CN103248889B - 一种图像处理方法及装置 - Google Patents

Abstract

在本发明实施例中获取所述N个预测模式对应的N个第一预测值判定通过N个第一预测值得到的第一数据以及第二数据是否小于第一预设阈值，并生成第一判定结果，当所述第一判定结果表征所述第一数据以及所述第二数据小于所述第一预设阈值时，则根据N个第一预测值，对N个第一预测值进行灰预测模型处理，获取第二预测值，将第二预测值作为N个预测模式中每个预测模式的最终预测值，从而解决了现有技术中图像数据处理过程中对每一种预测方式都进行率失真计算的方式导致了现有技术中对于图像帧内预测复杂度较高的技术问题。

Description

一种图像处理方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像处理方法及装置。

背景技术

随着第三代(3rdGeneration)移动通信和多媒体技术的快速发展，在可能低的存储情况下获得好的图像质量和低带宽图像快速传输已成为视频压缩的两大难题。为此ITU-T视频编码专家组(VCEG)和ISO/IEC动态图像专家组(MPEG)联合组成的联合视频组(JVT，JointVideoTeam)提出了高度压缩数字视频编解码器标准H.264。与现有的视频编码标准相比，H.264在低码流、图像质量、容错能力及网络适应性等方面具有无法比拟的优势，使其在相同带宽下提供更加优秀的图像质量。

H.264帧内编码用来缩减图像的空间冗余，为了提高H.264帧内编码效率，在给定帧中充分利用相邻宏块的空间相关性，相邻的宏块通常含有相似的属性。H.264与以前的压缩标准有许多的不同，其中一个主要的不同就是块尺寸范围更广。在H.264中，一个宏块有七种不同的分割模式。一个16×16的宏块有四种分割方式：1个16×16，或2个16×8，或2个8×16，或4个8×8，其中8×8模式的子宏块还可以进一步以四种方式进行分割：1个8×8，或2个4×8，或2个8×4，或4个4×4。对于一个4×4块，有9种预测方式，具体见图1，为适应高清电视(HDTV)以及视频捕捉系统的应用，HEVC标准应运而生，其帧间技术的基本框架与H.264基本相同，将原有的8种预测方向扩展至33中，增加了帧内预测的精细度。另外，帧内预测模式保留了DC预测，并对Planar预测方法进行了改进。目前HM模型中包含了35种预测模式，如图2所示。

但是，在现有技术中H.264标准的帧图像的帧内预测模式的选择方法，它包括亮度部分的帧内预测模式选择方法，和色度部分的帧内预测模式选择方法。其中，亮度部分的选择方法的步骤是，先把帧图像划分为多个宏块，设定差异度门限值，计算每个宏块的差异度，比较所得的差异度和门限值，根据不同的比较结果使用不同尺寸的预测模式，然后计算每种预测模式的SATD值，根据所得的值，获得优选的预测模式，对这些优选的预测模式运行率失真优化，最终确定最佳模式，因此，这种对每一种预测方式都进行率失真计算的方式导致了现有技术中对于图像帧内预测复杂度较高的技术问题。

发明内容

本发明提供了一种图像处理的方法及装置，用以解决现有技术中图像数据处理过程中对每一种预测方式都进行率失真计算的方式导致了现有技术中对于图像帧内预测复杂度较高的技术问题，其具体的技术方案如下：

一种图像处理方法，应用于一图像处理装置，所述图像处理装置能够对图像数据进行编解码处理，所述图像处理装置在对所述图像数据进行编解码处理的过程中会将所述图像数据划分为N个预测宏块，并且所述N个预测宏块对应N个预测模式，N为大于等于2的整数，所述方法包括：

获取所述N个预测模式对应的N个第一预测值；

根据第一条件，处理所述N个第一预测值中每一个第一预测值的第一均值以及第一方差，获取N个所述第一均值以及N个所述第一方差，其中，所述第一条件为：其中，μ_N为第N种预测模式下预测值的均值，H为当前预测宏块的高，W为当前预测宏块的宽长，σ_N为第N种预测模式下预测值的方差，H为所述当前预测宏块的高，W为所述当前预测宏块的宽长，f_N(x,y)为第N种预测模式在坐标位置(x,y)下的预测函数；

