[发明专利]图像处理方法、模型训练方法、相关装置及电子设备

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

获得深度图像数据；

通过预训练完成的深度感知模型中的特征提取部分对所述深度图像数据进行深度感知特征提取，获得特征图像数据；其中，所述特征提取部分包括多个特征提取结构以及多个重排列特征提取结构，所述特征提取结构用于对所述深度图像数据进行深度感知特征提取；所述重排列特征提取结构用于对输入的特征图像数据进行像素点数据的重新排列以及组合处理，并且对重新组合后的特征图像数据进行深度感知特征提取处理；其中，所述重新组合后的特征图像数据的尺寸小于所述输入的特征图像数据的尺寸，且所述重新组合后的特征图像数据包括所述输入的特征图像数据所有像素点数据；

通过所述深度感知模型中的特征融合部分对所述特征图像数据进行特征拼接，获得目标深度图像数据；所述目标深度图像数据为对所述深度图像数据进行深度修正后的深度图像数据。

2.根据权利要求1所述的方法，其特征在于，所述重排列特征提取结构用于分别从不同的起始像素点开始、每相隔预设像素点距离从输入的特征图像数据中提取像素点数据，获得多个特征子图数据，将所述多个特征子图数据进行组合，获得输出的特征图像数据。

3.根据权利要求1或2任一项所述的方法，其特征在于，所述通过预训练完成的深度感知模型对所述深度图像数据进行深度感知特征提取，包括：

通过第一特征提取结构对所述深度图像进行深度感知特征提取，获得第一特征图像数据；

通过第一重排列特征提取结构对所述第一特征图像数据的像素点数据进行重新排列组合，获得重新排列组合后的第二特征图像数据，对所述第二特征图像数据进行深度感知特征提取，获得第三特征图像数据；所述第二特征图像数据的图像尺寸小于所述第一特征图像的图像尺寸，所述第二特征图像数据包括所述第一特征图像数据的所有像素点数据；

通过第二重排列特征提取结构对所述第三特征图像数据的像素点数据进行重新排列组合，获得重新排列组合后的第四特征图像数据，对所述第四特征图像数据进行深度感知特征提取，获得第五特征图像数据；所述第五特征图像数据的图像尺寸小于所述第三特征图像的图像尺寸，所述第五特征图像数据包括所述第三特征图像数据的所有像素点数据。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

通过第二特征提取结构对所述第五特征图像数据进行下采样处理，对下采样处理后的所述第五特征图像数据进行深度感知特征提取，获得第六特征图像数据。

5.根据权利要求4所述的方法，其特征在于，所述深度感知模型还包括特征融合部分，所述特征融合部分包括多个融合结构；

所述对所述特征图像数据进行特征融合，获得目标深度图像数据，包括：

依次通过每个融合结构对输入的特征图像数据进行上采样处理，对上采样处理后的特征图像数据以及特征提取部分进行深度感知特征提取后的特征图像数据进行特征融合处理，获得目标深度图像数据。

6.一种模型训练方法，其特征在于，所述方法包括：

获得第一深度图像数据和第二深度图像数据，所述第二深度图像数据为对应于所述第一深度图像数据的真实图像数据；

通过深度感知模型中的特征提取部分对所述第一深度图像数据进行深度感知特征提取，获得特征图像数据；其中，所述特征提取部分包括多个特征提取结构以及多个重排列特征提取结构，所述特征提取结构用于对所述深度图像数据进行深度感知特征提取；所述重排列特征提取结构用于对输入的特征图像数据进行像素点数据的重新排列以及组合处理，并且对重新组合后的特征图像数据进行深度感知特征提取处理；其中，所述重新组合后的特征图像数据的尺寸小于所述输入的特征图像数据的尺寸，且所述重新组合后的特征图像数据包括所述输入的特征图像数据所有像素点数据；

通过所述深度感知模型中的特征融合部分对所述特征图像数据进行特征拼接，获得第三深度图像数据；

确定所述第三深度图像数据和所述第二深度图像数据之间的第一误差，基于所述第一误差调整所述深度感知模型的参数。