[發明專利]圖像處理方法、裝置、存儲介質及電子設備

有效

• 申請號: 202010561176.X
• 申請日: 2020-06-18
• 公開（公告）號: CN111612898B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張潤澤
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06V10/40;G06T3/00
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 李漢亮

本申請公開了圖像處理方法、裝置、存儲介質及電子設備。該方法引入了計算機視覺技術，包括：根據目標圖像和多張相鄰圖像的圖像特征、及目標圖像中像素點的位置構建三維特征卷，其中，三維特征卷由多個代價匹配圖沿深度假設方向堆疊而成；按照深度假設方向依次計算目標圖像中像素點映射在不同深度假設上的概率，其中，像素點位于當前層深度假設上的概率基于當前層深度假設上的代價匹配圖和歷史代價匹配圖確定；根據目標圖像中像素點在不同深度假設上的概率生成深度圖。本方案可處理高分辨率的圖像獲得高分辨率的深度圖，在降低內存占用的同時保證了構建的深度圖的精準性。

技術領域

本申請涉及深度圖生成技術領域，具體涉及一種圖像處理方法、裝置、存儲介質及電子設備。

背景技術

從應用中引入3D(Three?Dimensional，三維)幾何是數十年來經典的計算機視覺問題。

相關技術中采用手工制作相似性指標和工程標準化進行傳播點并優化相關幾何，但是仍然存在解決匹配模糊的限制，尤其是在無紋理的表面。而基于深度學習的多視圖立體幾何方法，從訓練數據中學習知識可以推斷出從立體匹配算法中難以獲得的信息去解決匹配模糊性。然而大部分基于神經網絡的方法都采用了非常大的降采樣模塊來完成特征的提取，導致內存消耗較大，且信息也在降采樣的過程中丟失，導致3D重建的效果較差。

發明內容

本申請實施例提供一種圖像處理方法、裝置、存儲介質及電子設備，可以減少內存占用、提升深度圖的精準性。

本申請實施例提供了一種圖像處理方法，包括：

對目標圖像、及所述目標圖像的多張相鄰圖像提取圖像特征，其中，所述目標圖像和所述相鄰圖像為一確定場景在不同視角下的圖像；

根據所述圖像特征和所述目標圖像中像素點的位置構建三維特征卷，所述三維特征卷由多個代價匹配圖沿深度假設方向堆疊而成，每一代價匹配圖映射在不同的深度假設上，所述代價匹配圖包括多個像素點；

按照深度假設方向依次計算所述目標圖像中像素點映射在不同深度假設上的概率，其中，所述像素點位于當前層深度假設上的概率基于所述當前層深度假設上的代價匹配圖和歷史代價匹配圖確定，所述歷史代價匹配圖為位于所述當前層之前所有深度假設上的代價匹配圖；

基于所述目標圖像中像素點映射在不同深度假設上的概率生成所述目標圖像的深度圖。

相應的，本申請實施例還提供了一種圖像處理裝置，包括：

提取單元，用于對目標圖像、及所述目標圖像的多張相鄰圖像提取圖像特征，其中，所述目標圖像和所述相鄰圖像為一確定場景在不同視角下的圖像；

構建單元，用于根據所述圖像特征和所述目標圖像中像素點的位置構建三維特征卷，所述三維特征卷由多個代價匹配圖沿深度假設方向堆疊而成，每一代價匹配圖映射在不同的深度假設上，所述代價匹配圖包括多個像素點；

計算單元，用于按照所述深度假設方向依次計算所述目標圖像中像素點映射在不同深度假設上的概率，其中，所述像素點位于當前層深度假設上的概率基于所述當前層深度假設上的代價匹配圖和歷史代價匹配圖確定，所述歷史代價匹配圖為位于所述當前層之前所有深度假設上的代價匹配圖；

處理單元，用于基于所述目標圖像中像素點映射在不同深度假設上的概率生成所述目標圖像的深度圖。

相應的，本申請實施例還提供了一種計算機可讀存儲介質，所述存儲介質存儲有多條指令，所述指令適于處理器進行加載，以執如上所述的圖像處理方法。

相應的，本申請實施例還提供了一種電子設備，包括存儲器，處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上所述的圖像處理方法。