CN112541875A - 深度图像处理方法及装置、电子设备和存储介质 - Google Patents
深度图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112541875A CN112541875A CN202011462537.1A CN202011462537A CN112541875A CN 112541875 A CN112541875 A CN 112541875A CN 202011462537 A CN202011462537 A CN 202011462537A CN 112541875 A CN112541875 A CN 112541875A
- Authority
- CN
- China
- Prior art keywords
- depth image
- pixel
- image
- foreground
- scene
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 230000008030 elimination Effects 0.000 description 6
- 238000003379 elimination reaction Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种深度图像处理方法及装置、电子设备和存储介质,所述方法包括:获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。本公开实施例可得到消除散射干扰的深度图像,提高深度图像的准确性。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种深度图像处理方法及装置、电子设备和存储介质。
背景技术
深度图像的获取是计算机视觉技术领域的重要问题。通常获取深度图像的方式包括:双目视觉方式、结构光方式、三维点云方式以及飞行时间方式等。其中,飞行时间(Timeof Flight,ToF)方式可以通过ToF相机获得高精度的深度图像,对实现场景的高精度重建、识别等计算机视觉应用具有重要的意义。
但是,ToF相机由于其自身成像原理的限制,获取的深度图像可能不够准确。
发明内容
本公开提出了一种深度图像处理技术方案。
根据本公开的一方面,提供了一种深度图像处理方法,包括:
获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。通过对第二深度图像对第一深度图像和第三深度图像进行融合,得到相对于第一深度图像消除散射干扰的第四深度图像,从而可以提高深度图像的准确性。此外,第一深度图像和第四深度图像可以组成受散射干扰与消除散射干扰的深度图像对,为散射干扰的相关任务提供数据基础。
在一个或多个可能的实现方式中,所述基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,包括:根据所述第二深度图像的像素值,生成掩膜图像,其中,所述掩膜图像用于指示所述前景所在的前景区域;根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像。
通过由第二深度图像生成的掩膜图像,可以指示前景所在的前景区域,从而可以使第一深度图像和第三深度图像准确地进行融合,得到消除散射干扰的第四深度图像,提高深度图像的准确性。。
在一个或多个可能的实现方式中,所述根据所述第二深度图像的像素值,生成掩膜图像,包括:将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置;将所述第一像素位置的像素值设置为第一像素值,以及,将所述第二像素位置的像素值设置为第二像素值,得到所述掩膜图像。
通过将第一像素位置的像素值设置为第一像素值,将第二像素位置的像素值设置为第二像素值,可以通过像素值的不同对前景区域和背景区域进行准确区分,从而掩膜图像可以通过像素值指示前景所在的前景区域。
在一个或多个可能的实现方式中,所述将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置所述方法之前,所述方法还包括:根据所述ToF相机与所述前景之间的第一距离以及所述ToF相机与所述遮挡物之间的第二距离,确定所述第一预设阈值,其中,所述第一预设阈值对应的距离大于所述第一距离并且所述第一预设阈值对应的距离小于或等于所述第二距离。通过根据第一距离和第二距离设置的第一预设阈值,可以快速区别第二深度图像中的前景区域和前景区域以外的其他区域,提高得到掩膜图像的效率。
在一个或多个可能的实现方式中,所述根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像,包括:根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域;将所述第一深度图像的前景区域和所述第三深度图像的背景区域进行融合,得到所述第四深度图像。
这里,第四深度图像是由第一深度图像的前景区域和第三深度图像的背景区域融合得到的,从而第一深度图像的前景区域和第三深度图像的背景区域均未受到散射干扰,从而由第一深度图像的前景区域和第三深度图像的背景区域融合得到的第四深度图像,是消除散射干扰后的深度图像,可以使第四深度图像具有准确的深度值。
