图像虚化方法、装置、电子设备及可读存储介质制造方法及图纸

本申请是关于一种图像虚化方法、装置、电子设备及可读存储介质，所述方法，包括获取目标图像；基于预设的深度预测模型生成所述目标图像的深度图像；所述深度预测模型为通过N个场景类型下已知深度图的训练图像训练得到的卷积神经网络模型，N为自然数；根据所述深度图像对所述目标图像中各个像素点进行虚化处理，得到所述目标图像的虚化图像。解决了相关技术中的图像虚化方法存在对硬件设备要求较高、虚化效果不够理想等技术问题。取得了降低图像虚化的硬件设备要求，同时提高虚化效果的技术效果。

Image virtualization methods, devices, electronic devices and readable storage media

This application is about an image virtualization method, device, electronic equipment and readable storage medium. The method includes acquiring the target image; generating the depth image of the target image based on the preset depth prediction model; the depth prediction model is a convolutional neural network model trained by the training image of the known depth map under N scene types, N is a natural number; According to the depth image, each pixel in the target image is virtual processed, and the virtual image of the target image is obtained. It solves the technical problems of image virtualization methods in related technologies, such as high requirement for hardware equipment and unsatisfactory effect of image virtualization. The requirement of hardware equipment for image virtualization is reduced, and the technical effect of image virtualization is improved at the same time.

【技术实现步骤摘要】
图像虚化方法、装置、电子设备及可读存储介质
本申请涉及图像处理
，尤其涉及一种图像虚化方法、装置、电子设备及可读存储介质。
技术介绍
在利用单反相机拍照时，相机会根据聚焦点的远近，实现对不同景深物体的虚化效果。但是智能手机等电子设备由于硬件设备的限制，拍摄的照片只有一个景深，无法实现虚化效果，从而导致拍摄的图像不够真实。相关技术中，常用的方法是基于双目视觉预测深度和基于分割对背景进行虚化，但是通过双目视觉预测图像中各像素点深度对硬件设备的要求较高，而且计算量复杂，难以实现实时应用；而基于分割的方法则忽略了背景的景深，容易产生真实度较低的背景虚化。另外，目前的单目深度估计是一个不适定问题，例如同一张2D图像可能由无数个不同的3D场景投影得到。为了克服这个难题，经典的方法是利用有意义的单目线索和特征，例如透视和纹理信息、物体大小、物体位置和遮挡等。但是这些方法都需要人工地设计特征提取器，模型预测速度和准确度难以保证。由此可见，相关技术中的图像虚化方法存在对硬件设备要求较高、虚化效果不够理想等技术问题。
技术实现思路
为克服相关技术中存在的问题，本申请提供一种图像虚化方法、装置、电子设备本文档来自技高网...

【技术保护点】
1.一种图像虚化方法，其特征在于，包括：获取目标图像；基于预设的深度预测模型生成所述目标图像的深度图像；所述深度预测模型为通过N个场景类型下已知深度图的训练图像训练得到的卷积神经网络模型，N为自然数；根据所述深度图像对所述目标图像中各个像素点进行虚化处理，得到所述目标图像的虚化图像。

【技术特征摘要】
1.一种图像虚化方法，其特征在于，包括：获取目标图像；基于预设的深度预测模型生成所述目标图像的深度图像；所述深度预测模型为通过N个场景类型下已知深度图的训练图像训练得到的卷积神经网络模型，N为自然数；根据所述深度图像对所述目标图像中各个像素点进行虚化处理，得到所述目标图像的虚化图像。2.根据权利要求1所述的方法，其特征在于，在所述基于预设的卷积神经网络模型生成所述目标图像的深度图像的步骤之前，还包括：以所述深度预测模型对应的批量大小为单位，根据每个所述场景类型对应的采样权重，从预设的训练图像集中提取已知深度图的训练图像；通过所述训练图像训练所述深度预测模型，直至所述深度预测模型的预测误差满足预设误差阈值。3.根据权利要求2所述的方法，其特征在于，所述以所述深度预测模型对应的批量大小为单位，以及每个场景类型对应的权重，从预设的训练图像集中提取已知深度图的训练图像的步骤，包括：根据每个所述场景类型下包含的训练图像的第一数量，以及全部训练图像的第二数量，确定每个所述场景类型的采样权重；根据每个所述场景类型的采样权重，确定所述场景类型下的每个训练图像的被抽取概率；根据每个所述训练图像的被抽取概率，以所述批量大小为单位，从训练图像集中抽取每次训练的训练图像。4.根据权利要求1所述的方法，其特征在于，所述根据所述深度图像对所述目标图像中各个像素点进行虚化处理，得到所述目标图像的虚化图像的步骤，包括：根据所述深度图像，针对所述目标图像生成模糊程度依次加深的M个模糊图像，M为自然数；针对所述目标图像中每个像素点，根据所述深度图像获取所述像素点的像素位置深度和对焦深度的第一距离；根据所述第一距离，从所述M个模糊图像中获取所述像素点对应的目标模糊图像；根据所述目标模糊图像确定所述像素点的虚化像素值。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标模糊图像确定所述像素点的虚化像素值的步骤，包括：如果所述像素点对应多张目标模糊图像，则根据所述第一距离确定每个所述目标模糊图像的插值权重；根据所述目标模糊图像以及所述目标模糊图像的插值权重，针对所述像素点进行插值处理，得到所述像素点的虚化像素值。6.根据权利要求1-5任一项所述...

【专利技术属性】
技术研发人员：安世杰，张渊，郑文，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京,11