图像处理超参数优化方法、系统、设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像处理超参数优化方法、系统、设备及存储介质。


背景技术：

2.商业级的成像系统依赖图像信号处理(image signal processing,isp)流程，该流程由若干像素级(pixel
‑
level)处理模块组成，在这些模块中包含了大量的超参数，用于将传感器上的原始图像重建成一幅rgb图像。在监控领域，通常硬件图像处理超参数与重建的rgb图像有着复杂的交互。传统的方法，通常需要有经验的图像处理工程师花费数月时间去优化这些超参数，这不仅需要耗费大量的时间资源，且难以保证所优化的参数在增量迭代过程中是全局或者局部最优的。
3.近年来，随着卷积神经网络(convolutional nearul network,cnn)和生成对抗网络(generative adversarial network,gan)在像素级图像处理领域的优异表现，各种各样基于神经网络替代图像处理流程的方法层出不穷。而这些方法通常既需要强大算力的支撑，又无法产生多样化输出，且模型在真实场景中的泛化能力也难以保证，无法满足监控场景的实际需求。为了解决上述问题，mosleh等人提出硬件内循环端到端优化方法，但该方法需要联合硬件设备进行优化，灵活性较低且优化时间较长。kosugi等人提出基于强化学习(reinforcement learning)的优化方法，但该方法不能满足黑盒(black
‑
box)硬件图像处理超参数优化的需求。


技术实现要素：

4.针对现有技术中的问题，本发明的目的在于提供一种图像处理超参数优化方法、系统、设备及存储介质，实现全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。
5.本发明实施例提供一种图像处理超参数优化方法，包括如下步骤：
6.对各个图像处理超参数进行采样，得到多个训练超参数组；
7.采集原始图像，基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述训练超参数组对应的第一参照图像，并对所述原始图像的同一场景采集第二参照图像；
8.将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型；
9.将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数，得到优化后超参数组。
10.本发明的图像处理超参数优化方法首先采样训练超参数组、采集原始图像、并采集对应的参照图像作为后续使用的标签图像，然后构建和训练一个代理的图像处理模拟模型，采用该模型来模拟图像处理流程，可以替代传统硬件或软件图像处理流程，通过该模型
建立参数配置空间和评估指标之间的映射，然后基于该图像处理模拟模型来优化所述初始化超参数，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。
11.在一些实施例中，将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型，包括如下步骤：
12.构建图像处理模拟模型，将所述原始图像和每个所述训练超参数组输入所述图像处理模拟模型，得到所述图像处理模拟模型输出的对应于每个所述训练超参数组的第一模拟处理图像；
13.基于所述第一模拟处理图像和所对应的第一参照图像构建第一损失函数，并反向优化所述图像处理模拟模型的模型参数。
14.在一些实施例中，将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数，包括如下步骤：
15.将所述原始图像和初始化超参数组输入图像处理模拟模型，得到所述图像处理模拟模型输出的第二模拟处理图像；
16.基于所述第二模拟处理图像和所述第二参照图像构建第二损失函数，并反向优化所述初始化超参数组，得到优化后超参数组。
17.在一些实施例中，所述图像处理模拟模型为可微分模型，所述反向优化所述图像处理模拟模型，包括采用梯度下降法优化所述图像处理模拟模型的模型参数；
18.所述反向优化所述初始化超参数组，包括采用梯度下降法优化所述初始化超参数组。
19.在一些实施例中，所述对各个图像处理超参数进行采样，得到多个训练超参数组，包括如下步骤：
20.对各个所述图像处理超参数，在其值域范围内进行分层采样，得到所述图像处理超参数的多个可取值；
21.将各个所述图像处理超参数的各个可取值分别与其他图像处理超参数的可取值进行组合，得到多个训练超参数组。
22.在一些实施例中，所述原始图像为原始raw图像或原始rgb图像，所述第一参照图像为第一rgb图像，所述第二参照图像为第二rgb图像；
23.所述采集原始图像，包括采用媒体控制流抓拍程序获取原始图像或者采用拍摄设备拍摄原始图像；
24.对所述原始图像的同一场景采集第二参照图像，包括如下步骤：
25.使用拍摄设备对所述原始图像的同一场景拍摄一rgb图像；
26.将所述拍摄设备拍摄的rgb图像作为第二参照图像，或者使用图像配准算法将所述拍摄设备拍摄的rgb图像对齐至所述第一参照图像的图像内容，得到第二参照图像。
27.在一些实施例中，将所述原始图像和初始化超参数组输入图像处理模拟模型之前，还包括如下步骤：
28.对各个所述图像处理超参数，在其值域范围内随机选择一初始值；
29.将各个所述图像处理超参数的初始值组合得到所述初始化超参数组。
30.本发明实施例还提供一种图像处理超参数优化系统，应用于上述的图像处理超参数优化方法，包括：
