一种图像处理方法、装置、设备以及存储介质与流程

1.本公开涉及人工智能技术领域，具体涉及深度学习、计算机视觉技术领域，可用于人脸识别场景。


背景技术：

2.随着互联网和人工智能技术的发展，人脸识别已广泛应用于人们生产生活的方方面面。然而在人脸识别的过程中，存在一些影响识别准确性的异常图像，如非人脸图像、模糊图像或大角度人脸图像等。因此，如何快速且精准的从海量图像数据中提取异常图像对提到人脸识别的准确性至关重要。


技术实现要素：

3.本公开提供了一种图像处理方法、装置、设备以及存储介质。
4.根据本公开的一方面，提供了一种图像处理方法，包括：
5.从待处理图像中选择目标图像；目标图像为采用人脸识别任务成功提取人脸信息的待处理图像；
6.提取目标图像的人脸特征，并对人脸特征进行聚类；
7.根据聚类结果，确定目标图像中的异常图像。
8.根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
9.至少一个处理器；以及
10.与至少一个处理器通信连接的存储器；其中，
11.存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任一实施例的图像处理方法。
12.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开任一实施例的图像处理方法。
13.根据本公开的技术，能够在人脸识别的过程中自动收集容易误识别的异常图像，为后续基于该异常图像来提高人脸识别过程的精准性提供了保障。
14.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
15.附图用于更好地理解本方案，不构成对本公开的限定。其中：
16.图1是根据本公开实施例提供的一种图像处理方法的流程图；
17.图2是根据本公开实施例提供的另一种图像处理方法的流程图；
18.图3是根据本公开实施例提供的另一种图像处理方法的流程图；
19.图4是根据本公开实施例提供的一种人脸识别系统的结构示意图；
20.图5是根据本公开实施例提供的一种图像处理装置的结构示意图；
21.图6是用来实现本公开实施例的图像处理方法的电子设备的框图。
具体实施方式
22.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
23.随着互联网和人工智能技术的发展，人脸识别已广泛应用于人们生产生活的方方面面。然而在人脸识别的过程中，存在一些影响识别准确性的异常图像，如非人脸图像、模糊图像或大角度人脸图像等。由于常规的训练样本集中，异常数据的数据量较少，导致训练后的人脸识别系统难以准确检测到异常图像。因此，就需要通过收集大量的异常图像来扩充训练样本数据，以对人脸识别系统进行迭代训练。目前，通常采用人工的方式来收集异常图像，成本高且效率低。本公开实施例给出了一种在人脸识别的过程中自动收集容易误识别的异常图像的新的解决方案。
24.图1是根据本公开实施例提供的一种图像处理方法的流程图。本公开实施例适用于自动获取影响人脸识别系统识别准确性的异常图像的情况，尤其适用于从海量图像数据中快速提取影响人脸识别系统识别准确性的异常图像的情况。该方法可以由图像处理装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，本实施例提供的图像处理方法可以包括：
25.s101，从待处理图像中选择目标图像。
26.其中，所述目标图像为采用人脸识别任务成功提取人脸信息的待处理图像。人脸识别任务至少可以包括检测待处理图像是否为人脸图像，还可以进一步包括：对人脸图像进行对齐、质量评估、活体检测和识别该人脸图像对应的用户身份等。本实施例可以由人脸识别系统来执行人脸识别任务。相应的，该人脸识别系统至少包括人脸检测模型，还可以包括：人脸对齐模型、质量评估模型、活体检测和人脸检测模型等。需要说明的是，对任意待处理图像执行人脸识别任务的过程中，都需要对该图像进行人脸信息的提取，但是对于非人脸图像(如风景图像)可能提取不到人脸信息，只有对人脸图像，才能成功提取到人脸信息。
