CN105957053A - 二维图像景深生成方法和装置 - Google Patents

二维图像景深生成方法和装置 Download PDF

Info

Publication number
CN105957053A
CN105957053A CN201610244073.4A CN201610244073A CN105957053A CN 105957053 A CN105957053 A CN 105957053A CN 201610244073 A CN201610244073 A CN 201610244073A CN 105957053 A CN105957053 A CN 105957053A
Authority
CN
China
Prior art keywords
image
image class
depth
class
value
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.)
Granted
Application number
CN201610244073.4A
Other languages
English (en)
Other versions
CN105957053B (zh
Inventor
徐遥令
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Skyworth RGB Electronics Co Ltd
Original Assignee
Shenzhen Skyworth RGB Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Skyworth RGB Electronics Co Ltd filed Critical Shenzhen Skyworth RGB Electronics Co Ltd
Priority to CN201610244073.4A priority Critical patent/CN105957053B/zh
Priority to PCT/CN2016/098066 priority patent/WO2017181575A1/zh
Priority to US16/094,232 priority patent/US10796442B2/en
Priority to EP16899162.8A priority patent/EP3447722B1/en
Publication of CN105957053A publication Critical patent/CN105957053A/zh
Application granted granted Critical
Publication of CN105957053B publication Critical patent/CN105957053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/529—Depth or shape recovery from texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/20—Image signal generators
    • H04N13/261—Image signal generators with monoscopic-to-stereoscopic image conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种二维图像景深生成方法和装置，其方法包括：获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；分别获取各图像类的对象，估算各图像类的对象的清晰度值，并根据各图像类对应的最高清晰度值，对各图像类的对象进行归类；根据归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值；根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值，经校正后存储，并形成图像景深。本发明解决了现有技术中获取单视点景深时出现图像失真的问题。实现了从二维图像中生成景深，以降低图像失真，提高图像稳定性，满足用户需求。

