CN108053372A - 处理深度图像的方法和装置 - Google Patents

处理深度图像的方法和装置 Download PDF

Info

Publication number
CN108053372A
CN108053372A CN201711249519.3A CN201711249519A CN108053372A CN 108053372 A CN108053372 A CN 108053372A CN 201711249519 A CN201711249519 A CN 201711249519A CN 108053372 A CN108053372 A CN 108053372A
Authority
CN
China
Prior art keywords
rectangle
subgraph
cluster
matrix
rectangle subgraph
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.)
Pending
Application number
CN201711249519.3A
Other languages
English (en)
Inventor
万韶华
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201711249519.3A priority Critical patent/CN108053372A/zh
Publication of CN108053372A publication Critical patent/CN108053372A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本公开是关于处理深度图像的方法和装置。该方法包括：从原始深度图像中像截取大小相同的多个矩形子图像；将所述多个矩形子图像划分至至少一个聚类，每个所述聚类包括至少一个所述矩形子图像；对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量；基于矩形子图像对应的低秩分量合成处理后的深度图像。根据本公开，可对原始深度图像进行去噪和补缺。基于该处理后的深度图像进行3D图像识别，有利于显著增强识别的可靠性。

Description

处理深度图像的方法和装置
技术领域
本公开涉及3D图像处理领域，尤其涉及处理深度图像的方法和装置。
背景技术
3D图像是非常热门的研究领域，例如3D面部识别等，已成为终端设备等进行身份识别的重要演进方向。
由于器件灵敏度缺陷等问题，基于结构光的3D摄像头采集到的人脸图像等，在某些 像素位置可能会出现高噪声，甚至出现深度值缺失。如图1所示。
有鉴于此，急需对原始深度图像进行预处理的图像处理方案。
发明内容
为克服相关技术中存在的问题，本公开提供一种处理深度图像的方法，本公开还提出 了相应的装置和计算机可读存储程序。
根据本公开实施例的第一方面，提供一种处理深度图像的方法，包括从原始深度图像 中像截取大小相同的多个矩形子图像；将所述多个矩形子图像划分至至少一个聚类，每个 所述聚类包括至少一个所述矩形子图像；对聚类中所包括的各个矩形子图像构成的矩阵进 行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量；基于矩形子图像对应的低秩分量 合成处理后的深度图像。
根据本公开实施例的第二方面，提供一种处理深度图像的装置，包括：截取模块，被 配置为从原始深度图像中像截取大小相同的多个矩形子图像；聚类模块，被配置为将所述 多个矩形子图像划分至至少一个聚类，每个所述聚类包括至少一个所述矩形子图像；矩阵 分解模块，被配置为对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分 解，得到矩形子图像对应的低秩分量；合成模块，被配置为基于矩形子图像对应的低秩分 量合成处理后的深度图像。
根据本公开实施例的第三方面，提供一种处理深度图像的装置，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执行如上所述的方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储 介质中的指令由处理器执行时，使得处理器能够执行如上所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过从原始深度图像中截取 大小相同的多个矩形子图像，并对所截取的矩形子图像进行聚类，从而得到具有低秩性质 的数据，然后针对具有低秩性质的数据进行低秩稀疏矩阵分解，进而基于分解得到的低秩 分量合成处理后的深度图像，以对原始深度图像进行去噪和补缺。基于该处理后的深度图 像进行3D图像识别，有利于显著增强识别的可靠性。
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，并不能限 制本公开。
