图像处理方法、装置、电子设备和计算机可读存储介质与流程

1.本技术涉及影像技术领域，特别是涉及一种图像处理方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.随着影像技术的发展，出现了色调映射算法。色调映射算法通过对图像颜色进行映射变换，能够调整图像的灰度，使得处理后的图像看起来更加舒适。然而，传统的色调映射容易导致图像不清晰。


技术实现要素：

3.本技术实施例提供了一种图像处理方法、装置、电子设备、计算机可读存储介质，可以提高图像的清晰度并节省图像处理的计算资源。
4.一种图像处理方式，包括：
5.对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
6.将所述色调模板图像和所述待处理图像进行融合处理，得到色调映射图像；
7.基于所述噪声模板图像对所述色调映射图像进行降噪处理，得到第一目标图像。
8.一种图像处理装置，包括：
9.卷积模块，用于对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
10.融合模块，用于将所述色调模板图像和所述待处理图像进行融合处理，得到色调映射图像；
11.降噪模块，用于基于所述噪声模板图像对所述色调映射图像进行降噪处理，得到第一目标图像。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
13.对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
14.将所述色调模板图像和所述待处理图像进行融合处理，得到色调映射图像；
15.基于所述噪声模板图像对所述色调映射图像进行降噪处理，得到第一目标图像。
16.一种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时实现以下步骤：
17.对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
18.将所述色调模板图像和所述待处理图像进行融合处理，得到色调映射图像；
19.基于所述噪声模板图像对所述色调映射图像进行降噪处理，得到第一目标图像。
20.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行以下步骤：
21.对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
22.将所述色调模板图像和所述待处理图像进行融合处理，得到色调映射图像；
23.基于所述噪声模板图像对所述色调映射图像进行降噪处理，得到第一目标图像。
24.上述图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品，通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。通过将所述色调模板图像和所述待处理图像进行融合处理，能够在对待处理图像进行色调映射的同时，更好地表达原图中的细节信息与特征。基于所述噪声模板图像对所述色调映射图像进行降噪处理，能够提高图像的清晰度，从而获得既保留了待处理图像细节特征又保证了清晰度的第一目标图像。
25.一种图像处理模型的训练方法，包括：
26.获取训练样本图像，以及所述训练样本图像分别对应的色调标签图像和噪声标签图像；
27.通过图像处理模型对所述训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
28.将所述色调样本图像和所述训练样本图像进行融合处理，得到色调映射预测图像；
29.根据所述噪声样本图像对所述色调映射预测图像进行降噪处理，得到噪声预测图像；
30.基于所述色调映射预测图像和对应的色调标签图像之间的差异，以及所述噪声预测图像和对应的噪声标签图像之间的差异，调整所述图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
31.一种图像处理模型的训练装置，包括：
32.获取模块，用于获取训练样本图像，以及所述训练样本图像分别对应的色调标签图像和噪声标签图像；
33.样本卷积模块，用于通过图像处理模型对所述训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
34.样本融合模块，用于将所述色调样本图像和所述训练样本图像进行融合处理，得到色调映射预测图像；
35.样本降噪模块，用于根据所述噪声样本图像对所述色调映射预测图像进行降噪处理，得到噪声预测图像；
36.调整模块，用于基于所述色调映射预测图像和对应的色调标签图像之间的差异，以及所述噪声预测图像和对应的噪声标签图像之间的差异，调整所述图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
37.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38.获取训练样本图像，以及所述训练样本图像分别对应的色调标签图像和噪声标签图像；
39.通过图像处理模型对所述训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
40.将所述色调样本图像和所述训练样本图像进行融合处理，得到色调映射预测图像；
41.根据所述噪声样本图像对所述色调映射预测图像进行降噪处理，得到噪声预测图像；
42.基于所述色调映射预测图像和对应的色调标签图像之间的差异，以及所述噪声预测图像和对应的噪声标签图像之间的差异，调整所述图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
43.一种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时实现以下步骤：
44.获取训练样本图像，以及所述训练样本图像分别对应的色调标签图像和噪声标签图像；
45.通过图像处理模型对所述训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
46.将所述色调样本图像和所述训练样本图像进行融合处理，得到色调映射预测图像；
47.根据所述噪声样本图像对所述色调映射预测图像进行降噪处理，得到噪声预测图像；
