一种无人机深度图像的获取方法、装置及无人机，该方法包括：读取无人机的机载相机采集的预定场景的图像序列，其中，图像序列中第N帧图像和第N+1帧图像具有重叠区域且重叠区域的面积与第N帧图像或第N+1帧图像的面积之比高于预设比例（S1）；获取重叠区域中第N帧图像的每个像素点在第N+1帧图像中的位置变化信息，并根据位置变化信息得到重叠区域中无人机的每个像素点在相机坐标系下的像素移动速度（S2）；获取无人机在世界坐标系下的实际飞行速度（S3）；根据每个重叠区域中无人机的每个像素点在相机坐标系下的像素移动速度、无人机在世界坐标系下的实际飞行速度及机载相机的参数得到每个重叠区域的深度图像，根据每个重叠区域的深度图像整合得到预定场景的深度图像（S4）。上述方法能够准确地获取深度图像，具有适用范围广、成本低、易于实现的优点。

本发明公开了一种帧内深度图像块编码的方法，包括：获取待编码的深度图像块，当将深度建模模型DMM应用在递归四叉树RQT或简化深度图编码SDC中对所述深度图像块进行编码时，分别使用所述DMM中的DMM1模式和DMM4模式对所述深度图像块进行检测，得到所述DMM1和DMM4模式下所述深度图像块的率失真结果，将所述DMM1和所述DMM4中率失真结果最小的DMM模式确定为编码时所使用的DMM模式，将所述所使用的模式应用在所述RQT或所述SDC中对所述深度图像块进行编码，并将所述所使用的DMM模式，写入码流。本发明实施例提供的编码方法，可以减少编码过程中的检测模式，从而降低了编码的复杂度。

本发明实施例涉及一种提取及优化图像深度图的方法与装置。所述方法包括：获取当前源图像和当前源图像中每个像素点的场景相关度；对当前源图像连续下采样，获取当前每个下采样源图像中每个像素点的场景相关度；将当前下采样源图像中每个像素点与之前下采样源图像中相对应的像素点进行块匹配运动矢量计算，获取当前下采样源图像中每个像素点的运动矢量值；累加当前下采样源图像中每个像素点的运动矢量值，从运动矢量累加和中提取每个像素点的初始深度值，初始深度值构成初始深度图；利用源图像中每个像素点的场景相关度和每个下采样源图像中每个像素点的场景相关度对初始深度图中每个像素点进行连续超平滑滤波处理和上采样处理，获取源图像深度图。

本申请提供一种获取深度图像的方法、终端以及存储介质，用于对深度信息进行处理，得到更准确的深度信息，并包含于深度图像中。该方法包括：应用于摄像机，其特征在于，该摄像机包括可见光传感器、相位传感器和处理器，该可见光传感器采集拍摄场景的可见光图像，该相位传感器采集该拍摄场景的相位图像；根据该相位图像获取深度信息；将该深度信息叠加至该可见光图像，以得到深度图像。

一种基于深度学习和语义分割的图像检索方法。包括如下步骤：读取图像并进行预处理；通过深度学习由深度神经网络的任意一个卷积层将图像编码为一组特征图；对图像进行语义分割，获得分割图像逐像素的类别标签；根据特征图上每个像素类别标签和设置的类别权重对其进行加权处理，获得加权后的一组特征图；将获得加权后的一组特征图编码为一个固定长度的特征向量，并进行归一化处理，用归一化的特征向量表征图像的最终编码特征向量；相似性计算，返回检索结果。所述方法将语义分割技术引入图像检索的特征编码，大幅提升了检索效果。在获取图像每个类别的权重时，提出的根据先验知识的手工设计法和深度神经网络的参数学习法，非常有效。

本发明提出一种基于目标深度图像的投影装置和投影方法，其中投影装置包括深度图像获取组件、图像信息投影组件、光学元件以及处理器；深度图像获取组件用于接收目标反射的第一波长光，以获取目标的深度图像；处理器用于对深度图像进行处理，得到待投影的图像信息；图像信息投影组件用于向目标投射第二波长光，以将图像信息投影于目标；其中，第一波长光经由光学元件进入深度图像获取组件，第二波长光经由光学元件向目标投射；第一波长光进入光学元件的光路与第二波长光射出光学元件的光路相同。本发明投影装置消除深度图像获取组件与图像信息投影组件之间产生的视差，使得图像信息投影得更准确。

