图像的压缩、解压缩方法及装置、电子设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像的压缩、解压缩方法及装置、电子设备和存储介质。
背景技术
图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术，也称为图像编码。图像数据之所以能被压缩，是因为数据中存在着冗余。图像数据的冗余主要表现为：图像中相邻像素点间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；不同彩色平面或频谱带的相关性引起的频谱冗余。数据压缩的目标就是通过去除这些冗余来减少表示数据所需的比特数。由于图像数据量的庞大，在存储、传输、处理时较为困难，因此，图像压缩具有重要意义。
发明内容
本公开提供了一种图像的压缩、解压缩技术方案。
根据本公开的一方面，提供了一种图像的压缩方法，包括：
获取待压缩图像，其中，所述待压缩图像的像素点包括锚点和非锚点；
对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；
根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
通过将待压缩图像的像素点划分为锚点和非锚点，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，并根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，由此能够在保证压缩效果的前提下，提高图像压缩的速度。
在一种可能的实现方式中，
所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：并行对多个锚点的像素值进行压缩处理，得到所述多个锚点对应的压缩信息；
和/或，
所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，并行对多个非锚点的像素值进行压缩处理，得到所述多个非锚点对应的压缩信息。
在该实现方式中，通过并行对多个锚点的像素值进行压缩处理，由此能够充分利用硬件的并行性，提高锚点的压缩速度，从而能够提高压缩所述待压缩图像的速度。通过并行对多个非锚点的像素值进行压缩处理，由此能够充分利用硬件的并行性，提高非锚点的压缩速度，从而能够提高压缩所述待压缩图像的速度。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：
对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在该实现方式中，通过对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据对所述非锚点的像素值进行压缩处理，由此能够提高对所述非锚点的预测精度，从而能够节省压缩所述非锚点所需的码率，从而能够提高图像压缩效果。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在该实现方式中，锚点与非锚点相邻，由此在对非锚点进行压缩处理的过程中，能够利用与非锚点相邻的锚点的数据对该非锚点进行预测，从而有利于提高对于该非锚点的预测精度，进而有助于节省非锚点的码率。
在一种可能的实现方式中，
所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：获取所述待压缩图像对应的辅助信息；根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；
所述根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，包括：根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在该实现方式，通过根据所述辅助信息对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，由此能够提高所述锚点的压缩效果。通过根据所述待压缩图像中所述锚点的数据以及所述辅助信息对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够提高所述非锚点的压缩效果。通过结合所述辅助信息与所述锚点对应的压缩信息、所述非锚点对应的压缩信息一起，得到所述待压缩图像对应的压缩数据，由此能够在保证解压缩后的图像质量的前提下，减小所述待压缩图像对应的压缩数据所需的存储空间。
在一种可能的实现方式中，
所述获取所述待压缩图像对应的辅助信息，包括：对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征；根据所述待编码特征，确定所述待压缩图像对应的辅助信息；
所述根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，包括：根据所述待编码特征、所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在该实现方式中，通过对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征，并根据所述待编码特征，确定所述待压缩图像对应的辅助信息，由此能够提取待编码特征中的低频信息和局部的空间相关性辅助进行图像压缩。根据所述待编码特征、所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，能够在保证解压缩后的图像质量的前提下，减小所述待压缩图像对应的压缩数据所需的存储空间。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：
根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在该实现方式中，通过根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够节省所述非锚点的码率。
在一种可能的实现方式中，
所述根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
所述根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在该实现方式中，通过根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，由此能够提高所述锚点的压缩速度。通过根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够提高所述非锚点的压缩速度。
在一种可能的实现方式中，
所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：预测所述锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息；
和/或，
所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，预测所述非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息。
