深度图像的量化方法及装置、终端设备、存储介质与流程

1.本公开涉及信息处理技术领域，尤其涉及一种深度图像的量化方法及装置、终端设备、存储介质。


背景技术：

2.随着终端设备的发展，深度摄像头成为了终端设备不可或缺的元器件。该深度摄像头不仅可以获取实时画面，还能够计算出目标物的更多信息(例如，深度信息)，广泛的应用在相机的各种三维(three dimensional，3d)场景或者四维(four dimensional，4d)场景中。通常深度摄像头获取的深度图像的量化方案是直接采用全视场的所有像素点，存在量化方式单一和适用范围有限的问题。


技术实现要素：

3.本公开提供一种深度图像的量化方法及装置、终端设备、存储介质。
4.根据本公开实施例的第一方面，提供一种深度图像的量化方法，包括：
5.获取n个场景下的目标图像，n为大于或等于2的正整数；
6.确定所述n个场景下所述目标图像包含的深度图像对应的有效点数；
7.基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像。
8.在一些实施例中，所述目标图像包含有彩色图像；所述确定所述n个场景下所述目标图像包含的深度图像对应的有效点数，包括：
9.确定所述n个场景中第k个场景的所述彩色图像的特征点数；k为大于或等于1，且小于或等于n的正整数；
10.确定所述n个场景中所述第k个场景的所述深度图像的特征点数；
11.基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，直至确定完所述n个场景的深度图像对应的有效点数；其中，所述第k个场景的所述深度图像对应的有效点数，为所述n个场景中任意一个场景的所述深度图像对应的有效点数。
12.在一些实施例中，所述基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，包括：
13.基于所述第k个场景的所述彩色图像的特征点数和预设彩色图像与深度图像之间的特征点数冗余度，确定所述第k个场景的理论深度特征点数；
14.基于所述第k个场景的所述理论深度特征点数、所述第k个场景的所述深度图像的特征点数和所述第k个场景的深度图像的分辨率，确定所述第k个场景的所述深度图像对应的有效点数。
15.在一些实施例中，所述确定所述n个场景中第k个场景的所述彩色图像的特征点数，包括：
16.对所述第k个场景的所述彩色图像进行特性点提取，统计栅格化的所述第k个场景的所述彩色图像中一个栅格内的第一特征点数以及所有所述栅格内的第二特征点数；
17.基于所述第二特征点数和所述第一特征点数的比值，确定所述第k个场景的所述彩色图像的特征点数。
18.在一些实施例中，所述确定所述n个场景中所述第k个场景的所述深度图像的特征点数，包括：
19.对所述第k个场景下的所述深度图像进行特性点提取，统计栅格化的所述第k个场景的所述深度图像中一个栅格内的第三特征点数以及所有所述栅格内的第四特征点数；
20.基于所述第四特征点数和所述第三特征点数的比值，确定所述第k个场景的所述深度图像的特征点数。
21.在一些实施例中，所述基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像，包括：
22.根据所述n个场景下所述深度图像对应的有效点数以及所述n个场景所占的权重，统计所述n个场景下所述深度图像的有效点数总和；
23.基于所述有效点数总和量化所述深度图像的成像。
24.在一些实施例中，所述方法还包括：
25.通过所述n个场景的使用频率，确定所述n个场景所占的权重。
26.根据本公开实施例的第二方面，提供一种深度图像的量化装置，所述装置包括：
27.图像获取模块，配置为获取n个场景下的目标图像，n为大于或等于2的正整数；
28.点数确定模块，配置为确定所述n个场景下所述目标图像包含的深度图像对应的有效点数；
29.图像量化模块，配置为基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像。
30.在一些实施例中，所述点数确定模块，包括：
31.彩色特征模块，配置为确定所述n个场景中第k个场景的所述彩色图像的特征点数；k为大于或等于1，且小于或等于n的正整数；
32.深度特征模块，配置为确定所述n个场景中所述第k个场景的所述深度图像的特征点数；