一种终端及一种图像中弱纹理区域的深度信息获取方法，所述终端包括：图像分割模块（301），配置为获取图像的颜色和亮度信息，根据所述颜色与亮度信息，将所述图像分割为若干区域；弱纹理区域获取模块（302），配置为计算获得所述图像对应的梯度信息，根据所述梯度信息从所述图像分割模块分割的若干区域中选取出弱纹理区域，所述弱纹理区域为梯度统计平均值在预设范围内的区域；边缘深度获取模块（303），配置为提取所述弱纹理区域获取模块（302）选取的弱纹理区域的边界像素点，获取所述边界像素点的深度值；区域深度获取模块（304），配置为根据所述边缘深度获取模块（303）获取的边界像素点的深度值，计算出所述弱纹理区域中各像素点的深度值。

本发明实施例提供一种深度图像帧内编码方法、装置及编码器，所述方法应用于三维视频编码或多视角视频编码中，所述方法包括：在深度图像的帧内编码模式中，编码一个预测单元时，生成非全零残差和全零残差；在所述非全零残差和所述全零残差之间进行率失真最优化选择，以作为所述预测单元的残差编码方式。所述装置应用于三维视频编码或多视角视频编码中，所述装置包括：残差生成单元，用于在深度图像的帧内编码模式中，编码一个预测单元时，生成非全零残差和全零残差；率失真最优化选择单元，用于在所述非全零残差和所述全零残差之间进行率失真最优化选择，以作为所述预测单元的残差编码方式。本发明可以降低编码深度图像所需的码率，提高编码性能。

本发明公开了一种基于深度图像的多目标分割和跟踪方法，属于图像处理、模式识别和计算机应用等领域，该方法包括以下歩骤：采集深度图像；背景建模更新；背景发现；判断是否首次发现前景，若是首次发现前景，则进行目标分割；若不是首次发现前景，则进行目标动态跟踪；判断是否有数据输入，若有数据输入，则取新数据重新进行背景建模更新，若没有则结束。本发明通过高效的目标分割处理和目标动态跟踪处理，有效的提高了目标识别及跟踪的可靠性，为进一歩图像分析、动态建模、三维人机交互等后续处理提供了准备信息。

一种图像深度的计算方法、图像处理装置及三维测量系统，图像深度的计算方法包括：根据结构光分别投影到目标物体表面、第一标定参考面、第二标定参考面上形成的结构化图像、第一标定图像以及第二标定图像，确定所述结构光在所述结构化图像上的目标像素分别相对于所述结构光在所述第一标定图像以及所述第二标定图像上的所述目标像素的第一视差以及第二视差；根据所述第一视差和第二视差，计算所述目标像素在所述结构化图像上的深度，其中，所述第一标定参考面对应测量距离的上限，所述第二标定参考面对应所述测量距离的下限。图像深度的计算方法使得深度与测量系统的内外参无关，避免了额外的误差的引入以及标定参考平面数量与测量精度的正向关系。

本发明提供一种多目立体相机的校准及深度图像处理方法，包括：在多目相机设备中选取基准相机和待修正相机，并获取相应的基准相机图像和对待修正相机图像；根据所述基准相机图像和对待修正相机图像对所述待修正相机的内参量和外参量进行优化；得到最终的深度图像。本发明的方法利用匹配特征的深度计算结果实现对相机参量的优化，使多个深度图像的交界部分过渡平滑，可以根据优化的参量对未重合部分的深度图像进行进一步的精化调整，并且通过不同双目间的相互约束，保证最终深度结果一致性与稳定性。

本公开提供了一种深度图像的获取方法、装置以及显示装置，用于图像深度传感组件中，所述图像深度传感组件的外部设置有滤波层，该方法包括：向所述滤波层发射预设相位的参考光；通过接收所述参考光经物体反射的反射光，获取至少四张输出图像；根据滤波参数以及至少四张输出图像，得到至少四张灰度图像；根据至少四张灰度图像得到深度图像。

本发明公开了一种三维图像的尺度不变深度图映射方法，获取物体的三维点云图像，设定映射需要的参数，计算图像的行数R和列数C并生成灰度为0的图像，遍历点云中的点，计算对应位置的像素灰度值，得到指定的尺度不变的深度图。本发明方法是一种三维图像点云集合的尺度不变的深度图映射方法，在不同深度上都能得到相同尺度的物体深度图，能够利用现有的图像算法进行处理，并有通过深度图即可计算物体空间三维位置的特征。