在该实现方式中，通过根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息，并基于所述锚点对应的压缩编码的概率信息得到所述待压缩图像对应的压缩数据，由此能够提高所述待压缩图像的压缩效果。通过根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息，并基于所述非锚点对应的压缩编码的概率信息得到所述待压缩图像对应的压缩数据，由此能够提高所述待压缩图像的压缩效果。
根据本公开的一方面，提供了一种图像的解压缩方法，包括：
对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息；
根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息；
根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像。
通过对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，并根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像，由此将图像的解压缩过程分为锚点和非锚点两个均可以并行计算的过程，实现了对图像解压缩过程的加速。
在一种可能的实现方式中，
所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：并行对所述压缩数据中的多个锚点进行解压处理，得到所述多个锚点对应的解压信息；
和/或，
所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，得到所述多个非锚点对应的解压信息。
在该实现方式中，通过并行对所述压缩数据中的多个锚点进行解压处理，由此能够充分利用硬件的并行性，提高锚点的解压缩速度，从而能够提高解压缩所述压缩数据的速度。通过根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，由此能够充分利用硬件的并行性，提高非锚点的解压缩速度，从而能够提高解压缩所述压缩数据的速度。
在一种可能的实现方式中，所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：
对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点对应的解压信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在该实现方式中，通过对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据对所述非锚点进行解压处理，由此能够提高对所述非锚点的预测精度。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在该实现方式中，锚点与非锚点相邻，由此在对非锚点进行解压缩的过程中，能够利用与非锚点相邻的锚点的数据对该非锚点进行预测，从而有利于提高对于该非锚点的预测精度。
在一种可能的实现方式中，
所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息；根据所述辅助信息，对所述锚点进行解压处理，得到所述锚点对应的解压信息；
所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息以及所述辅助信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在该实现方式中，通过根据所述辅助信息，对所述锚点进行解压处理，由此能够准确地得到所述锚点对应的解压信息。通过根据所述锚点对应的解压信息以及所述辅助信息，对所述非锚点进行解压处理，由此能够准确地得到所述非锚点对应的解压信息。
在一种可能的实现方式中，
所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：预测所述压缩数据中的锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息；
和/或，
所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息，预测所述压缩数据中的非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息。
根据该实现方式，能够准确地得到所述锚点对应的解压信息和所述非锚点对应的解压信息。
在一种可能的实现方式中，
所述根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息，包括：根据所述锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述锚点对应的解压信息；
所述根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息，包括：根据所述非锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述非锚点对应的解压信息。
根据该实现方式，能够准确地得到所述锚点对应的解压信息和所述非锚点对应的解压信息。
根据本公开的一方面，提供了一种图像的压缩装置，包括：
获取模块，用于获取待压缩图像，其中，所述待压缩图像的像素点包括锚点和非锚点；
第一压缩模块，用于对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
第二压缩模块，用于根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；
第一确定模块，用于根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，
所述第一压缩模块用于：并行对多个锚点的像素值进行压缩处理，得到所述多个锚点对应的压缩信息；
和/或，
所述第二压缩模块用于：根据所述待压缩图像中所述锚点的数据，并行对多个非锚点的像素值进行压缩处理，得到所述多个非锚点对应的压缩信息。
在一种可能的实现方式中，所述第二压缩模块用于：
对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在一种可能的实现方式中，
所述第一压缩模块用于：获取所述待压缩图像对应的辅助信息；根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
所述第二压缩模块用于：根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；
所述第一确定模块用于：根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，
所述第一压缩模块用于：对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征；根据所述待编码特征，确定所述待压缩图像对应的辅助信息；
所述第一确定模块用于：根据所述待编码特征、所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，所述第二压缩模块用于：
根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，
所述第一压缩模块用于：根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；
所述第二压缩模块用于：根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，
所述第一压缩模块用于：预测所述锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息；
和/或，
所述第二压缩模块用于：根据所述待压缩图像中所述锚点的数据，预测所述非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息。
根据本公开的一方面，提供了一种图像的解压缩装置，包括：
第一解压模块，用于对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息；
第二解压模块，用于根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息；
第二确定模块，用于根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像。
在一种可能的实现方式中，
所述第一解压模块用于：并行对所述压缩数据中的多个锚点进行解压处理，得到所述多个锚点对应的解压信息；
和/或，
所述第二解压模块用于：根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，得到所述多个非锚点对应的解压信息。
在一种可能的实现方式中，所述第二解压模块用于：
对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点对应的解压信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在一种可能的实现方式中，
所述第一解压模块用于：对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息；根据所述辅助信息，对所述锚点进行解压处理，得到所述锚点对应的解压信息；
所述第二解压模块用于：根据所述锚点对应的解压信息以及所述辅助信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，
所述第一解压模块用于：预测所述压缩数据中的锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息；
和/或，
所述第二解压模块用于：根据所述锚点对应的解压信息，预测所述压缩数据中的非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，
所述第一解压模块用于：根据所述锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述锚点对应的解压信息；
所述第二解压模块用于：根据所述非锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述非锚点对应的解压信息。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
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。
在本公开实施例中，通过将待压缩图像的像素点划分为锚点和非锚点，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，并根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，由此能够在保证压缩效果的前提下，提高图像压缩的速度。
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。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出相关技术中的串行编解码过程的示意图。
图2示出本公开实施例提供的图像的压缩方法的流程图。
图3示出本公开实施例中将待压缩图像的像素点划分为锚点和非锚点的示意图。
图4示出非锚点所依据的上下文的示意图。
图5示出非锚点所依据的上下文的另一示意图。
图6示出本公开实施例中的图像压缩模型的示意图。
图7a示出采用T个条带对应的T个编码块的示意图。
图7b示出第i个条带对应的处理流程的示意图。
图8示出本公开实施例提供的图像的解压缩方法的流程图。
图9示出本公开实施例提供的图像的压缩装置的框图。
图10示出本公开实施例提供的图像的解压缩装置的框图。
图11示出本公开实施例提供的一种电子设备800的框图。
图12示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
相关技术中，基于深度学习的图像压缩技术的压缩效果已经超过了H.265的帧内编码技术。上下文模型是基于深度学习的图像压缩技术实现高压缩率的关键模块。然而，相关技术中的上下文模型在图像编解码的过程中无法并行，需要逐个码字按顺序进行串行编解码，导致图像编解码的效率较低，难以落地实用，适用场景受到限制。图1示出相关技术中的串行编解码过程的示意图。在图1中，像素点1-14表示已编码(或已解码)的像素点，像素点15表示待编码(或待解码)的像素点，在对像素点15进行编码(或解码)时，需要依赖像素点8、9、10和14的信息，且每个像素点只能按顺序进行串行编码(或解码)。
为了解决类似上文所述的技术问题，本公开实施例提供了一种图像的压缩方法，通过将待压缩图像的像素点划分为锚点和非锚点，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，并根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，由此能够在保证压缩效果的前提下，提高图像压缩的速度。其中，压缩效果包括压缩数据的大小和解压缩后的图像质量(即解压缩后的图像清晰度)两方面。
本公开实施例可以应用于图像压缩和/或解压缩中，也可以应用于视频压缩和/或解压缩中。例如，本公开实施例可以应用于安防相关图像的压缩存储、手机图像压缩存储等应用场景中。例如，对于安防场景，常常需要保存大量的图片。采用本公开实施例与采用相关技术中的基于上下文模型的图像压缩技术相比，能够在保证压缩效果的前提下提高图像压缩的速度，或者能够在保证解压缩后的图像质量的前提下减小图片的压缩数据的存储空间，或者能够在占用同样的存储空间的前提下提高解压缩后的图像质量，从而能够起到提高图像压缩速度、提高解压缩后的图像质量、节省存储空间和节省维护成本的作用。
图2示出本公开实施例提供的图像的压缩方法的流程图。所述图像的压缩方法的执行主体可以是图像的压缩装置。例如，所述图像的压缩方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像的压缩方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，所述图像的压缩方法包括步骤S11至步骤S14。
在步骤S11中，获取待压缩图像，其中，所述待压缩图像的像素点包括锚点和非锚点。
在本公开实施例中，待压缩图像可以表示需要进行压缩的图像。其中，将待压缩图像的像素点划分为锚点和非锚点，其中，所述锚点可以表示不依赖其他像素点的信息进行压缩的像素点，所述非锚点可以表示依赖其他像素点的信息进行压缩的像素点。在一种可能的实现方式中，一个锚点对应于待压缩图像中的一个像素点，一个非锚点对应于待压缩图像中的一个像素点，即，锚点与像素点一一对应，非锚点与像素点一一对应，由此有助于提高图像压缩过程中像素点之间的关联性和/或可预测性，从而有助于提高待压缩图像的压缩效果。在另一种可能的实现方式中，一个锚点可以对应于待压缩图像中的多个像素点，和/或，一个非锚点可以对应于待压缩图像中的多个像素点。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。在该实现方式中，锚点与非锚点相邻，由此在对非锚点进行压缩处理的过程中，能够利用与非锚点相邻的锚点的数据对该非锚点进行预测，从而有利于提高对于该非锚点的预测精度，进而有助于节省非锚点的码率。
图3示出本公开实施例中将待压缩图像的像素点划分为锚点和非锚点的示意图。在图3中，待压缩图像的各个像素点分别用一个格子来表示，深色的格子为锚点，浅色的格子为非锚点。例如，像素点1是非锚点，像素点2是锚点。在图3所示的示例中，可以按照棋盘格的形式，将待压缩图像划分为锚点和非锚点，即，每个锚点的上下左右均为非锚点，每个非锚点的上下左右均为锚点。在图3所示的示例中，锚点和非锚点的数量可以相等或相近。当然，本公开实施例不限于采用图3所示的方式划分锚点和非锚点，锚点和非锚点的数量也可以不相等。
当然，在其他可能的实现方式中，也可以不按照棋盘格的形式对待压缩图像进行划分，只要满足“与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点”即可。例如，某一非锚点的左上方像素点可以是锚点，正上方像素点可以是非锚点，右上方像素点可以是锚点，正右方像素点可以是锚点，右下方像素点可以是非锚点，正下方像素点可以是锚点，左下方像素点可以是非锚点，正左方像素点可以是锚点。
在步骤S12中，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息。
在本公开实施例中，可以对所述锚点进行无损压缩编码，也可以对所述锚点进行有损压缩编码，在此不作限定。例如，可以采用算术编码、哈夫曼编码等方法，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息。所述锚点对应的压缩信息，可以表示用于压缩所述锚点的信息。例如，所述锚点对应的压缩信息可以包括所述锚点对应的压缩编码的概率信息或者符号序列等。例如，压缩编码的概率信息可以是算术编码的概率信息等。
在本公开实施例中，可以不使用任何上下文模型，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息。即，在本公开实施例中，对于任一锚点，可以不依赖其他像素点的信息，对该锚点进行压缩处理，得到该锚点对应的压缩信息。
在一种可能的实现方式中，所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：并行对多个锚点的像素值进行压缩处理，得到所述多个锚点对应的压缩信息。作为该实现方式的一个示例，可以并行对所述待压缩图像中的所有锚点进行压缩处理，得到所述所有锚点对应的压缩信息。作为该实现方式另一个示例，可以并行对所述待压缩图像中的部分锚点进行压缩处理，得到所述部分锚点对应的压缩信息。在该实现方式中，通过并行对多个锚点的像素值进行压缩处理，由此能够充分利用硬件的并行性，提高锚点的压缩速度，从而能够提高压缩所述待压缩图像的速度。
在一种可能的实现方式中，所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：获取所述待压缩图像对应的辅助信息；根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息。在该实现方式，通过根据所述辅助信息对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，由此能够提高所述锚点的压缩效果。在该实现方式中，所述辅助信息也可以称为超先验信息(hyperprior)。
作为该实现方式的一个示例，所述获取所述待压缩图像对应的辅助信息，包括：对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征；根据所述待编码特征，确定所述待压缩图像对应的辅助信息。在该示例中，可以通过对所述待压缩图像进行特征提取，提取待编码特征中的低频信息和局部的空间相关性，得到待压缩图像对应的辅助信息。在一个例子中，待压缩图像可以记为x，可以将待压缩图像x输入第一编码神经网络ga，通过第一编码神经网络ga对待压缩图像x进行特征提取，得到待压缩图像x对应的待编码特征y；将待编码特征y输入第二编码神经网络ha，通过第二编码神经网络ha对待编码特征y进行特征提取，得到待压缩图像x对应的辅助信息z。在该示例中，通过对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征，并根据所述待编码特征，确定所述待压缩图像对应的辅助信息，由此能够提取待编码特征中的低频信息和局部的空间相关性辅助进行图像压缩。
作为该实现方式的一个示例，所述根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息。在该示例中，通过根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，由此能够提高所述锚点的压缩速度。在一个例子中，辅助信息可以记为z，可以通过量化器Q对辅助信息z进行量化，得到量化后的辅助信息
在一个例子中，可以将量化后的辅助信息
在一种可能的实现方式中，所述对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，包括：预测所述锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息。在该实现方式中，所述锚点对应的概率分布的统计信息，可以表示所述锚点对应的统计分布程度的度量。例如，所述锚点对应的概率分布的统计信息，可以包括所述锚点对应的概率分布的均值、标准差、方差等中的至少之一。例如，所述锚点对应的概率分布的统计信息，可以包括所述锚点对应的概率分布的均值和标准差，例如，可以包括所述锚点对应的高斯分布的均值和标准差。在该实现方式中，通过根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息，并基于所述锚点对应的压缩编码的概率信息得到所述待压缩图像对应的压缩数据，由此能够提高所述待压缩图像的压缩效果。
作为该实现方式的一个示例，可以根据量化后的辅助信息，预测所述锚点对应的概率分布的统计信息。在一个例子中，可以将量化后的辅助信息
作为该实现方式的一个示例，可以通过第二熵模型根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息。例如，第二熵模型可以是高斯分布模型。例如，可以通过第二熵模型根据所述锚点对应的概率分布的均值μβ和标准差σβ，得到所述锚点对应的压缩编码的概率信息。
