可重建度量信息预测方法、装置、计算机设备和存储介质

1.本技术涉及计算机视觉领域，特别是涉及一种可重建度量信息预测方法、装置、计算机设备和存储介质。


背景技术：

2.在进行城市三维重建数据采集之前，往往需要针对目标区域规划飞行航线。航线规划的好坏影响了对航拍图片进行重建得到的模型的效果。因此，需要筛选多个合适的采集视点从而来指定航线。在筛选多个采集视点的过程中，需要对多个采集视点的可重建度量进行预测。
3.一般情况下，是通过预飞行得到的场景粗糙模型，或通过从卫星图像获得场景粗糙模型计算可重建度量。但是，场景粗糙模型的误差或不确定性，将影响可重建度量的准确性。因此，需要对使用场景粗糙模型计算可重建度量的结果进一步优化，以提高可重建度量结果的准确性。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高准确性的可重建度量信息预测方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种可重建度量信息预测方法。所述方法包括：获取针对目标采样点的多个待评估视点；所述目标采样点位于粗糙几何模型上；基于所述多个待评估视点与所述目标采样点的空间关系，得到所述目标采样点与所述多个待评估视点之间的空间特征；基于多个预采集视点从目标拍摄图像中提取所述目标采样点的图像特征；所述预采集视点是基于拍摄所述目标拍摄图像的相机姿态得到的；所述目标拍摄图像是拍摄到所述目标采样点的图像；基于所述图像特征和所述空间特征，预测针对所述目标采样点的可重建度量信息。
6.在其中一个实施例中，所述方法还包括：所述可重建度量信息为综合可重建度量信息；所述方法还包括：基于所述空间特征得到针对所述目标采样点的几何可重建度量信息。
7.在其中一个实施例中，所述基于所述多个待评估视点与所述目标采样点的空间关系，得到所述目标采样点与所述多个待评估视点之间的空间特征包括：针对每个待评估视点，基于所述待评估视点与所述目标采样点的空间关系确定所述待评估视点的视点特征；将多个所述待评估视点对应的多个视点特征进行融合，得到所述目标采样点的空间特征。
8.在其中一个实施例中，所述基于多个预采集视点从目标拍摄图像中提取所述目标
采样点的图像特征包括：基于拍摄所述目标拍摄图像的相机姿态得到多个预采集视点；从所述目标拍摄图像中提取高维特征；针对每个预采集视点，基于所述预采集视点的六维坐标，将所述目标采样点的三维信息转化为在所述目标拍摄图像中的二维信息；基于所述二维信息从所述高维特征中提取出所述目标采样点的点图像特征；融合多个所述点图像特征得到所述目标采样点的图像特征在其中一个实施例中，所述基于所述图像特征和所述空间特征，预测针对所述目标采样点的可重建度量信息包括：基于所述空间特征和所述图像特征得到权重矩阵；基于所述权重矩阵和所述图像特征得到针对所述目标采样点的可重建度量。
9.在其中一个实施例中，所述空间关系包括所述待评估视点相对于所述目标采样点的三维极坐标、所述目标采样点的法线和所述目标采样点到所述待评估视点的方向之间的第一夹角、所述待评估视点的垂直观察方向和所述待评估视点到所述目标采样点的方向之间的第二夹角。
10.第二方面，本技术还提供了一种可重建度量信息预测装置。所述装置包括：空间特征确定模块，用于获取针对目标采样点的多个待评估视点；所述目标采样点位于粗糙几何模型上；基于所述多个待评估视点与所述目标采样点的空间关系，得到所述目标采样点与所述多个待评估视点之间的空间特征；图像特征确定模块，用于基于多个预采集视点从目标拍摄图像中提取所述目标采样点的图像特征；所述预采集视点是基于拍摄所述目标拍摄图像的相机姿态得到的；所述目标拍摄图像是拍摄到所述目标采样点的图像；信息预测模块，用于基于所述图像特征和所述空间特征，预测针对所述目标采样点的可重建度量信息。
11.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述可重建度量信息预测方法的步骤。
12.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述可重建度量信息预测方法的步骤。
13.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行上述可重建度量信息预测方法的步骤。
14.上述可重建度量信息预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取针对目标采样点的多个待评估视点；所述目标采样点位于粗糙几何模型上。基于所述多个待评估视点与所述目标采样点的空间关系，得到所述目标采样点与所述多个待评估视点之间的空间特征。基于多个预采集视点从目标拍摄图像中提取所述目标采样点的图像特征。所述预采集视点是基于拍摄所述目标拍摄图像的相机姿态得到的；所述目标拍摄图像是拍摄到所述目标采样点的图像。基于所述图像特征和所述空间特征，预测针对所述目标采样点的可重建度量信息。这样，将使用真实的目标拍摄图像得到的图像特征和使用粗糙几何模型得到的空间特征相结合分析，从而提高了可重建度量信息的准确性。