31.参数采样模块，用于对各个图像处理超参数进行采样，得到多个训练超参数组；
32.图像采集模块，用于采集原始图像，基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述训练超参数组对应的第一参照图像，并对所述原始图像的同一场景采集第二参照图像；
33.模型训练模块，用于将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型；
34.参数优化模块，用于将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数。
35.本发明的图像处理超参数优化系统首先通过参数采样模块和图像采集模块采样训练超参数组、采集原始图像、并采集对应的参照图像作为后续使用的标签图像，然后通过模型训练模块构建和训练一个代理的图像处理模拟模型，采用该模型来模拟图像处理流程，可以替代传统硬件或软件图像处理流程，通过该模型建立参数配置空间和评估指标之间的映射，然后通过参数优化模块基于该图像处理模拟模型来优化所述初始化超参数，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。
36.本发明实施例还提供一种图像处理超参数优化设备，包括：
37.处理器；
38.存储器，其中存储有所述处理器的可执行指令；
39.其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像处理超参数优化方法的步骤。
40.通过采用本发明所提供的图像处理超参数优化设备，所述处理器在执行所述可执行指令时执行所述的图像处理超参数优化方法，由此可以获得上述图像处理超参数优化方法的有益效果。
41.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的图像处理超参数优化方法的步骤。
42.通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现所述的图像处理超参数优化方法的步骤，由此可以获得上述图像处理超参数优化方法的有益效果。
附图说明
43.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
44.图1是本发明一实施例的图像处理超参数优化方法的流程图；
45.图2是本发明一具体实例的图像处理超参数优化方法的流程图；
46.图3是本发明一实施例的图像处理超参数优化系统的示意图；
47.图4是本发明一实施例的图像处理超参数优化设备的结构示意图；
48.图5是本发明一实施例的计算机存储介质的结构示意图。
具体实施方式
49.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
50.如图1所示，在一实施例中，本发明提供了一种图像处理超参数优化方法，包括如下步骤：
51.s100：对各个图像处理超参数进行采样，得到多个训练超参数组；
52.s200：采集原始图像，基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述训练超参数组对应的第一参照图像，并对所述原始图像的同一场景采集第二参照图像；
53.s300：将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型；
54.s400：将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数，得到优化后超参数组。
55.本发明的图像处理超参数优化方法首先通过步骤s100和s200采样训练超参数组、采集原始图像、并采集对应的参照图像作为后续使用的标签图像，然后通过步骤s300构建和训练一个代理的图像处理模拟模型，采用该模型来模拟图像处理流程，可以替代传统硬件或软件图像处理流程，通过该模型建立参数配置空间和评估指标之间的映射，然后通过步骤s400基于该图像处理模拟模型来优化所述初始化超参数，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。所述步骤的标号仅为区分各个步骤，而不表示步骤的执行顺序。例如步骤s100和s200可以同时执行，或者先执行s100，再执行s200，或者先执行s200，再执行s200，均属于本发明的保护范围之内。
56.在该实施例中，所述原始图像为raw图像或原始rgb图像，所述第一参照图像为第一rgb(红色绿色蓝色)图像，所述第二参照图像为第二rgb图像。在所述原始图像为原始raw图像时，本发明的方法例如可以应用于监控设备的原始raw图像的图像处理，在所述原始图像为原始rgb图像时，本发明的方法例如可以应用于对图像的进一步优化处理。所述预设的图像处理流程为现有的硬件或软件图像处理流程，例如黑盒硬件和软件isp流程，例如可以包括白平衡处理、去马赛克处理、去噪处理、颜色矫正处理等，本发明不对所述图像处理流程的具体执行流程进行限定。本发明的图像处理流程也不限于将图像从raw图像处理得到rgb图像的图像处理流程，也可以是其他类型的图像处理流程，例如只包括去噪处理，或者只包括颜色矫正处理，或者是对图像的分辨率的增强流程，或者是对图像的亮度增强流程等等。
57.所述图像处理超参数是指图像处理流程中所应用到的超参数。每个处理过程都会涉及到一个或多个超参数，并且每个超参数预设有一个值域范围。例如，去马赛克处理、锐化、去噪的超参数和对应的值域范围如下表1：
58.表1超参数值域范围表
[0059][0060][0061]
