[发明专利]深度图像的压缩恢复方法、装置、设备及存储介质

说明书

本发明适用计算机技术领域，提供了一种深度图像的压缩恢复方法、装置、移动终端及存储介质，该方法包括：接收输入的待恢复深度图像的恢复请求，待恢复深度图像关联有对应的纹理图像，对纹理图像和待恢复深度图像进行预处理，获取纹理图像和待恢复深度图像的高频信息，将纹理图像的高频信息、待恢复深度图像的高频信息和待恢复深度图像分别输入到预设的深度图像恢复模型的Y分支模型、D分支模型和M分支模型，将Y分支模型、D分支模型恢复得到的特征图像输入到M分支模型，通过M分支模型恢复出待恢复深度图像对应的深度图像，从而提高了深度图像的压缩恢复质量，进而提高了用户体验。

技术领域

本发明属于计算机技术领域，尤其涉及一种深度图像的压缩恢复方法、装置、设备及存储介质。

背景技术

在3D计算机图形学中，深度图像包含了视点与场景物体表面的距离信息。传统的机器视觉是把三维物体投影成二维图像，通过物体的特征、图像数据和成像过程之间的关系来恢复出三维景物。深度信息在三维重构起到了关键的作用。发送立体视频(左视图和右视图)能够提供3D体验，但是具有显著的限制。为了减少传输视图的数量，纹理加深度的格式已被广泛接受。这种方法是将几个视点的颜色信息和深度信息一起传输，然后使用基于深度图像的渲染(depth-image-based rendering，简称DIBR)技术合成虚拟视图。重建3D场景需要获取纹理信息和深度信息，高分辨的深度图像在存储和传输过程中都会占用大量的空间。因此，深度图像需要被压缩，以提高空间的利用率和传输效率。但压缩后的深度图像会存在模糊、块状等失真，这些失真会进一步导致3D场景绘制的失真。

有损压缩能够用较大的压缩比压缩图像，但有损压缩的图像是不可逆的。所以，图像压缩恢复也是人们一直研究的方向。早些年，很多研究者设计很多种平滑滤波器从空域或者变换域去除块状效应。Luo等人提出在空域和离散余弦变换(Discrete CosineTransform，简称DCT)自适应去除块状效应；Singh等人提出的模型能够实现用不同的滤波器对平滑和不平滑区域进行滤波。形状自适应离散余弦变换(Shape Adaptive DiscreteCosine Transform，简称SA-DCT)可能是目前最受欢迎得去块状效应的方法。通过计算，它能够变换滤波的形状大小来重建图像清晰的边缘。然而，这些滤波器可能会对图像进行过度平滑，造成图像的边缘模糊。

近年来，卷积神经网络(Convolutional Neural Network，简称CNN)通过训练数据来学习特征检测，以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性。CNN在图像复原邻域同样表现出卓越的性能。Dong等人提出的(Super-ResolutionConvolutional Neural Network，简称SRCNN)模型说明了端对端的数据通信网络(DataCommunication Network，简称DCN)存在解决图像超分辨的潜能。Deeper SRCNN通过增加层数来使图像恢复更好。但是，他们提出的算法主要是对图像进行超分辨分析的,去块状的效果较差。伪影消除卷积神经网络(Artifacts Reduction Convolutional Neural Network，简称AR-CNN)在SRCNN的基础上，针对的JPEG、JPEG2000、Twitter等压缩后的图像进行恢复。虽说这是一个更加普遍性的模型，但他们的模型用于恢复纹理图像，纹理图像和深度图像存在明显的不同。

发明内容

本发明的目的在于提供一种深度图像的压缩恢复方法、装置、设备及存储介质，旨在解决由于现有技术无法提供一种有效的深度图像的压缩恢复方法，导致深度图像的压缩恢复质量不好、用户体验不佳的问题。

一方面，本发明提供了一种深度图像的压缩恢复方法，所述方法包括下述步骤：

接收输入的待恢复深度图像的恢复请求，所述待恢复深度图像关联有对应的纹理图像；

对所述纹理图像和所述待恢复深度图像进行预处理，获取所述纹理图像和所述待恢复深度图像的高频信息；