Description

二维图像景深生成方法和装置
技术领域
本发明涉及3D显示技术领域，尤其涉及一种二维图像景深生成方法和装置。
背景技术
随着显示技术的发展，3D显示技术被越来越多地应用于各种3D显示装置中，裸眼3D电视的用户不需要佩戴如3D眼镜之类的外部装置，即可实现3D显示体验。
实现电视的裸眼3D显示，需要用户从不同的角度来体验裸眼3D电视的3D显示效果，裸眼3D电视需要呈现出略有差异的多个视点的图像。而多视点的内容非常少，一般是通过将2视点或视点+景深的内容转换成多视点后进行裸眼3D显示，或是通过将单视点(或二维)内容转换城多视点后进行裸眼3D显示，但是，2视点或视点+景深的方式成本高、复杂，由于目前具有巨量的单视点内容，因此通过将单视点转换成多视点内容后进行裸眼3D显示更为可行。
单视点转多视点主要通过获取单视点图像景深，然后渲染出多个视点进行显示，在现有技术中，获取单视点景深的方法主要包括：通过图像移位、连续图像预测等方法，但是现有方法在有些情况下存在图像裂缝、错位、失真抖动等问题，影响裸眼3D的显示效果。
发明内容
本发明的主要目的在于提出一种二维图像景深生成方法和装置，旨在实现从二维图像中生成景深，以降低图像失真，提高图像稳定性，满足用户需求。
为实现上述目的，本发明提供一种二维图像景深生成方法，包括：
获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；
分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类；
根据所述归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值；
根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
优选地，所述对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值的步骤包括：
根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类；
根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
优选地，所述分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类的步骤包括：
分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象；
根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值；
通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
优选地，所述通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类的步骤包括：
比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小；
若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm；
比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小；
若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
优选地，所述根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值的步骤包括：
设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数；
设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值；
设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值；
设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
优选地，所述根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的步骤包括：
采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值；
采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值；
采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
优选地，所述根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的步骤之后，还包括：
根据各图像类的对象的景深值大小形成对比图像，根据所述对比图像对所述各图像类的对象的景深值进行校正；
将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
为实现上述目的，本发明还提出一种二维图像景深生成装置，其特征在于，所述装置包括：
分类模块，用于获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；
清晰度估计模块，用于分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类；
深度值估计模块，用于根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值；
景深值估计模块，用于根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
优选地，所述分类模块，还用于根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类；根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
优选地，所述清晰度估计模块，还用于分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象；根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值；通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
优选地，所述清晰度估计模块，还用于比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小；若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm；比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小；若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
优选地，所述深度值估计模块，还用于设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数；设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
优选地，所述景深值估计模块，还用于采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值；采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值；采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
优选地，所述装置还包括：
校正模块，用于根据各图像类的对象的景深值大小形成对比图像，根据所述对比图像对所述各图像类的对象的景深值进行校正；
生成模块，用于将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
本发明提供的一种二维图像景深生成方法和装置，通过获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；分别获取各图像类的对象，估算各图像类的对象的清晰度值，并根据各图像类对应的最高清晰度值，对各图像类的对象进行归类；根据归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值；根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值，经校正后存储，并形成图像景深，解决了现有技术中获取单视点景深时出现图像失真的问题。实现了从二维图像中生成景深，从而降低图像失真，提高图像稳定性，满足用户需求。
附图说明
图1是本发明二维图像景深生成方法第一实施例的流程示意图；
图2是本发明实施例中获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值的一种流程示意图；
图3是本发明实施例中分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值的一种流程示意图；
图4是本发明实施例中通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类的一种流程示意图；
图5是本发明实施例中根据所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值的一种流程示意图；
图6是本发明实施例中根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的一种流程示意图；
图7是本发明二维图像景深生成方法第二实施例的流程示意图；
图8是本发明二维图像景深生成装置第一实施例的功能模块示意图；
图9是本发明二维图像景深生成装置第二实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；分别获取各图像类的对象，估算各图像类的对象的清晰度值，并根据各图像类对应的最高清晰度值，对各图像类的对象进行归类；根据归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值；根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值，经校正后存储，并形成图像景深。
由此，解决了现有技术中获取单视点景深时出现图像失真的问题。实现了从二维图像中生成景深，以降低图像失真，提高图像稳定性，满足用户需求。
如图1所示，本发明第一实施例提出一种二维图像景深生成方法，包括：
步骤S1，获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值。
本发明方法的执行主体可以为一种3D电视，本实施例以3D电视进行举例，当然也不限定于其他能够实现3D图像显示的设备。
具体地，3D电视获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值。
其中，3D电视根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类。
其中，上述目标图像可以为二维图像，3D电视根据二维图像中物体的远近、邻接、交叠等位置和相对方向关系，并结合物体形状姿态、阴影暗示等，将物体分为前景图像类、中景图像类和背景图像类。
其中，在完成根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类后，3D电视根据前景图像类、中景图像类和背景图像类的灰度信息，分别估算前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
其中，3D电视首先将上述前景图像类、中景图像类和背景图像类转换成HSI格式(H为色度信息、S为彩色饱和度信息、I为灰度信息)；然后，对前景图像类、中景图像类和背景图像类的灰度信息I进行处理，获取灰度信息I的交流分量I’、并根据I’的频谱特征的最高频率，估算出前景图像类、中景图像类和背景图像类的最高清晰度分别为Qf、Qm、Qb。
其中，在具体实现时，以前景图像类的最高清晰度估算为例：
1、前景图像的每个像素以RGB来表示、像素表示为：{R(s,t)，G(s,t)，B(s,t)}，其中，s和t分别表示像素的行和列坐标；将RGB转换成HSI格式，像素灰度信息表示为：I(s,t)＝[R(s,t)+G(s,t)+B(s,t)]/3；
2、前景图像的平均灰度值表示为：
I ‾ = 1 S * T Σ s = 0 S - 1 Σ t = 0 T - 1 I ( s , t ) ,
其中，S和T为前景图像像素的最大坐标，像素灰度信息I的交流分量表示为：
3、将I’(s,t)变换成空间频率为：
U ( g , l ) = Σ s = 0 S - 1 Σ t = 0 T - 1 I ′ ( s , t ) e - j × 2 π ( s × g S + t × l T ) ,
其中，g为0、1、2、…、S-1，l＝0、1、2、…、T-1，取|U(g,l)|的最大值为前景图像类最高清晰Qf值。
4、同理可估算出中景图像类和背景图像类的最高清晰度Qm和Qb。
步骤S2，分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类。
具体地，在完成获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值后，3D电视分别获取各图像类的对象，估算各图像类的对象的清晰度值，并根据各图像类对应的最高清晰度值，对各图像类的对象进行归类。
其中，3D电视分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
在具体实现时，可以采用如下方式：
1、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取到前景图像类中的各个物体对象，标记为q1、q2、...；