48.基于所述色调映射预测图像和对应的色调标签图像之间的差异，以及所述噪声预测图像和对应的噪声标签图像之间的差异，调整所述图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
49.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行以下步骤：
50.获取训练样本图像，以及所述训练样本图像分别对应的色调标签图像和噪声标签图像；
51.通过图像处理模型对所述训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
52.将所述色调样本图像和所述训练样本图像进行融合处理，得到色调映射预测图像；
53.根据所述噪声样本图像对所述色调映射预测图像进行降噪处理，得到噪声预测图像；
54.基于所述色调映射预测图像和对应的色调标签图像之间的差异，以及所述噪声预测图像和对应的噪声标签图像之间的差异，调整所述图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
55.上述图像处理模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，通过获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像，通过图像处理模型对训练样本图像进行卷积处理，分别获得包含色调信息的色调样本图像和包含噪声信息的噪声样本图像，能够减少计算量。将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像，基于色调映射预测图像和对应的色调标签图像之间的差异，以
及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型，从而能够在同一个模型中实现色调映射和图像降噪，既能有效节约计算资源，提高图像处理的效率，又能在保留图像细节信息的同时保证图像的清晰度。
附图说明
56.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
57.图1为一个实施例中图像处理方法的应用环境图；
58.图2为一个实施例中图像处理方法的流程图；
59.图3为一个实施例中卷积神经网络的结构示意图；
60.图4为一个实施例中得到色调模板图像和噪声模板图像的流程图；
61.图5为一个实施例中在获得色调模板图像和噪声模板图像之后，得到第一目标图像的流程图；
62.图6为另一个实施例中图像处理方法的流程图；
63.图7为一个实施例中图像处理模型的训练方法的流程图；
64.图8为一个实施例中获取训练样本图像分别对应的色调标签图像和噪声标签图像的流程图；
65.图9为一个实施例中图像处理装置的结构框图；
66.图10为一个实施例中图像处理模型的训练装置的结构框图；
67.图11为一个实施例中电子设备的内部结构图。
具体实施方式
68.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，此处所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。
69.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本技术的范围的情况下，可以将第一目标图像称为第二目标图像，且类似地，可将第二目标图像称为第一目标图像。第一目标图像和第二目标图像两者都是目标图像，但其不是同一目标图像。
70.图1为一个实施例中图像处理方法的应用环境示意图。如图1所示，该应用环境包括电子设备110和服务器120。在一个实施例中，电子设备110和服务器120均可以单独执行图像处理方法，电子设备110和服务器120也可以协同执行图像处理方法。当电子设备110和服务器120协同执行图像处理方法时，电子设备110获取待处理图像，将待处理图像发送至服务器120。服务器120对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像。服务器将色调模板图像和待处理图像进行融合处理，得到色调映射图像。服务器基于噪
声模板图像对色调映射图像进行降噪处理，得到第一目标图像，并将第一目标图像返回至电子设备110。
71.其中，电子设备110通过网络与服务器120进行通信。电子设备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。
72.图2为一个实施例中图像处理方法的流程图。本实施例中的图像处理方法，以运行于图1中的电子设备上为例进行描述。如图2所示，该图像处理方法包括步骤202至步骤206。
73.步骤202，对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像。
74.其中，待处理图像可以是高动态范围图像(high
‑
dynamic range，简称hdr)，具体可以是rgb(red，green，blue)图像、raw图像、灰度图像、深度图像、yuv图像中的y分量所对应的图像等其中的任意一种。其中，raw图像是图像感应器将捕捉到的光源信号转化为数字信号的原始数据。yuv图像中的“y”表示明亮度(luminance或luma)，也就是灰阶值，“u”和“v”表示的则是色度(chrominance或chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色。
75.色调模板图像是从待处理图像中分离出来的与色调相关的图像，噪声模板图像是从待处理图像中分离出来的噪声图像。
76.具体地，电子设备可从本地或其他设备或网络上获取待处理图像，或者电子设备通过摄像头拍摄场景得到待处理图像。待处理图像还可以是从本地或其他设备或网络上获取的视频中的视频帧，或者通过摄像头拍摄的视频中的视频帧。
77.电子设备对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像。进一步地，电子设备分别对待处理图像进行不同的卷积处理，以分别得到色调模板图像和噪声模板图像。
78.在一个实施例中，可通过如图3所示的卷积神经网络对待处理图像进行卷积、池化和反卷积处理等，得到分别得到色调模板图像和噪声模板图像。
79.在一个实施中，电子设备将待处理图像输入色调映射网络，该色调映射网络由至少两层卷积层组成，通过该色调映射网络对待处理图像进行卷积处理，得到色调模板图像。电子设备将待处理图像输入噪声网络，该噪声网络由至少两层卷积层组成，通过该噪声网络对待处理图像进行卷积处理，得到噪声模板图像。