根据第二条件，处理N个所述第一均值以及N个所述第一方差，获取N个所述第一均值的第二方差σ_μ以及N个所述第一方差的第二方差σ_var，其中，所述第二条件为： ${\mathrm{\σ}}_{\mathrm{\μ}}=\frac{\underset{i=0}{\overset{N-1}{\Σ}}{({\mathrm{\μ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\Σ}}{\mathrm{\μ}}_N)}^2}{N},{\mathrm{\σ}}_{\mathrm{var}}=\frac{\underset{i=0}{\overset{N-1}{\Σ}}{({\mathrm{\σ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\Σ}}{\mathrm{\σ}}_N)}^2}{N},$ N表示所有预测模式数目，σ_μ和σ_var分别表示μ_N和σ_N的方差；

判定所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差是否小于第一预设阈值，并生成第一判定结果；

当所述第一判定结果表征所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；

将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

一种图像处理装置，所述图像处理装置能够对图像数据进行编解码处理，所述图像处理装置在对所述图像数据进行编解码处理的过程中会将所述图像数据划分为N个预测宏块，并且所述N个预测宏块对应N个预测模式，N为大于等于2的整数，所述装置包括：

第一获取单元，用于获取所述N个预测模式对应的N个第一预测值；

第二获取单元，用于根据第一条件，处理所述N个第一预测值中每一个第一预测值的第一均值以及第一方差，获取N个所述第一均值以及N个所述第一方差，其中，所述第一条件为：其中，μ_N为第N种预测模式下预测值的均值，H为当前预测宏块的高，W为当前预测宏块的宽长，σ_N为第N种预测模式下预测值的方差，H为所述当前预测宏块的高，W为所述当前预测宏块的宽长，f_N(x,y)为第N种预测模式在坐标位置(x,y)下的预测函数；

第三获取单元，用于根据第二条件，处理N个所述第一均值以及N个所述第一方差，获取N个所述第一均值的第二方差σ_μ以及N个所述第一方差的第二方差σ_var，其中，所述第二条件为： ${\mathrm{\σ}}_{\mathrm{\μ}}=\frac{\underset{i=0}{\overset{N-1}{\Σ}}{({\mathrm{\μ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\Σ}}{\mathrm{\μ}}_N)}^2}{N},{\mathrm{\σ}}_{\mathrm{var}}=\frac{\underset{i=0}{\overset{N-1}{\Σ}}{({\mathrm{\σ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\Σ}}{\mathrm{\σ}}_N)}^2}{N},$ N表示所有预测模式数目，σ_μ和σ_var分别表示μ_N和σ_N的方差；

判定单元，用于判定所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差是否小于第一预设阈值，并生成第一判定结果；

处理单元，用于当所述第一判定结果表征所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；

确定单元，用于将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

在本发明实施例中获取所述N个预测模式对应的N个第一预测值判定通过N个第一预测值得到的第一数据以及第二数据是否小于第一预设阈值，并生成第一判定结果，当所述第一判定结果表征所述第一数据以及所述第二数据小于所述第一预设阈值时，则根据N个第一预测值，对N个第一预测值进行灰预测模型处理，获取第二预测值，将第二预测值作为N个预测模式中每个预测模式的最终预测值，从而解决了现有技术中图像数据处理过程中对每一种预测方式都进行率失真计算的方式导致了现有技术中对于图像帧内预测复杂度较高的技术问题，进而通过灰建模对图像数据进行处理可以有效的降低了图像数据编解码处理过程的复杂度，提高了预测的精度，节约了图像处理装置的处理时间，提升了图像处理装置的处理效率。