2、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取中景图像类中的各个物体对象，标记为z1、z2、...；
3、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取背景图像类中的各个物体对象，标记为b1、b2、...。
其中，在完成分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象后，3D电视根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值。
在具体实现时，可以采用如下方式：
1、将前景图像类中的各个物体对象q1、q2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为q1f、q2f、...；
2、将中景图像类中的各个物体对象z1、z2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为z1f、z2f、...；
3、将背景图像类中的各个物体对象b1、b2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为b1f、b2f、...。
其中，在完成根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值后，3D电视比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小。
其中，若前景图像类中的任一对象的清晰度值大于或等于中景图像类的最高清晰度值Qm，则将该对象归类至中景图像类中，该对象不再是在前景图像类之内，并将该对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
其中，在完成比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小后，3D电视比较中景图像类中的任一对象的清晰度值和背景图像类的最高清晰度值Qb的大小。
其中，若中景图像类中的任一对象的清晰度值小于或等于背景图像类的最高清晰度值Qb，则将该对象归类至背景图像类中，该对象不再是在中景图像类之内。通过这种方式，实现进一步调整对象归类，从而使三个分类图像中的中景图像类中的对象具有最好的清晰度。
步骤S3，根据所述归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值。
具体地，在完成分别获取各图像类的对象，估算各图像类的对象的清晰度值后，3D电视根据归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值。
其中，3D电视设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数。
在具体实现时，可采用如下方式：
1、设定准清晰度Qs；
2、设定深度转换函数DP(x)，比如取：
DP(i)＝β(xi-Qs)/Qs，
其中i为物体对象、xi为物体对象i的清晰度值、Qs为基准清晰度、β为设定系数，则Qs对应的绝对深度值为0。
其中，在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，3D电视设定基准清晰度Qs为中景图像类的最高清晰度Qm，采用DP转换函数估算前景图像类的对象的深度值；设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算中景图像类中的对象的深度值；设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算背景图像类中的对象的深度值。
在具体实现时，可采用如下方式：
1、进行前景图像类中的对象深度值估算，设定基准清晰度Qs为中景图像类的最高清晰度Qm，q1f、q2f、...分别代入函数函数DP(x)中，得到前景图像类中的各个物体对象q1、q2、...的深度值：
DP(q1)＝β(q1f-Qm)/Qm，
DP(q2)＝β(q2f-Qm)/Qm，
...，
其中各个深度值小于0；
2、进行中景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，z1f、z2f、...分别代入函数函数DP(x)中，得到中景图像类中的各个物体对象z1、z2、...的深度值：
DP(z1)＝β(z1f-Qb)/Qb，
DP(z2)＝β(z2f-Qb)/Qb，
...，
其中各个深度值大于0；
3、进行背景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，将b1f、b2f、...分别代入函数函数DP(x)中，得到背景图像类各个物体对象b1、b2、...的深度值：
DP(b1)＝β(b1f-Qb)/Qb，
DP(b2)＝β(b2f-Qb)/Qb，
...，
其中各个深度值小于或等于0。
步骤S4，根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
具体地，在完成根据各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值后，3D电视根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值。
其中，3D电视采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、设定某一线性函数Line(y)＝ɡ*DP(y)，其中y为物体对象、ɡ为设定比例系数；
2、将中景图像类中各个物体对象z1、z2、...的深度值DP(z1)、DP(z2)、...代入Line函数中，得到z1、z2、...的景深值分别为ɡDP(z1)、ɡDP(z2)、...。
其中，在完成采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值后，3D电视采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、设定某一曲线函数Curve(w),w为物体对象的深度值；
2、将背景图像类中的各个物体对象b1、b2、...的深度值DP(b1)、DP(b2)、...代入Curve函数中，得到b1、b2、...的景深值分别为Curve[DP(b1)]、Curve[DP(b2)]...。
其中，在完成采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值后，3D电视采用曲线函数Curve，对前图像类对象的深度值进行非线性压缩变换，并叠加中景图像类的对象的深度值中的最大值，估算前景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、采用上述曲线函数Curve(w)，将前景图像类中的各个物体对象q1、q2、...的深度值DP(q1)、DP(q2)、...代入H函数中，得到z1、z2、...的相对景深值Curve[DP(q1)]、Curve[DP(q2)]、...；
2、叠加中景图像类的最大景深值ɡDP(Qm)、Qm为中景图像类的最高清晰度，得到前景图像类中的各个物体对象q1、q2、...的景深值分别为ɡDP(Qm)-Curve[DP(q1)]、ɡDP(Qm)-Curve[DP(q2)]、...。
其中，上述背景和前景图像类对象的景深估算时采用同一曲线函数Curve、也可以采用不同的曲线函数Curve，曲线函数Curve具有如下特征：
1、转换后的景深值与深度值具有相同正负，即对象深度值为负值则景深值为负值、对象深度值为正值则景深值也为正值；
2、深度值越小则景深值越小、深度值越大则景深值越大，例如：深度值-50时Curve(-50)＝-40，深度值-100时Curve(-100)＝-60，Curve(-50)>Curve(-100)；
3、深度绝对值越小则压缩比越小、深度绝对值越大则压缩比越大，例如：深度值-50时Curve(-50)＝-40、压缩度为0.2，深度值-100时Curve(-100)＝-60、压缩度为0.4。
从上述过程可知，中景图像类对象的景深值是随着深度值变化而进行线性均匀变化，而前景图像类和背景图像类对象的景深值是随着深度值变化而进行非线性压缩变化、且深度绝对值越大具有更大的压缩比。
通过上述方案，本发明提供了一种二维图像景深生成方法，实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，参照图2，为本发明实施例中获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值的一种流程示意图。
作为一种实施方式，上述步骤S1包括：
步骤S11，根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类。
具体地，3D电视根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类。
其中，上述图像可以为二维图像，3D电视根据二维图像中物体的远近、邻接、交叠等位置和相对方向关系，并结合物体形状姿态、阴影暗示等，将物体分为前景图像类、中景图像类和背景图像类。
步骤S12，根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
具体地，在完成根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类后，3D电视根据前景图像类、中景图像类和背景图像类的灰度信息，分别估算前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
其中，3D电视首先将上述前景图像类、中景图像类和背景图像类转换成HSI格式(H为色度信息、S为彩色饱和度信息、I为灰度信息)；然后，对前景图像类、中景图像类和背景图像类的灰度信息I进行处理，获取灰度信息I的交流分量I’、并根据I’的频谱特征的最高频率，估算出前景图像类、中景图像类和背景图像类的最高清晰度分别为Qf、Qm、Qb。
其中，在具体实现时，以前景图像类的最高清晰度估算为例：
1、前景图像的每个像素以RGB来表示、像素表示为：{R(s,t)，G(s,t)，B(s,t)}，其中，s和t分别表示像素的行和列坐标；将RGB转换成HSI格式，像素灰度信息表示为：I(s,t)＝[R(s,t)+G(s,t)+B(s,t)]/3；
2、前景图像的平均灰度值表示为：
I ‾ = 1 S * T Σ s = 0 S - 1 Σ t = 0 T - 1 I ( s , t ) ,
其中，S和T为前景图像像素的最大坐标，像素灰度信息I的交流分量表示为：
3、将I’(s,t)变换成空间频率为：
U ( g , l ) = Σ s = 0 S - 1 Σ t = 0 T - 1 I ′ ( s , t ) e - j × 2 π ( s × g S + t × l T ) ,
其中，g为0、1、2、…、S-1，l＝0、1、2、…、T-1，取|U(g,l)|的最大值为前景图像类最高清晰Qf值。
4、同理可估算出中景图像类和背景图像类的最高清晰度Qm和Qb。
通过上述方案，本发明提供了一种二维图像景深的生成方法，实现了从二维图像中生成景深，从而降低了图像失真，提高了图像稳定性，满足了用户需求。
进一步的，为了更好地实现从二维图像中生成景深，参照图3，为本发明实施例中分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类的一种流程示意图。
作为一种实施方式，上述步骤S2包括：
步骤S21，分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象。
具体地，在完成获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值后，3D电视分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
其中，3D电视分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
在具体实现时，可以采用如下方式：
1、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取到前景图像类中的各个物体对象，标记为q1、q2、...；
2、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取中景图像类中的各个物体对象，标记为z1、z2、...；
3、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取背景图像类中的各个物体对象，标记为b1、b2、...。
步骤S22，根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值。
具体地，在完成分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象后，3D电视根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值。
其中，在具体实现时，可以采用如下方式：
1、将前景图像类中的各个物体对象q1、q2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为q1f、q2f、...；
2、将中景图像类中的各个物体对象z1、z2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为z1f、z2f、...；
3、将背景图像类中的各个物体对象b1、b2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为b1f、b2f、...。
步骤S23，通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