在一个或多个可能的实现方式中,所述根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域,包括:根据所述掩膜图像的像素值,确定所述掩膜图像的第三像素位置和第四像素位置,其中,所述第三像素位置指示前景区域,所述第四像素位置指示背景区域;根据所述第三像素位置确定所述第一深度图像中的前景区域;根据所述第四像素位置确定所述第三深度图像中的背景区域。
在一个或多个可能的实现方式中,所述方法还包括:确定所述第一深度图像和所述第四深度图像在每个像素位置的像素差值;根据所述像素差值确定所述第一深度图像的散射误差区域。这样,进一步可以针对散射误差区域的散射误差进行分析,如分析散射误差与像素位置之间的关联等,为散射误差的相关研究提供数据基础。
在一个或多个可能的实现方式中,所述方法还包括:对所述像素差值进行归一化处理,确定所述第一深度图像在每个像素位置发生散射的概率。这样,通过第一深度图像在每个像素位置发生散射的概率,可以直观地反映散射误差发生的概率与像素位置之间的关联,得到的概率可以指示散射误差对深度值的影响程度和影响区域,从而为消除散射误差的研究提供数据基础。
在一个或多个可能的实现方式中,所述方法还包括:基于所述第一深度图像和所述第四深度图像对神经网络进行训练,得到训练完成的神经网络,其中,所述训练完成的神经网络用于消除深度图像的散射误差,所述第一深度图像为所述神经网络训练的输入图像,所述第四深度图像为所述神经网络训练的标签图像。这样,训练完成的神经网络可以用于消除深度图像的散射误差。通过由第一深度图像和第四深度图像组成的深度数据对,可以大大提高消除深度图像的散射误差的神经网络的开发效率以及消除结果的准确率。
根据本公开的一方面,提供了一种深度图像处理装置,包括:
第一获取模块,用于获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;
第二获取模块,用于获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;
融合模块,用于基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。
在一个或多个可能的实现方式中,所述融合模块,用于根据所述第二深度图像的像素值,生成掩膜图像,其中,所述掩膜图像用于指示所述前景所在的前景区域;根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像。
在一个或多个可能的实现方式中,所述融合模块,用于将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置;将所述第一像素位置的像素值设置为第一像素值,以及,将所述第二像素位置的像素值设置为第二像素值,得到所述掩膜图像。
在一个或多个可能的实现方式中,所述融合模块,还用于根据所述ToF相机与所述前景之间的第一距离以及所述ToF相机与所述遮挡物之间的第二距离,确定所述第一预设阈值,其中,所述第一预设阈值对应的距离大于所述第一距离并且所述第一预设阈值对应的距离小于或等于所述第二距离。
在一个或多个可能的实现方式中,所述融合模块,用于根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域;将所述第一深度图像的前景区域和所述第三深度图像的背景区域进行融合,得到所述第四深度图像。
在一个或多个可能的实现方式中,所述融合模块,用于根据所述掩膜图像的像素值,确定所述掩膜图像的第三像素位置和第四像素位置,其中,所述第三像素位置指示前景区域,所述第四像素位置指示背景区域;根据所述第三像素位置确定所述第一深度图像中的前景区域;根据所述第四像素位置确定所述第三深度图像中的背景区域。
在一个或多个可能的实现方式中,所述装置还包括:确定模块,用于确定所述第一深度图像和所述第四深度图像在每个像素位置的像素差值;根据所述像素差值确定所述第一深度图像的散射误差区域。
在一个或多个可能的实现方式中,所述确定模块,还用于对所述像素差值进行归一化处理,确定所述第一深度图像在每个像素位置发生散射的概率。
在一个或多个可能的实现方式中,所述装置还包括:训练模块,用于基于所述第一深度图像和所述第四深度图像对神经网络进行训练,得到训练完成的神经网络,其中,所述训练完成的神经网络用于消除深度图像的散射误差,所述第一深度图像为所述神经网络训练的输入图像,所述第四深度图像为所述神经网络训练的标签图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
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。
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示出根据本公开实施例的深度图像处理方法的流程图。
图2示出根据本公开实施例的ToF相机图像采集场景的示意图。
图3示出根据本公开实施例的第一深度图像一示例的示意图。
图4示出根据本公开实施例的第二深度图像一示例的示意图。