附图说明

图1为本发明实施例中一种图像处理方法的流程图；

图2为本发明实施例中图像处理的实施流程图；

图3为本发明实施例中一种图像处理装置的结构示意图。

具体实施方式

本发明提供了一种图像处理方法，首先来讲，该方法应用于一图像处理装置，该图像处理装置能够对图像数据进行编解码处理，该图像处理装置在对图像数据进行编解码处理的过程中会将图像数据划分为N个预测宏块，并且这N个预测宏块对应N个预测模式，该方法具体包括：获取所述N个预测模式对应的N个第一预测值；判定通过所述N个第一预测值得到的第一数据以及第二数据是否小于第一预设阈值，并生成第一判定结果；当所述第一判定结果表征所述第一数据以及所述第二数据小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

具体来讲，在现有的H.264标准的帧内预测模式的选择方法中包括了亮度部分的帧内预测模式选择方式和色度部分的帧内预测模式选择方法，其中亮度部分的选择方法是先将帧图像划分为多个宏块，设定差异度门限值，计算每个宏块的差异度，比较所得的差异度和门限值，根据不同的比较结果使用不同尺寸的预测模式，然后计算每种预测模式的SATD值，根据所得到的值，获得优选的预测模式，对这些优选的预测运行率失真优化，最终确定最佳模式，很明显在现有技术中在确定最佳模式时，需要对每个预测模式都要进行计算得到SATD值以及率失真优化，因此导致了H.264标准的帧内预测的运算过程复杂，使得图像数据的处理速度较慢，并且图像数据的处理效率较低。

因此，在本发明实施例中通过对预测值进行灰建模处理，可以避免对每个预测进行计算SATD值以及率失真优化的处理过程，这样就在不影响视频质量的前提下，降低了图像数据的编码复杂度，也节省了图像数据的处理时间。

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例只是对本发明技术方案的详细说明，而并不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。

如图1所示为本发明实施例中一种图像处理方法的流程图，该方法包括：

步骤101，获取N个预测模式对应的N个第一预测值。

首先来讲，在本发明实施例中该方法应用于一图像处理装置，该图像处理装置能够对图像数据进行编解码处理，并且该图像处理装置在对图像数据进行编解码处理的过程中会将图像数据划分为N个预测宏块，并且每个宏块对应一个预测模式，从而N个预测宏块就对应N个预测模式。

在该图像处理装置得到N个预测模式之后，该图像处理装置将获取N个预测模式对应N个第一预测值，该N个第一预测值由被预测宏块邻近已编码的像素点预测得到。

在得到N个第一预测值之后，该图像处理装置将进行步骤102。

步骤102，判定通过所述N个第一预测值得到的第一数据以及第二数据是否小于第一预设阈值，并生成第一判定结果。

在步骤101中获取到N个第一预测值之后，该图像处理装置首先是获取每个第一预测值的第一均值以及第一方差，具体的计算方式如下：

将N个第一预测值中的每个预测值代入到均值运算公式中，即：其中，μ_N为第N种预测模式下预测值的均值，H为当前预测宏块的高，W为当前预测宏块的宽长，通过上述的运算公式，该图像处理装置将获取N个第一预测值所对应的N个第一均值。

在得到N个第一均值之后，该图像处理装置根据N个第一预测值以及N个第一均值得到N个第一预测值对应的N个第一方差，即：σ_N为第N种预测模式下预测值的方差，H为当前预测宏块的高，W为当前预测宏块的宽长，f_N(x,y)为第N种预测模式在坐标位置(x,y)下的预测函数。

通过上述的方差计算公式就能够得到这N个第一预测值的N个第一方差。

在得到N个第一均值以及N个第一方差之后，该图像处理装置将根据这N个第一均值以及N个第一方差得到N个第一均值的第一数据以及N个第一方差的第二数据，即N个第一均值的第二方差以及N个第一方差的第二方差，其具体的计算方式如下：

根据N个第一均值以及方差计算公式：得到这N个第一均值的第二方差σ_μ；

根据N个第一方差以及方差计算公式：得到这N个第一方差的第二方差σ_var。

然后将得到的第二方差值σ_μ以及σ_var与第一预设阈值T进行比较，当该第二方差值σ_μ以及σ_var低于第一预设阈值T时，则可以确定不同预测模式得到的预测值是相似的。