80.步骤204，将色调模板图像和待处理图像进行融合处理，得到色调映射图像。
81.具体地，电子设备可将色调模板图像和待处理图像进行融合处理，经过融合处理后得到色调映射图像。
82.在一个实施例中，电子设备可对色调模板图像和待处理图像进行加权求均值处理，得到色调映射图像。
83.在一个实施例，将色调模板图像和待处理图像进行融合处理，得到色调映射图像，包括：将色调模板图像和待处理图像进行像素点乘处理，得到色调映射图像。
84.步骤206，基于噪声模板图像对色调映射图像进行降噪处理，得到第一目标图像。
85.具体地，电子设备基于噪声模板图像对色调映射图像进行降噪处理，得到降噪后的第一目标图像。第一目标图像可为低动态范围图像(low
‑
dynamic range，简称ldr)。
86.在一个实施例中，电子设备可对噪声模板图像和色调映射图像进行加权求均值处
理，得到降噪后的第一目标图像。
87.在一个实施例中，基于噪声模板图像对色调映射图像进行降噪处理，得到第一目标图像，包括：将噪声模板图像和色调映射图像进行像素相加处理，得到第一目标图像。
88.本实施例中的图像处理方法，通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。通过将色调模板图像和待处理图像进行融合处理，能够在对待处理图像进行色调映射的同时，更好地表达原图中的细节信息与特征。基于噪声模板图像对色调映射图像进行降噪处理，能够提高图像的清晰度，从而获得既保留了待处理图像细节特征又保证了清晰度的第一目标图像。
89.在一个实施例中，对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像，包括：对待处理图像进行归一化处理，并对归一化处理后的图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
90.将色调模板图像和待处理图像进行融合处理，得到色调映射图像，包括：将色调模板图像和归一化处理后的图像进行融合处理，得到色调映射图像；
91.基于噪声模板图像对色调映射图像进行降噪处理，得到第一目标图像，包括：基于噪声模板图像对色调映射图像进行降噪处理，得到降噪图像；对降噪图像进行图像还原处理，得到第一目标图像。
92.具体地，电子设备可对待处理图像进行归一化处理，得到归一化处理后的图像。
93.在一个实施例中，电子设备获取待处理图像中像素的最大值max和最小值min，然后将待处理图像中的每个像素值pixel减去最小值min后，除以最大值max与最小值min的差值，得到归一化后的像素值pixel_out，从而得到归一化处理后的图像，其具体计算公式如下：
[0094][0095]
接着，电子设备可对归一化处理后的图像进行不同的卷积处理，分别得到色调模板图像和噪声模板图像。电子设备将色调模板图像和归一化处理后的图像进行融合处理，得到色调映射图像。
[0096]
基于噪声模板图像对色调映射图像进行降噪处理，得到降噪图像，再对降噪图像进行图像还原处理，得到第一目标图像。进一步地，得到降噪图像后，对降噪图像进行裁剪处理，即大于1的值设定为1，小于0的值设定为0，然后将图像逐像素乘以255处理，得到第一目标图像，还原公式如下：
[0097]
pixel_out＝max(0,min(1.0，pixel))
×
255.0
[0098]
其中，pixel为输入像素，pixel_out为输出像素。
[0099]
本实施例中，对待处理图像进行归一化处理，以便减少后续处理的计算量，提高计算效率。对归一化处理后的图像进行卷积处理，能够分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像。通过包含色调信息的色调模板图像和归一化处理后的图像进行融合处理，得到色调映射图像，能够有效待处理图像的色调从高动态范围压缩为低动态范围，并且能够保留图像的细节特征。基于噪声模板图像对色调映射图像进行降噪处理以及图像还原处理，能够减少图像的噪声，获得更清晰的第一目标图像。
[0100]
在一个实施例中，对归一化处理后的图像进行卷积处理，分别得到色调模板图像和噪声模板图像，包括：
[0101]
基于色调映射参数对归一化处理后的图像进行卷积处理，得到对应的色调模板图像；基于噪声提取参数对归一化处理后的图像进行卷积处理，得到对应的噪声模板图像。
[0102]
其中，色调映射参数和噪声提取参数是从训练好的图像处理模型中获得的参数。
[0103]
具体地，电子设备可获取色调映射参数，基于色调映射参数对归一化处理后的图像进行卷积处理，得到色调映射模板。电子设备可获取色调映射参数，基于噪声提取参数对归一化处理后的图像进行卷积处理，得到噪声模板图像。
[0104]
在一个实施例中，如图4所示，待处理图像为高动态范围图像，训练好的图像处理模型中包括色调映射网络和噪声网络，色调映射网络中包括色调映射参数，噪声网络中包括噪声提取参数。
[0105]
步骤402，电子设备获取高动态范围图像，将高动态范围图像输入训练好的图像处理模型。
[0106]
步骤404，通过图像处理模型对高动态范围图像进行归一化处理，得到归一化处理后的图像。
[0107]
步骤406，将归一化后的图像送入图像处理模型的编码器网络，其中，编码器网络由若干卷积层和池化层组成。
[0108]
步骤408，将经过编码器网络得到的图像特征送入解码器网络，其中解码器网络由若干卷积层、反卷积层组成。经过解码器网络后的图像特征分别送入色调映射网络和噪声网络。
[0109]
步骤410，通过该色调映射网络的色调映射参数对解码后的图像特征进行卷积处理，得到色调模板图像414。
[0110]
步骤412，通过噪声网络对解码后的图像特征进行卷积处理，得到噪声模板图像416。
[0111]
本实施例中，基于色调映射参数对归一化处理后的图像进行卷积处理，能够减少计算量，从而快速从待处理图像中分离出包含色调信息的色调模板图像。基于噪声提取参数对归一化处理后的图像进行卷积处理，同样能够减少计算量，从而快速从待处理图像中分离出包含图像噪声的噪声模板图像。
[0112]
在一个实施例中，将色调模板图像和待处理图像进行融合处理，得到色调映射图像，包括：将色调模板图像和待处理图像进行像素点乘处理，得到色调映射图像。
[0113]