图5示出根据本公开实施例的第三深度图像一示例的示意图。
图6示出根据本公开实施例的掩膜图像一示例的示意图。
图7示出根据本公开实施例的第四深度图像一示例的示意图。
图8示出根据本公开实施例的深度图像处理装置的框图。
图9示出根据本公开实施例的电子设备一示例的框图。
图10示出根据本公开实施例的电子设备一示例的框图。
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。
本公开实施例提供的深度图像处理方案,可以应用于深度数据获取、散射干扰的相关任务,例如,可以利用消除散射干扰后的深度图像,训练去除散射误差任务的神经网络,或者,可以利用消除散射干扰后的深度图像,验证一些去除散射误差算法的效果,可以大大提高深度图去散射任务的开发效率与验证准确度。
本公开实施例提供的深度图像处理方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该数据处理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。或者,可通过服务器执行所述方法。下面以电子设备作为执行主体为例对本公开实施例的深度图像处理方法进行说明。
图1示出根据本公开实施例的深度图像处理方法的流程图,如图1所示,所述深度图像处理方法包括:
步骤S11,获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景。
在本公开实施例中,ToF相机可以连续发射光脉冲信号,光脉冲信号到达场景对象之后会进行反射,ToF相机可以接收被场景对象反射的光脉冲信号,然后根据光脉冲信号的传播时间可以确定场景对象与ToF相机之间的距离。当场景中的场景对象与ToF相机之间的距离差异较大,或者,相邻场景对象的反射率差异较大的情况下,光脉冲信号会在ToF相机的信号接收单元与镜头之间发生多次散射,从而对光脉冲信号造成干扰,影响深度图像的准确性。电子设备可以获取ToF相机针对第一场景采集得到的第一深度图像,第一场景可以包括前景和背景,其中,前景可以是相对于ToF相机靠前的场景对象,背景可以是相对于ToF相机靠后的场景对象。由于前景和背景之间存在一定的距离差异,第一深度图像可能会受到散射干扰,第一深度图像中背景所在的背景区域的深度值可能不够准确,从而可以认为第一深度图像是受到散射干扰的深度图像。
步骤S12,获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像。
在本公开实施例中,第二场景可以包括前景和遮挡物,遮挡物可以用于遮挡第一场景中的背景。第二场景的前景可以与第一场景的前景相同。在第二场景中,ToF相机距离前景的距离与第一场景中ToF相机距离前景的距离相同。遮挡物可以位于前景和背景之间,从而可以对背景进行遮挡。电子设备可以获取ToF相机针对第二场景采集得到的第二深度图像,由于第二场景中遮挡物对背景进行了遮挡,从而第二深度图像可以认为是没有受到散射干扰的前景深度图像。
相应地,第三场景可以仅包括背景,第二场景中的前景和遮挡物被移开后可以得到第三场景。第三场景中ToF相机与背景的距离等于第一场景中ToF相机与背景的距离,第三场景中的背景可以与第一场景中的背景相同。电子设备可以获取ToF相机针对第三场景采集得到的第三深度图像,由于第三场景中仅有背景,从而第三深度图像可以认为是没有受到散射干扰的背景深度图像。
步骤S13,基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。
在本公开实施例中,在获取第一深度图像、第二深度图像和第三深度图像之后,可以基于第二深度图像对第一深度图像和第三深度图像进行融合,例如,可以根据第二深度图像中前景所在的前景区域和背景所在的背景区域,将第一深度图像和第三深度图像先对齐,使第一深度图像中前景所在的前景区域与第二深度图像中前景所在的前景区域对齐,使第三深度图像中背景所在的背景区域与第二深度图像中背景所在的背景区域对齐,从而可以使第一深度图像和第三深度图像先对齐。然后可以对第一深度图像和第三深度图像进行融合处理,例如,将第一深度图像与第三深度图像进行叠加或者拼接,可以得到第四深度图像。第四深度图像可以是相对于第一深度图像的消除散射干扰后的深度图像,从而第一深度图像和第四深度图像可以组成受散射干扰与补偿散射干扰后的深度数据对,为一些针对散射干扰和/或消除散射干扰的深度数据的研究提供数据基础。
在一些实现方式中,还可以根据第二深度图像的像素值,生成掩膜图像,例如,可以根据第二深度图像的像素值,确定第二深度图像中前景所在的前景区域,然后基于前景所在的前景区域生成掩膜图像,如生成一个图像尺寸与第二深度图像的图像尺寸相同的图像,然后可以将该图像的前景区域的像素值或透明度设置到为预设值,或者,可以将该图像的前景区域进行裁剪,使该图像的前景区域可以区别与前景区域以外的其他区域,得到掩膜图像。得到的掩膜图像可以指示第二深度图像中前景所在的前景区域,前景区域在掩膜图像中的位置与在第二深度图像中的位置相同。然后可以根据掩膜图像对第一深度图像和第三深度图像进行融合,例如,可以根据掩膜图像指示的前景所在的前景区域,确定第一深度图像的融合区域以及第三深度图像的融合区域,然后将确定的第一深度图像的融合区域和第三深度图像的融合区域进行拼接或者叠加,可以得到第四深度图像。