当第一判定结果表征第一数据以及第二数据小于第一预设阈值T时，则该图像处理装置将执行步骤103。

步骤103，根据N个第一预测值，对N个第一预测值进行灰预测模型处理，获得第二预测值。

在确定第一数据以及第二数据小于第一预设阈值T之后，该图像处理装置将N个第一预测值作为灰建模输入序列的输入数据代入到灰建模的输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N)),中，经过该输入序列的处理得到第二序列数据。

需要说明的是在灰建模中灰建模序列x的级比必须落在可行域范围内，因此在本发明实施例中在获取第二序列数据之前，该图像处理装置还将对输入序列x的级比进行判定，具体来讲，该级比需要限制在这个区域对应的范围内，若输入序列x的级比在该区域范围内时，则该图像处理装置将直接对N个第一预测值进行灰建模处理。

若是该输入序列x的级比中有一个以上的级比未在该区域范围内时，则该图像处理装置将对输入序列进行对应的调整，其具体的调整过程为改变原序列x的级比落区。数据处理的原则是尽量的减小级比偏差，使处理后的序列y，其差异信息Δ_y(k)与变换数据y(k)之比尽量小，表示为在此基础上，该图像处理装置将对输入原输入序列进行平移处理，具体方式是：然后刚得到平移结果其中，y(k)表征平移后的平移序列，x(k)表征原始序列，δ_y(k)为一预设阈值，Δ_y(k)为差异信息，选定ε为δ_y(k)的阈值，则可得到适当的Q值，在得到Q值之后，就能够得到平移后的所生成的新序列，即序列y(k)，并且根据新生成序列进行灰建模处理，即GM(1,1)建模。

下面是通过原序列在满足级比条件来具体说明灰建模GM(1,1)的过程。

将所述N个第一预测值作为所述灰预测模型的输入数据输入到输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N)),，获取所述N个第一预测值对应的第二序列数据，其中，x⁽⁰⁾(1)为第一原始预测值，x⁽⁰⁾(2)为第二原始预测值，x⁽⁰⁾(N)为第N原始预测值；

根据所述第二序列数据，得到所述输入序列对应的累加生成序列 $x^{\left(1\right)}={\mathrm{AGOx}}^{\left(0\right)}=\underset{m-1}{\overset{K}{\Σ}}{x}^{\left(0\right)}\left(m\right)=\left(x^{\left(1\right)}\right(1),x^{\left(1\right)}(2)\mathrm{.......},x^{\left(1\right)}(n\left)\right),$ 其中，x⁽⁰⁾为原始输入序列，x⁽¹⁾(1)为第一序列值，x⁽¹⁾(2)为第二序列值，x⁽¹⁾(n)为第n序列值；

根据所述累加生成序列，获取所述累加生成序列对应的均值生成序列：z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))，根据z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))获得z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)，其中z⁽¹⁾为所述均值生成序列，z⁽¹⁾(1)为第一均值生成序列的第一序列值，z⁽¹⁾(2)为第一均值生成序列的第二序列值，z⁽¹⁾(n)为第一均值生成序列的第三序列值；

根据所述输入序列以及所述均值生成序列获取中间参数，并根据所述输入序列以及所述均值生成序列以及所述中间参数获得发展系数a以及灰输入量b；

根据所述输入序列、所述均值生成序列、所述发展系数以及所述灰输入量获取所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，对所述N个第一预测值进行所述灰预测模型处理，获取所述第二预测值。

其中，为了获得发展系数a以及灰输入量b，就需要首先求出中间参数，中间参数的具体获取方式如下：

根据所述均值生成序列，得到第一中间参数

根据所述输入序列，得到第二中间参数

根据所述均值生成序列以及所述输入序列，得到第三中间参数 $E=\underset{k=2}{\overset{n}{\Σ}}{z}^{\left(1\right)}\left(k\right)x^{\left(0\right)}\left(k\right);$