33.深度点数模块，配置为基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，直至确定完所述n个场景的深度图像对应的有效点数；其中，所述第k个场景的所述深度图像对应的有效点数，为所述n个场景中任意一个场景的所述深度图像对应的有效点数。
34.在一些实施例中，所述深度点数模块，还配置为基于所述第k个场景的所述彩色图像的特征点数和预设彩色图像与深度图像之间的特征点数冗余度，确定所述第k个场景的理论深度特征点数；基于所述第k个场景的所述理论深度特征点数、所述第k个场景的所述深度图像的特征点数和所述第k个场景的深度图像的分辨率，确定所述第k个场景的所述深度图像对应的有效点数。
35.在一些实施例中，所述彩色特征模块，还配置为对所述第k个场景的所述彩色图像进行特性点提取，统计栅格化的所述第k个场景的所述彩色图像中一个栅格内的第一特征
点数以及所有所述栅格内的第二特征点数；基于所述第二特征点数和所述第一特征点数的比值，确定所述第k个场景的所述彩色图像的特征点数。
36.在一些实施例中，所述深度特征模块，还配置为对所述第k个场景下的所述深度图像进行特性点提取，统计栅格化的所述第k个场景的所述深度图像中一个栅格内的第三特征点数以及所有所述栅格内的第四特征点数；基于所述第四特征点数和所述第三特征点数的比值，确定所述第k个场景的所述深度图像的特征点数。
37.在一些实施例中，所述图像量化模块，还配置为根据所述n个场景下所述深度图像对应的有效点数以及所述n个场景所占的权重，统计所述n个场景下所述深度图像的有效点数总和；基于所述有效点数总和量化所述深度图像的成像。
38.在一些实施例中，所述装置还配置为通过所述n个场景的使用频率，确定所述n个场景所占的权重。
39.根据本公开实施例的第三方面，提供一种终端设备，所述终端设备至少包括：处理器和用于存储能够在所述处理器上运行的可执行指令的存储器，其中：
40.处理器用于运行所述可执行指令时，所述可执行指令执行上述第一方面中提供的深度图像的量化方法中的步骤。
41.根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现如上述第一方面中提供的深度图像的量化方法。
42.本公开的实施例提供的技术方案可以包括以下有益效果：
43.本公开实施例确定n个场景下目标图像包含的深度图像对应的有效点数，并基于n个场景下深度图像对应的有效点数量化深度图像的成像。如此，本公开实施例量化深度图像的成像是基于不同场景下的有效点数，而不是深度图像内所有深度点的个数，能够考虑到不同场景对深度图像成像的影响，进而不仅能够使得深度图像的量化更加准确，还能够扩大深度图像量化的适用场景。
44.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
45.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
46.图1是本公开实施例示出的一种深度图像的量化方法流程图。
47.图2是本公开实施例示出的终端设备定义拍摄功能对应的场景架构示意图。
48.图3是本公开实施例示出的终端设备定义拍摄功能的场景对应的权重架构示意图。
49.图4是本公开实施例示出的一种获取彩色图像的特征点数方法流程图。
50.图5是本公开实施例示出的一种获取深度图像的特征点数方法流程图。
51.图6是本公开实施例示出的一种深度图像的量化装置图一。
52.图7是本公开实施例示出的一种深度图像的量化装置图二。
具体实施方式
53.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
54.图1是本公开实施例示出的一种深度图像的量化方法流程图，如图1所示，应用于终端设备的方法包括以下步骤：
55.s101、获取n个场景下的目标图像，n为大于或等于2的正整数；
56.s102、确定所述n个场景下所述目标图像包含的深度图像对应的有效点数；
57.s103、基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像。
58.本公开实施例中，该深度图像的量化方法应用于具有彩色摄像头和深度摄像头的终端设备中，广泛适用于彩色摄像头和深度摄像头同时使用的场景。例如，增强现实(augmented reality，ar)场景、同时定位与建图(simultaneous localization and mapping，slam)场景、3d人像场景。
