单目图像深度估计是根据RGB图像估计每个像素点的深度值,即物体离摄像头的距离。它作为计算机视觉领域的热门研究方向之一,已广泛的应用到自动分拣机器人、VR虚拟现实、自动驾驶等人工智能领域。目前,在基于深度学习的单目图像深度估计方法中,存在特征提取、表达不够充分的问题,导致深度估计精度不高。本文围绕特征提取、表达展开研究,旨在提高深度估计精度,主要工作如下:1.设计了基于多尺度特征提取和结构相似性的单目图像深度估计方法模型。该方法引入Res2Net网络作为特征提取器,Res2Net在单个残差块中对输入特征图进行通道分组,对分组后的特征图采用阶梯型卷积提取更细粒度的多尺度特征,提高了网络多尺度特征提取能力,最终提升了深度图的整体精度。其次,设计了边缘增强模块,使用高通滤波器保留了物体的边缘特征,解决了原网络下采样过程中边缘像素丢失问题,提高深度图质量。最后,在损失函数中引入了结构相似性,通过计算图像块的损失值,加强了网络学习局部特征的能力,提高深度估计的精度。实验结果表明,该方法可以有效提高深度估计精度,均方根误差RMSE达到了0.508,相比于基础网络减小了2.2%,阈值δ＜1.25达到了0.875,相比于基础网络提升了0.9%。2.设计了基于有效特征提取和小波损失的单目图像深度估计方法模型。该方法首先设计了一种上采样模块,该模块分为两部分,一部分采用亚像素卷积生成高密度有效像素的特征图,避免了原网络中产生大量的冗余像素的问题;另一部分采用不同大小卷积核对亚像素卷积后的特征图进行特征提取,提高网络对有效特征的提取、表达能力。其次,在损失函数中引入了小波变换,将图像划分为高频区域和低频区域,通过对不同区域计算损失函数监督网络训练,提高了网络表达特征的能力。实验结果表明,该方法可以实现深度图整体精度的提升,均方根误差RMSE达到了0.509,相比于基础网络减小了2.1%,阈值δ＜1.25达到了0.875,相比于基础网络提升了0.9%3.设计了基于多尺度有效特征提取和小波损失的单目图像深度估计方法模型。该方法综合了Res2Net网络、边缘增强模块、上采样模块、小波损失函数的优点,提高网络的多尺度特征、有效特征的提取和表达能力。实验结果表明,该方法提高了深度图的整体精度,均方根误差RMSE达到了0.506,相比于基础网络减小了2.4%,阈值δ＜1.25达到了0.876,相比于基础网络提升了1%。