根据所述均值生成序列，得到第四中间参数

根据所述第一中间参数C、第二中间参数D、第三中间参数E、第四中间参数F获得所述发展系数以及所述灰输入量在得到发展系数a以及灰输入量b之后，就可以得到GM(1,1)的表达式：x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，该表达式只是一个过渡表达式，根据该过渡表达式就可以得到 ${\hat{x}}^{\left(1\right)}(k+1)=\left(x^{\left(0\right)}\right(1)-\frac{b}{a})e^{ak}+\frac{b}{a},$ 其中的表征临时预测值。

由于发展系数a是以分母的形式存在于表达式中，因此，首先需要对发展系数a进行判定，即该判定该发展系数a是否大于第二预设阈值，并生成第二判定结果，该第二预设阈值可以设置为10^-5大小的数，在该发展系数a小于该第二预设阈值时，则该图像处理装置将确定输入序列x⁽⁰⁾中的每个值相似，从而并不需要对N个第一预测值进行灰建模处理，而是直接将N个第一预测值中的任意一个第一预测值作为最终的预测值。

若是发展系数a大于第二预设阈值时，则该图像处理装置将根据预测模型：P_final(i,j)＝f_GM(1,1)(p₁,p₂,...,p_r)，获得第二预测值，其中，P_final(i,j)为通过灰建模GM(1,1)之后获得的第二预测值。

步骤104，所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

另外，如图2所示为本发明实施例中图像处理的实施流程图，在图2中首先将N个第一预测值作为输入序列的值，然后判定输入序列的级比，在级比满足条件时则累加生成获得x⁽¹⁾(k)，若是输入序列不满足级比时，则对输入序列进行调整，在使得输入序列满足条件之后，累加生成x⁽¹⁾(k)，然后对x⁽¹⁾(k)进行均值生成获得z⁽¹⁾(k)，在得到z⁽¹⁾(k)后判定均值生成序列中的发展系数是否为0，在该发展系数等于0时，则将x⁽⁰⁾(k)序列中第一个数值作为预测值，若该发展系数大于0时，则使用x ⁽¹⁾(k+1)＝(x⁽⁰⁾(1)-b/a)e^ak+b/a,x ⁽⁰⁾(k+1)＝x ⁽¹⁾(k+1)-x ⁽¹⁾(k)，获得模拟输出值x ⁽⁰⁾(k+1)，最后将x ⁽⁰⁾(k+1)作为最终的预测结果。

对应本发明实施例中一种图像处理方法，本发明实施例还提供了一种图像处理装置，如图3所示为本发明实施例中一种图像处理装置的具体结构示意图，该图像处理装置包括：

获取单元301，用于获取所述N个预测模式对应的N个第一预测值；

判定单元302，用于判定所述N个第一预测值中任意两个预测值之间的N-1个第一差异值中每个第一差异值是否小于第一预设阈值，并生成N-1个第一判定结果；

处理单元303，用于当所述N-1个第一判定结果表征所述N-1个第一差异值小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；

确定单元304，用于将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

其中，该图像处理装置中的处理单元303还包括：

第一处理模块，用于将N个所述第一预测值作为所述灰预测模型的输入数据输入到输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N)),，获取N个所述第一预测值对应的第二序列数据，其中，x⁽⁰⁾(1)为第一原始预测值，x⁽⁰⁾(2)为第二原始预测值，x⁽⁰⁾(N)为第N原始预测值；

第二处理模块，用于根据所述第二序列数据，得到所述输入序列对应的累加生成序列 $x^{\left(1\right)}-{\mathrm{AGOx}}^{\left(0\right)}=\underset{m-1}{\overset{K}{\Σ}}{x}^{\left(0\right)}\left(m\right)=\left(x^{\left(1\right)}\right(1),x^{\left(1\right)}(2)\mathrm{.......},x^{\left(1\right)}(n\left)\right),$ 其中，x⁽⁰⁾为原始输入序列，x⁽¹⁾(1)为第一序列值，x⁽¹⁾(2)为第二序列值，x⁽¹⁾(n)为第n序列值；