这里,第二深度图像中每个像素位置的像素值,可以表示该像素位置对应的场景对象与ToF相机之间的距离,即,每个像素位置的像素值可以表示该像素位置的图像深度。一些实现方式中,一个像素位置的像素值可以等于该像素位置的深度值。一些实现方式中,一个像素位置的像素值可以通过一些转换关系转换为该像素位置的深度值。通过由第二深度图像生成的掩膜图像,可以指示前景所在的前景区域,从而可以使第一深度图像和第三深度图像准确地进行融合,得到消除散射干扰的第四深度图像。
在一个示例中,在根据第二深度图像的像素值生成掩膜图像时,可以将第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定像素值大于第一预设阈值的第一像素位置以及像素值小于或等于第一预设阈值的第二像素位置。例如,针对第二深度图像中的一个像素位置,将该像素位置的像素值与第一预设阈值进行比较,如果该像素位置的像素值大于第一预设阈值,则可以确定该像素位置是第一像素位置,如果该像素位置的像素值小于或等于第一预设阈值,则可以确定该像素位置是第二像素位置。在确定第二深度图像的第一像素位置和第二像素位置之后,可以将第二深度图像的第一像素位置的像素值设置为第一像素值,将第二像素位置的像素值设置为第二像素值,得到掩膜图像。或者,可以生成图像尺寸与第二深度图像的图像尺寸相等的图像,然后将该图像的第一像素位置的像素值设置为第一像素值,将该图像的第二像素位置的像素值设置为第二像素值,得到掩膜图像。其中,第一像素值和第二像素值不同,第一像素值和第二像素值可以是0-255中的任意2个数值,可以根据实际应用场景进行设置,例如,可以第一像素值可以是0,第二像素值可以是1。本公开不对第一像素值和第二像素值的数据进行限制。
这里,第一像素位置可以认为是前景所在的前景区域,第二像素位置可以认为是前景区域以外的其他区域,如可以认为是背景所在的背景区域。通过将第一像素位置的像素值设置为第一像素值,将第二像素位置的像素值设置为第二像素值,可以通过像素值的不同对前景区域和背景区域进行准确区分,从而掩膜图像可以通过像素值指示前景所在的前景区域。
这里,第一预设阈值可以根据实际应用场景进行设置,本公开不对具体的第一预设阈值进行限制,只要可以区分前景区域和除前景区域以外的其他区域即可。
在一个示例中,可以根据ToF相机与前景之间的第一距离以及ToF相机与遮挡物之间的第二距离,确定第一预设阈值。第一预设阈值对应的距离大于第一距离并且第一预设阈值对应的距离小于或等于第二距离。
在本示例中,可以获取ToF相机与前景之间的第一距离以及ToF相机与遮挡物之间的第二距离,由于遮挡物是用于遮挡背景的,从而遮挡物的位置处于前景和背景之间,前景到ToF相机之间的第一距离小于遮挡物到ToF相机之间的第二距离。为了区别第二深度图像中的前景区域和前景区域以外的其他区域,从而可以根据第一距离和第二距离设置第一预设阈值,第一预设阈值对应的距离大于第一距离并且小于或等于第二距离。在第二深度图像的像素值等于深度值的情况下,可以将第一预设阈值设置为大于第一距离且小于或等于第二距离,即,第一预设阈值对应的距离在第一距离和第二距离之间,通过第一预设阈值可以快速区别第二深度图像中的前景区域和前景区域以外的其他区域,提高得到掩膜图像的效率。
在上述实现方式中,可以根据掩膜图像对第一深度图像和第三深度图像进行融合,得到第四深度图像,下面通过一示例对根据掩膜图像对第一深度图像和第三深度图像进行融合得到第四深度图像的过程进行说明。
在一个示例中,可以先根据掩膜图像的像素值,确定第一深度图像的前景区域以及第三深度图像的背景区域。然后将第一深度图像的前景区域和第三深度图像的背景区域进行融合,得到第四深度图像。
在本示例中,掩膜图像可以用于指示前景所在的前景区域。通过掩膜图像中每个像素位置的像素值,可以确定前景区域所在的像素位置。由于第一深度图像、第二深度图像和第三深度图像均是通过同一个ToF相机拍摄的,并且拍摄过程中的拍摄参数相同,从而第一深度图像、由第二深度图像得到的掩膜图像和第三深度图像,三者的图像尺寸相同,第一深度图像的前景区域的位置和掩膜图像指示的前景区域的位置也相同。从而可应根据掩膜图像中前景区域的像素值,确定第一深度图像中前景所在的前景区域。由于第三场景不具有前景,从而拍摄第三场景得到的第三深度图像不具有前景区域,可以提供不受散射干扰的背景。进一步地,可以将掩膜图像中除前景区域以外的其他区域作为背景区域,从而可以根据掩膜图像中前景区域以外的其他区域的像素值,确定由第三深度图像提供的背景区域,然后可以将第一深度图像的前景区域和第三深度图像的背景区域进行融合,例如,可以将第一深度图像的前景区域和第三深度图像的背景区域进行拼接,得到第四深度图像。第四深度图像是由第一深度图像的前景区域和第三深度图像的背景区域融合得到的,从而第一深度图像的前景区域和第三深度图像的背景区域均未受到散射干扰,从而由第一深度图像的前景区域和第三深度图像的背景区域融合得到的第四深度图像,是消除散射干扰后的深度图像,可以使第四深度图像具有准确的深度值。