59.上述终端设备可以为可穿戴式电子设备和移动终端，该移动终端包括手机、笔记本以及平板电脑，该可穿戴电子设备包括智能手表或者智能手环，本公开实施例不作限制。
60.在步骤s101中，上述终端设备获取n个场景下的目标图像，包括：终端设备采用彩色摄像头和深度摄像头同时采集n个场景的目标以得到n个场景下的目标图像。其中，该目标图像包括彩色摄像头采集的彩色图像和深度摄像头采集的深度图像。即终端设备获取n个场景的目标图像包括：获取n个场景的彩色图像和获取n个场景的深度图像。
61.其中，彩色图像为像素由红(r)、绿(g)和蓝(b)分量构成的图像；深度图像为存储有三维深度特征信息的图像。
62.上述场景可包括终端设备的不同拍摄场景。该场景可基于终端设备拍摄功能进行设置，且一个拍摄功能可对应一个场景。例如，可基于终端设备人像拍摄功能设置人像场景；可基于终端设备景色拍摄功能设置景色场景；可基于终端设备运动拍摄功能设置运动场景；可基于终端设备夜间拍摄功能设置夜间场景，本公开实施例不作限制。
63.需要说明的是，场景不同，对应的在该场景下获取的目标图像也不同。例如，人像场景采集的目标图像与景色场景采集的目标图像不同。又例如，运动场景采集的目标图像与夜间场景采集的目标图像不同。
64.在步骤s102中，每一个场景下深度图像对应的有效点数不同。例如，人像场景下深度图像对应的有效点数，与景色场景下目标图像对应的有效点数不同。又例如，运动场景下深度图像对应的有效点数与夜间场景下目标图像对应的有效点数不同。
65.确定n个场景下深度图像对应的有效点数，包括：基于n个场景下深度图像的特征点数确定n个场景下深度图像对应的有效点数；还可包括：基于n个场景下的视场角内所有深度点数确定n个场景下深度图像对应的有效点数，本公开实施例不作限制。
66.本公开实施例中，深度图像的有效点数可用于量化深度图像的成像。且不同场景下深度图像对应的有效点数越多，对应的深度图像的成像更好。
67.在步骤s103中，基于n个场景下深度图像对应的有效点数量化深度图像的成像，可
包括：基于n个场景下深度图像对应的有效点数之和，量化深度图像的成像，还可包括：基于n个场景下深度图像对应的有效点数和n个场景所占的权重，量化深度图像的成像。
68.可以理解的是，本公开实施例量化深度图像的成像是基于不同场景下的有效点数，而不是深度图像内所有深度点的个数，能够考虑到不同场景对深度图像成像的影响，进而不仅能够使得深度图像的量化更加准确，还能够扩大深度图像量化的适用场景。
69.在一些实施例中，所述目标图像包含有彩色图像；所述确定所述n个场景下所述目标图像包含的深度图像对应的有效点数，包括：
70.确定所述n个场景中第k个场景的所述彩色图像的特征点数；k为大于或等于1，且小于或等于n的正整数；
71.确定所述n个场景中所述第k个场景的所述深度图像的特征点数；
72.基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，直至确定完所述n个场景的深度图像对应的有效点数；其中，所述第k个场景的所述深度图像对应的有效点数，为所述n个场景中任意一个场景的所述深度图像对应的有效点数。
73.本公开实施例中，第k个场景为n个场景中任意一个场景。例如，n为5，第k个场景可为n个场景中第1个场景，或者，第k个场景可为n个场景中第4个场景，本公开实施例不作限制。
74.上述彩色图像的特征点数用于表征彩色图像的灰度特征之和；上述深度图像的特征点数用于表征深度图像的距离特征之和。
75.需要说明的是，每一个场景的深度图像对应的有效点数均可为根据该场景下的彩色图像的特征点数和该场景下的深度图像的特征点数来确定，即每一个场景的深度图像对应的有效点数的确定方法均为相同的。
76.本公开实施例中，在确定完n个场景的深度图像对应的有效点数的过程中，可以依次获取第1个场景的深度图像对应的有效点数到第n个场景的深度图像对应的有效点数，即实现了获取所有场景的深度图像对应的有效点数。
77.在一些实施例中，所述确定所述n个场景中第k个场景的所述彩色图像的特征点数，包括：
78.对所述第k个场景的所述彩色图像进行特性点提取，统计栅格化的所述第k个场景的所述彩色图像中一个栅格内的第一特征点数以及所有所述栅格内的第二特征点数；
79.基于所述第二特征点数和所述第一特征点数的比值，确定所述第k个场景的所述彩色图像的特征点数。