具体地，在完成根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值后，3D电视通过清晰度值比较操作，对前景图像类、中景图像类和背景图像类中对应的对象进行归类。
首先，3D电视比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小。
其中，若前景图像类中的任一对象的清晰度值大于或等于中景图像类的最高清晰度值Qm，则将该对象归类至中景图像类中，该对象不再是在前景图像类之内，并将该对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
然后，3D电视比较中景图像类中的任一对象的清晰度值和背景图像类的最高清晰度值Qb的大小。
其中，若中景图像类中的任一对象的清晰度值小于或等于背景图像类的最高清晰度值Qb，则将该对象归类至背景图像类中，该对象不再是在中景图像类之内。通过这种方式，实现进一步调整对象归类，从而使三个分类图像中的中景图像类中的对象具有最好的清晰度。
通过上述方案，本发明提供了一种二维图像景深生成方法，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，参照图4，为本发明实施例中通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类的一种流程示意图。
作为一种实施方式，上述步骤S3包括：
步骤S231，比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小。
具体地，在完成根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值后，3D电视比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小。
步骤S232，若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
具体地，若前景图像类中的任一对象的清晰度值大于或等于中景图像类的最高清晰度值Qm，则将该对象归类至中景图像类中，该对象不再是在前景图像类之内，并将该对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
步骤S233，比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小。
具体地，在完成比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小后，3D电视比较中景图像类中的任一对象的清晰度值和背景图像类的最高清晰度值Qb的大小。
步骤S234，若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
具体地，若中景图像类中的任一对象的清晰度值小于或等于背景图像类的最高清晰度值Qb，则将该对象归类至背景图像类中，该对象不再是在中景图像类之内。通过这种方式，实现进一步调整对象归类，从而使三个分类图像中的中景图像类中的对象具有最好的清晰度。
通过上述方案，本发明提供了一种二维图像景深生成方法，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，参照图5，为本发明实施例中根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值的一种流程示意图。
作为一种实施方式，上述步骤S3包括：
步骤S31，设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数。
具体地，在完成分别获取各图像类的对象，估算各图像类的对象的清晰度值后，3D电视设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数。
其中，在具体实现时，可采用如下方式：
1、设定准清晰度Qs；
2、设定深度转换函数DP(x)，比如取：
DP(i)＝β(xi-Qs)/Qs，
其中i为物体对象、xi为物体对象i的清晰度值、Qs为基准清晰度、β为设定系数，则Qs对应的绝对深度值为0。
步骤S32，设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值。
具体地，在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，3D电视设定基准清晰度Qs为中景图像类的最高清晰度Qm，采用DP转换函数估算前景图像类的对象的深度值。
其中，在具体实现时，可采用如下方式：
进行前景图像类中的对象深度值估算，设定基准清晰度Qs为中景图像类的最高清晰度Qm，q1f、q2f、...分别代入函数函数DP(x)中，得到前景图像类中的各个物体对象q1、q2、...的深度值：
DP(q1)＝β(q1f-Qm)/Qm，
DP(q2)＝β(q2f-Qm)/Qm，
...，
其中各个深度值小于0。
步骤S33，设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值。
具体地，在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，3D电视设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算中景图像类中的对象的深度值。
其中，在具体实现时，可采用如下方式：
进行中景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，z1f、z2f、...分别代入函数函数DP(x)中，得到中景图像类中的各个物体对象z1、z2、...的深度值：
DP(z1)＝β(z1f-Qb)/Qb，
DP(z2)＝β(z2f-Qb)/Qb，
...，
其中各个深度值大于0。
步骤S34，设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
具体地，在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，3D电视设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算背景图像类中的对象的深度值。
其中，进行背景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，将b1f、b2f、...分别代入函数函数DP(x)中，得到背景图像类各个物体对象b1、b2、...的深度值：
DP(b1)＝β(b1f-Qb)/Qb，
DP(b2)＝β(b2f-Qb)/Qb，
...，
其中各个深度值小于或等于0。
通过上述方案，本发明提供了一种二维图像景深生成方法，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，参照图6，为本发明实施例中根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的一种流程示意图。
作为一种实施方式，上述步骤S4包括：
步骤S41，采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值。
具体地，在完成根据所各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值后，3D电视采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、设定某一线性函数Line(y)＝ɡ*DP(y)，其中y为物体对象、ɡ为设定比例系数；
2、将中景图像类中各个物体对象z1、z2、...的深度值DP(z1)、DP(z2)、...代入Line函数中，得到z1、z2、...的景深值分别为ɡDP(z1)、ɡDP(z2)、...。
步骤S42，采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值。
具体地，在完成采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值后，3D电视采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、设定某一曲线函数Curve(w),w为物体对象的深度值；
2、将背景图像类中的各个物体对象b1、b2、...的深度值DP(b1)、DP(b2)、...代入Curve函数中，得到b1、b2、...的景深值分别为Curve[DP(b1)]、Curve[DP(b2)]...。
步骤S43，采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
具体地，在完成采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值后，3D电视采用曲线函数Curve，对前图像类对象的深度值进行非线性压缩变换，并叠加中景图像类的对象的深度值中的最大值，估算前景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、采用上述曲线函数Curve(w)，将前景图像类中的各个物体对象q1、q2、...的深度值DP(q1)、DP(q2)、...代入H函数中，得到z1、z2、...的相对景深值Curve[DP(q1)]、Curve[DP(q2)]、...；
2、叠加中景图像类的最大景深值ɡDP(Qm)、Qm为中景图像类的最高清晰度，得到前景图像类中的各个物体对象q1、q2、...的景深值分别为ɡDP(Qm)-Curve[DP(q1)]、ɡDP(Qm)-Curve[DP(q2)]、...。
其中，上述背景和前景图像类对象的景深估算时采用同一曲线函数Curve、也可以采用不同的曲线函数Curve，曲线函数Curve具有如下特征：
1、转换后的景深值与深度值具有相同正负，即对象深度值为负值则景深值为负值、对象深度值为正值则景深值也为正值；
2、深度值越小则景深值越小、深度值越大则景深值越大，例如：深度值-50时Curve(-50)＝-40，深度值-100时Curve(-100)＝-60，Curve(-50)>Curve(-100)；
3、深度绝对值越小则压缩比越小、深度绝对值越大则压缩比越大，例如：深度值-50时Curve(-50)＝-40、压缩度为0.2，深度值-100时Curve(-100)＝-60、压缩度为0.4。
从上述过程可知，中景图像类对象的景深值是随着深度值变化而进行线性均匀变化，而前景图像类和背景图像类对象的景深值是随着深度值变化而进行非线性压缩变化、且深度绝对值越大具有更大的压缩比。
通过上述方案，本发明提供了一种二维图像景深生成方法，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
如图7所示，本发明第二实施例提出一种二维图像景深的生成方法，在基于上述第一实施例方法的步骤S4之后，本实施例方法还包括：
步骤S5，根据各图像类的对象的景深值大小形成对比图像根据所述对比图像对所述各图像类的对象的景深值进行校正。
具体地，在完成根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值后，3D电视根据中景图像类的对象的景深值大小，将中景图像类的对象进行排序和叠加，并形成对比图像。
其中，在具体实现时，可以对中景图像类对象z1、z2、...，按照其景深值ɡDP(z1)、ɡDP(z2)、...的大小进行排序和层加，将景深值大的对象排在在景深值小的对象的上层，形成对比图像。
在完成根据中景图像类的对象的景深值大小，将中景图像类的对象进行排序和叠加，并形成对比图像后，3D电视比较对比图像和中景图像类中的各个对象的空间关系，调整中景图像类的对象的景深值。
其中，在具体实现时，可以比较对比图像和原中景图像中各个对象的遮挡、位置等空间关系，对异常空间位置关系的对象，以景深值大的对象为参考，对称调整景深值小的对象的景深，调整中景图像类的对象的景深值。例如：由上述对象景深值估计得到的z1对象景深值ɡDP(z1)为100，z2对象的景深值ɡDP(z2)为80，在新中景图像中z1叠加在z2的上方，但是在原有旧中景图像中z2是在z1的上方；因此对z1、z2进行对称调整景深值：以z1为参考、即z1景深值保持100不变，z2的景深值调整为80+2*(100-80)，即120。
在完成比较对比图像和中景图像类中的各个对象的空间关系，调整中景图像类的对象的景深值后，3D电视判断中景图像类的对象的景深值是否有变化。
若中景图像类的对象的景深值有变化，则获取中景图像类的对象的景深值的最大变化量，并在前景图像类中的对象的景深值上叠加中景图像类的景深值的最大变化量，例如：由上述对象景深值估计得到的中景图像类的最大景深值ɡDP(Qm)为500，经过上述第二步后、中景图像类的最大景深值调整为550、即变化量为50，则前景图像类中所有对象的景深值增加50后形成新的深度值。
若中景图像类的对象的景深值无变化，则前景图像类的对象的景深值不调整。
步骤S6，将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
具体地，在完成对各图像类的对象的景深值进行校正后，3D电视将进行校正后的各图像类的对象的景深值进行存储，生成对应的图像景深。
其中，3D电视将进行校正后的前景图像类、中景图像类和背景图像类对象的景深值进行存储，从而形成二维图像的景深，上述景深可以存储本地存储设备中，以便于即时提取。
通过上述方案，本发明提供了一种二维图像景深生成方法，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
基于上述方法实施例的实施，本发明还提供对应的装置实施例。
如图8所示，本发明本发明第一实施例提出一种二维图像景深的生成装置，包括：
分类模块100，用于获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值。
本发明装置的执行主体可以为一种3D电视，本实施例以3D电视进行举例，当然也不限定于其他能够实现3D图像显示的设备。