在该实施例中，所述步骤s100：对各个图像处理超参数进行采样，得到多个训练超参数组，包括如下步骤：
[0062]
对各个所述图像处理超参数p
i
,i∈(1，m)，在其值域范围内进行分层采样，得到所述图像处理超参数p
i
的多个可取值p
i,j
,i∈(1，m),j∈(1,n
i
)，m为图像处理超参数的数量，n
i
为第i个图像处理超参数的值域范围分层后的层数，p
i,j
表示第i个图像处理超参数在第j
层采样的可取值；
[0063]
将各个所述图像处理超参数的各个可取值分别与其他图像处理超参数的可取值进行组合，得到多个训练超参数组。
[0064]
该实施例中，通过对每一个图像处理参数p
i
在其值域范围内进行分层采样，保证该参数所有可取值均被均匀采样。
[0065]
所述图像处理流程可以是硬件的图像处理流程也可以是软件的图像处理流程。所述图像处理流程为硬件的图像处理流程时，所述步骤s200中采集原始图像，包括采用媒体控制流抓拍程序获取原始raw图像i
raw
。然后基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述超参数组对应的第一rgb图像i
rgb
。对所述原始图像的同一场景采集第二参照图像，包括：使用拍摄设备对所述原始图像的同一场景拍摄一rgb图像i
gt
；使用图像配准算法将所述拍摄设备拍摄的rgb图像对齐至所述第一rgb图像i
rgb
的图像内容，得到第二rgb图像所述拍摄设备例如是数码相机或者经过人工调优的拍摄设备。通过步骤s100和步骤s200，可以得到大量的四元组，用于后续步骤s300～s400的处理。
[0066]
所述图像处理流程为软件的图像处理流程时，所述步骤s200中采集原始图像，包括采用拍摄设备拍摄原始图像i
raw
。然后基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述超参数组对应的第一rgb图像i
rgb
。对所述原始图像的同一场景采集第二参照图像，包括：使用拍摄设备对所述原始图像的同一场景拍摄一rgb图像i
gt
，可以直接将该rgb图像i
gt
作为第二rgb图像。通过步骤s100和步骤s200，可以得到大量的(i
raw
,p,i
rgb
,i
gt
)四元组，用于后续步骤s300～s400的处理。
[0067]
本发明将预设的图像处理流程看作为一个将输入i
raw
转换成输出i
rgb
的函数f
isp
，其可通过超参数p进行参数化，所以i
rgb
＝f
isp
(i
raw
；p)。由此，可将图像处理超参数优化问题定义为：
[0068][0069]
其中，p
*
表示通过任务特定评估标准优化的最佳isp超参数设置，n表示目标图像的数量。
[0070]
通常硬件或者软件图像处理流程f
isp
是不可微分的，这导致无法对公式(1)使用梯度下降法进行优化。为了解决这个问题，本发明提出一个可微分图像处理模拟模型f
proxy
，并通过训练f
proxy
，使得f
proxy
≈f
isp
。如图2所示，在该实施例中以所述图像处理模拟模型为卷积神经网络为例进行说明。图2中采样阶段对应于本发明的步骤s100和s200，图像处理模拟模型拟合对应于本发明的步骤s300，参数优化对应于本发明的步骤s400。
[0071]
具体地，所述步骤s300：将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型，包括如下步骤：
[0072]
构建图像处理模拟模型，将所述原始图像和每个所述训练超参数组输入所述图像处理模拟模型，得到所述图像处理模拟模型输出的对应于每个所述训练超参数组的第一模
拟处理图像；
[0073]
即与预设的图像处理流程f
isp
一样，f
proxy
通过附加超参数p作为输入，将输入图像i
raw
映射成第一模拟处理图像所以存在所以存在w表示图像处理模拟模型的模型参数。
[0074]
基于所述第一模拟处理图像和所对应的第一rgb图像i
rgb
构建第一损失函数，并反向优化所述图像处理模拟模型的模型参数。此处反向优化即为通过梯度下降方式反向迭代优化所述图像处理模拟模型的模型参数，至所述图像处理模拟模型收敛，即至所述第一损失函数的值小于预设阈值时，认为所述图像处理模拟模型收敛，固定此时所述图像处理模拟模型收敛的模型参数w
*
。
[0075]
因此，通过对公式(2)进行优化，可得到逼近f
isp
的f
proxy
参数w
*
，m表示训练数据数量，具体地，m可以对应于训练超参数组的数量。
[0076][0077]
在该实施例中，所述步骤s400之前，还包括如下步骤：
[0078]
对各个所述图像处理超参数p
i
，在其值域范围内随机选择一初始值；
[0079]
将各个所述图像处理超参数p
i
的初始值组合得到所述初始化超参数组。
[0080]
在该实施例中，所述步骤s400包括根据给定任务的评估指标l
task
对和求损失，并优化图像处理超参数。具体地，所述步骤s400：将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数，包括如下步骤：
[0081]
固定步骤s300得到的图像处理模拟图像的模型参数，将所述原始图像和初始化超参数组输入图像处理模拟模型，得到所述图像处理模拟模型输出的第二模拟处理图像
[0082]
基于所述第二模拟处理图像和所述第二rgb图像构建第二损失函数，并反向优化所述初始化超参数组，得到优化后超参数组。此处反向优化所述初始化超参数组，即为以所述初始化超参数组为初始值，采用梯度下降方式反向迭代优化所述初始化超参数组，待所述第二损失函数的值小于预设阈值时，将当前输入所述图像处理模拟模型的超参数组作为优化后超参数组。