80.本公开实施例中，对n个场景中不同场景下的彩色图像进行特征点提取，包括：针对人像场景可采用方向梯度直方图(histogram of oriented gradient，hog)的特征提取方法进行彩色特征点提取；针对静物场景可采用尺度不变特征变换(scale-invariant feature transform，sift)的特征提取方法进行彩色特征点提取；针对运动场景可采用高斯函数差分((difference of gaussian，dog)的特征提取方法进行彩色特征点提取。
81.上述对彩色图像栅格化后可得到多个栅格，例如，对彩色图像栅格化后可得到4行4列个栅格，或者，10行10列个栅格，本公开实施例不作限制。
82.上述统计栅格化的彩色图像中的一个栅格内的第一特征点数，包括：基于第k个场
景的彩色图像的分辨率、第k个场景的彩色图像的总特征数以及一个栅格内提取特征得到的有效彩色特征点数，确定一个栅格内的第一特征点数。
83.其中，基于第k个场景的彩色图像的分辨率、第k个场景的彩色图像的总特征数以及一个栅格内提取特征得到的有效彩色特征点数，确定一个栅格内的第一特征点数，包括：对有效彩色特征点数与彩色图像的分辨率进行求积，并基于求积值与第k个场景的彩色图像的总特征点数之间的比值得到第一特征点数。
84.上述统计所有栅格内的第二特征点数，包括：基于栅格数和第一特征点数之积，确定第二特征点数。
85.本公开实施例中，不同的场景对应不同的第二特征点数和不同的第一特征点数。基于第k个场景的第二特征点数和第k个场景的第一特征点数的比值得到第k个场景的彩色图像的特征点数，按照相同方法依次便可得到n个场景的彩色图像的特征点数。
86.示例性地，r1表示第k个场景的第一特征点数，n1表示第k个场景的第二特征点数，对应的第k个场景的彩色图像的特征点数n_rgb可采用公式(1)进行确定。
87.n_rgb＝n1/r1
ꢀꢀꢀ
(1)
88.如此，当场景数为n个时，对应可得到不同场景下的彩色图像的特征点数为n_rgb1至n_rgbn。即一个场景对应一个彩色图像的特征点数。
89.在一些实施例中，所述确定所述n个场景中所述第k个场景的所述深度图像的特征点数，包括：
90.对所述第k个场景下的所述深度图像进行特性点提取，统计栅格化的所述第k个场景的所述深度图像中一个栅格内的第三特征点数以及所有所述栅格内的第四特征点数；
91.基于所述第四特征点数和所述第三特征点数的比值，确定所述第k个场景的所述深度图像的特征点数。
92.本公开实施例中，对n个场景中不同场景下的深度图像进行特征点提取，包括：针对人像场景可采用方向梯度直方图(histogram of oriented gradient，hog)的特征提取方法进行深度特征点提取；针对静物场景可采用尺度不变特征变换(scale-invariant feature tr ansform，sift)的特征提取方法进行深度特征点提取；针对运动场景可采用高斯函数差分((difference of gaussian，dog)的特征提取方法进行深度特征点提取。
93.需要说明的是，深度图像的特征提取与彩色图像的特征提取不同，深度图像是对图像中的深度特征进行提取，彩色图像是对图像中的彩色特征(例如，灰度特征)进行提取。
94.上述对深度图像栅格化后可得到多个栅格，例如，对深度图像栅格化后可得到4行4列个栅格，或者，10行10列个栅格，本公开实施例不作限制。
95.上述统计栅格化的深度图像中的一个栅格内的第三特征点数，包括：基于第k个场景的深度图像的分辨率、第k个场景的深度图像的总特征数以及一个栅格内提取特征得到的有效深度特征点数，确定一个栅格内的第三特征点数。
96.其中，基于第k个场景的深度图像的分辨率、第k个场景的深度图像的总特征数以及一个栅格内提取特征得到的有效深度特征点数，确定一个栅格内的第三特征点数，包括：对有效深度特征点数与深度图像的分辨率进行求积，并基于求积值与深度图像的总特征点数之间的比值得到第三特征点数。
97.上述统计所有栅格内的第四特征点数，包括：基于深度图像栅格化得到的栅格数
和第三特征点数之积，确定第四特征点数。
98.本公开实施例中，不同的场景对应不同的第三特征点数和不同的第四特征点数。基于第k个场景的第三特征点数和第k个场景的第四特征点数的比值得到第k个场景的深度图像的特征点数，按照相同方法依次便可得到n个场景的深度图像的特征点数。
99.示例性地，r2表示第k个场景的第三特征点数，n2表示第k个场景的第四特征点数，对应的第k个场景的深度图像的特征点数n_depth可采用公式(2)进行确定。