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，示出了符合本公开的实施例， 并与说明书一起用于解释本公开的原理。
图1是3D结构光采集到的原始深度图像的示意图。
图2是据一示例性实施例示出的一种处理深度图像的方法的流程图。
图3是据一示例性实施例示出的一种处理深度图像的方法的示例性流程图。
图4是据一示例性实施例示出的一种处理深度图像的方法的示例性流程图。
图5是根据一示例性实施例示出的一种处理深度图像的装置的框图。
图6是根据一示例性实施例示出的一种处理深度图像的装置的示例性框图。
图7是根据一示例性实施例示出的一种处理深度图像的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图 时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中 所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权 利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
低秩系数矩阵分解，也称为鲁棒主成分分析(Robust Principle ComponentAnalsis-Robust PCA)，是能够从受噪声较大但稀疏的观测数据中恢复出本质上低秩的信息的方法。原始的深度数据虽然不具有低秩的性质，但本公开的发明人经过深入研究发现，可以对原始的深度数据局部采样得到大量的矩形小图像，对这些矩形小图像经过特定处理后使其具有低秩的性质，从而基于低秩系数矩阵分解得到去噪和补缺后的深度图像。
图2是根据一示例性实施例示出的一种处理深度图像的方法的流程图，如图1所示， 所述方法可以用于需要进行深度图像处理的各种设备中，例如，采用3D面部识别的终端 设备。所述方法包括以下步骤。
在步骤102中，从原始深度图像中截取大小相同的多个矩形子图像。
所述原始深度图像可以看做是一个大的矩阵，矩阵中的元素可表示对应位置的像素点 的深度值。
在一种可能的实现方式中，可以随机或伪随机地从所述原始度图像中截取大小相同的 多个矩形子图像。某些特定的截取方式，可能带来特定的信息偏差。在一些应用场景中， 需要识别多个原始图像，如果针对各个原始图像采用相同的截取方式，则可能在这些原始 图像的处理中都存在某特定的信息偏差，从而在最终结果中引入较大偏差甚至错误。本实 现方式中，可以随机或伪随机地进行截取，以使得不同原始图像的截取方式基本不相关， 从而尽量避免因为特定截取方式而最终导致的误差。
在一个示例中，设原始深度图像的大小为100*100，每个矩形子图像的大小为10*10， 可以针对该原始深度图像随机取上万个矩形子图像，以确保遍历原始深度图像的各个矩形 小区域。
在步骤104中，将所述多个矩形子图像划分至至少一个聚类，每个所述聚类包括至少 一个所述矩形子图像。
在一种可能的实现方式中，可采用k-means聚类算法对这些矩形子图像进行聚类，例 如，直接以矩形子图像的元素作为聚类算法的输入特征，将每两个矩形子图像对应像素之 间的距离之和定义为这两个矩形子图像之间的距离，并将相似度高(即距离小)的矩形区 域划分到同一个聚类中。
本领域技术人员也可采用其他认为适用的方式对所述多个矩形子图像进行分析，并将 经分析认为相似的矩形子图像归入同一聚类，本公开对此不作限定。
步骤106，对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得 到矩形子图像对应的低秩分量。
在一种可能的实现方式中，步骤106可以包括：设聚类中包括n个矩形子图像，依次表示为Ii，i＝1,2,…n；将所述n个矩形子图像向量化，依次得到向量vec(Ii)，i＝1,2,…n；得到矩阵D＝[vec(I0)，vec(I1)，…,vec(In)]；基于下式将矩阵D分解为低秩矩阵L和稀疏矩阵S：
其中，rank(L)表示矩阵L的秩，card(S)表示矩阵S中不为0的元素的个数，λ为调整系数；设矩阵L＝[l1，l2，…,ln]，则确定矩形子图像Ii对应的低秩分量为对向量li矩阵 化后得到的矩阵，i＝1,2,…n。
设某个聚类包括n个矩形子图像，每个矩形子图像有w行n列，即Ii为w*h的矩阵， i＝1,2,…n。可以按照先行后列或先列后行的顺序对Ii进行向量化，得到vec(Ii)，vec(Ii)也可视为大小为w*h行1列的矩阵。可将这n个向量组成的矩阵D按照式1进行分解，将 其分解为一个低秩矩阵L和一个稀疏矩阵S，D、L和S均为w*h行n列的矩阵。可根据 经验和仿真结果等确定调整系数λ。可对稀疏矩阵L的每一列进行矩阵化，该矩阵化是 上述向量化的拟过程，每一列被矩阵化为一个w*h的矩阵，其中，矩形子图像Ii对应的 低秩分量为对向量li矩阵化后得到的矩阵，i＝1,2,…n。
步骤108，基于矩形子图像对应的低秩分量合成处理后的深度图像。
