图像处理方法及装置、电子设备和存储介质与流程

本公开涉及计算机，尤其涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术：

1、有损图像压缩技术是基于率失真理论，也即在给定失真限制时，旨在降低编码图像所需的码率。近年来，基于深度学习的有损图像压缩技术取得了优越的率失真性能。但是目前训练出的图像压缩模型只能支持一种码率，为了支持多种码率，需要训练多个图像压缩模型，这不仅产生大量的存储开销，且无法支持更多种可变码率的图像压缩需求。

技术实现思路

1、本公开提出了一种图像处理技术方案。

2、根据本公开的一方面，提供了一种图像处理方法，包括：对待压缩图像进行特征提取，得到初始特征，所述初始特征对应预设的初始量化步长；根据目标码率，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长；根据所述目标特征与所述目标量化步长，生成具有所述目标码率的压缩数据，所述压缩数据为所述待压缩图像的压缩结果。

3、在一种可能的实现方式中，所述根据目标码率，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长，包括：根据所述目标码率，确定目标拉格朗日乘子，并根据所述目标拉格朗日乘子，构建优化模型；基于所述目标拉格朗日乘子构建的优化模型，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长。

4、在一种可能的实现方式中，所述目标拉格朗日乘子包括至少一种损失度量项各自对应的拉格朗日乘子，其中，所述根据所述目标拉格朗日乘子，构建优化模型，包括：基于预设的特征变量与步长变量，确定所述优化模型中的码率项，其中，所述码率项用于表征不同特征变量与不同步长变量下的码率，所述特征变量的初始值为所述初始特征，所述步长变量的初始值为所述初始量化步长；基于所述待压缩图像、所述特征变量与所述步长变量，确定所述优化模型中的至少一种损失度量项，所述损失度量项用于表征不同特征变量与不同步长变量下的图像损失程度；基于所述码率项、所述至少一种损失度量项以及所述至少一种损失度量项各自对应的拉格朗日乘子，构建优化模型。

5、在一种可能的实现方式中，所述待压缩图像中包括指定的感兴趣区域与非感兴趣区域，所述根据所述目标拉格朗日乘子，构建优化模型，包括：基于所述待压缩图像对应的质量掩码图、码率项、至少一种损失度量项以及所述目标拉格朗日乘子，构建优化模型；其中，所述质量掩码图用于指示所述待压缩图像中的感兴趣区域与非感兴趣区域，所述码率项是根据预设的特征变量与步长变量确定的，所述损失度量项是根据所述待压缩图像、所述特征变量与所述步长变量确定的，所述目标拉格朗日乘子包括所述至少一种损失度量项各自对应的拉格朗日乘子。

6、在一种可能的实现方式中，所述基于所述目标拉格朗日乘子构建的优化模型，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长，包括：通过调整所述优化模型中特征变量的初始值以及步长变量的初始值，使所述优化模型达到预设的优化目标，得到目标特征以及目标量化步长；其中，所述特征变量的初始值为所述初始特征，所述步长变量的初始值为所述初始量化步长。

7、在一种可能的实现方式中，在所述初始特征包括多个初始子特征的情况下，每个初始子特征在所述优化模型中各自设置有对应的特征变量与步长变量；其中，所述通过调整所述优化模型中特征变量的初始值以及步长变量的初始值，使所述优化模型达到预设的优化目标，得到目标特征以及目标量化步长，包括：针对不同初始子特征对应的特征变量和步长变量，采用不同的优化算法，调整所述优化模型中不同特征变量的初始值以及不同步长变量的初始值，使所述优化模型达到预设的优化目标，得到不同特征变量对应的目标特征以及不同步长变量对应的目标量化步长。

8、在一种可能的实现方式中，所述根据目标特征与目标量化步长，生成具有目标码率的压缩数据，包括：按照所述目标量化步长，对所述目标特征进行量化，得到量化特征；确定所述量化特征中各个特征值对应的概率，并根据所述量化特征中各个特征值对应的概率，对所述量化特征进行熵编码，得到所述待压缩图像的压缩数据。

9、在一种可能的实现方式中，在得到所述待压缩图像的压缩数据之后，所述方法还包括：根据量化特征中各个特征值对应的概率，对所述压缩数据进行熵解码，得到所述量化特征，所述量化特征是通过对所述目标特征进行量化得到的；根据所述目标量化步长，对所述量化特征进行反向量化，得到所述目标特征；基于所述目标特征进行图像重建，得到所述待压缩图像对应的重建图像。