[0083]
在步骤s300模型收敛之后，可以得到f
proxy
的参数w
*
，通过固定w
*
可以将公式(1)改写成公式(3)。
[0084][0085]
因此，可以针对给定任务l
task
对图像处理超参数p使用梯度下降法进行优化。比如，在目标检测任务中，可以令l
task
＝l
iou
(f
d/t /0tion
(f
proxy
(i
raw
,p；w
*
)3)，其中f
d/t e0tion
表示预训练目标检测模型，以优化出最优的p
*
，获得最好
的检测结果。
[0086]
如图3所示，本发明实施例还提供一种图像处理超参数优化系统，应用于上述的图像处理超参数优化方法，包括：
[0087]
参数采样模块m100，用于对各个图像处理超参数进行采样，得到多个训练超参数组；
[0088]
图像采集模块m200，用于采集原始图像，基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述训练超参数组对应的第一参照图像，并对所述原始图像的同一场景采集第二参照图像；
[0089]
模型训练模块m300，用于将所述原始图像和每个所述训练超参数作为图像处理模拟模型的输入数据，将所述第一参照图像作为标签数据，训练所述图像处理模拟模型；
[0090]
参数优化模块m400，用于将所述原始图像和初始化超参数组作为所述图像处理模拟模型的输入数据，所述第二参照图像作为标签数据，优化所述初始化超参数。
[0091]
本发明的图像处理超参数优化系统首先通过参数采样模块m100和图像采集模块m200采样训练超参数组、采集原始图像、并采集对应的参照图像作为后续使用的标签图像，然后通过模型训练模块m300构建和训练一个代理的图像处理模拟模型，采用该模型来模拟图像处理流程，可以替代传统硬件或软件图像处理流程，通过该模型建立参数配置空间和评估指标之间的映射，然后通过参数优化模块m400基于该图像处理模拟模型来优化所述初始化超参数，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。本发明的图像处理超参数优化系统中各个模块的功能均可以采用上述图像处理超参数优化方法中各个对应步骤的具体实施方式来实现，此处不予赘述。
[0092]
本发明实施例还提供一种图像处理超参数优化设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像处理超参数优化方法的步骤。
[0093]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0094]
下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0095]
如图4所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
[0096]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
[0097]
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
[0098]
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工
具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0099]
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0100]
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0101]
通过采用本发明所提供的图像处理超参数优化设备，所述处理器在执行所述可执行指令时执行所述的图像处理超参数优化方法，由此可以获得上述图像处理超参数优化方法的有益效果。
[0102]
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的图像处理超参数优化方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
[0103]
参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd
‑
rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0104]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0105]
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0106]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或集群上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0107]
通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现所述的图像处理超参数优化方法的步骤，由此可以获得上述图像处理超参数优化方法的有益效果。
[0108]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。