[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

说明书

本发明实施例公开了一种图像处理方法、模型训练方法、相关装置及电子设备。所述图像处理方法包括：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，并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；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。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、模型训练方法、相关装置及电子设备。

背景技术

理想的间接测量飞行时间（iToF，Indirect Time Of Fligh）成像假设发射信号在场景中只经过一次反射。然而，实际的成像过程中，光线会在场景中发生多次反射和折射，这也就意味着实际接收信号可能包含若干个子信号。当场景中存在多径干扰，就会导致飞行时间（ToF，Time Of Fligh）测量深度图与实际深度图在多径干扰区域存在误差。由于此误差的存在，ToF相机测量值不能反应实际场景深度，严重影响ToF相机测量效果，而目前传统方法无法解决ToF深度图多径干扰问题。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种图像处理方法、模型训练方法、相关装置及电子设备。

为达到上述目的，本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供了一种图像处理方法，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，并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；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。

上述方案中，所述深度感知模型至少包括特征提取部分，所述特征提取部分包括至少一个重排列特征提取结构，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数据。

上述方案中，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。

上述方案中，所述特征提取部分还包括多个特征提取结构；

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。

上述方案中，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。

上述方案中，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；