具体地，分类模块100获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值。
其中，分类模块100根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类。
其中，上述目标图像可以为二维图像，分类模块100根据二维图像中物体的远近、邻接、交叠等位置和相对方向关系，并结合物体形状姿态、阴影暗示等，将物体分为前景图像类、中景图像类和背景图像类。
其中，在完成根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类后，分类模块100根据前景图像类、中景图像类和背景图像类的灰度信息，分别估算前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
其中，分类模块100首先将上述前景图像类、中景图像类和背景图像类转换成HSI格式(H为色度信息、S为彩色饱和度信息、I为灰度信息)；然后，对前景图像类、中景图像类和背景图像类的灰度信息I进行处理，获取灰度信息I的交流分量I’、并根据I’的频谱特征的最高频率，估算出前景图像类、中景图像类和背景图像类的最高清晰度分别为Qf、Qm、Qb。
其中，在具体实现时，以前景图像类的最高清晰度估算为例：
1、前景图像的每个像素以RGB来表示、像素表示为：{R(s,t)，G(s,t)，B(s,t)}，其中，s和t分别表示像素的行和列坐标；将RGB转换成HSI格式，像素灰度信息表示为：I(s,t)＝[R(s,t)+G(s,t)+B(s,t)]/3；
2、前景图像的平均灰度值表示为：
I ‾ = 1 S * T Σ s = 0 S - 1 Σ t = 0 T - 1 I ( s , t ) ,
其中，S和T为前景图像像素的最大坐标，像素灰度信息I的交流分量表示为：
3、将I’(s,t)变换成空间频率为：
U ( g , l ) = Σ s = 0 S - 1 Σ t = 0 T - 1 I ′ ( s , t ) e - j × 2 π ( s × g S + t × l T ) ,
其中，g为0、1、2、…、S-1，l＝0、1、2、…、T-1，取|U(g,l)|的最大值为前景图像类最高清晰Qf值。
4、同理可估算出中景图像类和背景图像类的最高清晰度Qm和Qb。
清晰度估计模块200，用于分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类。
具体地，在完成获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值后，清晰度估计模块200分别获取各图像类的对象，估算各图像类的对象的清晰度值，并根据各图像类对应的最高清晰度值，对各图像类的对象进行归类。
其中，清晰度估计模块200分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
在具体实现时，可以采用如下方式：
1、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取到前景图像类中的各个物体对象，标记为q1、q2、...；
2、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取中景图像类中的各个物体对象，标记为z1、z2、...；
3、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取背景图像类中的各个物体对象，标记为b1、b2、...。
其中，在完成分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象后，清晰度估计模块200根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值。
在具体实现时，可以采用如下方式：
1、将前景图像类中的各个物体对象q1、q2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为q1f、q2f、...；
2、将中景图像类中的各个物体对象z1、z2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为z1f、z2f、...；
3、将背景图像类中的各个物体对象b1、b2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为b1f、b2f、...。
其中，在完成根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值后，清晰度估计模块200比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小。
其中，若前景图像类中的任一对象的清晰度值大于或等于中景图像类的最高清晰度值Qm，则将该对象归类至中景图像类中，该对象不再是在前景图像类之内，并将该对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
其中，在完成比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小后，清晰度估计模块200比较中景图像类中的任一对象的清晰度值和背景图像类的最高清晰度值Qb的大小。
其中，若中景图像类中的任一对象的清晰度值小于或等于背景图像类的最高清晰度值Qb，则将该对象归类至背景图像类中，该对象不再是在中景图像类之内。通过这种方式，实现进一步调整对象归类，从而使三个分类图像中的中景图像类中的对象具有最好的清晰度。
深度值估计模块300，用于根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值。
具体地，在完成分别获取各图像类的对象，估算各图像类的对象的清晰度值后，深度值估计模块300根据归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值。
其中，深度值估计模块300设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数。
在具体实现时，可采用如下方式：
1、设定准清晰度Qs；
2、设定深度转换函数DP(x)，比如取：
DP(i)＝β(xi-Qs)/Qs，
其中i为物体对象、xi为物体对象i的清晰度值、Qs为基准清晰度、β为设定系数，则Qs对应的绝对深度值为0。
其中，在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，深度值估计模块300设定基准清晰度Qs为中景图像类的最高清晰度Qm，采用DP转换函数估算前景图像类的对象的深度值；设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算中景图像类中的对象的深度值；设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算背景图像类中的对象的深度值。
在具体实现时，可采用如下方式：
1、进行前景图像类中的对象深度值估算，设定基准清晰度Qs为中景图像类的最高清晰度Qm，q1f、q2f、...分别代入函数函数DP(x)中，得到前景图像类中的各个物体对象q1、q2、...的深度值：
DP(q1)＝β(q1f-Qm)/Qm，
DP(q2)＝β(q2f-Qm)/Qm，
...，
其中各个深度值小于0；
2、进行中景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，z1f、z2f、...分别代入函数函数DP(x)中，得到中景图像类中的各个物体对象z1、z2、...的深度值：
DP(z1)＝β(z1f-Qb)/Qb，
DP(z2)＝β(z2f-Qb)/Qb，
...，
其中各个深度值大于0；
3、进行背景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，将b1f、b2f、...分别代入函数函数DP(x)中，得到背景图像类各个物体对象b1、b2、...的深度值：
DP(b1)＝β(b1f-Qb)/Qb，
DP(b2)＝β(b2f-Qb)/Qb，
...，
其中各个深度值小于或等于0。
景深值估计模块400，用于根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
具体地，在完成根据各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值后，景深值估计模块400根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值。
其中，景深值估计模块400采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、设定某一线性函数Line(y)＝ɡ*DP(y)，其中y为物体对象、ɡ为设定比例系数；
2、将中景图像类中各个物体对象z1、z2、...的深度值DP(z1)、DP(z2)、...代入Line函数中，得到z1、z2、...的景深值分别为ɡDP(z1)、ɡDP(z2)、...。
其中，在完成采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值后，景深值估计模块400采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、设定某一曲线函数Curve(w),w为物体对象的深度值；
2、将背景图像类中的各个物体对象b1、b2、...的深度值DP(b1)、DP(b2)、...代入Curve函数中，得到b1、b2、...的景深值分别为Curve[DP(b1)]、Curve[DP(b2)]...。
其中，在完成采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值后，景深值估计模块400采用曲线函数Curve，对前图像类对象的深度值进行非线性压缩变换，并叠加中景图像类的对象的深度值中的最大值，估算前景图像类的对象的景深值。
在具体实现时，可采用如下方式：
1、采用上述曲线函数Curve(w)，将前景图像类中的各个物体对象q1、q2、...的深度值DP(q1)、DP(q2)、...代入H函数中，得到z1、z2、...的相对景深值Curve[DP(q1)]、Curve[DP(q2)]、...；
2、叠加中景图像类的最大景深值ɡDP(Qm)、Qm为中景图像类的最高清晰度，得到前景图像类中的各个物体对象q1、q2、...的景深值分别为ɡDP(Qm)-Curve[DP(q1)]、ɡDP(Qm)-Curve[DP(q2)]、...。
其中，上述背景和前景图像类对象的景深估算时采用同一曲线函数Curve、也可以采用不同的曲线函数Curve，曲线函数Curve具有如下特征：
1、转换后的景深值与深度值具有相同正负，即对象深度值为负值则景深值为负值、对象深度值为正值则景深值也为正值；
2、深度值越小则景深值越小、深度值越大则景深值越大，例如：深度值-50时Curve(-50)＝-40，深度值-100时Curve(-100)＝-60，Curve(-50)>Curve(-100)；
3、深度绝对值越小则压缩比越小、深度绝对值越大则压缩比越大，例如：深度值-50时Curve(-50)＝-40、压缩度为0.2，深度值-100时Curve(-100)＝-60、压缩度为0.4。
从上述过程可知，中景图像类对象的景深值是随着深度值变化而进行线性均匀变化，而前景图像类和背景图像类对象的景深值是随着深度值变化而进行非线性压缩变化、且深度绝对值越大具有更大的压缩比。
通过上述方案，本发明提供了一种二维图像景深生成装置，实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，本发明实施例中的分类模块100，还用于根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类；根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
具体地，分类模块100根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类。
其中，上述图像可以为二维图像，分类模块100根据二维图像中物体的远近、邻接、交叠等位置和相对方向关系，并结合物体形状姿态、阴影暗示等，将物体分为前景图像类、中景图像类和背景图像类。
在完成根据目标图像中的物体的位置关系和形态关系，将目标图像分类为前景图像类、中景图像类和背景图像类后，分类模块100根据前景图像类、中景图像类和背景图像类的灰度信息，分别估算前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
其中，分类模块100首先将上述前景图像类、中景图像类和背景图像类转换成HSI格式(H为色度信息、S为彩色饱和度信息、I为灰度信息)；然后，对前景图像类、中景图像类和背景图像类的灰度信息I进行处理，获取灰度信息I的交流分量I’、并根据I’的频谱特征的最高频率，估算出前景图像类、中景图像类和背景图像类的最高清晰度分别为Qf、Qm、Qb。
其中，在具体实现时，以前景图像类的最高清晰度估算为例：
1、前景图像的每个像素以RGB来表示、像素表示为：{R(s,t)，G(s,t)，B(s,t)}，其中，s和t分别表示像素的行和列坐标；将RGB转换成HSI格式，像素灰度信息表示为：I(s,t)＝[R(s,t)+G(s,t)+B(s,t)]/3；
2、前景图像的平均灰度值表示为：
I ‾ = 1 S * T Σ s = 0 S - 1 Σ t = 0 T - 1 I ( s , t ) ,
其中，S和T为前景图像像素的最大坐标，像素灰度信息I的交流分量表示为：
3、将I’(s,t)变换成空间频率为：
U ( g , l ) = Σ s = 0 S - 1 Σ t = 0 T - 1 I ′ ( s , t ) e - j × 2 π ( s × g S + t × l T ) ,
其中，g为0、1、2、…、S-1，l＝0、1、2、…、T-1，取|U(g,l)|的最大值为前景图像类最高清晰Qf值。