具体地，电子设备可将噪声模板图像和色调映射图像进行像素点匹配，确定噪声模板图像和色调映射图像之间相匹配的像素点。电子设备将相匹配的像素点在噪声模板图像中的像素值和在色调映射图像中的像素值进行点乘处理，得到色调映射图像中相应像素点的像素值。按照相同的处理方式，将各个相匹配的像素点的像素值进行点乘处理，得到色调映射图像中各像素点对应的像素值，从而得到色调映射图像。
[0114]
本实施例中，将色调模板图像和待处理图像进行像素点乘处理，能够调整待处理图像的亮度范围，并且使得所获得的色调映射图像中能够有效地保留待处理图像中的细节信息和颜色信息。
[0115]
在一个实施例中，基于噪声模板图像对色调映射图像进行降噪处理，得到第一目
标图像，包括：将噪声模板图像和色调映射图像进行像素相加处理，得到第一目标图像。
[0116]
具体地，电子设备可将噪声模板图像和色调映射图像进行像素点匹配，确定噪声模板图像和色调映射图像之间相匹配的像素点。电子设备将相匹配的像素点在噪声模板图像中的像素值和在色调映射图像中的像素值相加，以将相匹配的像素点进行融合，得到在第一目标图像中的相应像素点的像素值。按照相同的处理方式，可得到第一目标图像中的各像素点，以及各像素点对应的像素值，从而得到第一目标图像。
[0117]
本实施例中，将噪声模板图像和色调映射图像进行像素相加处理，得到第一目标图像，能够简单有效地减少图像的噪声，提高图像的清晰度。
[0118]
如图5所示，为一个实施例中在获得色调模板图像和噪声模板图像之后，得到第一目标图像的流程图。将归一化处理后的图像502和色调模板图像504执行步骤506的像素点乘处理，得到色调映射图像508。将色调映射图像508和噪声模板图像510执行步骤512的像素相加去噪处理，得到降噪图像514。对降噪图像514进行步骤516的图像还原处理，得到第一目标图像518。
[0119]
如图6所示，为一个实施例中图像处理方法的流程图。获取待处理图像602，对待处理图像602进行步骤604中的归一化处理，得到归一化处理后的图像。将归一化处理后的图像输入卷积神经网络606。卷积神经网络606中包括编码器网络、解码器网络、色调映射网络和噪声网络，卷积神经网络606对归一化处理后的图像进行卷积处理，分别得到色调模板图像608和噪声模板图像610。
[0120]
对归一化处理后的图像和色调模板图像608执行步骤612的色调映射处理，即进行像素点乘处理，得到色调映射图像。将色调映射图像和噪声模板图像610进行降噪处理，即进行像素相加去噪处理，得到降噪图像。对降噪图像进行步骤616的图像还原处理，得到第一目标图像618。
[0121]
在一个实施例中，提供了一种图像处理方法，本实施例中的图像处理方法，以运行于图1中的电子设备上为例进行描述，包括：
[0122]
对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像；基于噪声模板图像对待处理图像进行降噪处理，并将色调模板图像和经过降噪处理的图像进行融合，得到第二目标图像。
[0123]
具体地，电子设备分别对待处理图像进行不同的卷积处理，以分别得到色调模板图像和噪声模板图像。
[0124]
在一个实施例中，对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像，包括：对待处理图像进行归一化处理，并对归一化处理后的图像进行卷积处理，分别得到色调模板图像和噪声模板图像。
[0125]
在一个实施例中，对归一化处理后的图像进行卷积处理，分别得到色调模板图像和噪声模板图像，包括：基于色调映射参数对归一化处理后的图像进行卷积处理，得到对应的色调模板图像；基于噪声提取参数对归一化处理后的图像进行卷积处理，得到对应的噪声模板图像。
[0126]
得到色调模板图像和噪声模板图像之后，电子设备可基于噪声模板图像对待处理图像进行降噪处理。进一步地，可将噪声模板图像和待处理图像进行像素相加处理，以对待处理图像降噪。将色调模板图像和经过降噪处理的图像进行融合，得到第二目标图像。进一
步地，将色调模板图像和经过降噪处理的图像进行像素点乘处理，得到第二目标图像。
[0127]
在一个实施例中，基于噪声模板图像对待处理图像进行降噪处理，并将色调模板图像和经过降噪处理的图像进行融合，得到第二目标图像，包括：
[0128]
基于噪声模板图像对归一化处理后的图像进行降噪处理，并将色调模板图像和经过降噪处理后的图像进行融合处理，得到第二目标图像。
[0129]
在一个实施例中，基于噪声模板图像对归一化处理后的图像进行降噪处理，包括：将噪声模板图像和归一化处理后的图像进行像素相加处理，得到降噪处理后的图像；
[0130]
将色调模板图像和经过降噪处理后的图像进行融合处理，得到第二目标图像，包括：将色调模板图像和降噪处理后的图像进行像素点乘处理，得到第二目标图像。
[0131]
本实施例中，通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。基于噪声模板图像对待处理图像进行降噪处理，能够减少图像的噪声，提高图像的清晰度。将色调模板图像和经过降噪处理的图像进行融合，能够更好地表达原图中的细节信息与特征。
[0132]
可以理解的是，本实施例中的归一化处理、融合、去噪处理、像素相加处理和像素点乘处理等具体处理过程可参见上文各个实施例中的相应处理，在此不再赘述。
[0133]
图7为一个实施例中图像处理模型的训练方法的流程图。本实施例中的图像处理模型的训练方法，以运行于图1中的电子设备上为例进行描述。如图7所示，该图像处理模型的训练方法包括：
[0134]
步骤702，获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像。
[0135]
其中，训练样本图像可以是高动态范围图像，具体可以是rgb图像、raw图像、灰度图像、深度图像、yuv图像中的y分量所对应的图像等其中的任意一种。色调标签图像是用于表征训练样本图像中的色调的真实图像，噪声标签图像是用于表征训练样本图像中的噪声的真实图像。
[0136]
具体地，电子设备可从本地或其他设备或网络上获取各训练样本图像，或者电子设备通过摄像头拍摄场景得到各张训练样本图像。训练样本图像还可以是从本地或其他设备或网络上获取的视频中的视频帧，或者通过摄像头拍摄的视频中的视频帧。
[0137]
存在多张训练样本图像的情况下，电子设备分别获取每张训练样本图像分别对应的色调标签图像和噪声标签图像。
[0138]
步骤704，通过图像处理模型对训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像。
[0139]
具体地，电子设备将训练样本图像输入图像处理模型，通过图像处理模型对待处理图像进行卷积处理，分别得到色调样本图像和噪声样本图像。进一步地，通过图像处理模型对训练样本图像进行不同的卷积处理，以分别得到色调样本图像和噪声样本图像。
[0140]
在一个实施例中，图像处理模型包括编码器网络、解码器网络、色调映射网络和噪声网络。可通过图像处理模型对待处理图像进行归一化处理，得到归一化处理后的图像。将归一化后的图像送入图像处理模型的编码器网络进行编码，并将编码得到的图像特征送入解码器网络进行解码。经过解码器网络后的图像特征分别送入色调映射网络和噪声网络，
通过色调映射网络对解码后的图像特征进行卷积处理，得到色调样本图像。通过噪声网络对解码后的图像特征进行卷积处理，得到噪声样本图像。
[0141]
步骤706，将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像。
[0142]
具体地，电子设备可将色调样本图像和训练样本图像进行融合处理，经过融合处理后得到色调映射预测图像。
[0143]
在一个实施例，将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像，包括：将色调样本图像和训练样本图像进行像素点乘处理，得到色调映射预测图像。
[0144]
步骤708，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像。
[0145]
具体地，电子设备基于噪声样本图像对色调映射预测图像进行降噪处理，得到降噪后的噪声预测图像。噪声预测图像可为低动态范围图像。
[0146]
在一个实施例中，基于噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像，包括：将噪声样本图像和色调映射预测图像进行像素相加处理，得到噪声预测图像。
[0147]
步骤710，基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
[0148]
具体地，电子设备计算色调映射预测图像和对应的色调标签图像之间的差异，并计算噪声预测图像和对应的噪声标签图像之间的差异，根据两个差异调整图像处理模型的参数，并对调整参数后的图像处理模型继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
[0149]
在一个实施例中，训练停止条件可以是损失误差小于误差阈值，或训练迭代次数达到预设迭代次数等。
[0150]
例如，电子设备计算色调映射预测图像和对应的色调标签图像之间的第一损失误差，并计算噪声预测图像和对应的噪声标签图像之间的第二损失误差，根据第一损失误差和第二损失误差调整图像处理模型的参数。进一步地，存在第一损失误差大于第一误差阈值，第二损失误差大于第二误差阈值中的至少一种情况时，调整图像处理模型的参数，并对调整参数后的图像处理模型继续训练，直至第一损失误差不大于第一误差阈值，且第二损失误差不大于第二误差阈值时停止，得到训练好的图像处理模型。
[0151]
本实施例中，获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像，通过图像处理模型对训练样本图像进行卷积处理，分别获得包含色调信息的色调样本图像和包含噪声信息的噪声样本图像，能够减少计算量。将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像，基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型，从而能够在同一个模型中实现色调映射和图像降噪，既能有效节约计算资源，提高图像处理的效率，又能在
保留图像细节信息的同时保证图像的清晰度。
[0152]
在一个实施例中，通过图像处理模型对训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像，包括：
[0153]
基于图像处理模型的初始色调映射参数对训练样本图像进行卷积处理，得到对应的色调样本图像；基于图像处理模型的初始噪声提取参数对训练样本图像进行卷积处理，得到对应的噪声样本图像；
[0154]
基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，包括：基于色调映射预测图像和对应的色调标签图像之间的差异，调整图像处理模型的初始色调映射参数，以及基于噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的初始噪声提取参数并继续训练。
[0155]
具体地，未训练完成的图像处理模型中包含初始色调映射参数和初始噪声提取参数，该初始色调映射参数可以是指未训练的图像处理模型中包含的原始的色调映射参数，也可以是经过调整后的色调映射参数。初始噪声提取参数可以是指未训练的图像处理模型中包含的原始的噪声提取参数，也可以是经过调整后的噪声提取参数。
[0156]
通过图像处理模型中的色调映射网络的初始色调映射参数，对训练样本图像进行卷积处理，得到对应的色调样本图像。通过图像处理模型中的噪声网络的初始噪声提取参数，对训练样本图像进行卷积处理，得到对应的噪声样本图像。
[0157]
在一个实施例中，通过色调映射网络的初始色调映射参数，对归一化处理后的图像进行卷积处理，得到对应的色调样本图像。通过噪声网络的初始噪声提取参数，对归一化处理后的图像进行卷积处理，得到对应的噪声样本图像。
[0158]
基于色调映射预测图像和对应的色调标签图像之间的差异，调整色调映射网络的初始色调映射参数。基于噪声预测图像和对应的噪声标签图像之间的差异，调整噪声网络的初始噪声提取参数。对调整初始色调映射参数和初始噪声提取参数后的图像处理模型继续进行训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。训练好的图像处理模型中包含色调映射参数和噪声提取参数。
[0159]
本实施例中，基于初始色调映射参数对训练样本图像进行卷积处理，能够减少计算量，从而快速从原图像中分离出包含色调信息的色调样本图像。基于噪声提取参数对训练样本图像进行卷积处理，同样能够减少计算量，从而快速从原图像中分离出包含图像噪声的噪声样本图像。基于色调映射预测图像和对应的色调标签图像之间的差异，调整图像处理模型的初始色调映射参数，以及基于噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的初始噪声提取参数，从而能够准确对模型的色调映射参数和噪声提取参数进行调整，能够有效提高模型的处理精度。
