[发明专利]通过机器学习技术改进2D至3D的自动转换质量的方法

说明书

本发明提供一种通过机器学习技术改进2D至3D的自动转换质量的方法，该方法包括：接收用户输入的新的2D图像(S101)；通过机器学习演算法识别该新的2D图像中的多个对象(S102)；根据该多个对象的特征确定各对像的层次关系(S103)；根据该层次关系改进3D图像的质量(S104)。通过实施本发明，能够对2D图像中各对像进行更加明确地划分，从而改进将2D图像转换至3D图像的效果。

技术领域

本发明是关于图像转换技术，具体地，是关于一种通过机器学习技术改进2D至3D的自动转换质量的方法。

背景技术

关于2D图像至3D图像转换的技术，现有的一些方法是：1.选择2D图像；2..分析所选的2D图像；3.使用转换引擎创建自动深度图(automatic depth map)；4.如果该自动深度图属于较差深度图(bad depth map)，则调整以下参数：深度场景(Depth Scene)、角度设置(Perspective Setting)、高动态范围图像(High-Dynamic Range，简称HDR)、深度等级(Depth Level)、零平面位置(Zero Plane Position)、深度完善(Depth Refine)、修缮面块(Roto the mass)；5.人工调整面块、边界的深度值；6.创建新的深度图像。

一些现有的转换2D图像至3D图像的技术，转换引擎是使用颜色的对比度、边界进行转换。在深度图像中，不同图块的深度应取决于目标距离。由于前景靠近观测者，前景应当更明亮，且接近于白色。背景则应当接近于黑色。

这就产生了如下的问题：

a)当背景的颜色与主要目标的颜色向近似时，转换引擎可能会给主要目标和背景赋值错误的深度值。例如，一个男人，穿着一双白色的鞋站在白色地面上。转换引擎可能将鞋和白色地面作为同一图层和同一深度进行处理。

b)在通过转换引擎创建了深度图像之后，调整参数来完善深度图像是必需的。这个过程是通过人工来完成。当每次进行相似的2D图像的转换时，都需要重复一遍该处理过程。这是很耗费时间的。

c)转换过程需针对视频中的每一个单独帧。深度图像是不能在相似帧中重复使用的。

发明内容

本发明实施例的主要目的在于提供一种通过机器学习技术改进2D至3D的自动转换质量的方法，通过加入机器学习技术，使得对图像的识别更加准确，提高2D至3D转换的质量与效果。

为了实现上述目的，本发明创作实施例提供一种通过机器学习技术改进2D至3D的自动转换质量的方法，该方法包括：接收用户输入的新的2D图像；通过机器学习算法识别所述新的2D图像中的多个对象；根据所述对象的特征确定各所述对象的层次关系；根据所述层次关系改进3D图像的质量。

在一实施例中，在接收用户输入的新的2D图像之前，所述的方法还包括：根据用户输入的多个图像数据生成对象集K＝{k₁，k₂，...，k_N}，其中，因素k_N为所述对象集K中的对象数据；N为因素k_N的个数；确定所述对象集K中各对象之间的关系指标；将所述对象集K及关系指标存储至一数据库。

在一实施例中，上述的根据用户输入的多个图像数据生成对象集K，具体包括：

步骤a：接收用户输入的多对基准2D图像及其深度图像；步骤b：针对所述基准2D图像，为2D至3D的转换创建多个图层；步骤c：获取用户对每一所述图层中多个对象所做的标签，并为每一所述图层赋值深度值；步骤d：将包含所述标签、深度值及对象的数据组合创建为所述基准2D图像的所述对象数据；对于每一基准2D图像，重复所述步骤a至步骤d，以根据多个基准2D图像的所述对象数据创建所述对象集K，所述对象集K中的因素k_N表示所述对象集K中的各个所述对象。