27.待处理图像可以是实际生产环境，或图像库中存在的未添加标签的图像数据。即待处理图像没有标注其是否为人脸图像，以及对应的用户身份等。本实施例的待处理图像的个数优选为多个。
28.需要说明的是，本实施例的待处理图像可包括人脸识别过程中所遇到的各种类型的图像，例如，可以包括：正常人脸图像、可排除人脸图像和异常图像。其中，正常人脸图像可以是人脸识别系统能够准确识别用户身份的标准人脸图像；可排除人脸图像可以是人脸识别系统可明显检测出的不适合进行人脸识别的图像，例如，风景图像；异常图像可以是人脸识别系统应该检测出，但实际未检测出的不适合进行人脸识别的图像，例如，动物面部图像、模糊人脸图像或大角度人脸图像等。
29.可选的，在本公开实施例中，人脸识别系统在对输入的待处理图像执行人脸识别任务时，会针对每一张待处理图像进行人脸信息的提取，若成功提取到人脸信息，则将该待处理图像作为目标图像。考虑到人脸识别系统对于异常图像可能存在误识别的情况，即对
于异常图像本应该提取不到人脸信息，但实际也成功提取到了人脸信息。所以本实施例获取的目标图像中包括异常图像和正常人脸图像。
30.可选的，本实施例可以是在人脸识别系统对待处理图像执行人脸识别任务的过程中，从待处理图像中选择目标图像；还可以是在人脸识别系统对待处理图像执行完人脸识别任务后，从待处理图像中选择目标图像。
31.由于本实施例的待处理图像为多个，所以提取出的目标图像的个数也通常为多个。
32.s102，提取目标图像的人脸特征，并对人脸特征进行聚类。
33.其中，人脸特征可以是表征人面部信息的特征。
34.对于正常人脸图像，将其映射到人脸特征空间时，同一个人的图像会被映射到人脸特征空间的相近位置，即同一个人在不同图像中的人脸特征的相似的较高。对于异常人脸图像，将其映射到人脸特征空间时，同一种异常原因的异常人脸图像也会被映射到人脸特征空间的相近位置，即同一种异常原因的异常人脸图像的人脸特征的相似的较高。比如，所有模糊人脸图像的人脸特征的相似的较高，所有大角度人脸图像的人脸特征的相似的较高；所有非人脸图像的人脸特征的相似的较高等。鉴于此，本实施例可以采用提取目标图像的人脸特征，并对其进行聚类的方式来从目标图像中确定出异常图像。
35.具体的，本实施例在获取到目标图像后，对每张目标图像都进行人脸特征提取，其中，提取目标图像的人脸特征的方式有很多，对此不进行限定。例如，可以是采用人脸特征提取算法来对目标图像进行处理，以提取目标图像的人脸特征；还可以是通过预先训练好的人脸特征提取模型来提取目标图像的人脸特征等。得到各目标图像的人脸特征后，可以对各目标图像的人脸特征进行聚类处理，得到的聚类结果为：哪些目标图像聚为一类，以及各类包含的目标图像的数量等。其中，对人脸特征进行聚类的算法有很多，对此本实施例不进行限定，如可以是单链聚类算法或全链聚类算法等。
36.s103，根据聚类结果，确定目标图像中的异常图像。
37.可选的，本实施例根据聚类结果确定目标图像中的异常图像时，可以分析聚类结果中的每一类是否为某种异常原因对应的异常类，并获取各异常类中包含的各图像作为异常图像。其中，异常原因可以包括但不限于：图像模糊、大角度人脸和非人脸等。具体的，本实施例确定聚类结果中的每一类是否为异常类的方式有很多，其中：
38.一种可实施方式为：针对聚类结果中的每一类，采用异常类分析算法或人工分析的方式，从中选出至少一张目标图像的人脸特征进行异常原因分析，并根据分析结果，确定该类是否为异常类，以及对应的异常原因。
39.另一种可实施方式为：对大量的目标图像进行聚类后，聚类结果通常为长尾分布，且长尾分布中的头部，即图像数量较多的类通常为异常图像。本实施例可以基于分析聚类结果中的每一类包含的图像数量，并将数量较多的类作为异常类。
40.另一种可实施方式为：针对聚类结果中的每一类，计算其特征分布区域，将分布区域大于预设范围的类别作为异常类。
41.需要说明的是，本实施例还可以采用其他方式来确定聚类结果中的异常类，对此不进行限定。
42.可选的，本实施例确定目标图像中的异常图像时，可以区分各种异常原因对应的
异常图像，即针对每种异常原因，获取其对应的异常图像的图像集；也可以不区分，即将所有异常图像作为一个图像集。