100.n_depth＝n2/r2
ꢀꢀꢀ
(2)
101.如此，当场景数为n个时，对应可得到不同场景下的深度图像的特征点数为n_depth1至n_depthn。即一个场景对应一个深度图像的特征点数。
102.在一些实施例中，所述基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，包括：
103.基于所述第k个场景的所述彩色图像的特征点数和预设彩色图像与深度图像之间的特征点数冗余度，确定所述第k个场景的理论深度特征点数；
104.基于所述第k个场景的所述理论深度特征点数、所述第k个场景的所述深度图像的特征点数和所述第k个场景的深度图像的分辨率，确定所述第k个场景的所述深度图像对应的有效点数。
105.本公开实施例中，基于第k个场景的所述彩色图像的特征点数和预设彩色图像与深度图像之间的特征点数冗余度，确定第k个场景的理论深度特征点数，包括：对预设彩色图像与深度图像之间的特征点数冗余度进行加1得到加和值，并基于第k个场景的彩色图像的特征点数与加和值之间的比值，确定第k个场景的理论深度特征点数。
106.需要说明的，可采用公式(3)确定第k个场景理论深度特征点数。其中，n_rgb表示第k个场景的彩色图像的特征点数，δ表示预设彩色图像与深度图像之间的特征点数冗余度，n_depth'表示第k个场景的理论深度特征点数。
[0107][0108]
如此，当场景数为n个时，对应可得到不同场景下的理论深度特征点数为n_depth'1至n_depth'n。即一个场景对应一个理论深度特征点数。
[0109]
需要说明的是，预设彩色图像与深度图像之间的特征点数冗余度可依据实际情况进行设置。本公开实施例中，可基于第k个场景中彩色图像的特征点数大于深度图像的特征点数，设置特征点数冗余度小于1，例如，可设置特征点数冗余度在0.3到0.8范围内。
[0110]
本公开实施例中，终端设备可对第k个场景的深度图像进行归一化处理得到第k个场景的深度图像的分辨率。
[0111]
上述基于第k个场景的理论深度特征点数、第k个场景的深度图像的特征点数和第k个场景的深度图像的分辨率，确定第k个场景的深度图像对应的有效点数，包括：对第k个场景的理论深度特征点数和第k个场景的深度图像的特征点数进行取比值，并基于比值和第k个场景的深度图像的分辨率之间的乘积得到第k个场景的深度图像对应的有效点数。
[0112]
需要说明的，可采用公式(4)确定第k个场景的深度图像对应的有效点数。其中，n_depth'表示第k个场景的理论深度特征点数，depth-size表示第k个场景的深度图像的分辨
率，n_depth表示第k个场景的深度图像的特征点数，mk表示第k个场景的深度图像对应的有效点数。
[0113][0114]
如此，一个场景对应一个深度图像对应的有效点数，当场景数为n个时，对应可以得到不同场景的深度图像对应的有效点数为m1至mn。
[0115]
在一些实施例中，所述基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像，包括：
[0116]
根据所述n个场景下所述深度图像对应的有效点数以及所述n个场景所占的权重，统计所述n个场景下所述深度图像的有效点数总和；
[0117]
基于所述有效点数总和量化所述深度图像的成像。
[0118]
本公开实施例中，场景不同，该场景所占的权重也不同。例如，可设置人像场景所占的权重，大于运动场景所占的权重；或者，可设置景色场景所占的权重，大于夜间场景所占的权重。
[0119]
在一些实施例中，通过所述n个场景的使用频率，确定所述n个场景所占的权重。
[0120]
本公开实施例中，在确定n个场景中不同场景所占的权重过程中，可依据不同场景的使用频率高低设置不同场景所占的权重。例如，人像场景的使用频率高于运动场景的使用频率，对应可设置人像场景所占的权重大于运动场景所占的权重。
[0121]
还可以依据不同场景的使用频率的比值设置不同场景所占的权重。例如，终端设备定义的拍摄功能对应人像场景和运动场景，人像场景的使用频率与运动场景的使用频率之间比值为4，对应可设置人像场景所占的权重为0.8，运动场景所占的权重为0.2。
[0122]
需要说明的是，不同场景的使用频率可根据用户使用终端设备的摄像头拍摄不同场景的图像统计得到。且一个场景对应有一个权重，n个场景的权重之和等于1。
[0123]