在本示例中,在根据掩膜图像的像素值确定第一深度图像的前景区域以及第三深度图像的背景区域时,可以根据掩膜图像的像素值,确定掩膜图像的第三像素位置和第四像素位置。例如,可以将掩膜图像中每个像素位置的像素值与第二预设阈值进行比对,在一个像素位置的像素值小于或等于第二预设阈值的情况下,可以确定该像素位置是第三像素位置,在一个像素位置的像素值大于第二预设阈值的情况下,可以确定该像素位置是第四像素位置。或者,可以将掩膜图像像素值等于第一像素值的像素位置确定为第三像素位置,将像素值等于第二像素值的像素位置确定为第四像素位置。其中,第三像素位置可以与第二深度图像的第一像素位置相对应,可以用于指示前景区域。第四像素位置可以与第二深度图像的第二像素位置相对应,可以用于指示背景区域。然后可以根据第三像素位置确定第一深度图像中的前景区域,根据第四像素位置确定第三深度图像中的背景区域,如可以将第一深度图像中与第三像素位置相同的像素位置确定为前景区域,将第三深度图像中与第四像素位置相同的像素位置确定为背景区域。通过这种方式,可以通过掩膜图像的像素值,确定第一深度图像的前景区域以及第三深度图像的背景区域,从而可以使第一深度图像和第三深度图像更好地进行融合。
下面通过一个示例对本公开提供的深度图像处理方案进行说明。图2示出根据本公开实施例的ToF相机图像采集场景的示意图。其中,相机A可以是ToF相机,物体B可以是前景,挡板C可以是用于遮挡背景的遮挡物,背景D即是上述背景。相机A与物体B之间的距离可以是第一距离,第一距离为a。物体B与挡板C之间的距离可以为b。相机A与挡板C之间的距离可以是第二距离,第二距离为(a+b)。挡板C与背景D之间的距离等于c。其中,a、b和c均大于0。
首先,可以在场景中设置放置相机A、物体B以及背景D,该场景可以是第一场景,其中,物体B与背景D之间的距离可以为(b+c)。然后可以利用ToF相机对第一场景进行采集,得到第一深度图像。第一深度图像中可以包括物体B所在的前景区域,以及背景D所在的背景区域,其中,背景区域会受到散射干扰。第一深度图像可以如图3所示,虚线圈出的图像区域可以是前景所在的图像区域,前景周围可以明显观察到深度图像出现异常,该图像区域可以是受到散射干扰的区域。
进一步地,可以在物体B和背景D之间放置挡板C,使挡板C遮挡背景D,此时形成的场景可以是第二场景,第二场景如图2所示。可以利用ToF相机对第二场景进行采集,得到第二深度图像。由于背景D被挡板C进行了遮挡,从而第二深度图像未受到散射误差的干扰。第二深度图像可以如图4所示,由于背景被遮挡物遮挡,图中仅存在前景,虚线圈出的图像区域可以是前景所在的图像区域,可以观察到前景周围未受到散射干扰。
然后可以移开物体B和挡板C,此时形成的场景可以是第三场景,第三场景包括相机A和背景D,相机A和背景D之间的距离可以为(a+b+c)。可以利用ToF相机对第三场景进行采集,得到第三深度图像。第三深度图像可以如图5所示,可以观察到图中仅存在背景。
电子设备可以获取上述第一深度图像、第二深度图像和第三深度图像。然后根据第一预设阈值T对第二深度图像的深度值进行二值化,将第二深度图像中深度值小于或等于T的像素点的像素值设置为0,深度值大于T的像素点的像素值设为1,得到一个掩膜图像。掩膜图像可以如图6所示,其中,白色区域可以是前景所在的前景区域,黑色区域可以是背景所在的背景区域。其中,预设阈值T可以是根据第一距离和第二距离进行设置的,T可以满足a<T<(a+b)。
然后可以根据生成的掩膜图像,根据掩膜图像中像素值为0的第三像素位置以及掩膜图像中像素值为1的第四像素位置,取出第一深度图像中与第三像素位置相同的像素位置,以及,取出第三深度图像中与第四像素位置相同的像素位置,将两部分像素位置的像素点进行融合,得到消除散射干扰的第四深度图像。第四深度图像可以如图7所示,虚线圈出的图像区域可以是前景所在的图像区域,可以观察到前景周围受到散射干扰的深度值已经在很大程度上被补偿。
本公开实施例提供的深度图像处理方案,通过对不同场景采集的深度图像进行融合,可以得到消除散射干扰的深度图像,从而为消除散射干扰的相关研究提供数据基础。下面通过一些实现方式对得到的受散射干扰与补偿散射干扰后的深度数据对的应用进行举例说明。
在一些实现方式中,在得到第一深度图像和第四深度图像之后,可以确定第一深度图像和第四深度图像在每个像素位置的像素差值。然后根据像素差值确定第一深度图像的散射误差区域。
这里,第一深度图像和第四深度图像可以形成一组受散射干扰与补偿散射干扰后的深度数据对,其中,第一深度图像是受散射干扰的深度数据,第四深度图像是补偿散射干扰后的深度数据。第一深度图像由于受散射干扰,从而第一深度图像中一些像素位置的像素值可能不够准确,可以对在每个像素位置上对第一深度图像和第四深度图像相减,计算第一深度图像和第四深度图像在每个像素位置的像素差值。如果一像素位置对应的像素差值不为0,即,第一深度图像和第四深度图像在该像素位置的像素值不相等,可以认为第一深度图像在该像素位置上受到散射误差的影响,从而可以像素差值不为0的像素位置确定为第一深度图像的散射误差区域,进一步可以针对散射误差区域的散射误差进行分析,如分析散射误差与像素位置之间的关联等,为散射误差的相关研究提供数据基础。