所述合成可以是步骤102中的截取操作的拟过程。在合成过程中，在某位置截取的矩 形子图像对应的低秩分量仍位于该矩形子图像原来所在的位置。
在一种可能的实现方式中，步骤108包括：将所述多个矩形子图像中具有对应的低秩 分量的矩形子图像替换为对应的低秩分量；合成替换后的所述多个矩形子图像，以得到处 理后的深度图像。
在上述实施例中，通过从原始深度图像中截取大小相同的多个矩形子图像，并对所截 取的矩形子图像进行聚类，从而得到具有低秩性质的数据，然后针对具有低秩性质的数据 进行低秩稀疏矩阵分解，进而基于分解得到的低秩分量合成处理后的深度图像，该深度图 像可被认为是对原始深度图像去噪和补缺后的图像。基于该处理后的深度图像进行3D图 像识别，有利于显著增强识别的可靠性。
图3是根据一示例性实施例示出的一种处理深度图像的方法的示例性流程图。如图3 所示，在将所述多个矩形子图像划分至至少一个聚类(步骤204)前，所述方法还包括步骤210：对矩形子图像中的各个元素进行归一化，从而便于后续衡量不同矩形子图像彼此间是否相似时减少干扰。
在一个示例中，可以对矩形子图像中的各个元素减去同一直流值来进行归一化，所述 直流值可以是该矩形子图像的各个元素中的最小值、最大值或者平均值。例如，取该直流 值为各个元素的最小值，则设矩形子图像Ii的最小值为M，矩形子图像Ij的最小值为，则 在归一化中，可将矩形子图像Ii中的每个元素减去M，可将矩形子图像Ij中的每个元素减去N。通过减去相应的直流值，使得不同的矩形子图像的元素均被归一化到合适的范围内，以利于在后续取得更好的聚类效果。
本领域技术人员可以理解地是，如果在聚类之前，对矩形子图像中的各个元素进行了 归一化，则在基于矩形子图像对应的低秩分量合成处理后的深度图像时，可先对低秩分量 执行所述归一化的逆过程再进行合成。
图4是根据一示例性实施例示出的一种处理深度图像的方法的示例性流程图。如图4 所示，上述方法中的步骤204可以包括：在聚类中所包括的矩形子图像的数量大于阈值的 情况下，对该聚类中所包括的各个矩形子图像构成的矩阵进行低秩稀疏矩阵分解，得到矩 形子图像对应的低秩分量；在聚类中所包括的矩形子图像的数量小于阈值的情况下，不针 对该聚类执行低秩系数矩阵分解。发明人经过研究发现，如果某个聚类中所包括的矩形子 图像的数量较少，则对其进行低秩稀疏矩阵分解的意义有限，因此可考虑不对其执行低秩 稀疏矩阵分解，例如可保持该聚类中的矩形子图像不变，从而节省计算量。
可根据经验和仿真数据等确定该阈值，例如，在一些情况下，该阈值可以为10。
本领域技术人员可以理解地是，在基于矩形子图像对应的低秩分量合成处理后的深度 图像时，针对具有低秩分量的矩形子图像，可采用其低秩分量；针对未经过低秩系数矩阵 分解处理的矩形子图像，可仍采用该矩形子图像本身。
图5是根据一示例性实施例示出的一种处理深度图像的装置框图。参照图5，该装置 包括截取模块502，聚类模块504、矩阵分解模块506和合成模块508。
该截取模块502被配置为被配置为从原始深度图像中像截取大小相同的多个矩形子 图像。
该聚类模块504被配置为被配置为将所述多个矩形子图像划分至至少一个聚类，每个 所述聚类包括至少一个所述矩形子图像。
该矩阵分解模块506配置为被配置为对聚类中所包括的各个矩形子图像构成的矩阵 进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量。
该合成模块508被配置为基于矩形子图像对应的低秩分量合成处理后的深度图像。
图6是根据一示例性实施例示出的一种处理深度图像的示例性装置框图。以下将参照 图6描述本实施例的多种可能的实现方式。
在一种可能的实现方式中，所述截取模块502包括截取子模块5022，其被配置为随机或伪随机地从所述原始深度图像中截取大小相同的多个矩形子图像。
在一种可能的实现方式中，所述装置还包括归一化模块510，其被配置为在将所述多 个矩形子图像划分至至少一个聚类之前，对矩形子图像中的各个元素进行归一化。
在一种可能的实现方式中，所述归一化模块510包括减值子模块5102，其被配置为将矩形子图像中的各个元素减去同一直流值，所述直流值是相应矩形子图像中各个元素的最小值、最大值或平均值。
在一种可能的实现方式中，所述聚类模块504包括：第一聚类子模块5042，被配置为在聚类中所包括的矩形子图像的数量大于阈值的情况下，对该聚类中所包括的各个矩形子图像构成的矩阵进行低秩稀疏矩阵分解，得到矩形子图像对应的低秩分量；第二聚类子模块5044，被配置为在聚类中所包括的矩形子图像的数量小于阈值的情况下，不针对该 聚类执行低秩系数矩阵分解。
在一种可能的实现方式中，所述矩阵分解模块506包括矩阵分解子模块5062，其被配置为：
设聚类中包括n个矩形子图像，依次表示为Ii，i＝1,2,…n；
将所述n个矩形子图像向量化，依次得到向量vec(Ii)，i＝1,2,…n；
得到矩阵D＝[vec(I0)，vec(I1)，…,vec(In)]；
基于下式将矩阵D分解为低秩矩阵L和稀疏矩阵S：
其中，rank(L)表示矩阵L的秩，card(S)表示矩阵S中不为0的元素的个数，λ为调整系数；
设矩阵L＝[l1，l2，…,ln]，则确定矩形子图像Ii对应的低秩分量为对向量li矩阵化后 得到的矩阵，i＝1,2,…n。
在一种可能的实现方式中，所述合成模块508包括：替换子模块5082，被配置为将所述多个矩形子图像中具有对应的低秩分量的矩形子图像替换为对应的低秩分量；合成子模块5084，被配置为合成替换后的所述多个矩形子图像，以得到所述处理后的深度图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实 施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于处理深度图像的装置800的框图。例如， 装置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。
参照图7，装置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通常控制装置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装置800的操作。这些数据的示例 包括用于在装置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为装置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，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置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。当装置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)，当装置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，用于为装置800提供各个方面的状态评估。 例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800 一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速 和装置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CMOS或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被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，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，装置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，还提供了一种包括指令的非临时性计算机可读存储介质，例如包 括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、 磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实 施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者 适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或 惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权 利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可 以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种处理深度图像的方法，其特征在于，所述方法包括：
从原始深度图像中像截取大小相同的多个矩形子图像；
将所述多个矩形子图像划分至至少一个聚类，每个所述聚类包括至少一个所述矩形子图像；
对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量；
基于矩形子图像对应的低秩分量合成处理后的深度图像。
2.根据权利要求1所述的方法，其特征在于，所述从原始深度图像中截取大小相同的多个矩形子图像，包括：
随机或伪随机地从所述原始深度图像中截取大小相同的多个矩形子图像。
3.根据权利要求1所述的方法，其特征在于，将所述多个矩形子图像划分至至少一个聚类之前，所述方法还包括：
对矩形子图像中的各个元素进行归一化。
4.根据权利要求3所述的方法，其特征在于，所述对矩形子图像中的各个元素进行归一化，包括：
将矩形子图像中的各个元素减去同一直流值，所述直流值是相应矩形子图像中各个元素的最小值、最大值或平均值。
5.根据权利要求1所述的方法，其特征在于，所述对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量，包括：
设聚类中包括n个矩形子图像，依次表示为Ii，i＝1,2,…n；
将所述n个矩形子图像向量化，依次得到向量vec(Ii)，i＝1,2,…n；
得到矩阵D＝[vec(I0)，vec(I1)，…,vec(In)]；
基于下式将矩阵D分解为低秩矩阵L和稀疏矩阵S：
D＝L+S，
其中，rank(L)表示矩阵L的秩，card(S)表示矩阵S中不为0的元素的个数，λ为调整系数；
设矩阵L＝[l1，l2，…,ln]，则确定矩形子图像Ii对应的低秩分量为对向量li矩阵化后得到的矩阵，i＝1,2,…n。
6.根据权利要求1所述的方法，其特征在于，所述对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量，包括：
在聚类中所包括的矩形子图像的数量大于阈值的情况下，对该聚类中所包括的各个矩形子图像构成的矩阵进行低秩稀疏矩阵分解，得到矩形子图像对应的低秩分量；
在聚类中所包括的矩形子图像的数量小于阈值的情况下，不针对该聚类执行低秩系数矩阵分解。
7.根据权利要求1所述的方法，其特征在于，所述基于矩形子图像对应的低秩分量合成处理后的深度图像，包括：
将所述多个矩形子图像中具有对应的低秩分量的矩形子图像替换为对应的低秩分量；
合成替换后的所述多个矩形子图像，以得到所述处理后的深度图像。
8.一种处理深度图像的装置，其特征在于，所述装置包括：
截取模块，被配置为从原始深度图像中像截取大小相同的多个矩形子图像；
聚类模块，被配置为将所述多个矩形子图像划分至至少一个聚类，每个所述聚类包括至少一个所述矩形子图像；
矩阵分解模块，被配置为对聚类中所包括的各个矩形子图像构成的矩阵进行矩形稀疏矩阵分解，得到矩形子图像对应的低秩分量；
合成模块，被配置为基于矩形子图像对应的低秩分量合成处理后的深度图像。
9.根据权利要求8所述的装置，其特征在于，所述截取模块包括：
截取子模块，被配置为随机或伪随机地从所述原始深度图像中截取大小相同的多个矩形子图像。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
归一化模块，被配置为在将所述多个矩形子图像划分至至少一个聚类之前，对矩形子图像中的各个元素进行归一化。
11.根据权利要求10所述的装置，其特征在于，所述归一化模块包括：
减值子模块，被配置为将矩形子图像中的各个元素减去同一直流值，所述直流值是相应矩形子图像中各个元素的最小值、最大值或平均值。
12.根据权利要求8所述的装置，其特征在于，所述矩阵分解模块包括：
矩阵分解子模块，被配置为：
设聚类中包括n个矩形子图像，依次表示为Ii，i＝1,2,…n；
将所述n个矩形子图像向量化，依次得到向量vec(Ii)，i＝1,2,…n；
得到矩阵D＝[vec(I0)，vec(I1)，…,vec(In)]；
基于下式将矩阵D分解为低秩矩阵L和稀疏矩阵S：
D＝L+S，
其中，rank(L)表示矩阵L的秩，card(S)表示矩阵S中不为0的元素的个数，λ为调整系数；
设矩阵L＝[l1，l2，…,ln]，则确定矩形子图像Ii对应的低秩分量为对向量li矩阵化后得到的矩阵，i＝1,2,…n。
13.根据权利要求8所述的装置，其特征在于，所述聚类模块包括：
第一聚类子模块，被配置为在聚类中所包括的矩形子图像的数量大于阈值的情况下，对该聚类中所包括的各个矩形子图像构成的矩阵进行低秩稀疏矩阵分解，得到矩形子图像对应的低秩分量；
第二聚类子模块，被配置为在聚类中所包括的矩形子图像的数量小于阈值的情况下，不针对该聚类执行低秩系数矩阵分解。
14.根据权利要求8所述的方法，其特征在于，所述合成模块包括：
替换子模块，被配置为将所述多个矩形子图像中具有对应的低秩分量的矩形子图像替换为对应的低秩分量；
合成子模块，被配置为合成替换后的所述多个矩形子图像，以得到所述处理后的深度图像。
15.一种处理深度图像的装置，其特征在于，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执行根据权利要求1-7中任意一者所述的方法。
16.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1-7中任意一者所述的方法。
CN201711249519.3A 2017-12-01 2017-12-01 处理深度图像的方法和装置 Pending CN108053372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711249519.3A CN108053372A (zh) 2017-12-01 2017-12-01 处理深度图像的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711249519.3A CN108053372A (zh) 2017-12-01 2017-12-01 处理深度图像的方法和装置