附图说明
15.图1为一个实施例中可重建度量信息预测方法的应用环境图；图2为一个实施例中可重建度量信息预测方法的流程示意图；图3为一个实施例中可重建度量信息预测方法的原理示意图；图4为一个实施例中可重建度量信息预测方法的原理示意图；图5为一个实施例中可重建度量信息预测方法的效果示意图；图6为一个实施例中可重建度量信息预测装置的结构框图；图7为一个实施例中计算机设备的内部结构图；图8为一个实施例中计算机设备的内部结构图。
具体实施方式
16.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
17.本技术实施例提供的可重建度量信息预测方法，可以应用于如图1所示的应用环境中。其中，终端110通过网络与服务器120进行通信。数据存储系统可以存储服务器120需要处理的数据。数据存储系统可以集成在服务器120上，也可以放在云上或其他网络服务器上。其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
18.服务器120可以获取针对目标采样点的多个待评估视点。目标采样点位于粗糙几何模型上。服务器120基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。服务器120基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征；预采集视点是基于拍摄目标拍摄图像的相机姿态得到的；目标拍摄图像是拍摄到目标采样点的图像。服务器120基于图像特征和空间特征，预测针对目标采样点的可重建度量信息。服务器120可以将可重建度信息发送给终端110。终端110使用可重建度量信息规划航拍路径。
19.在一个实施例中，终端110也可以由服务器替代，对此不限定。
20.在一个实施例中，服务器120也可以由终端替代，对此不限定。
21.在一个实施例中，如图2所示，提供了一种可重建度量信息预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：s202，获取针对目标采样点的多个待评估视点；目标采样点位于粗糙几何模型上；基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。
22.其中，粗糙几何模型是待重建的目标场景所对应的几何模型。可以理解，由于目标场景待重建，几何模型是比较粗糙的。空间关系可以是坐标信息和角度信息等等。
23.具体地，服务器选取出位于粗糙几何模型上的待重建的目标采样点，并获取针对
目标采样点的多个待评估视点。服务器基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。
24.在一个实施例中，空间关系包括待评估视点相对于目标采样点的坐标、待评估视点视点和目标采样点之间的角度信息等等。
25.在一个实施例中，服务器可以直接根据空间特征得到几何可重建度量信息。
26.在一个实施例中，服务器可以融合每个待评估视点相对于目标采样点的视点特征，从而得到空间特征。
27.s204，基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征；预采集视点是基于拍摄目标拍摄图像的相机姿态得到的；目标拍摄图像是拍摄到目标采样点的图像。
28.具体地，服务器基于拍摄目标拍摄图像的相机姿态得到预采集视点，确定拍摄到目标采样点的目标拍摄图像。进一步地，服务器基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征。预采集视点是对目标采样点预先进行采集的视点。
29.在一个实施例中，服务器可以使用预采集视点的六维坐标，提取出目标采样点对应于预采集视点的在目标拍摄图像中的点图像特征。服务器融合多个点图像特征得到空间特征。
30.s206，基于图像特征和空间特征，预测针对目标采样点的可重建度量信息。
31.其中，可重建度量信息可以用于表征能以多高的质量重建目标采样点。可重建度量信息可以对待评估视点进行评估。
32.具体地，服务器融合图像特征和空间特征，以预测针对目标采样点的可重建度量信息。
33.上述可重建度量信息预测方法，通过获取针对目标采样点的多个待评估视点；目标采样点位于粗糙几何模型上。基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征。预采集视点是基于拍摄目标拍摄图像的相机姿态得到的；目标拍摄图像是拍摄到目标采样点的图像。基于图像特征和空间特征，预测针对目标采样点的可重建度量信息。这样，将使用真实的目标拍摄图像得到的图像特征和使用粗糙几何模型得到的空间特征相结合分析，从而提高了可重建度量信息的准确性。
34.在一个实施例中，空间关系包括待评估视点相对于目标采样点的三维极坐标、目标采样点的法线和目标采样点到待评估视点的方向之间的第一夹角、待评估视点的垂直观察方向和待评估视点到目标采样点的方向之间的第二夹角。
35.具体地，空间关系包括待评估视点相对于目标采样点的三维极坐标、目标采样点的法线和目标采样点到待评估视点的方向之间的第一夹角、待评估视点的垂直观察方向和待评估视点到目标采样点的方向之间的第二夹角。
36.比如，如图3所示，对于每个目标采样点pj，服务器确定多个待评估视点，并计算多个待评估视点与目标采样点pj的空间关系。服务器确定待评估视点相对于目标采样点的三维极坐标(ω,φ,d)定目标采样点的法线和目标采样点到待评估视点的方向之间的第一夹角α，待评估视点的垂直观察方向和待评估视点到目标采样点的方向之间的第二夹角β。
37.在本实施例中，空间关系包括三维极坐标、第一夹角和第二夹角，从而提高生成的
空间特征的有效性。
38.在一个实施例中，基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征包括：针对每个待评估视点，基于待评估视点与目标采样点的空间关系确定待评估视点的视点特征；将多个待评估视点对应的多个视点特征进行融合，得到目标采样点的空间特征。
39.具体地，服务器可以针对每个待评估视点，基于待评估视点与目标采样点的空间关系确定待评估视点的视点特征。服务器将多个待评估视点对应的多个视点特征进行融合，得到目标采样点的空间特征。
40.比如，服务器可以使用多层感知机(mlp,multilayerperceptron)提取视点特征。其中，r1×5是参数的维度，r1×
256
是返回值的纬度，具体公式如下：其中，是目标采样点pj的待评估视点vi的视点特征，表示重建时单个待评估视点对局部场景几何体的影响。可以理解，这样可以更好地编码待评估视点vi对采样点pj的影响。
41.在多视点立体（multi view system，mvs）框架中，视点是高度耦合的。视点之间的相对位置和方向的变化对最终重建有很大影响。因此，可以进一步提取视点之间的高阶相关性。服务器可以采用transformer模型的编码器来学习待评估视点和目标采样点之间的相关性，提取每个待评估视点的贡献，然后将多个单个视点特征转换为融合的空间特征。具体地，服务器预先训练好编码器，使得。具体地，服务器预先训练好编码器，使得其中k是在目标采样点pj处可见的{vi}中的视点数量；g
q、gk
和gv是用于生成大小为（k 1，k 1）的注意矩阵的查询矩阵、键矩阵和值矩阵；f
p
为可训练参数；dk为隐层尺寸。服务器可以通过编码器提取待评估视点的权重矩阵，使用可训练参数来表示空间相关性偏好，有助于预测融合的空间特征。
42.在本实施例中，服务器可以融合多个视点特征，使用数据驱动的方法动态学习待评估视点与待评估视点、待评估视点与目标场景的相关关系，以预测目标场景的可重建度，提高了准确性。
43.在一个实施例中，方法还包括：可重建度量信息为综合可重建度量信息；方法还包括：基于空间特征得到针对目标采样点的几何可重建度量信息。
44.具体地，可重建度量信息为综合可重建度量信息，即综合了图像特征和空间特征
得到的可重建度量信息。在不具有目标拍摄图像的情况下，服务器可以基于空间特征得到针对目标采样点的几何可重建度量信息。
45.比如，服务器可以使用标准多层感知机，学习从融合的空间特征确定几何可重建度量信息rj，具体公式如下：在本实施例中，基于空间特征得到几何可重建度量信息，从而支持在不具有目标拍摄图像的情况下，同样能预测可重建度量信息，提高了应用的广泛性。
46.在一个实施例中，基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征包括：基于拍摄目标拍摄图像的相机姿态得到多个预采集视点；从目标拍摄图像中提取高维特征；针对每个预采集视点，基于预采集视点的六维坐标，将目标采样点的三维信息转化为在目标拍摄图像中的二维信息；基于二维信息从高维特征中提取出目标采样点的点图像特征；融合多个点图像特征得到目标采样点的图像特征。
47.具体地，服务器确定目标拍摄图像，并基于拍摄目标拍摄图像的相机姿态得到多个预采集视点。服务器从目标拍摄图像中提取高维特征，并针对每个预采集视点，基于预采集视点的六维坐标，将目标采样点的三维信息转化为在目标拍摄图像中的二维信息。进一步地，服务器基于二维信息从高维特征中提取出目标采样点的点图像特征。融合多个点图像特征得到目标采样点的图像特征。
48.比如，对于粗糙几何模型上的每个目标采样点pj，服务器可以从相机姿态v
l
中收集预采集视点（下文中所用到的多个^用于与上文的公式定义区别开来），并使用预先训练的卷积神经网络，从每个目标拍摄图像中提取高维特征。点图像特征的计算公式如下：算公式如下：其中，是预训练的特征提取模型，并且在训练期间被固定权重，用于生成高维特征；将三维点pj投影到预采集视点的二维图像平面；roi是特征插值算子，用于从高维特征中提取pj点的点图像特征。
49.由于目标采样点可以在多个待评估视点上被看见，服务器可以采用另一个编码器关联并融合个点图像特征，以生成融合的图像特征。
50.其中，、、分别是编码器中的查询矩阵、键矩阵和值矩阵，而是权重矩阵。
51.在本实施例中，通过提取出针对于每个预采集视点的点图像特征，融合多个点图像特征得到图像特征，从而提高了图像特征的准确性。
52.在一个实施例中，基于图像特征和空间特征，预测针对目标采样点的可重建度量信息包括：基于空间特征和图像特征得到权重矩阵；基于权重矩阵和图像特征得到针对目标采样点的可重建度量。
53.具体地，服务器可以基于空间特征和图像特征得到权重矩阵。服务器基于权重矩阵和图像特征得到针对目标采样点的可重建度量。
54.在一些实施例中，编码器中包括查询矩阵、键矩阵以及值矩阵。服务器可以将空间特征矩阵与查询矩阵相乘得到第一结果，将键矩阵与图像特征矩阵相乘得到第二结果，将第一结果和第二结果相乘，根据相乘的结果和编码器中的隐层尺寸生成权重矩阵。
55.比如，服务器可以使用目标采样点的图像特征来细化之前估计的空间特征rj。服务器采用编码器，提取图像特征对空间特征的重要性，并输出融合特征。具体公式如下：其中，、、是解码器中的查询矩阵、键矩阵和值矩阵。是权重矩阵，即基于空间特征和图像特征得到权重矩阵，公式中还涉及基于权重矩阵和图像特征得到针对目标采样点的可重建度量。具体地，服务器使用之前估计的空间特征作为查询张量来表示该目标采样点周围的纯空间特征。服务器还使用图像特征作为关键字和值来细化空间特征，将pj点周围的语义注入到预测中。
56.最后，服务器可以使用多层感知机，预测pj点的最终感知不确定性的空间可重建度量信息，即综合可重建度量信息。具体公式如下：在本实施例中，通过基于空间特征和图像特征得到权重矩阵；基于权重矩阵和图像特征得到针对目标采样点的可重建度量，从而使得综合可重建度量信息能感知到不确定性，从而增加了预测的准确性。
57.综合上述各实施例的步骤，服务器可以给定n个待评估视点和目标样本点pj，通过学习函数预测，具体公式如下：其中，每个待评估视点vj由位置和方向组成；每个目标采样点pj由位置和法向量组成；rj是目标采样点的空间可重建度量信息，它衡量了多个待评估视点{vj}重构目标采样点pj的程度。
58.在具有目标拍摄图像的情况下，服务器可以在预测可重建度量信息时，考虑给定目标场景几何体的不确定性。与上述空间关系函数gs相比，目标拍摄图像提供了丰富的纹理信息，这有助于可重建度量信息的预测和后续路径规划。具体来说，服务器可以学习另一个函数，具体公式如下：其中是来自预飞行的rgb图像集（分辨率h
×
w）；是相关的相机姿态；而是综合可重建度量，其考虑到粗糙几何体附近潜在的不确定性。综合各上述实施例，对应的网络结构如图4所示。
59.在图4中，k是在目标采样点对应的第一视点的数量。是预采集视点的数量。预训练特征提取器为pre-trained feature extractor，感兴趣区提取器为roi extractor，transformer 模型由 encoder（编码器）和 decoder（解码器）两个部分组成。在第一阶段，服务器获取针对目标采样点的k个待评估视点；目标采样点位于粗糙几何模型上。服务器针对每个待评估视点，确定待评估视点与目标采样点的空间关系。其中，空间关系包括待评估视点相对于目标采样点的三维极坐标、目标采样点的法线和目标采样点到待评估视点的方向之间的第一夹角、待评估视点的垂直观察方向和待评估视点到目标采样点的方向之间的第二夹角，可以理解，空间关系包括有5个维度。服务器基于待评估视点与目标采样点的空间关系确定待评估视点的视点特征（256个维度）。服务器将多个待评估视点对应的多个视点特征进行融合，得到目标采样点的空间特征（256个维度）。服务器可以对空间特征使用多层感知机得到针对目标采样点的几何可重建度量信息。在第二阶段，目标拍摄图像有3个，服务器基于拍摄目标拍摄图像的相机姿态得到多个预采集视点，并从3个目标拍摄图像中分别提取3个高维特征。服务器针对每个预采集视点，基于预采集视点的六维坐标，将目标采样点的三维信息转化为在目标拍摄图像中的二维信息。服务器基于二维信息从高维特征中提取出目标采样点的点图像特征（32个维度），服务器融合多个点图像特征得到目标采样点的图像特征（32个维度）。服务器再次融合空间特征和图像特征，基于空间特征和图像特征得到权重矩阵，基于权重矩阵和图像特征得到针对目标采样点的综合可重建度量。这样，不仅分析出了多个待评估视点间的相互作用关系，同时结合目标拍摄图像实时估计出的给定粗糙几何模型的不确定度，从而更加精确地预测多个待评估视点对待重建区域的重建质量。
60.本方法在不同的目标场景上进行了可重建度量信息预测的测试。我们选用斯皮尔
曼相关系数作为一个评价指标。一个更好的可重建度信息预测方法的预测结果应与最后的重建质量具有更高相关关系。本方法在4个场景，3种路径模式、2种不同采样率、4种不同的粗糙几何模型共计96条路径上进行测试。本方法相比于其它传统技术的方法能够平均提高153%。图5展示了本方法在一个测试场景上的预测结果。其中，待评估视点的颜色越深代表其在可重建度量信息预测过程中的权重越高。本方法能够有效地提取待评估视点与待评估视点之间的相关关系。例如距离目标采样点更远的待评估视点权重较低，重叠率大的待评估视点对可重建度量预测贡献较大。
61.应该理解的是，虽然本技术部分实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
62.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的可重建度量信息预测方法的可重建度量信息预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个可重建度量信息预测装置实施例中的具体限定可以参见上文中对于可重建度量信息预测方法的限定，在此不再赘述。
63.在一个实施例中，如图6所示，提供了一种可重建度量信息预测装置600，包括：空间特征确定模块602、图像特征确定模块604和信息预测模块606，其中：空间特征确定模块602，用于获取针对目标采样点的多个待评估视点；目标采样点位于粗糙几何模型上；基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。
64.图像特征确定模块604，用于基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征；预采集视点是基于拍摄目标拍摄图像的相机姿态得到的；目标拍摄图像是拍摄到目标采样点的图像。
65.信息预测模块606，用于基于图像特征和空间特征，预测针对目标采样点的可重建度量信息。
66.在一个实施例中，可重建度量信息为综合可重建度量信息，可重建度量信息预测装置600还用于基于空间特征得到针对目标采样点的几何可重建度量信息。
67.在一个实施例中，空间特征确定模块602还用于针对每个待评估视点，基于待评估视点与目标采样点的空间关系确定待评估视点的视点特征；将多个待评估视点对应的多个视点特征进行融合，得到目标采样点的空间特征。
68.在一个实施例中，图像特征确定模块604还用于基于拍摄目标拍摄图像的相机姿态得到多个预采集视点；从目标拍摄图像中提取高维特征；针对每个预采集视点，基于预采集视点的六维坐标，将目标采样点的三维信息转化为在目标拍摄图像中的二维信息；基于二维信息从高维特征中提取出目标采样点的点图像特征；融合多个点图像特征得到目标采样点的图像特征在一个实施例中，信息预测模块606还用于基于空间特征和图像特征得到权重矩
阵；基于权重矩阵和图像特征得到针对目标采样点的可重建度量。
69.在一个实施例中，空间关系包括待评估视点相对于目标采样点的三维极坐标、目标采样点的法线和目标采样点到待评估视点的方向之间的第一夹角、待评估视点的垂直观察方向和待评估视点到目标采样点的方向之间的第二夹角。
70.上述可重建度量信息预测装置，通过获取针对目标采样点的多个待评估视点；目标采样点位于粗糙几何模型上。基于多个待评估视点与目标采样点的空间关系，得到目标采样点与多个待评估视点之间的空间特征。基于多个预采集视点从目标拍摄图像中提取目标采样点的图像特征。预采集视点是基于拍摄目标拍摄图像的相机姿态得到的；目标拍摄图像是拍摄到目标采样点的图像。基于图像特征和空间特征，预测针对目标采样点的可重建度量信息。这样，将使用真实的目标拍摄图像得到的图像特征和使用粗糙几何模型得到的空间特征相结合分析，从而提高了可重建度量信息的准确性。
71.关于上述可重建度量信息预测装置的具体限定可以参见上文中对于上述可重建度量信息预测方法的限定，在此不再赘述。上述可重建度量信息预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
72.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种可重建度量信息预测方法。
73.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种可重建度量信息预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
74.本领域技术人员可以理解，图7和图8中示出的结构，仅仅是与本技术方案相关的
部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
75.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
76.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
77.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
78.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。
79.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
80.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。