[发明专利]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

权利要求书

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：

针对图像没有噪声的情况，选用无噪数据训练模型，并选择第一范数作为损失函数。

5.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：

针对图像存在噪声污染的情况，选用加噪数据训练模型，并选择第一范数作为损失函数初步训练模型，然后，选择第二范数微调模型。

6.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：

迭代更新神经网络模型参数包括：

在所述神经网络模型参数随机初始化后，使用Adam优化器迭代优化所述损失函数，当所述验证集上的性能在连续预设次数的训练集遍历后无法改善时，停止训练过程。

7.根据权利要求6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：

使用Adam优化器迭代优化所述损失函数时，随着迭代次数增加，迭代的步长逐步减小。

8.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：

通过训练的神经网络模型重构高质量深度图包括：

以高分辨率纹理图和低分辨率深度图作为输入后，通过前向传播训练的神经网络模型，获取重建的高质量深度图。