43.本公开实施例的方案，从待处理图像中选择基于人脸识别任务成功提取人脸信息的目标图像，并对其进行人脸特征提取，以及特征聚类操作，并根据聚类结果确定目标图像中的异常图像。本方案能够在人脸识别的过程中，自动从大量的待处理图像中批量收集容易误识别的异常图像，成本低且效率高，为后续基于该异常图像优化人脸识别系统，提高人脸识别过程的精准性提供了保障。
44.进一步的，本实施例提取目标图像的人脸特征的另一种可选方式为：获取人脸识别系统对目标图像执行人脸识别任务时，输出的目标图像的人脸特征。具体的，由于目标图像是基于人脸识别任务成功提取人脸信息的图像，且确定用户身份的过程中必定使用到人脸特征，所以人脸识别系统对目标图像执行人脸识别任务的过程中，必定提取了目标图像的人脸特征，例如，可以是基于人脸识别系统的人脸识别环节检测目标图像的人脸特征。本实施例可以直接获取人脸识别系统对目标图像提取的人脸特征，这样设置的好处是无需占用额外的运算资源即可得到目标图像的人脸特征，降低了资源的消耗，提高了人脸特征的提取效率。
45.进一步的，本实施例的方法还包括：在满足异常图像更新条件的情况下，将待处理图像中的异常图像作为新的待处理图像，并触发执行从新的待处理图像中获取选择目标图像。其中，异常图像更新条件可以有很多，对此不进行限定。例如，可以是异常图像的数量达到预设数量阈值；还可以是当前时刻达到异常图像的更新周期等。本实施例可以在满足异常图像更新条件的情况下，将s103确定出的异常图像作为新的待处理图像，并触发再次执行s101从新的待处理图像中选择目标图像，以及后续提取的目标图像的人脸特征，并对人脸特征进行聚类；根据聚类结果，确定目标图像中的异常图像，即重新执行s101-s103不断更新待处理图像中的异常图像。这样设置的好处是通过多次迭代进一步的提高了所确定的异常图像的准确性。
46.图2是根据本公开实施例提供的一种图像处理方法的流程图。本公开实施例在上述实施例的基础上，进一步对如何“根据聚类结果，确定目标图像中的异常图像”进行详细解释说明，如图2所示，本实施例提供的图像处理方法可以包括：
47.s201，从待处理图像中选择目标图像。
48.s202，提取目标图像的人脸特征，并对人脸特征进行聚类。
49.s203，确定异常阈值。
50.其中，异常阈值可以是判断聚类结果中的每一类是否为异常类的数量阈值。
51.可选的，本实施例可以是为每种异常原因对应异常类，确定一个异常阈值，还可以是为所有的异常类确定统一的异常阈值。具体的，本实施例确定异常类对应的异常阈值的方式有很多，对此不进行限定。
52.一种可实施方式为：对大量的目标图像的人脸特征的聚类结果进行统计分析，根据异常类在每次聚类结果中的数量，来确定异常阈值，如可以是将异常类在每次聚类结果中的数量均值、加权均值或最大值等作为异常阈值。
53.另一种可实施方式为：根据本次目标图像的人脸特征的聚类结果中不同类别包含的图像数量，按照一定规则，为本次目标图像确定异常阈值。
54.可选的，针对第二种可实施方式，优选可以采用如下方式来确定异常阈值：根据聚类结果中不同类别包含的图像数量，计算四分位值和四分位距；根据四分位值和四分位距，确定异常阈值。具体的，可以是对各类别对应的图像数量进行排序后，按照四分位值和四分位距的计算公式，确定四分位值q3和四分位距iqr，然后将四分位值q3与预设倍数(如1.5倍或3倍)的四分位距iqr求和作为异常阈值。这样设置的好处是，极大的提高了异常阈值确定的精准性，进而保证了基于该异常阈值提取出的异常图像的准确性。
55.s204，根据聚类结果中不同类别包含的图像数量和异常阈值，确定聚类结果中的异常类。
56.可选的，本实施例可以针对聚类结果中每一种类别，将该类别包含的目标图像的数量值(即图像数量)与异常阈值进行比较，如可以与统一的异常阈值进行比较，还可以与该类别对应的异常阈值进行比较。若图像数量大于或等于异常阈值，则说明该类别为异常类，否则说明该类别为正常人脸类。
57.s205，将属于异常类的目标图像作为异常图像。
58.可选的，在确定出聚类结果中的各异常类后，获取各异常类中包含的目标图像，并将其作为异常图像。