10、根据本公开的一方面，提供了一种图像处理装置，包括：特征提取模块，用于对待压缩图像进行特征提取，得到初始特征，所述初始特征对应预设的初始量化步长；优化模块，用于根据目标码率，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长；生成模块，用于根据所述目标特征与所述目标量化步长，生成具有所述目标码率的压缩数据，所述压缩数据为所述待压缩图像的压缩结果。

11、在一种可能的实现方式中，所述根据目标码率，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长，包括：根据所述目标码率，确定目标拉格朗日乘子，并根据所述目标拉格朗日乘子，构建优化模型；基于所述目标拉格朗日乘子构建的优化模型，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长。

12、在一种可能的实现方式中，所述目标拉格朗日乘子包括至少一种损失度量项各自对应的拉格朗日乘子，其中，所述根据所述目标拉格朗日乘子，构建优化模型，包括：基于预设的特征变量与步长变量，确定所述优化模型中的码率项，其中，所述码率项用于表征不同特征变量与不同步长变量下的码率，所述特征变量的初始值为所述初始特征，所述步长变量的初始值为所述初始量化步长；基于所述待压缩图像、所述特征变量与所述步长变量，确定所述优化模型中的至少一种损失度量项，所述损失度量项用于表征不同特征变量与不同步长变量下的图像损失程度；基于所述码率项、所述至少一种损失度量项以及所述至少一种损失度量项各自对应的拉格朗日乘子，构建优化模型。

13、在一种可能的实现方式中，所述待压缩图像中包括指定的感兴趣区域与非感兴趣区域，所述根据所述目标拉格朗日乘子，构建优化模型，包括：基于所述待压缩图像对应的质量掩码图、码率项、至少一种损失度量项以及所述目标拉格朗日乘子，构建优化模型；其中，所述质量掩码图用于指示所述待压缩图像中的感兴趣区域与非感兴趣区域，所述码率项是根据预设的特征变量与步长变量确定的，所述损失度量项是根据所述待压缩图像、所述特征变量与所述步长变量确定的，所述目标拉格朗日乘子包括所述至少一种损失度量项各自对应的拉格朗日乘子。

14、在一种可能的实现方式中，所述基于所述目标拉格朗日乘子构建的优化模型，优化所述初始特征以及所述初始量化步长，得到目标特征以及目标量化步长，包括：通过调整所述优化模型中特征变量的初始值以及步长变量的初始值，使所述优化模型达到预设的优化目标，得到目标特征以及目标量化步长；其中，所述特征变量的初始值为所述初始特征，所述步长变量的初始值为所述初始量化步长。

15、在一种可能的实现方式中，在所述初始特征包括多个初始子特征的情况下，每个初始子特征在所述优化模型中各自设置有对应的特征变量与步长变量；其中，所述通过调整所述优化模型中特征变量的初始值以及步长变量的初始值，使所述优化模型达到预设的优化目标，得到目标特征以及目标量化步长，包括：针对不同初始子特征对应的特征变量和步长变量，采用不同的优化算法，调整所述优化模型中不同特征变量的初始值以及不同步长变量的初始值，使所述优化模型达到预设的优化目标，得到不同特征变量对应的目标特征以及不同步长变量对应的目标量化步长。

16、在一种可能的实现方式中，所述根据目标特征与目标量化步长，生成具有目标码率的压缩数据，包括：按照所述目标量化步长，对所述目标特征进行量化，得到量化特征；确定所述量化特征中各个特征值对应的概率，并根据所述量化特征中各个特征值对应的概率，对所述量化特征进行熵编码，得到所述待压缩图像的压缩数据。

17、在一种可能的实现方式中，在得到所述待压缩图像的压缩数据之后，所述装置还包括：解码模块，用于根据量化特征中各个特征值对应的概率，对所述压缩数据进行熵解码，得到所述量化特征，所述量化特征是通过对所述目标特征进行量化得到的；反量化模块，用于根据所述目标量化步长，对所述量化特征进行反向量化，得到所述目标特征；基于所述目标特征进行图像重建，得到所述待压缩图像对应的重建图像。

18、根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

19、根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

20、在本公开实施例中，通过在提取出待压缩图像的初始特征后，根据目标码率，优化初始量化步长以及初始特征，得到目标特征以及目标量化步长；再根据目标特征以及目标量化步长，确定出具有目标码率的压缩数据，相当于将待压缩图像压缩成具有目标码率的压缩数据，这样无需训练多个图像压缩模型，便可支持各种目标码率下的图像压缩，从而实现单个图像压缩模型具有可变码率的图像压缩能力。

21、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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。