4、同理可估算出中景图像类和背景图像类的最高清晰度Qm和Qb。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，本发明实施例中的清晰度估计模块200，还用于分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象；根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值；通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
具体地，在完成获取目标图像，对目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值后，清晰度估计模块200分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
其中，清晰度估计模块200分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象。
在具体实现时，可以采用如下方式：
1、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取到前景图像类中的各个物体对象，标记为q1、q2、...；
2、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取中景图像类中的各个物体对象，标记为z1、z2、...；
3、通过搜索和检测前景图像类中各个物体的边界和轮廓，划分并获取背景图像类中的各个物体对象，标记为b1、b2、...。
在完成分别检测前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取前景图像类、中景图像类和背景图像类中对应的对象后，清晰度估计模块200根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值。
其中，在具体实现时，可以采用如下方式：
1、将前景图像类中的各个物体对象q1、q2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为q1f、q2f、...；
2、将中景图像类中的各个物体对象z1、z2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为z1f、z2f、...；
3、将背景图像类中的各个物体对象b1、b2、...转换成HSI格式，与上述图像类的最高清晰度估算方式相同，估算出各个物体对象的清晰度分别为b1f、b2f、...。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，本发明实施例中的清晰度估计模块200，还用于比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小；若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm；比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小；若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
具体地，在完成根据前景图像类、中景图像类和背景图像类中对应的对象，分别估算前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值后，清晰度估计模块200比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小。
若前景图像类中的任一对象的清晰度值大于或等于中景图像类的最高清晰度值Qm，则将该对象归类至中景图像类中，该对象不再是在前景图像类之内，并将该对象的清晰度值定义为所述中景图像类的最高清晰度值Qm。
在完成比较前景图像类中的任一对象的清晰度值和中景图像类的最高清晰度值Qm的大小后，清晰度估计模块200比较中景图像类中的任一对象的清晰度值和背景图像类的最高清晰度值Qb的大小。
若中景图像类中的任一对象的清晰度值小于或等于背景图像类的最高清晰度值Qb，则将该对象归类至背景图像类中，该对象不再是在中景图像类之内。通过这种方式，实现进一步调整对象归类，从而使三个分类图像中的中景图像类中的对象具有最好的清晰度。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，本发明实施例中的深度值估计模块300，还用于设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数；设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
具体地，在完成分别获取各图像类的对象，估算各图像类的对象的清晰度值后，深度值估计模块300设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数。
其中，在具体实现时，可采用如下方式：
1、设定准清晰度Qs；
2、设定深度转换函数DP(x)，比如取：
DP(i)＝β(xi-Qs)/Qs，
其中i为物体对象、xi为物体对象i的清晰度值、Qs为基准清晰度、β为设定系数，则Qs对应的绝对深度值为0。
在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，深度值估计模块300设定基准清晰度Qs为中景图像类的最高清晰度Qm，采用DP转换函数估算前景图像类的对象的深度值。
其中，在具体实现时，可采用如下方式：
进行前景图像类中的对象深度值估算，设定基准清晰度Qs为中景图像类的最高清晰度Qm，q1f、q2f、...分别代入函数函数DP(x)中，得到前景图像类中的各个物体对象q1、q2、...的深度值：
DP(q1)＝β(q1f-Qm)/Qm，
DP(q2)＝β(q2f-Qm)/Qm，
...，
其中各个深度值小于0。
在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，深度值估计模块300设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算中景图像类中的对象的深度值。
其中，在具体实现时，可采用如下方式：
进行中景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，z1f、z2f、...分别代入函数函数DP(x)中，得到中景图像类中的各个物体对象z1、z2、...的深度值：
DP(z1)＝β(z1f-Qb)/Qb，
DP(z2)＝β(z2f-Qb)/Qb，
...，
其中各个深度值大于0。
在完成设定基准清晰度Qs，根据准清晰度Qs建立DP转换函数后，深度值估计模块300设定基准清晰度Qs为背景图像类的最高清晰度Qb，采用DP转换函数估算背景图像类中的对象的深度值。
其中，进行背景图像类中的对象深度值估算，设定基准清晰度Qs为背景图像类的最高清晰度Qb，将b1f、b2f、...分别代入函数函数DP(x)中，得到背景图像类各个物体对象b1、b2、...的深度值：
DP(b1)＝β(b1f-Qb)/Qb，
DP(b2)＝β(b2f-Qb)/Qb，
...，
其中各个深度值小于或等于0。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
进一步的，为了更好地实现从二维图像中生成景深，本发明实施例中的景深值估计模块400，还用于采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值；采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值；采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
具体地，在完成根据所各图像类的对象的清晰度值，采用深度值估计算法，估算各图像类的对象的深度值后，景深值估计模块400采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、设定某一线性函数Line(y)＝ɡ*DP(y)，其中y为物体对象、ɡ为设定比例系数；
2、将中景图像类中各个物体对象z1、z2、...的深度值DP(z1)、DP(z2)、...代入Line函数中，得到z1、z2、...的景深值分别为ɡDP(z1)、ɡDP(z2)、...。
在完成采用线性函数Line，对中景图像类的对象的深度值进行线性变换，估算中景图像类的对象的景深值后，景深值估计模块400采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、设定某一曲线函数Curve(w),w为物体对象的深度值；
2、将背景图像类中的各个物体对象b1、b2、...的深度值DP(b1)、DP(b2)、...代入Curve函数中，得到b1、b2、...的景深值分别为Curve[DP(b1)]、Curve[DP(b2)]...。
步骤S43，采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
具体地，在完成采用曲线函数Curve，对背景图像类的对象的深度值进行非线性压缩变换，估算背景图像类的对象的景深值后，3D电视采用曲线函数Curve，对前图像类对象的深度值进行非线性压缩变换，并叠加中景图像类的对象的深度值中的最大值，估算前景图像类的对象的景深值。
其中，在具体实现时，可采用如下方式：
1、采用上述曲线函数Curve(w)，将前景图像类中的各个物体对象q1、q2、...的深度值DP(q1)、DP(q2)、...代入H函数中，得到z1、z2、...的相对景深值Curve[DP(q1)]、Curve[DP(q2)]、...；
2、叠加中景图像类的最大景深值ɡDP(Qm)、Qm为中景图像类的最高清晰度，得到前景图像类中的各个物体对象q1、q2、...的景深值分别为ɡDP(Qm)-Curve[DP(q1)]、ɡDP(Qm)-Curve[DP(q2)]、...。
其中，上述背景和前景图像类对象的景深估算时采用同一曲线函数Curve、也可以采用不同的曲线函数Curve，曲线函数Curve具有如下特征：
1、转换后的景深值与深度值具有相同正负，即对象深度值为负值则景深值为负值、对象深度值为正值则景深值也为正值；
2、深度值越小则景深值越小、深度值越大则景深值越大，例如：深度值-50时Curve(-50)＝-40，深度值-100时Curve(-100)＝-60，Curve(-50)>Curve(-100)；
3、深度绝对值越小则压缩比越小、深度绝对值越大则压缩比越大，例如：深度值-50时Curve(-50)＝-40、压缩度为0.2，深度值-100时Curve(-100)＝-60、压缩度为0.4。
从上述过程可知，中景图像类对象的景深值是随着深度值变化而进行线性均匀变化，而前景图像类和背景图像类对象的景深值是随着深度值变化而进行非线性压缩变化、且深度绝对值越大具有更大的压缩比。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
如图9所示，本发明第二实施例提出一种二维图像景深生成装置，以上述第一实施例中的装置为基础，本实施例装置还包括：
校正模块500，用于对所述各图像类的对象的景深值进行校正。
具体地，在完成根据各图像类的对象的深度值，采用景深值估计算法，估算各图像类的对象的景深值后，校正模块500根据中景图像类的对象的景深值大小，将中景图像类的对象进行排序和叠加，并形成对比图像。
其中，在具体实现时，可以对中景图像类对象z1、z2、...，按照其景深值ɡDP(z1)、ɡDP(z2)、...的大小进行排序和层加，将景深值大的对象排在在景深值小的对象的上层，形成对比图像。
在完成根据中景图像类的对象的景深值大小，将中景图像类的对象进行排序和叠加，并形成对比图像后，校正模块500比较对比图像和中景图像类中的各个对象的空间关系，调整中景图像类的对象的景深值。
其中，在具体实现时，可以比较对比图像和原中景图像中各个对象的遮挡、位置等空间关系，对异常空间位置关系的对象，以景深值大的对象为参考，对称调整景深值小的对象的景深，调整中景图像类的对象的景深值。例如：由上述对象景深值估计得到的z1对象景深值ɡDP(z1)为100，z2对象的景深值ɡDP(z2)为80，在新中景图像中z1叠加在z2的上方，但是在原有旧中景图像中z2是在z1的上方；因此对z1、z2进行对称调整景深值：以z1为参考、即z1景深值保持100不变，z2的景深值调整为80+2*(100-80)，即120。
在完成比较对比图像和中景图像类中的各个对象的空间关系，调整中景图像类的对象的景深值后，校正模块500判断中景图像类的对象的景深值是否有变化。
若中景图像类的对象的景深值有变化，则获取中景图像类的对象的景深值的最大变化量，并在前景图像类中的对象的景深值上叠加中景图像类的景深值的最大变化量，例如：由上述对象景深值估计得到的中景图像类的最大景深值ɡDP(Qm)为500，经过上述第二步后、中景图像类的最大景深值调整为550、即变化量为50，则前景图像类中所有对象的景深值增加50后形成新的深度值。
若中景图像类的对象的景深值无变化，则前景图像类的对象的景深值不调整。
生成模块600，用于将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
具体地，在完成对各图像类的对象的景深值进行校正后，生成模块600将进行校正后的各图像类的对象的景深值进行存储，生成对应的图像景深。
其中，生成模块600将进行校正后的前景图像类、中景图像类和背景图像类对象的景深值进行存储，从而形成二维图像的景深，上述景深可以存储本地存储设备中，以便于即时提取。
通过上述方案，本发明提供了一种二维图像景深生成装置，更好地实现了从二维图像中生成景深，以降低了图像失真，提高图像稳定性，满足用户需求。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (14)