Publications (1)

Publication Number Publication Date
CN108053372A true CN108053372A (zh) 2018-05-18

Family

ID=62121826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711249519.3A Pending CN108053372A (zh) 2017-12-01 2017-12-01 处理深度图像的方法和装置

Country Status (1)

Country Link
CN (1) CN108053372A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675331A (zh) * 2019-08-13 2020-01-10 南京人工智能高等研究院有限公司 图像去噪方法、装置、计算机可读存储介质及电子设备
CN113902786A (zh) * 2021-09-23 2022-01-07 珠海视熙科技有限公司 一种深度图像的预处理方法、系统及相关装置
CN115379194A (zh) * 2021-05-19 2022-11-22 北京小米移动软件有限公司 深度图像的量化方法及装置、终端设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574534A (zh) * 2015-12-17 2016-05-11 西安电子科技大学 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN106709881A (zh) * 2016-12-14 2017-05-24 上海增容数据科技有限公司 一种基于非凸低秩矩阵分解的高光谱图像去噪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574534A (zh) * 2015-12-17 2016-05-11 西安电子科技大学 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN106709881A (zh) * 2016-12-14 2017-05-24 上海增容数据科技有限公司 一种基于非凸低秩矩阵分解的高光谱图像去噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭毅等: "基于S1/2建模的稳健稀疏–低秩矩阵分解", 《中国科学：信息科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110675331A (zh) * 2019-08-13 2020-01-10 南京人工智能高等研究院有限公司 图像去噪方法、装置、计算机可读存储介质及电子设备
CN110675331B (zh) * 2019-08-13 2023-01-31 南京人工智能高等研究院有限公司 图像去噪方法、装置、计算机可读存储介质及电子设备
CN115379194A (zh) * 2021-05-19 2022-11-22 北京小米移动软件有限公司 深度图像的量化方法及装置、终端设备、存储介质
CN115379194B (zh) * 2021-05-19 2024-06-04 北京小米移动软件有限公司 深度图像的量化方法及装置、终端设备、存储介质
CN113902786A (zh) * 2021-09-23 2022-01-07 珠海视熙科技有限公司 一种深度图像的预处理方法、系统及相关装置
CN113902786B (zh) * 2021-09-23 2022-05-27 珠海视熙科技有限公司 一种深度图像的预处理方法、系统及相关装置

Similar Documents

Publication Publication Date Title
CN108594997B (zh) 手势骨架构建方法、装置、设备及存储介质
CN108121952B (zh) 人脸关键点定位方法、装置、设备及存储介质
CN109299315B (zh) 多媒体资源分类方法、装置、计算机设备及存储介质
CN110517185B (zh) 图像处理方法、装置、电子设备及存储介质
US10007841B2 (en) Human face recognition method, apparatus and terminal
CN108830892B (zh) 人脸图像处理方法、装置、电子设备及计算机可读存储介质
CN105654039B (zh) 图像处理的方法和装置
CN104700353B (zh) 图像滤镜生成方法及装置
CN106548468B (zh) 图像清晰度的判别方法及装置
CN106228556B (zh) 图像质量分析方法和装置
CN105678242B (zh) 手持证件模式下的对焦方法和装置
CN107463903B (zh) 人脸关键点定位方法及装置
CN106682736A (zh) 图像识别方法及装置
CN107220614B (zh) 图像识别方法、装置及计算机可读存储介质
CN107871001B (zh) 音频播放方法、装置、存储介质及电子设备
CN105654092B (zh) 特征提取方法及装置
CN105354793A (zh) 人脸图像处理方法及装置
CN106295515A (zh) 确定图像中的人脸区域的方法及装置
CN108053372A (zh) 处理深度图像的方法和装置
CN105654094B (zh) 特征提取方法及装置
CN112200040A (zh) 遮挡图像检测方法、装置及介质
CN105574834B (zh) 图像处理方法及装置
CN107977636B (zh) 人脸检测方法及装置、终端、存储介质
CN110363111B (zh) 基于镜头失真原理的人脸活体检测方法、装置及存储介质
CN108010009B (zh) 一种去除干扰图像的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180518

RJ01 Rejection of invention patent application after publication