[0160]
在一个实施例中，获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像，包括：
[0161]
获取各帧训练样本图像，对各帧训练样本图像进行配准处理，得到各配准图像；对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像；将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像。
[0162]
具体地，电子设备可获取多帧训练样本图像，从多帧训练样本图像中选择参考图
像。进一步地，可选择第一帧训练样本图像作为参考图像。
[0163]
通过参考图像对各帧训练样本图像进行配准处理，得到各帧配准图像。电子设备可对各帧配准图像分别进行色调映射处理，得到对应的各色调映射处理后的图像。
[0164]
电子设备可从各色调映射处理后的图像中选择色调标签图像，并将各色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像。进一步地，电子设备可将各色调映射处理后的图像中相匹配的像素相加取均值，以生成新的图像，将该新的图像作为噪声标签图像。
[0165]
在一个实施例中，可对参考图像进行色调映射处理，得到色调标签图像。
[0166]
在一个实施例中，可通过局部色调映射(localtonemapping)算法或全局色调映射算法，对各帧配准图像和参考图像进行色调映射处理。
[0167]
本实施例中，获取各帧训练样本图像，对各帧训练样本图像进行配准处理，得到各配准图像，对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像，将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像，能够保证作为对照标签的色调标签图像和噪声标签图像的可靠性。
[0168]
如图8所示，为一个实施例中，获取训练样本图像分别对应的色调标签图像和噪声标签图像的流程图。
[0169]
步骤802，获取10张相同场景的训练样本图像，将第一张训练样本图像作为参考图像。可针对每个场景采集10张静止图像，也可多于10张，采集方式为在脚架上进行连续采集。脚架上连续图像位移微小，在脚架上进行连续采集，利于后续配准和多帧处理。还可以针对不同场景，采集多组训练样本图像，例如50组，每组10张。
[0170]
步骤804，通过参考图像对其余9张训练样本图像分别进行图像配准，得到9张配准图像。
[0171]
步骤806，对参考图像和9张配准图像分别进行色调映射处理，得到10张经过色调映射处理后的图像，并将参考图像经过色调映射处理后的图像作为色调标签图像808。
[0172]
步骤810，将10张经过色调映射处理后的图像进行像素相加并取均值，得到噪声标签图像812。
[0173]
在一个实施例中，提供了一种图像处理方法，由电子设备执行，包括：
[0174]
获取各帧训练样本图像，对各帧训练样本图像进行配准处理，得到各配准图像。
[0175]
接着，对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像；将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像。
[0176]
进一步地，基于图像处理模型中色调映射网络的初始色调映射参数对训练样本图像进行卷积处理，得到对应的色调样本图像，以及基于图像处理模型中噪声网络的初始噪声提取参数对训练样本图像进行卷积处理，得到对应的噪声样本图像。
[0177]
接着，将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像。
[0178]
进一步地，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像。
[0179]
进一步地，基于色调映射预测图像和对应的色调标签图像之间的差异，调整图像处理模型的初始色调映射参数，以及基于噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的初始噪声提取参数并继续训练，直至满足训练停止条件时停止，得
到训练好的图像处理模型。
[0180]
获取待处理图像，将待处理图像输入训练好的图像处理模型。图像处理模型中包括色调映射网络和噪声网络。
[0181]
通过图像处理模型对待处理图像进行归一化处理，基于色调映射网络的色调映射参数对归一化处理后的图像进行卷积处理，得到对应的色调模板图像。
[0182]
接着，基于噪声网络的噪声提取参数对归一化处理后的图像进行卷积处理，得到对应的噪声模板图像。
[0183]
接着，将色调模板图像和归一化处理后的图像进行像素点乘处理，得到色调映射图像。
[0184]
进一步地，基于噪声模板图像对色调映射图像进行像素相加处理，得到降噪图像。
[0185]
进一步地，对降噪图像进行图像还原处理，得到第一目标图像。
[0186]
本实施例中，对各帧训练样本图像进行配准处理，并对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像，将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像，能够保证作为对照标签的色调标签图像和噪声标签图像的可靠性。
[0187]
通过图像处理模型对训练样本图像进行卷积处理，分别获得包含色调信息的色调样本图像和包含噪声信息的噪声样本图像，能够减少计算量。将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像，基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型，从而能够在同一个模型中实现色调映射和图像降噪，既能有效节约计算资源，提高图像处理的效率。
[0188]
通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。通过将色调模板图像和待处理图像进行融合处理，能够在对待处理图像进行色调映射的同时，更好地表达原图中的细节信息与特征。基于噪声模板图像对色调映射图像进行降噪处理，能够提高图像的清晰度，从而获得既保留了待处理图像细节特征又保证了清晰度的第一目标图像。
[0189]
应该理解的是，虽然图2
‑
图8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，图2
‑
图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0190]
图9为一个实施例的图像处理装置的结构框图。如图9所示，该图像处理装置包括：
[0191]
卷积模块902，用于对待处理图像进行卷积处理，分别得到色调模板图像和噪声模板图像。
[0192]
融合模块904，用于将色调模板图像和待处理图像进行融合处理，得到色调映射图
像。
[0193]
降噪模块906，用于基于噪声模板图像对色调映射图像进行降噪处理，得到第一目标图像。
[0194]
本实施例中，通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。通过将色调模板图像和待处理图像进行融合处理，能够在对待处理图像进行色调映射的同时，更好地表达原图中的细节信息与特征。基于噪声模板图像对色调映射图像进行降噪处理，能够提高图像的清晰度，从而获得既保留了待处理图像细节特征又保证了清晰度的第一目标图像。
[0195]
在一个实施例中，卷积模块902，还用于对待处理图像进行归一化处理，并对归一化处理后的图像进行卷积处理，分别得到色调模板图像和噪声模板图像；
[0196]
融合模块904，还用于将色调模板图像和归一化处理后的图像进行融合处理，得到色调映射图像；
[0197]
该降噪模块906，还用于基于噪声模板图像对色调映射图像进行降噪处理，得到降噪图像；对降噪图像进行图像还原处理，得到第一目标图像。
[0198]
本实施例中，对待处理图像进行归一化处理，以便减少后续处理的计算量，提高计算效率。对归一化处理后的图像进行卷积处理，能够分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像。通过包含色调信息的色调模板图像和归一化处理后的图像进行融合处理，得到色调映射图像，能够有效待处理图像的色调从高动态范围压缩为低动态范围，并且能够保留图像的细节特征。基于噪声模板图像对色调映射图像进行降噪处理以及图像还原处理，能够减少图像的噪声，获得更清晰的第一目标图像。
[0199]
在一个实施例中，该卷积模块902，还用于基于色调映射参数对归一化处理后的图像进行卷积处理，得到对应的色调模板图像；基于噪声提取参数对归一化处理后的图像进行卷积处理，得到对应的噪声模板图像。
[0200]
本实施例中，基于色调映射参数对归一化处理后的图像进行卷积处理，能够减少计算量，从而快速从待处理图像中分离出包含色调信息的色调模板图像。基于噪声提取参数对归一化处理后的图像进行卷积处理，同样能够减少计算量，从而快速从待处理图像中分离出包含图像噪声的噪声模板图像。
[0201]
在一个实施例中，该融合模块904，还用于将色调模板图像和待处理图像进行像素点乘处理，得到色调映射图像；
[0202]
本实施例中，将色调模板图像和待处理图像进行像素点乘处理，能够调整待处理图像的亮度范围，并且使得所获得的色调映射图像中能够有效地保留待处理图像中的细节信息和颜色信息。
[0203]
在一个实施例中，该降噪模块906，还用于将噪声模板图像和色调映射图像进行像素相加处理，得到第一目标图像。
[0204]
本实施例中，将噪声模板图像和色调映射图像进行像素相加处理，得到第一目标图像，能够简单有效地减少图像的噪声，提高图像的清晰度。
[0205]
在一个实施例中，提供了一种图像处理装置，包括卷积模块902和处理模块，其中，
[0206]
卷积模块902，用于对待处理图像进行卷积处理，分别得到色调模板图像和噪声模
板图像。
[0207]
处理模块，用于基于噪声模板图像对待处理图像进行降噪处理，并将色调模板图像和经过降噪处理的图像进行融合，得到第二目标图像。
[0208]
本实施例中，通过对待处理图像进行卷积处理，能够从同一图像的卷积处理中分离出包含色调信息的色调模板图像和包含噪声信息的噪声模板图像，能够减少计算量，节省计算资源。基于噪声模板图像对待处理图像进行降噪处理，能够减少图像的噪声，提高图像的清晰度。将色调模板图像和经过降噪处理的图像进行融合，能够更好地表达原图中的细节信息与特征。
[0209]
上述图像处理装置中各个模块的划分仅仅用于举例说明，在其他实施例中，可将图像处理装置按照需要划分为不同的模块，以完成上述图像处理装置的全部或部分功能。
[0210]
图10为一个实施例的图像处理模型的训练装置的结构框图。如图10所示，该装置包括：
[0211]
获取模块1002，用于获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像；
[0212]
样本卷积模块1004，用于通过图像处理模型对训练样本图像进行卷积处理，分别得到色调样本图像和噪声样本图像；
[0213]
样本融合模块1006，用于将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像；
[0214]
样本降噪模块1008，用于根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像；
[0215]
调整模块1010，用于基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型。
[0216]
本实施例中，获取训练样本图像，以及训练样本图像分别对应的色调标签图像和噪声标签图像，通过图像处理模型对训练样本图像进行卷积处理，分别包含色调信息的色调样本图像和包含噪声信息的噪声样本图像，能够减少计算量。将色调样本图像和训练样本图像进行融合处理，得到色调映射预测图像，根据噪声样本图像对色调映射预测图像进行降噪处理，得到噪声预测图像，基于色调映射预测图像和对应的色调标签图像之间的差异，以及噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的参数并继续训练，直至满足训练停止条件时停止，得到训练好的图像处理模型，从而能够在同一个模型中实现色调映射和图像降噪，既能有效节约计算资源，提高图像处理的效率，又能在保留图像细节信息的同时保证图像的清晰度。
[0217]
在一个实施例中，样本卷积模块1004，还用于基于图像处理模型的初始色调映射参数对训练样本图像进行卷积处理，得到对应的色调样本图像；基于图像处理模型的初始噪声提取参数对训练样本图像进行卷积处理，得到对应的噪声样本图像；
[0218]
调整模块1010，还用于基于色调映射预测图像和对应的色调标签图像之间的差异，调整图像处理模型的初始色调映射参数，以及基于噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的初始噪声提取参数并继续训练。
[0219]
本实施例中，基于初始色调映射参数对训练样本图像进行卷积处理，能够减少计
算量，从而快速从原图像中分离出包含色调信息的色调样本图像。基于噪声提取参数对训练样本图像进行卷积处理，同样能够减少计算量，从而快速从原图像中分离出包含图像噪声的噪声样本图像。基于色调映射预测图像和对应的色调标签图像之间的差异，调整图像处理模型的初始色调映射参数，以及基于噪声预测图像和对应的噪声标签图像之间的差异，调整图像处理模型的初始噪声提取参数，从而能够准确对模型的色调映射参数和噪声提取参数进行调整，能够有效提高模型的处理精度。
[0220]
在一个实施例中，获取模块1002，还用于获取各帧训练样本图像，对各帧训练样本图像进行配准处理，得到各配准图像；对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像；将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像。
[0221]
本实施例中，获取各帧训练样本图像，对各帧训练样本图像进行配准处理，得到各配准图像，对各配准图像进行色调映射处理，并从色调映射处理后的图像中选择色调标签图像，将经过色调映射处理后的图像进行多帧降噪处理，得到噪声标签图像，能够保证作为对照标签的色调标签图像和噪声标签图像的可靠性。
[0222]
上述图像处理模型的训练装置中各个模块的划分仅仅用于举例说明，在其他实施例中，可将图像处理模型的训练装置按照需要划分为不同的模块，以完成上述图像处理模型的训练装置的全部或部分功能。
[0223]
关于图像处理装置、图像处理模型的训练装置的具体限定可以对应参见上文中对于图像处理方法、图像处理模型的训练方法的限定，在此不再赘述。上述图像处理装置、图像处理模型的训练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。
[0224]
图11为一个实施例中电子设备的内部结构示意图。该电子设备可以是手机、平板电脑、笔记本电脑、台式电脑、pda(personal digital assistant，个人数字助理)、pos(point of sales，销售终端)、车载电脑、穿戴式设备等任意终端设备。该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器可以包括一个或多个处理单元。处理器可为cpu(central processing unit,中央处理单元)或dsp(digital signal processing，数字信号处理器)等。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种图像处理方法、一种图像处理模型的训练方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。
[0225]
本技术实施例中提供的图像处理装置，以及图像处理模型的训练装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在电子设备的存储器上。该计算机程序被处理器执行时，实现本技术实施例中所描述方法的步骤。
[0226]
本技术实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行图像处理方法，以及图像处理模型的训练方法的步骤。
[0227]
本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行
时，使得计算机执行图像处理方法，以及图像处理模型的训练方法。
[0228]
本技术所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括rom(read
‑
only memory，只读存储器)、prom(programmable read
‑
only memory，可编程只读存储器)、eprom(erasable programmable read
‑
only memory，可擦除可编程只读存储器)、eeprom(electrically erasable programmable read
‑
only memory，电可擦除可编程只读存储器)或闪存。易失性存储器可包括ram(random access memory，随机存取存储器)，它用作外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如sram(static random access memory，静态随机存取存储器)、dram(dynamic random access memory，动态随机存取存储器)、sdram(synchronous dynamic random access memory，同步动态随机存取存储器)、双数据率ddr sdram(double data rate synchronous dynamic random access memory，双数据率同步动态随机存取存储器)、esdram(enhanced synchronous dynamic random access memory，增强型同步动态随机存取存储器)、sldram(sync link dynamic random access memory，同步链路动态随机存取存储器)、rdram(rambus dynamic random access memory，总线式动态随机存储器)、drdram(direct rambus dynamic random access memory，接口动态随机存储器)。
[0229]
以上所述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本技术专利范围的限制。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。