1.一种二维图像景深生成方法，其特征在于，所述方法包括：
获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；
分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类；
根据所述归类后的各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值；
根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值的步骤包括：
根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类；
根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
3.根据权利要求2所述的方法，其特征在于，所述分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类的步骤包括：
分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象；
根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值；
通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
4.根据权利要求3所述的方法，其特征在于，所述通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类的步骤包括：
比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小；
若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm；
比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小；
若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
5.根据权利要求4所述的方法，其特征在于，所述根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值的步骤包括：
设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数；
设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值；
设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值；
设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的步骤包括：
采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值；
采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值；
采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
7.根据权利要求1所述的方法，其特征在于，所述根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值的步骤之后，还包括：
根据各图像类的对象的景深值大小形成对比图像，根据所述对比图像对所述各图像类的对象的景深值进行校正；
将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
8.一种二维图像景深生成装置，其特征在于，所述装置包括：
分类模块，用于获取目标图像，对所述目标图像进行图像类分类处理，得到对应的多个图像类，并计算各图像类对应的最高清晰度值；
清晰度估计模块，用于分别获取所述各图像类的对象，估算所述各图像类的对象的清晰度值，并根据所述各图像类对应的最高清晰度值，对所述各图像类的对象进行归类；
深度值估计模块，用于根据归类后的所述各图像类的对象的清晰度值，采用深度值估计算法，估算所述各图像类的对象的深度值；
景深值估计模块，用于根据所述各图像类的对象的深度值，采用景深值估计算法，估算所述各图像类的对象的景深值。
9.根据权利要求8所述的装置，其特征在于，
所述分类模块，还用于根据所述目标图像中的物体的位置关系和形态关系，将所述目标图像分类为前景图像类、中景图像类和背景图像类；根据所述前景图像类、中景图像类和背景图像类的灰度信息，分别估算所述前景图像类、中景图像类和背景图像类对应的最高清晰度值Qf、Qm和Qb。
10.根据权利要求9所述的装置，其特征在于，
所述清晰度估计模块，还用于分别检测所述前景图像类、中景图像类和背景图像类中的物体的边界和轮廓，获取所述前景图像类、中景图像类和背景图像类中对应的对象；根据所述前景图像类、中景图像类和背景图像类中对应的对象，分别估算所述前景图像类、中景图像类和背景图像类中对应的各个对象的清晰度值；通过清晰度值比较操作，对所述前景图像类、中景图像类和背景图像类中对应的对象进行归类。
11.根据权利要求10所述的装置，其特征在于，
所述清晰度估计模块，还用于比较所述前景图像类中的任一对象的清晰度值和所述中景图像类的最高清晰度值Qm的大小；若所述前景图像类中的任一对象的清晰度值大于或等于所述中景图像类的最高清晰度值Qm，则将所述对象归类至所述中景图像类中，并将所述对象的清晰度值定义为所述中景图像类的最高清晰度值Qm；比较所述中景图像类中的任一对象的清晰度值和所述背景图像类的最高清晰度值Qb的大小；若所述中景图像类中的任一对象的清晰度值小于或等于所述背景图像类的最高清晰度值Qb，则将所述对象归类至所述背景图像类中。
12.根据权利要求11所述的装置，其特征在于，
所述深度值估计模块，还用于设定基准清晰度Qs，根据所述准清晰度Qs建立DP转换函数；设定所述基准清晰度Qs为所述中景图像类的最高清晰度Qm，采用所述DP转换函数估算所述前景图像类的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述中景图像类中的对象的深度值；设定所述基准清晰度Qs为所述背景图像类的最高清晰度Qb，采用所述DP转换函数估算所述背景图像类中的对象的深度值。
13.根据权利要求12所述的装置，其特征在于，
所述景深值估计模块，还用于采用线性函数Line，对所述中景图像类的对象的深度值进行线性变换，估算所述中景图像类的对象的景深值；采用曲线函数Curve，对所述背景图像类的对象的深度值进行非线性压缩变换，估算所述背景图像类的对象的景深值；采用曲线函数Curve，对所述前图像类对象的深度值进行非线性压缩变换，并叠加所述中景图像类的对象的深度值中的最大值，估算所述前景图像类的对象的景深值。
14.根据权利要求8所述的装置，其特征在于，所述装置还包括：
校正模块，用于根据各图像类的对象的景深值大小形成对比图像，根据所述对比图像对所述各图像类的对象的景深值进行校正；
生成模块，用于将进行校正后的所述各图像类的对象的景深值进行存储，生成对应的图像景深。
CN201610244073.4A 2016-04-19 2016-04-19 二维图像景深生成方法和装置 Active CN105957053B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201610244073.4A CN105957053B (zh) 2016-04-19 2016-04-19 二维图像景深生成方法和装置
PCT/CN2016/098066 WO2017181575A1 (zh) 2016-04-19 2016-09-05 二维图像景深生成方法和装置
US16/094,232 US10796442B2 (en) 2016-04-19 2016-09-05 Two-dimensional image depth of field generation method and device
EP16899162.8A EP3447722B1 (en) 2016-04-19 2016-09-05 Two-dimensional image depth-of-field generating method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610244073.4A CN105957053B (zh) 2016-04-19 2016-04-19 二维图像景深生成方法和装置