进一步地,在确定第一深度图像和第四深度图像在每个像素位置的像素差值之后,可以对像素差值进行归一化处理,将每个像素位置的像素差值归一化到0至1之间,归一化处理后得到的数值可以认为是相应的像素位置发生散射的概率,从而可以确定第一深度图像在每个像素位置发生散射的概率。通过第一深度图像在每个像素位置发生散射的概率,可以直观地反映散射误差发生的概率与像素位置之间的关联,得到的概率可以指示散射误差对深度值的影响程度和影响区域,从而为消除散射误差的研究提供数据基础。
在一些实现方式中,还可以基于第一深度图像和第四深度图像对神经网络进行训练,得到训练完成的神经网络,训练完成的神经网络可以用于消除深度图像的散射误差,从而可以将第一深度图像和第四深度图像用于消除深度图像的散射误差的神经网络的训练过程。这里,神经网络可以是卷积神经网络,第一深度图像可以作为神经网络训练的输入图像,第四深度图像可以作为神经网络训练的标签图像。在神经网络的训练过程中,可以将第一深度图像输入神经网络,得到神经网络输出结果。然后可以将神经网络的输出结果与第四深度图像进行比对,确定神经网络的网络损失,例如,可以利用一些损失函数,如,交叉熵损失函数、均方误差损失函数等,由神经网络的输出结果与第四深度图像计算神经网络的网络损失。然后对网络损失进行反向传播,不断对神经网络的权重参数进行调整,可以得到最终训练完成的神经网络。训练完成的神经网络可以用于消除深度图像的散射误差。通过由第一深度图像和第四深度图像组成的深度数据对,可以大大提高消除深度图像的散射误差的神经网络的开发效率以及消除结果的准确率。
类似地,由第一深度图像和第四深度图像组成的深度数据对,还可以用于一些去除散射误差算法的效果验证。
本公开实施例提供的深度图像处理方案,可以生成受散射干扰的ToF深度数据与对应消除散射干扰后的ToF深度数据,该数据对可用于去除散射误差任务的卷积神经网络的训练和去除散射误差算法的效果验证,为消除散射误差提供数据基础。
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,本公开还提供了深度图像处理装置、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深度图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图8示出根据本公开实施例的深度图像处理装置的框图,如图8所示,所述装置包括:
第一获取模块31,用于获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;
第二获取模块32,用于获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;
融合模块33,用于基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。
在一个或多个可能的实现方式中,所述融合模块33,用于根据所述第二深度图像的像素值,生成掩膜图像,其中,所述掩膜图像用于指示所述前景所在的前景区域;根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像。
在一个或多个可能的实现方式中,所述融合模块33,用于将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置;将所述第一像素位置的像素值设置为第一像素值,以及,将所述第二像素位置的像素值设置为第二像素值,得到所述掩膜图像。
在一个或多个可能的实现方式中,所述融合模块33,还用于根据所述ToF相机与所述前景之间的第一距离以及所述ToF相机与所述遮挡物之间的第二距离,确定所述第一预设阈值,其中,所述第一预设阈值对应的距离大于所述第一距离并且所述第一预设阈值对应的距离小于或等于所述第二距离。
在一个或多个可能的实现方式中,所述融合模块33,用于根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域;将所述第一深度图像的前景区域和所述第三深度图像的背景区域进行融合,得到所述第四深度图像。
在一个或多个可能的实现方式中,所述融合模块33,用于根据所述掩膜图像的像素值,确定所述掩膜图像的第三像素位置和第四像素位置,其中,所述第三像素位置指示前景区域,所述第四像素位置指示背景区域;根据所述第三像素位置确定所述第一深度图像中的前景区域;根据所述第四像素位置确定所述第三深度图像中的背景区域。
在一个或多个可能的实现方式中,所述装置还包括:确定模块,用于确定所述第一深度图像和所述第四深度图像在每个像素位置的像素差值;根据所述像素差值确定所述第一深度图像的散射误差区域。
在一个或多个可能的实现方式中,所述确定模块,还用于对所述像素差值进行归一化处理,确定所述第一深度图像在每个像素位置发生散射的概率。
在一个或多个可能的实现方式中,所述装置还包括:训练模块,用于基于所述第一深度图像和所述第四深度图像对神经网络进行训练,得到训练完成的神经网络,其中,所述训练完成的神经网络用于消除深度图像的散射误差,所述第一深度图像为所述神经网络训练的输入图像,所述第四深度图像为所述神经网络训练的标签图像。
需要说明的是,本公开实施例提供的装置所包括的各个功能模块可以是电子设备中的实体硬件,例如,第一获取模块31和第二获取模块32可以是同一个输入接口或不同的输入接口,融合模块33可以是处理器。
