度值和填充参考亮度值将预测参考点数量补充为n个。
94.数据预测模块，用于将预测参考点的相关信息和/或待预测点的相关信息输入神经网络模型实现待预测点色度值的预测，其中，预测参考点的相关信息包括预测参考点的亮度值、预测参考点的色度值中的至少一种，待预测点的相关信息包括待预测点的亮度值、待预测点与预测参考点的亮度差值中的至少一种。
95.具体而言，本实施例数据预测模块中预测参考点的相关信息还包括预测参考点的位置信息；待预测点的相关信息还包括待预测点的位置信息。
96.进一步地，还包括：
97.神经网络模型包括若干子神经网络模型；
98.将预测参考点的相关信息和/或待预测点的相关信息分别输入若干子神经网络模型实现待预测点色度值的预测。
99.进一步地，获取编码块的相邻区域之前还包括：
100.将编码块进行划分得到若干子编码块；
101.获取子编码块的相邻区域，子编码块包括若干待预测点，相邻区域包括若干参考点；
102.对子编码块的相邻区域中参考点进行数据预处理得到子编码块中待预测点的若干预测参考点。
103.进一步地，对每个子编码块进行待预测点色度值的预测采用的神经网络模型不相同。
104.本实施例提出的基于神经网络的跨分量色度预测装置，可以执行上述实施例一所述的基于神经网络的跨分量色度预测方法实施例，其实现原理和技术效果类似，在此不再赘述。
105.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。