Publications (2)

Publication Number Publication Date
CN105957053A true CN105957053A (zh) 2016-09-21
CN105957053B CN105957053B (zh) 2019-01-01

Family

ID=56917657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610244073.4A Active CN105957053B (zh) 2016-04-19 2016-04-19 二维图像景深生成方法和装置

Country Status (4)

Country Link
US (1) US10796442B2 (zh)
EP (1) EP3447722B1 (zh)
CN (1) CN105957053B (zh)
WO (1) WO2017181575A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504191A (zh) * 2016-10-12 2017-03-15 华侨大学 基于景深图片拼接算法的3d壁画设计方法及其应用的app
CN108053438A (zh) * 2017-11-30 2018-05-18 广东欧珀移动通信有限公司 景深获取方法、装置及设备
WO2019233147A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830281B (zh) * 2022-11-22 2023-07-25 山东梦幻视界智能科技有限公司 一种基于MiniLED显示屏的裸眼VR沉浸式体验装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841727A (zh) * 2009-12-30 2010-09-22 福州华映视讯有限公司 影像处理方法
CN102509294A (zh) * 2011-11-08 2012-06-20 清华大学深圳研究生院 一种基于单幅图像的全局深度估计方法
CN102903098A (zh) * 2012-08-28 2013-01-30 四川虹微技术有限公司 一种基于图像清晰度差异的深度估计方法
US9165367B2 (en) * 2010-09-02 2015-10-20 Samsung Electronics Co., Ltd. Depth estimation system for two-dimensional images and method of operation thereof

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6584219B1 (en) * 1997-09-18 2003-06-24 Sanyo Electric Co., Ltd. 2D/3D image conversion system
JP2006178900A (ja) * 2004-12-24 2006-07-06 Hitachi Displays Ltd 立体画像生成装置
CN101322155B (zh) * 2005-12-02 2013-03-27 皇家飞利浦电子股份有限公司 立体图像显示方法和设备、从2d图像数据输入产生3d图像数据的方法以及从2d图像数据输入产生3d图像数据的设备
CN102904212A (zh) 2011-07-29 2013-01-30 鸿富锦精密工业（深圳）有限公司 保护电路
US8933928B2 (en) * 2011-11-22 2015-01-13 Seiko Epson Corporation Multiview face content creation
JP2013172190A (ja) * 2012-02-17 2013-09-02 Sony Corp 画像処理装置、および画像処理方法、並びにプログラム
US8897548B2 (en) * 2013-04-02 2014-11-25 National Chung Cheng University Low-complexity method of converting image/video into 3D from 2D
CN103955942A (zh) 2014-05-22 2014-07-30 哈尔滨工业大学 一种基于svm的2d图像的深度图提取方法
CN104052984B (zh) 2014-06-10 2016-08-24 青岛海信电器股份有限公司 一种逆视区矫正方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841727A (zh) * 2009-12-30 2010-09-22 福州华映视讯有限公司 影像处理方法
US9165367B2 (en) * 2010-09-02 2015-10-20 Samsung Electronics Co., Ltd. Depth estimation system for two-dimensional images and method of operation thereof
CN102509294A (zh) * 2011-11-08 2012-06-20 清华大学深圳研究生院 一种基于单幅图像的全局深度估计方法
CN102903098A (zh) * 2012-08-28 2013-01-30 四川虹微技术有限公司 一种基于图像清晰度差异的深度估计方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504191A (zh) * 2016-10-12 2017-03-15 华侨大学 基于景深图片拼接算法的3d壁画设计方法及其应用的app
CN106504191B (zh) * 2016-10-12 2019-08-23 华侨大学 基于景深图片拼接算法的3d壁画设计方法及其应用的app
CN108053438A (zh) * 2017-11-30 2018-05-18 广东欧珀移动通信有限公司 景深获取方法、装置及设备
WO2019233147A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device
CN110580428A (zh) * 2018-06-08 2019-12-17 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和电子设备
US10896323B2 (en) 2018-06-08 2021-01-19 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and device for image processing, computer readable storage medium, and electronic device

Also Published As

Publication number Publication date
EP3447722A4 (en) 2019-12-11
EP3447722A1 (en) 2019-02-27
US20190096074A1 (en) 2019-03-28
EP3447722B1 (en) 2021-11-17
WO2017181575A1 (zh) 2017-10-26
CN105957053B (zh) 2019-01-01
US10796442B2 (en) 2020-10-06

Similar Documents

Publication Publication Date Title
CN107153816B (zh) 一种用于鲁棒人脸识别的数据增强方法
CN103500435B (zh) 一种边缘导向的自适应图像插值方法及其vlsi实现装置
CN102665086B (zh) 利用基于区域的局部立体匹配获取视差的方法
CN103226820B (zh) 改进的二维最大熵分割夜视图像融合目标检测算法
CN105957053A (zh) 二维图像景深生成方法和装置
CN103501401B (zh) 面向超大噪声基于预滤波的实时视频去噪方法
CN107680056A (zh) 一种图像处理方法及装置
CN104574366A (zh) 一种基于单目深度图的视觉显著性区域的提取方法
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN103530847A (zh) 一种红外图像增强方法
CN104517317A (zh) 一种车载红外图像三维重建方法
CN103325120A (zh) 一种快速自适应支持权值双目视觉立体匹配方法
CN101923719A (zh) 一种基于粒子滤波和光流矢量的视频目标跟踪方法
CN109242834A (zh) 一种基于卷积神经网络的无参考立体图像质量评价方法
CN102903111B (zh) 基于图像分割的大面积低纹理区立体匹配算法
CN103826032A (zh) 深度图后期处理方法
CN104504672A (zh) 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法
CN104462382A (zh) 商标图像查询方法
Gautam et al. Efficient color image contrast enhancement using range limited bi-histogram equalization with adaptive gamma correction
CN105657401A (zh) 一种裸眼3d显示方法、系统及裸眼3d显示装置
CN103971354A (zh) 低分辨率红外图像重建高分辨率红外图像的方法
CN106296749B (zh) 基于l1范数约束的rgb-d图像本征分解方法
CN110111292A (zh) 一种红外与可见光图像融合方法
CN104778657B (zh) 图像二维码融合方法及装置
CN104243974B (zh) 一种基于三维离散余弦变换的立体视频质量客观评价方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1225147

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant