一种深度图超分辨率重建和去噪神经网络的数据处理方法技术

本发明专利技术提供一种深度图超分辨率重建和去噪神经网络的数据处理方法，包括获取原始图像数据，利用原始图像数据制作纹理图和深度图图像对；对深度图显式引入深度梯度域和像素域特征，构造神经网络渐进式增强深度特征；设定损失函数，并对损失函数进行优化，迭代更新神经网络模型参数，学习目标数据分布；以高分辨率纹理图和低分辨率深度图为输入，通过训练的神经网络模型重构高质量深度图。本发明专利技术能够获得鲁棒的深度图增强效果，同时具有使用简便、运行速度快等优点。

【技术实现步骤摘要】
一种深度图超分辨率重建和去噪神经网络的数据处理方法
本专利技术涉及图像数据处理的
，具体的，涉及一种深度图超分辨率重建和去噪神经网络的数据处理方法。
技术介绍
与传统的纹理图像相比，深度图是一种特殊的图像，它用于记录场景的几何信息。近年来，结合纹理图和深度图的RGB-D数据格式已被广泛应用于虚拟现实、三维重建等高新技术方面。随着成像技术的不断提高，高质量的纹理图已实现移动设备的获取。然而，作为现代多媒体重要组成部分的深度图的获取质量却差强人意。虽然传统的立体匹配方法受益于神经网络技术的发展，其性能已得到显著提高，但是，在遮挡区域和低纹理区域的匹配歧义性问题并未得到完全解决。随着深度传感器的价格逐步下降，大量应用使用消费级传感器直接实时获取场景深度图。其中，主流的基于飞行时间的深度传感器技术通过测量发射和接收红外线之间的相位差计算深度信息。由于直接获取的深度图分辨率较低且易受到噪声污染，所以，需要对原始深度图进行超分辨重建和去噪处理。通常，深度图超分辨率重建和去噪是联合处理的，因此，可以使用深度图超分辨率重建指代该联合处理方法。深度本文档来自技高网...

【技术保护点】
1.一种深度图超分辨率重建和去噪神经网络的数据处理方法，其特征在于，包括：/n获取原始图像数据，利用所述原始图像数据制作纹理图和深度图图像对；/n对所述深度图显式引入深度梯度域和像素域特征，构造神经网络渐进式增强深度特征；/n设定损失函数，并对所述损失函数进行优化，迭代更新神经网络模型参数，学习目标数据分布；/n以高分辨率纹理图和低分辨率深度图为输入，通过训练的神经网络模型重构高质量深度图。/n

【技术特征摘要】
1.一种深度图超分辨率重建和去噪神经网络的数据处理方法，其特征在于，包括：
获取原始图像数据，利用所述原始图像数据制作纹理图和深度图图像对；
对所述深度图显式引入深度梯度域和像素域特征，构造神经网络渐进式增强深度特征；
设定损失函数，并对所述损失函数进行优化，迭代更新神经网络模型参数，学习目标数据分布；
以高分辨率纹理图和低分辨率深度图为输入，通过训练的神经网络模型重构高质量深度图。


2.根据权利要求1所述的一种深度图超分辨率重建和去噪神经网络的数据处理方法，其特征在于：
利用所述原始图像数据制作纹理图和深度图图像对包括：获取预设数量的高分辨率纹理图、高分辨率深度图和对应低分辨率深度图的图像对，将所述图像对按像素坐标位置顺序裁剪成子图像对，并对所述子图像对进行数据增强，获得训练数据，将训练数据进行归一化处理；随机将训练数据分为训练集和验证集两部分。


3.根据权利要求2所述的一种深度图超分辨率重建和去噪神经网络的数据处理方法，其特征在于：
对所述子图像对进行数据增强包括：对所述子图像对进行旋转和/或翻转的操作。


4.根据权利要求1至3任一项所述的一种深度图超分辨率重建和去噪神经网络的数据处理方法，其特征在于：
设定所述损失函数包括...

【专利技术属性】
技术研发人员：左一帆，方玉明，温文瑛，夏雪，姜文晖，
申请(专利权)人：左一帆，
类型：发明
国别省市：江西;36