第三处理模块，用于根据所述累加生成序列，获取所述累加生成序列对应的均值生成序列：z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))，根据z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1),z⁽¹⁾(2),…,z⁽¹⁾(n))获得z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)，其中z⁽¹⁾为所述均值生成序列，z⁽¹⁾(1)为第一均值生成序列的第一序列值，z⁽¹⁾(2)为第一均值生成序列的第二序列值，z⁽¹⁾(n)为第一均值生成序列的第三序列值；

第四处理模块，用于根据所述输入序列以及所述均值生成序列获取中间参数，并根据所述输入序列以及所述均值生成序列以及所述中间参数获得发展系数a以及灰输入量b；

第五处理模块，用于根据所述输入序列、所述均值生成序列、所述发展系数以及所述灰输入量获取所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

获取模块，用于根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，对所述N个第一预测值进行所述灰预测模型处理，获取所述第二预测值。

在本发明实施例中获取所述N个预测模式对应的N个第一预测值判定通过N个第一预测值得到的第一数据以及第二数据是否小于第一预设阈值，并生成第一判定结果，当所述第一判定结果表征所述第一数据以及所述第二数据小于所述第一预设阈值时，则根据N个第一预测值，对N个第一预测值进行灰预测模型处理，获取第二预测值，将第二预测值作为N个预测模式中每个预测模式的最终预测值，从而解决了现有技术中图像数据处理过程中对每一种预测方式都进行率失真计算的方式导致了现有技术中对于图像帧内预测复杂度较高的技术问题，进而通过灰建模对图像数据进行处理可以有效的降低了图像数据编解码处理过程的复杂度，提高了预测的精度，节约了图像处理装置的处理时间，提升了图像处理装置的处理效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种图像处理方法，应用于一图像处理装置，所述图像处理装置能够对图像数据进行编解码处理，所述图像处理装置在对所述图像数据进行编解码处理的过程中会将所述图像数据划分为N个预测宏块，并且所述N个预测宏块对应N个预测模式，N为大于等于2的整数，其特征在于，所述方法包括：

获取所述N个预测模式对应的N个第一预测值；

根据第一条件，处理所述N个第一预测值中每一个第一预测值的第一均值以及第一方差，获取N个所述第一均值以及N个所述第一方差，其中，所述第一条件为：其中，μ_N为第N种预测模式下预测值的均值，H为当前预测宏块的高，W为当前预测宏块的宽长，σ_N为第N种预测模式下预测值的方差，H为所述当前预测宏块的高，W为所述当前预测宏块的宽长，f_N(x,y)为第N种预测模式在坐标位置(x,y)下的预测函数；

根据第二条件，处理N个所述第一均值以及N个所述第一方差，获取N个所述第一均值的第二方差σ_μ以及N个所述第一方差的第二方差σ_var，其中，所述第二条件为： ${\mathrm{\σ}}_{\mathrm{\μ}}=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{({\mathrm{\μ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_N)}^2}{N},{\mathrm{\σ}}_{\mathrm{var}}=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{({\mathrm{\σ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_N)}^2}{N},$ N表示所有预测模式数目，σ_μ和σ_var分别表示μ_N和σ_N的方差；

判定所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差是否小于第一预设阈值，并生成第一判定结果；

当所述第一判定结果表征所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；

将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

2.如权利要求1所述的方法，其特征在于，所述根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值，具体包括：

将所述N个第一预测值作为所述灰预测模型的输入数据输入到输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N))，获取所述N个第一预测值对应的第二序列数据，其中，x⁽⁰⁾(1)为第一原始预测值，x⁽⁰⁾(2)为第二原始预测值，x⁽⁰⁾(N)为第N原始预测值；

根据所述第二序列数据，得到所述输入序列对应的累加生成序列 $x^{\left(1\right)}={\mathrm{AGOx}}^{\left(0\right)}=\underset{m-1}{\overset{K}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right)=(x^{\left(1\right)}\left(1\right),x^{\left(1\right)}\left(2\right).......,x^{\left(1\right)}\left(n\right)),$ 其中，x⁽⁰⁾为原始输入序列，x⁽¹⁾(1)为第一序列值，x⁽¹⁾(2)为第二序列值，x⁽¹⁾(n)为第n序列值；

根据所述累加生成序列，获取所述累加生成序列对应的均值生成序列：z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1)，z⁽¹⁾(2)，…，z⁽¹⁾(n))，根据z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1)，z⁽¹⁾(2)，…，z⁽¹⁾(n))获得z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)，其中z⁽¹⁾为所述均值生成序列，z⁽¹⁾(1)为第一均值生成序列的第一序列值，z⁽¹⁾(2)为第一均值生成序列的第二序列值，z⁽¹⁾(n)为第一均值生成序列的第三序列值；

根据所述输入序列以及所述均值生成序列获取中间参数，并根据所述输入序列以及所述均值生成序列以及所述中间参数获得发展系数a以及灰输入量b；

根据所述输入序列、所述均值生成序列、所述发展系数以及所述灰输入量获取所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，对所述N个第一预测值进行所述灰预测模型处理，获取所述第二预测值。

3.如权利要求2所述的方法，其特征在于，将所述N个第一预测值作为所述灰预测模型的输入数据输入到输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(r))，获取所述N个第一预测值对应的第二序列数据，具体包括：

检测所述输入序列中的灰建模序列的级比是否在第一预设范围内，并生成第一检测结果，其中n表征预测值总数；

当所述级比在所述第一预设范围内时，则将N个所述第一预测值作为所述灰预测模型的输入数据输入到所述输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(r))，获取所述N个第一预测值对应的所述第二序列数据。

4.如权利要求3所述的方法，其特征在于，所述第一检测结果表征所述级比未在所述第一预设范围内时，所述方法还包括：

对所述输入序列进行平移处理并获得平移结果其中，y(k)表征平移后的平移序列，x(k)表征原始序列，δ_y(k)为一预设阈值，Δ_y(k)为差异信息；

根据所述结果获得Q值；

根据所述平移结果获得第二序列；

根据所述第二序列，对所述N个第一预测值进行灰预测模型处理，获取所述第二预测值。

5.如权利要求2所述的方法，其特征在于，所述根据所述输入序列以及所述均值生成序列获取中间参数，并根据所述输入序列以及所述均值生成序列以及所述中间参数获得发展系数以及灰输入量，具体包括：

根据所述均值生成序列，得到第一中间参数

根据所述输入序列，得到第二中间参数

根据所述均值生成序列以及所述输入序列，得到第三中间参数 $E=\underset{k=2}{\overset{n}{\Σ}}{z}^{\left(1\right)}\left(k\right)x^{\left(0\right)}\left(k\right);$

根据所述均值生成序列，得到第四中间参数

根据所述第一中间参数C、第二中间参数D、第三中间参数E、第四中间参数F获得所述发展系数以及所述灰输入量

6.如权利要求2所述的方法，其特征在于，所述根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，对N个所述第一预测值进行所述灰预测模型处理，获取所述第二预测值，包括：

根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，获取预测值处理条件： ${\hat{x}}^{\left(1\right)}(k+1)=\left(x^{\left(0\right)}\right(1)-\frac{b}{a})e^{ak}+\frac{b}{a},$ 其中，表征临时预测值；

判定所述发展系数a是否大于第二预设阈值，并生成第二判定结果；

在所述第二判定结果表征所述发展系数a大于所述第二预设阈值时，则根据预测模型：P_final(i,j)＝f_GM(1,1)(p₁,p₂,...,p_r)，获取所述第二预测值，其中，P_final(i,j)为所述第二预测值。

7.如权利要求6所述的方法，其特征在于，当所述第二判定结果表征所述发展系数a小于所述第二预设阈值时，所述方法还包括：

将N个所述第一预测值中的任意一个第一预测值作为所述第二预测值，并将所述第二预测值作为所述最终预测值。

8.一种图像处理装置，其特征在于，所述图像处理装置能够对图像数据进行编解码处理，所述图像处理装置在对所述图像数据进行编解码处理的过程中会将所述图像数据划分为N个预测宏块，并且所述N个预测宏块对应N个预测模式，N为大于等于2的整数，所述装置包括：

第一获取单元，用于获取所述N个预测模式对应的N个第一预测值；

第二获取单元，用于根据第一条件，处理所述N个第一预测值中每一个第一预测值的第一均值以及第一方差，获取N个所述第一均值以及N个所述第一方差，其中，所述第一条件为：其中，μ_N为第N种预测模式下预测值的均值，H为当前预测宏块的高，W为当前预测宏块的宽长，σ_N为第N种预测模式下预测值的方差，H为所述当前预测宏块的高，W为所述当前预测宏块的宽长，f_N(x,y)为第N种预测模式在坐标位置(x,y)下的预测函数；

第三获取单元，用于根据第二条件，处理N个所述第一均值以及N个所述第一方差，获取N个所述第一均值的第二方差σ_μ以及N个所述第一方差的第二方差σ_v，其中，所述第二条件为： ${\mathrm{\σ}}_{\mathrm{\μ}}=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{({\mathrm{\μ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_N)}^2}{N},{\mathrm{\σ}}_{\mathrm{var}}=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{({\mathrm{\σ}}_i-\frac{1}{N}\underset{r=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\μ}}_N)}^2}{N},$ N表示所有预测模式数目，σ_μ和σ_var分别表示μ_N和σ_N的方差；

判定单元，用于判定所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差是否小于第一预设阈值，并生成第一判定结果；

处理单元，用于当所述第一判定结果表征所述N个所述第一均值的第二方差以及所述N个所述第一方差的第二方差小于所述第一预设阈值时，则根据所述N个第一预测值，对所述N个第一预测值进行灰预测模型处理，获取第二预测值；

确定单元，用于将所述第二预测值作为所述N个预测模式中每个预测模式的最终预测值。

9.如权利要求8所述的装置，其特征在于，所述处理单元包括：

第一处理模块，用于将N个所述第一预测值作为所述灰预测模型的输入数据输入到输入序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N))，获取N个所述第一预测值对应的第二序列数据，其中，x⁽⁰⁾(1)为第一原始预测值，x⁽⁰⁾(2)为第二原始预测值，x⁽⁰⁾(N)为第N原始预测值；

第二处理模块，用于根据所述第二序列数据，得到所述输入序列对应的累加生成序列 $x^{\left(1\right)}={\mathrm{AGOx}}^{\left(0\right)}=\underset{m-1}{\overset{K}{\Σ}}{x}^{\left(0\right)}\left(m\right)=\left(x^{\left(1\right)}\right(1),x^{\left(1\right)}(2).......,x^{\left(1\right)}(n\left)\right),$ 其中，x⁽⁰⁾为原始输入序列，x⁽¹⁾(1)为第一序列值，x⁽¹⁾(2)为第二序列值，x⁽¹⁾(n)为第n序列值；

第三处理模块，用于根据所述累加生成序列，获取所述累加生成序列对应的均值生成序列：z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1)，z⁽¹⁾(2)，…，z⁽¹⁾(n))，根据z⁽¹⁾＝MEANx⁽¹⁾＝(z⁽¹⁾(1)，z⁽¹⁾(2)，…，z⁽¹⁾(n))获得z₍₁₎(k)＝0.5x₍₁₎(k)+0.5x₍₁₎(k-1)，其中z₍₁₎为所述均值生成序列，z⁽¹⁾(1)为第一均值生成序列的第一序列值，z⁽¹⁾(2)为第一均值生成序列的第二序列值，z⁽¹⁾(n)为第一均值生成序列的第三序列值；

第四处理模块，用于根据所述输入序列以及所述均值生成序列获取中间参数，并根据所述输入序列以及所述均值生成序列以及所述中间参数获得发展系数a以及灰输入量b；

第五处理模块，用于根据所述输入序列、所述均值生成序列、所述发展系数以及所述灰输入量获取所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b；

获取模块，用于根据所述灰预测模型x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，对所述N个第一预测值进行所述灰预测模型处理，获取所述第二预测值。