上述根据n个场景下深度图像对应的有效点数以及n个场景所占的权重，统计n个场景下深度图像的有效点数总和，包括：获取每一个场景下深度图像对应的有效点数与该场景所占权重的乘积，并对所有场景中每一个场景对应的乘积进行求和，将该求和值确定为n个场景下深度图像的有效点数总和。
[0124]
示例性地，可采用公式(5)确定有效点数总和。其中，n表示场景数，k表示n个场景中任意一个场景，mk表示第k个场景的深度图像对应的有效点数，wk表示不同场景所占的权重，q表示有效点数总和。
[0125][0126]
本公开实施例中，基于有效点数总和量化深度图像的成像，其中，有效点数总和越大，对应的深度图像的成像越好，进而实现了本公开实施例能够通过深度图像的量化方法更好的量化深度图像的成像性能。
[0127]
为了更好的理解上述公开实施例，示例如下：
[0128]
如图2所示，在为不同的终端设备定义拍摄功能对应的场景时，可设置一个拍摄功能对应有一个场景，进而在终端设备采用深度摄像头和彩色摄像头进行拍摄时能够获取n个场景下的目标图像，实现了目标图像的采集。
[0129]
如图3所示，在为不同的终端设备的不同场景定义不同权重时，可设置一个拍摄功能对应的一个场景，具有一个权重，进而可以得到n个场景中不同场景所占的权重。
[0130]
如图4所示，目标图像包括彩色图像和深度图像，获取第k个场景的彩色图像的特征点数可采用以下步骤：s401、获取第k个场景的彩色图像；s402、对第k个场景的彩色图像进行特性点提取，统计栅格化的第k个场景的彩色图像中一个栅格内的第一特征点数以及所有栅格内的第二特征点数；s403、基于第二特征点数和第一特征点数的比值，确定第k个场景的彩色图像的特征点数。
[0131]
如图5所示，获取第k个场景的深度图像的特征点数可采用以下步骤：s501、获取第k个场景的深度图像；s502、对第k个场景下的深度图像进行特性点提取，统计栅格化的第k个场景的深度图像中一个栅格内的第三特征点数以及所有栅格内的第四特征点数；s503、基于第四特征点数和第三特征点数的比值，确定第k个场景的深度图像的特征点数。
[0132]
本公开实施例中，在获取n个场景下的目标图像之后，可基于n个场景的深度图像和n个场景的彩色图像，获取n个场景的彩色图像的特征点数和n个场景的深度图像的特征点数；然后，基于n个场景的彩色图像的特征点数和n个场景的深度图像的特征点数，获取n个场景的深度图像的有效点数；最后，基于n个场景的深度图像对应的有效点数和n个场景所占的权重，就能够获取n个场景的深度图像的有效点数总和，进而能够实现量化深度图像的成像。
[0133]
图6是根据一示例性实施例示出的一种深度图像的量化装置图一。参照图6，该深度图像的量化装置包括图像获取模块1001，点数确定模块1002和图像量化模块1003，其中，
[0134]
所述图像获取模块1001，配置为获取n个场景下的目标图像，n为大于或等于2的正整数；
[0135]
所述点数确定模块1002，配置为确定所述n个场景下所述目标图像包含的深度图像对应的有效点数；
[0136]
所述图像量化模块1003，配置为基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像。
[0137]
在一些实施例中，所述点数确定模块1002，包括：
[0138]
彩色特征模块，配置为确定所述n个场景中第k个场景的所述彩色图像的特征点数；k为大于或等于1，且小于或等于n的正整数；
[0139]
深度特征模块，配置为确定所述n个场景中所述第k个场景的所述深度图像的特征点数；
[0140]
深度点数模块，配置为基于所述第k个场景的所述彩色图像的特征点数和所述第k个场景的所述深度图像的特征点数，确定所述第k个场景的所述深度图像对应的有效点数，直至确定完所述n个场景的深度图像对应的有效点数；其中，所述第k个场景的所述深度图像对应的有效点数，为所述n个场景中任意一个场景的所述深度图像对应的有效点数。
[0141]
在一些实施例中，所述深度点数模块，还配置为基于所述第k个场景的所述彩色图像的特征点数和预设彩色图像与深度图像之间的特征点数冗余度，确定所述第k个场景的理论深度特征点数；基于所述第k个场景的所述理论深度特征点数、所述第k个场景的所述深度图像的特征点数和所述第k个场景的深度图像的分辨率，确定所述第k个场景的所述深度图像对应的有效点数。
[0142]