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。
本公开实施例还提出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。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。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的深度图像处理方法的指令。
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任一实施例提供的深度图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出根据本公开实施例的一种电子设备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9,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(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(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,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10示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图10,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。
Claims (12)
1.一种深度图像处理方法,其特征在于,包括:
获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;
获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;
基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,包括:
根据所述第二深度图像的像素值,生成掩膜图像,其中,所述掩膜图像用于指示所述前景所在的前景区域;
根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二深度图像的像素值,生成掩膜图像,包括:
将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置;
将所述第一像素位置的像素值设置为第一像素值,以及,将所述第二像素位置的像素值设置为第二像素值,得到所述掩膜图像。
4.根据权利要求3所述的方法,其特征在于,所述将所述第二深度图像中每个像素位置的像素值与第一预设阈值进行比较,确定所述像素值大于所述第一预设阈值的第一像素位置以及所述像素值小于或等于所述第一预设阈值的第二像素位置所述方法之前,所述方法还包括:
根据所述ToF相机与所述前景之间的第一距离以及所述ToF相机与所述遮挡物之间的第二距离,确定所述第一预设阈值,其中,所述第一预设阈值对应的距离大于所述第一距离并且所述第一预设阈值对应的距离小于或等于所述第二距离。
5.根据权利要求2至4任意一项所述的方法,其特征在于,所述根据所述掩膜图像对所述第一深度图像和所述第三深度图像进行融合,得到所述第四深度图像,包括:
根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域;
将所述第一深度图像的前景区域和所述第三深度图像的背景区域进行融合,得到所述第四深度图像。
6.根据权利要求5所述的方法,其特征在于,所述根据所述掩膜图像的像素值,确定所述第一深度图像的前景区域以及所述第三深度图像的背景区域,包括:
根据所述掩膜图像的像素值,确定所述掩膜图像的第三像素位置和第四像素位置,其中,所述第三像素位置指示前景区域,所述第四像素位置指示背景区域;
根据所述第三像素位置确定所述第一深度图像中的前景区域;
根据所述第四像素位置确定所述第三深度图像中的背景区域。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
确定所述第一深度图像和所述第四深度图像在每个像素位置的像素差值;
根据所述像素差值确定所述第一深度图像的散射误差区域。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
对所述像素差值进行归一化处理,确定所述第一深度图像在每个像素位置发生散射的概率。
9.根据权利要求1至8任意一项所述的方法,其特征在于,所述方法还包括:
基于所述第一深度图像和所述第四深度图像对神经网络进行训练,得到训练完成的神经网络,其中,所述训练完成的神经网络用于消除深度图像的散射误差,所述第一深度图像为所述神经网络训练的输入图像,所述第四深度图像为所述神经网络训练的标签图像。
10.一种深度图像处理装置,其特征在于,包括:
第一获取模块,用于获取飞行时间ToF相机针对第一场景采集得到的第一深度图像,其中,所述第一场景包括前景和背景;
第二获取模块,用于获取所述ToF相机针对第二场景采集得到的第二深度图像以及针对第三场景采集得到的第三深度图像,其中,所述第二场景包括所述前景和遮挡物,所述遮挡物用于遮挡所述背景,所述第三场景包括所述背景;
融合模块,用于基于所述第二深度图像对所述第一深度图像和所述第三深度图像进行融合,得到第四深度图像,其中,所述第四深度图像是所述第一深度图像的消除散射干扰后的深度图像。
11.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462537.1A CN112541875A (zh) | 2020-12-11 | 2020-12-11 | 深度图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462537.1A CN112541875A (zh) | 2020-12-11 | 2020-12-11 | 深度图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541875A true CN112541875A (zh) | 2021-03-23 |
Family
ID=75020103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462537.1A Withdrawn CN112541875A (zh) | 2020-12-11 | 2020-12-11 | 深度图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541875A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362977A (zh) * | 2021-12-23 | 2023-06-30 | 荣耀终端有限公司 | 一种消除图像中干涉图案的方法及装置 |
-
2020
- 2020-12-11 CN CN202011462537.1A patent/CN112541875A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362977A (zh) * | 2021-12-23 | 2023-06-30 | 荣耀终端有限公司 | 一种消除图像中干涉图案的方法及装置 |
CN116362977B (zh) * | 2021-12-23 | 2023-12-22 | 荣耀终端有限公司 | 一种消除图像中干涉图案的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
CN109697734B (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN108764069B (zh) | 活体检测方法及装置 | |
CN107692997B (zh) | 心率检测方法及装置 | |
CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110928627B (zh) | 界面展示方法及装置、电子设备和存储介质 | |
CN110532957B (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
CN111323007B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN107508573B (zh) | 晶振振荡频率校正方法及装置 | |
CN111860373B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN111523485A (zh) | 位姿识别方法及装置、电子设备和存储介质 | |
CN112541971A (zh) | 点云地图构建方法及装置、电子设备和存储介质 | |
CN114187498A (zh) | 遮挡检测方法及装置、电子设备和存储介质 | |
CN112146576A (zh) | 尺寸测量方法及其装置 | |
CN112950712B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN113762169A (zh) | 人流量统计方法及装置、电子设备和存储介质 | |
CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
CN111784773A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
CN112541875A (zh) | 深度图像处理方法及装置、电子设备和存储介质 | |
CN110333903B (zh) | 页面加载时长的确定方法及装置 | |
CN110121115B (zh) | 精彩视频片段的确定方法及装置 | |
CN110969569A (zh) | 试镜视频的生成方法及装置 | |
CN111694571A (zh) | 编译方法及装置 | |
CN111275191B (zh) | 检测细胞的方法及装置、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210323 |