在步骤S13中，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在本公开实施例中，可以对所述非锚点进行无损压缩编码，也可以对所述非锚点进行有损压缩编码，在此不作限定。例如，可以采用算术编码、哈夫曼编码等方法，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。所述非锚点对应的压缩信息，可以表示用于压缩所述非锚点的信息。例如，所述非锚点对应的压缩信息可以包括所述非锚点对应的压缩编码的概率信息或者符号序列等。例如，压缩编码的概率信息可以是算术编码的概率信息等。
在本公开实施例中，可以采用上下文模型，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。即，在本公开实施例中，对于任一非锚点，可以依赖其他像素点的信息，对该非锚点进行压缩处理，得到该非锚点对应的压缩信息。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，并行对多个非锚点的像素值进行压缩处理，得到所述多个非锚点对应的压缩信息。作为该实现方式的一个示例，可以根据所述待压缩图像中所述锚点的数据，并行对所述待压缩图像中的所有非锚点进行压缩处理，得到所述所有非锚点对应的压缩信息。作为该实现方式另一个示例，可以根据所述待压缩图像中所述锚点的数据，并行对所述待压缩图像中的部分非锚点进行压缩处理，得到所述部分非锚点对应的压缩信息。在该实现方式中，通过并行对多个非锚点的像素值进行压缩处理，由此能够充分利用硬件的并行性，提高非锚点的压缩速度，从而能够提高压缩所述待压缩图像的速度。
在一种可能的实现方式中，可以并行对所述待压缩图像中的所有锚点进行压缩处理，得到所述所有锚点对应的压缩信息，并根据所述待压缩图像中所述锚点的数据，并行对所述待压缩图像中的所有非锚点进行压缩处理，得到所述所有非锚点对应的压缩信息，由此能够在保证解压缩后的图像质量和压缩数据的大小的前提下，显著提高图像压缩的速度。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。在该实现方式中，通过对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据对所述非锚点的像素值进行压缩处理，由此能够提高对所述非锚点的预测精度，从而能够节省压缩所述非锚点所需的码率(bits per pixel)，从而能够提高图像压缩效果。其中，码率指的是单位像素点编码所需要的长度，即压缩后所需的存储空间。例如，预设距离可以为1或者2等。
图4示出非锚点所依据的上下文的示意图。如图4所示，可以根据锚点2-5的数据，对非锚点1进行压缩处理，得到非锚点1对应的压缩信息。即，在图4中，非锚点1是当前进行编码(或解码)的像素点，锚点2-5是编码(或解码)非锚点1时依赖的上下文。如图4所示，这种四周环绕的上下文与如图1所示的偏左上角的上下文相比，对当前进行编码(或解码)的非锚点的预测精度更高，因此能够节省非锚点的码率。图4所示的示例可以采用3×3的掩膜卷积来实现。在图4所示的示例中，对于非锚点1，根据与非锚点1之间的距离小于或等于1的锚点2-5的数据，对所述非锚点1进行压缩处理，得到所述非锚点1对应的压缩信息。
图5示出非锚点所依据的上下文的另一示意图。如图5所示，根据锚点2-13的数据，对非锚点1进行压缩处理，得到非锚点1对应的压缩信息。即，在图5中，非锚点1是当前进行编码(或解码)的像素点，锚点2-13是编码(或解码)非锚点1时依赖的上下文。如图5所示，这种四周环绕的上下文与如图1所示的偏左上角的上下文相比，对当前进行编码(或解码)的非锚点的预测精度更高，因此能够节省非锚点的码率。图5所示的示例可以采用5×5的掩膜卷积来实现。在图5所示的示例中，对于非锚点1，根据与非锚点1之间的距离小于或等于2的锚点2-13的数据，对所述非锚点1进行压缩处理，得到所述非锚点1对应的压缩信息。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。在该实现方式，通过根据所述待压缩图像中所述锚点的数据以及所述辅助信息对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够提高所述非锚点的压缩效果。
作为该实现方式的一个示例，所述根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。在该示例中，通过根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够提高所述非锚点的压缩速度。
作为该实现方式的一个示例，所述根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。在该示例中，通过根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，由此能够节省所述非锚点的码率。
在一种可能的实现方式中，所述根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，包括：根据所述待压缩图像中所述锚点的数据，预测所述非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息。在该实现方式中，所述非锚点对应的概率分布的统计信息，可以表示所述非锚点对应的统计分布程度的度量。例如，所述非锚点对应的概率分布的统计信息，可以包括所述非锚点对应的概率分布的均值、标准差、方差等中的至少之一。例如，所述非锚点对应的概率分布的统计信息，可以包括所述非锚点对应的概率分布的均值和标准差，例如，可以包括所述非锚点对应的高斯分布的均值和标准差。在该实现方式中，通过根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息，并基于所述非锚点对应的压缩编码的概率信息得到所述待压缩图像对应的压缩数据，由此能够提高所述待压缩图像的压缩效果。
在步骤S14中，根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在本公开实施例中，将待压缩图像的像素点划分为锚点和非锚点，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，并根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，由此将图像压缩过程分为压缩锚点和非锚点这两个均可以并行计算的流程，实现了对图像压缩过程的加速，无需像相关技术一样进行耗时的逐码字串行压缩编码，能够充分利用GPU(Graphics Processing Unit，图形处理器)等硬件和各类AI(ArtificialIntelligence，人工智能)处理器的并行计算能力，将计算复杂度从O(N2)降低到常数，提高了运算效率，使得基于上下文模型的图像压缩技术得以实用。
在一种可能的实现方式中，所述根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，包括：根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。在该实现方式中，通过结合所述辅助信息与所述锚点对应的压缩信息、所述非锚点对应的压缩信息一起，得到所述待压缩图像对应的压缩数据，由此能够在保证解压缩后的图像质量的前提下，减小所述待压缩图像对应的压缩数据所需的存储空间。
作为该实现方式的一个示例，所述根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，包括：根据所述待编码特征、所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。在一个例子中，可以根据量化后的待编码特征、量化后的辅助信息、所述锚点对应的压缩编码的概率信息和所述非锚点对应的压缩编码的概率信息，进行算术编码，得到所述待压缩图像对应的压缩数据。根据该示例，能够在保证解压缩后的图像质量的前提下，减小所述待压缩图像对应的压缩数据所需的存储空间。
图6示出本公开实施例中的图像压缩模型的示意图。如图6所示，可以将待压缩图像x输入第一编码神经网络ga，通过第一编码神经网络ga对待压缩图像x进行特征提取，得到待压缩图像x对应的待编码特征y；将待编码特征y输入第二编码神经网络ha，通过第二编码神经网络ha对待编码特征y进行特征提取，得到待压缩图像x对应的辅助信息z；通过量化器Q对辅助信息z进行量化，得到量化后的辅助信息
在一种可能的实现方式中，所述第一编码神经网络ga可以采用“卷积层-归一化层-卷积层-归一化层-卷积层-归一化层-卷积层”的结构来实现。例如，卷积层的卷积核大小可以为5×5，通道数可以为256，步长可以为2。归一化层可以采用GDN(GeneralizedDivisive Normalization，广义除法归一化)等来实现。
在另一种可能的实现方式中，所述第一编码神经网络ga可以采用“卷积层-归一化层-卷积层-归一化层-卷积层-归一化层-卷积层-归一化层-卷积层-归一化层-卷积层”的结构来实现。例如，卷积层的卷积核大小可以为5×5，通道数可以为192；前4个卷积层的步长可以为2，后2个卷积层的步长可以为1。归一化层可以采用GDN等来实现。
在一种可能的实现方式中，第二编码神经网络ha可以采用“卷积层-激活层-卷积层-激活层-卷积层”的结构来实现。例如，第一个卷积层的卷积核大小可以为3×3，通道数可以为256，步长可以为1；第二个卷积层的卷积核大小可以为5×5，通道数可以为256，步长可以为2；第三个卷积层的卷积核大小可以为5×5，通道数可以为512，步长可以为1。又如，第一个卷积层的卷积核大小可以为3×3，通道数可以为192，步长可以为1；第二个卷积层的卷积核大小可以为5×5，通道数可以为192，步长可以为2；第三个卷积层的卷积核大小可以为5×5，通道数可以为192，步长可以为2。激活层可以采用Leaky ReLU(Leaky RectifiedLinear Unit，带泄漏修正线性单元)或者ReLU(Rectified Linear Unit，修正线性单元)等来实现。
在一种可能的实现方式中，第一解码神经网络hsβ和第二解码神经网络hsα可以采用“反卷积层-激活层-反卷积层-激活层-反卷积层”的结构来实现。例如，第一个反卷积层的卷积核大小可以为5×5，通道数可以为256，步长可以为2；第二个反卷积层的卷积核大小可以为5×5，通道数可以为384，步长可以为2；第三个反卷积层的卷积核大小可以为3×3，通道数可以为512，步长可以为1。又如，第一个反卷积层的卷积核大小可以为5×5，通道数可以为192，步长可以为2；第二个反卷积层的卷积核大小可以为5×5，通道数可以为288，步长可以为2；第三个反卷积层的卷积核大小可以为3×3，通道数可以为384，步长可以为1。激活层可以采用Leaky ReLU或者ReLU等来实现。其中，第一解码神经网络hsβ与第二解码神经网络hsα的结构可以相同，但权重可以不共享。
在一种可能的实现方式中，上下文模型可以采用掩膜卷积层(MaskedConv)来实现。例如，卷积核大小可以为5×5，通道数可以为512，步长可以为1。又如，卷积核可以同时采用3×3、5×5、7×7三种大小，分别做卷积后对输出求和，通道数可以为384，步长可以为1。
在一种可能的实现方式中，第一参数网络和第二参数网络可以采用“卷积层-激活层-卷积层-激活层-卷积层”的结构来实现。例如，卷积层的卷积核大小可以为1×1，步长可以为1。第一个卷积层的通道数可以为640，第二个卷积层和第三个卷积层的通道数可以为512。又如，第一个卷积层的通道数可以为640，第二个卷积层的通道数可以为512，第三个卷积层的通道数可以为384。激活层可以采用Leaky ReLU或者ReLU等来实现。其中，第一参数网络与第二参数网络的结构可以相同，但权重可以不共享。
需要说明的是，尽管以以上实现方式介绍了第一编码神经网络ga、第二编码神经网络ha、第一解码神经网络hsβ、第二解码神经网络hsα、上下文模型、第一参数网络和第二参数网络的结构如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求(例如对压缩速度、解压缩后的图像质量的需求)来使用不同结构或不同计算量的神经网络结构。
在一种可能的实现方式中，所述图像压缩模型可以采用端到端的方式训练。
在一种可能的实现方式中，可以将量化后的待编码特征
图8示出本公开实施例提供的图像的解压缩方法的流程图。所述图像的解压缩方法的执行主体可以是图像的解压缩装置。例如，所述图像的解压缩方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像的解压缩方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图8所示，所述图像的解压缩方法包括步骤S21至步骤S23。
在步骤S21中，对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息。
在本公开实施例中，压缩数据可以指图像的压缩数据。其中，所述锚点可以表示不依赖其他像素点的信息进行解压缩的像素点。在本公开实施例中，可以采用与压缩编码方法对应的解码方法，对所述压缩数据中的锚点进行解压处理。例如，若采用算术编码方法对锚点进行压缩，则可以采用算术编码中的解码方法，对所述锚点进行解压处理。所述锚点对应的解压信息，可以表示用于得到所述压缩数据对应的解压缩图像中的锚点的信息。例如，所述锚点对应的解压信息，可以为上文中量化后的待编码特征
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。在该实现方式中，锚点与非锚点相邻，由此在对非锚点进行解压缩的过程中，能够利用与非锚点相邻的锚点的数据对该非锚点进行预测，从而有利于提高对于该非锚点的预测精度。
在一种可能的实现方式中，所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：并行对所述压缩数据中的多个锚点进行解压处理，得到所述多个锚点对应的解压信息。作为该实现方式的一个示例，可以并行对所述压缩数据中的所有锚点进行解压处理，得到所述所有锚点对应的解压信息。作为该实现方式的另一个示例，可以并行对所述压缩数据中的部分锚点进行解压处理，得到所述部分锚点对应的解压信息。在该实现方式中，通过并行对所述压缩数据中的多个锚点进行解压处理，由此能够充分利用硬件的并行性，提高锚点的解压缩速度，从而能够提高解压缩所述压缩数据的速度。
在一种可能的实现方式中，所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息；根据所述辅助信息，对所述锚点进行解压处理，得到所述锚点对应的解压信息。作为该实现方式的一个示例，可以采用与压缩编码方法对应的解码方法，对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息。例如，若采用算术编码，则可以采用算术编码中的解码方法，对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息。例如，可以对所述压缩数据进行解码，得到所述压缩数据对应的量化后的辅助信息
在一种可能的实现方式中，所述对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，包括：预测所述压缩数据中的锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息。作为该实现方式的一个示例，可以根据量化后的辅助信息，预测所述锚点对应的概率分布的统计信息。在一个例子中，可以将量化后的辅助信息
作为该实现方式的一个示例，所述根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息，包括：根据所述锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述锚点对应的解压信息。在一个例子中，可以通过第二熵模型根据所述锚点对应的概率分布的均值μβ和标准差σβ，得到所述锚点对应的压缩编码的概率信息，根据所述锚点对应的压缩编码的概率信息，查找所述压缩数据对应的概率表，得到所述锚点对应的解压信息。
在步骤S22中，根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息。
其中，所述非锚点可以表示依赖其他像素点的信息进行解压缩的像素点。
在本公开实施例中，可以采用与压缩编码方法对应的解码方法，对所述压缩数据中的非锚点进行解压处理。例如，若采用算术编码方法对非锚点进行压缩，则可以采用算术编码中的解码方法，对所述非锚点进行解压处理。所述非锚点对应的解压信息，可以表示用于得到所述压缩数据对应的解压缩图像中的非锚点的信息。例如，所述非锚点对应的解压信息，可以为上文中量化后的待编码特征
在一种可能的实现方式中，所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，得到所述多个非锚点对应的解压信息。作为该实现方式的一个示例，可以根据所述锚点对应的解压信息，并行对所述压缩数据中的所有非锚点进行解压处理，得到所述所有非锚点对应的解压信息。作为该实现方式的另一个示例，可以根据所述锚点对应的解压信息，并行对所述压缩数据中的部分非锚点进行解压处理，得到所述部分非锚点对应的解压信息。在该实现方式中，通过根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，由此能够充分利用硬件的并行性，提高非锚点的解压缩速度，从而能够提高解压缩所述压缩数据的速度。
在一种可能的实现方式中，所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点对应的解压信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。在该实现方式中，通过对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据对所述非锚点进行解压处理，由此能够提高对所述非锚点的预测精度。例如，预设距离可以为1或者2等。
在一种可能的实现方式中，所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息以及所述辅助信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。作为该实现方式的一个示例，可以根据所述锚点对应的解压信息以及量化后的辅助信息
在一种可能的实现方式中，所述根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，包括：根据所述锚点对应的解压信息，预测所述压缩数据中的非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息。作为该实现方式的一个示例，根据所述锚点对应的解压信息，以及量化后的辅助信息，预测所述压缩数据中的非锚点对应的概率分布的统计信息。在一个例子中，可以将所述锚点对应的解压信息输入上下文模型，将量化后的辅助信息
作为该实现方式的一个示例，所述根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息，包括：根据所述非锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述非锚点对应的解压信息。在一个例子中，可以通过第二熵模型根据非锚点对应的概率分布的均值μα和标准差σα，得到所述非锚点对应的压缩编码的概率信息，根据所述非锚点对应的压缩编码的概率信息，查找所述压缩数据对应的概率表，得到所述非锚点对应的解压信息。
在步骤S23中，根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像。
在一种可能的实现方式中，可以通过第三解码神经网络对所述锚点对应的解压信息和所述非锚点对应的解压信息进行解码，得到所述压缩数据对应的解压缩图像。
在本公开实施例中，通过对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，并根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像，由此将图像的解压缩过程分为锚点和非锚点两个均可以并行计算的过程，实现了对图像解压缩过程的加速。本公开实施例可以由逐个码字按顺序串行解码加速到两次并行解码，先并行解码所有锚点，再并行解码所有非锚点，这样完成所有码字的解码只需要进行两次串行操作，大大减少了串行解码的次数。本公开实施例能够在保证压缩效果的前提下，显著加速上下文模型的计算。
如图6所示，可以采用算术编码中的解码方法，对所述压缩数据进行解码，得到所述压缩数据对应的量化后的辅助信息
在一种可能的实现方式中，第三解码神经网络gs可以采用“反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层”的结构来实现。例如，反卷积层的卷积核大小可以为5×5，步长可以为2；前3个反卷积层的通道数可以为256，最后一个反卷积层的通道数可以是3。逆归一化层可以采用IGDN(Inverse Generalized DivisiveNormalization，逆广义除法归一化)等来实现。
在另一种可能的实现方式中，第三解码神经网络gs可以采用“反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层-逆归一化层-反卷积层”的结构来实现。例如，反卷积层的卷积核大小可以为5×5；前5个反卷积层的通道数可以为192，最后一个反卷积层的通道数可以为3；前4个反卷积层的步长可以为2，后2个反卷积层的步长可以为1。逆归一化层可以采用IGDN等来实现。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像的压缩装置、图像的解压缩装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像的压缩方法或图像的解压缩方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