在一些实施例中，所述彩色特征模块，还配置为对所述第k个场景的所述彩色图像进行特性点提取，统计栅格化的所述第k个场景的所述彩色图像中一个栅格内的第一特征点数以及所有所述栅格内的第二特征点数；基于所述第二特征点数和所述第一特征点数的比值，确定所述第k个场景的所述彩色图像的特征点数。
[0143]
在一些实施例中，所述深度特征模块，还配置为对所述第k个场景下的所述深度图像进行特性点提取，统计栅格化的所述第k个场景的所述深度图像中一个栅格内的第三特征点数以及所有所述栅格内的第四特征点数；基于所述第四特征点数和所述第三特征点数的比值，确定所述第k个场景的所述深度图像的特征点数。
[0144]
在一些实施例中，所述图像量化模块，还配置为根据所述n个场景下所述深度图像对应的有效点数以及所述n个场景所占的权重，统计所述n个场景下所述深度图像的有效点数总和；基于所述有效点数总和量化所述深度图像的成像。
[0145]
在一些实施例中，所述装置还配置为通过所述n个场景的使用频率，确定所述n个场景所占的权重。
[0146]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0147]
图7是根据一示例性实施例示出的一种深度图像的量化装置图二。例如，装置可以是终端设备，该终端设备包括移动电话、移动电脑或者移动笔记本等。
[0148]
参照图7，装置可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
[0149]
处理组件802通常控制装置的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0150]
存储器804被配置为存储各种类型的数据以支持在设备的操作。这些数据的示例包括用于在装置上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0151]
电力组件806为装置的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置生成、管理和分配电力相关联的组件。
[0152]
多媒体组件808包括在所述装置和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备处于操作模式，如拍摄模式或视频模式
时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0153]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0154]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0155]
传感器组件814包括一个或多个传感器，用于为装置提供各个方面的状态评估。例如，传感器组件814可以检测到设备的打开/关闭状态，组件的相对定位，例如所述组件为装置的显示器和小键盘，传感器组件814还可以检测装置或装置一个组件的位置改变，用户与装置接触的存在或不存在，装置方位或加速/减速和装置的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0156]
通信组件816被配置为便于装置和其他设备之间有线或无线方式的通信。装置可以接入基于通信标准的无线网络，如wi-fi，4g或5g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0157]
在示例性实施例中，装置可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0158]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0159]
一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行深度图像的量化方法，所述方法包括：
[0160]
获取n个场景下的目标图像，n为大于或等于2的正整数；
[0161]
确定所述n个场景下所述目标图像包含的深度图像对应的有效点数；
[0162]
基于所述n个场景下所述深度图像对应的有效点数量化所述深度图像的成像。
[0163]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的
权利要求指出。
[0164]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。