本申请实施例提供了一种高精度稠密深度图像的生成方法和装置，其中，方法包括：获取第一图像、第二图像和第三图像；根据上述图像，确定视差图；根据待匹配像素点的灰度值、匹配窗口内的像素点的灰度值和预设编码规则，确定匹配窗口内的像素点的预设编码；根据第一图像中的待匹配像素点的灰度值、匹配窗口内的像素点的预设编码和视差图，从第二图像中确定出匹配像素点；进而确定第一深度图像。通过根据预设编码规则获取并利用待匹配像素点邻近的匹配窗口内的像素点预设编码，结合待匹配像素点的灰度值，以视差图为约束，通过匹配从第二图像中确定出匹配像素点，进而确定出深度图像，从而解决了现有方法确定深度图像误差大、精度不高的技术问题。

本发明公开了一种深度网络生成人脸图像的检测方法及系统，构造由真实人脸图像和生成人脸图像组成的训练样本集；基于颜色关系对所述训练样本集进行建模，并提取统计特征；对所述统计特征进行训练，以得到分类模型；基于所述分类模型对待测图像进行预测。根据深度网络生成人脸图像在统计特性上与真实图像的不一致，设计了一组基于相邻像素颜色关系的共生矩阵特征，对不同类型深度网络生成的不同尺寸的人脸图像均具有非常高的检测准确率，能够有效地判断给定的人脸图像是否为通过深度网络生成的虚假图像，提高了安全性。

一种基于混合框架的图像位深度扩展方法及装置，通过融合传统去带效应算法和基于深度网络的学习算法，可较好的移除图像平坦区域的不自然效应，同时更逼真的恢复所缺失的比特位的数值信息；包括图像平坦区域的提取、基于局部自适应像素值调整的平坦区域位深度扩展和基于卷积神经网络的非平坦区域位深度扩展。本发明采用基于学习的方法，通过训练有效的深度网络来解决逼真的恢复缺失比特位问题；同时，针对平坦区域使用简单而鲁棒的局部自适应像素值调整的方法，有效抑制平坦区域的带效应、振铃效应、以及平坦噪声等不自然效应，提升平坦区域的主观视觉质量。

一种基于场景样本库的影视图像深度提取方法，包括：建立深度场景库、图片特征提取、深度图片融合、前景目标深度估计、深度图整体优化。利用普通RGB图片之间的相似性，将已有的深度图片中的深度值迁移到输入目标图片；在实际影视制作过程中，可以建立多个场景库，利用相似场景中的深度图片，生成输入目标图片的深度图。能够将人工参与的深度调整减少到最低，提高工作效率，具有准确性高，处理时间短的特点。

一种深度图像的编码、解码处理方法及装置，其中，该编码方法包括：确定在对深度图像进行编码过程中所采用的编码方式的标志位，编码方式包括：使用深度查找表对深度图像在所述深度查找表序号域进行编码和/或直接对深度图像在深度值域进行编码；将标志位写入码流中的以下之一位置：深度图像对应引用的视频参数集、深度图像对应引用的序列参数集、深度图像对应引用的图像参数集、深度图像对应的条带头。解决了现有技术中在每一个块中都传输一个标识位导致的开销较大，编解码效率较低的问题，进而减少了传输标志位的开销，提高了深度图像的编解码效率。

一种图像的深度值的确定方法、图像处理器(1000)以及模组，图像的深度值的确定方法包括：针对目标图像的物体，从TOF模组(11)获取第一深度图像，以及从双目视觉模组(12)获取第二深度图像(S401)；根据第一深度图像的深度值、第一深度图像的深度值对应的准确度值、第二深度图像的深度值和第二深度图像的深度值对应的准确度值，利用预设的加权算法进行加权计算，得到目标图像的深度值(S402)，能够提高图像的深度值的精确度。

一种基于深度学习和图像增强的NBI图像处理方法及其应用，利用深度学习算法和图像增强技术提取NBI图片的微血管和微结构等特征，将特征化后的图片呈现给内镜医生，克服现有技术瓶颈，利用人工智能使医生对NBI下早癌给出更为精确的辅助诊断意见。经过本方法处理后的图像，胃早癌图像中的病灶区域被得到加强，病灶和正常区域的边界经过高亮处理，变得更加清晰，医生在诊断时，可以参考处理过的图像，对该患者是否患有早癌进行辅助判断，避免因为胃镜检查太快或者医生疲劳操作而导致错过对病灶的识别。