图9示出本公开实施例提供的图像的压缩装置的框图。如图9所示，所述图像的压缩装置包括：获取模块31，用于获取待压缩图像，其中，所述待压缩图像的像素点包括锚点和非锚点；第一压缩模块32，用于对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；第二压缩模块33，用于根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；第一确定模块34，用于根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，所述第一压缩模块32用于：并行对多个锚点的像素值进行压缩处理，得到所述多个锚点对应的压缩信息；和/或，所述第二压缩模块33用于：根据所述待压缩图像中所述锚点的数据，并行对多个非锚点的像素值进行压缩处理，得到所述多个非锚点对应的压缩信息。
在一种可能的实现方式中，所述第二压缩模块33用于：对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在一种可能的实现方式中，所述第一压缩模块32用于：获取所述待压缩图像对应的辅助信息；根据所述辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；所述第二压缩模块33用于：根据所述待压缩图像中所述锚点的数据以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息；所述第一确定模块34用于：根据所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，所述第一压缩模块32用于：对所述待压缩图像进行特征提取，得到所述待压缩图像对应的待编码特征；根据所述待编码特征，确定所述待压缩图像对应的辅助信息；所述第一确定模块34用于：根据所述待编码特征、所述辅助信息、所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据。
在一种可能的实现方式中，所述第二压缩模块33用于：根据所述待编码特征中所述锚点的数据，以及所述辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，所述第一压缩模块32用于：根据量化后的辅助信息，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息；所述第二压缩模块33用于：根据所述待压缩图像中所述锚点的数据，以及所述量化后的辅助信息，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息。
在一种可能的实现方式中，所述第一压缩模块32用于：预测所述锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的压缩编码的概率信息；和/或，所述第二压缩模块33用于：根据所述待压缩图像中所述锚点的数据，预测所述非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的压缩编码的概率信息。
在本公开实施例中，通过将待压缩图像的像素点划分为锚点和非锚点，对所述锚点的像素值进行压缩处理，得到所述锚点对应的压缩信息，根据所述待压缩图像中所述锚点的数据，对所述非锚点的像素值进行压缩处理，得到所述非锚点对应的压缩信息，并根据所述锚点对应的压缩信息和所述非锚点对应的压缩信息，得到所述待压缩图像对应的压缩数据，由此能够在保证压缩效果的前提下，提高图像压缩的速度。
图10示出本公开实施例提供的图像的解压缩装置的框图。如图10所示，所述图像的解压缩装置包括：第一解压模块41，用于对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息；第二解压模块42，用于根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息；第二确定模块43，用于根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像。
在一种可能的实现方式中，所述第一解压模块41用于：并行对所述压缩数据中的多个锚点进行解压处理，得到所述多个锚点对应的解压信息；和/或，所述第二解压模块42用于：根据所述锚点对应的解压信息，并行对所述压缩数据中的多个非锚点进行解压处理，得到所述多个非锚点对应的解压信息。
在一种可能的实现方式中，所述第二解压模块42用于：对于任一非锚点，根据与所述非锚点之间的距离小于或等于预设距离的锚点对应的解压信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，与任一锚点相邻的像素点包括非锚点，和/或，与任一非锚点相邻的像素点包括锚点。
在一种可能的实现方式中，所述第一解压模块41用于：对所述压缩数据进行解码，得到所述压缩数据对应的辅助信息；根据所述辅助信息，对所述锚点进行解压处理，得到所述锚点对应的解压信息；所述第二解压模块42用于：根据所述锚点对应的解压信息以及所述辅助信息，对所述非锚点进行解压处理，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，所述第一解压模块41用于：预测所述压缩数据中的锚点对应的概率分布的统计信息；根据所述锚点对应的概率分布的统计信息，得到所述锚点对应的解压信息；和/或，所述第二解压模块42用于：根据所述锚点对应的解压信息，预测所述压缩数据中的非锚点对应的概率分布的统计信息；根据所述非锚点对应的概率分布的统计信息，得到所述非锚点对应的解压信息。
在一种可能的实现方式中，所述第一解压模块41用于：根据所述锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述锚点对应的解压信息；所述第二解压模块42用于：根据所述非锚点对应的概率分布的统计信息，以及所述压缩数据对应的概率表，确定所述非锚点对应的解压信息。
在本公开实施例中，通过对压缩数据中的锚点进行解压处理，得到所述锚点对应的解压信息，根据所述锚点对应的解压信息，对所述压缩数据中的非锚点进行解压处理，得到所述非锚点对应的解压信息，并根据所述锚点对应的解压信息和所述非锚点对应的解压信息，得到所述压缩数据对应的解压缩图像，由此将图像的解压缩过程分为锚点和非锚点两个均可以并行计算的过程，实现了对图像解压缩过程的加速。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供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。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图11示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图11，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图12示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图12，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