59.本公开实施例的方案，从待处理图像中选择基于人脸识别任务成功提取人脸信息的目标图像，并对其进行人脸特征提取，以及特征聚类操作；确定异常阈值，并根据聚类结果中不同类别包含的图像数量与异常阈值的关系，确定目标图像中的异常图像。本方案通过比较各类别的图像数量与异常阈值之间的关系，可快速且精准的确定出异常图像，提高了异常图像确定方式的灵活性。
60.图3是根据本公开实施例提供的一种图像处理方法的流程图。本公开实施例在上述实施例的基础上，给出了一种快速判断新增图像是否为异常图像的优选实例。如图3所示，本实施例提供的图像处理方法可以包括：
61.s301，从待处理图像中选择目标图像。
62.s302，提取目标图像的人脸特征，并对人脸特征进行聚类。
63.s303，确定异常阈值。
64.s304，根据聚类结果中不同类别包含的图像数量和异常阈值，确定聚类结果中的异常类。
65.s305，将属于异常类的目标图像作为异常图像。
66.s306，根据异常类对应的异常图像，确定异常类的中心特征。
67.其中，异常类的中心特征，可以是表征该异常类整体的人脸面部信息的特征。本实施例可以是对所有的异常类，确定一个中心特征；还可以是对每种异常原因对应的异常类，确定一个中心特征。
68.可选的，本实施例根据异常类对应的异常图像，确定异常类的中心特征的方式可以是：针对每种异常类(或所有异常类)，对其中包含的各异常图像的人脸特征进行融合处理，得到该异常类的中心特征。具体的，对各异常图像的人脸特征进行融合处理的方式有很多。对此不进行限定。例如，可以是对各异常图像的人脸特征进行均值运算或加权均值运算等，并将计算得到的人脸特征均值或加权均值作为异常类的中心特征。其中，若进行加权均值运算，则可以根据异常图像的质量分数或者异常图像的人脸特征的范数(如l2范数)等设
置异常图像的权重，比如图像质量越高权重越高，人脸特征的范数越大权重越高等。
69.s307，根据异常类的中心特征，确定是否将新增图像作为异常类的异常图像，若是，则执行s308，若否，则返回执行s307。
70.其中，新增图像可以是生产环境或图像库中新增加的未添加标签的图像数据。
71.可选的，本实施例可以是在执行完s301-s306，确定出一部分异常图像后，在检测到有新增图像时，可以提取新增图像的人脸特征，并计算新增图像的人脸特征与异常类(如可以是每种异常类)的中心特征之间的相似度，判断两特征的相似度是否高于相似度阈值，若是，则说明新增图像的映射到人脸特征空间后，与该异常类中的异常图像的位置相近，即该新增图像属于该异常类，即执行s308将新增图像作为该异常类的异常图像。否则，说明该新增图像不属于该异常类的异常图像。此时返回s307，等到再次检测到有新增图像时，再次执行确定将新增图像是否可以作为异常类的异常图像的操作。
72.s308，将新增图像作为异常类的异常图像，并返回执行s306。
73.可选的，本实施例在将新增图像作为异常类的异常图像后，可以返回执行s306，基于添加有新增图像的异常图像，更新该异常类的中心特征。以保证异常类的中心特征的精准性。
74.可选的，在本实施例中，若生产环境或图像库中新增加的图像是已添加标签的图像，则可以直接根据其标签，选出异常图像，并将其直接作为对应异常类的异常图像。
75.本公开实施例的方案，从待处理图像中选择基于人脸识别任务成功提取人脸信息的目标图像，并对其进行人脸特征提取，以及特征聚类操作，并根据聚类结果确定目标图像中的异常图像，并计算异常类的中心特征。此后若存在新增图像，则根据新增图像的人脸特征与异常类的中心特征之间的相似度，快速判断新增图像是否为异常类。本实施例的方案，在确定出一部分异常类的异常图像后，可以采用更为简便的方式快速且精准的定位新增图像是否为异常图像，进一步提高了异常图像确定效率。
76.本公开实施例在上述各实施例的基础上，确定出目标图像中的异常图像之后，还可以将异常图像作为训练样本，对执行人脸识别任务的人脸识别系统进行训练。以优化人脸识别系统的系统参数，提高人脸识别系统对异常图像识别的准确性，进而提高人脸识别系统执行人脸识别任务的精准性。
77.进一步的，本实施例对人脸识别系统的系统参数进行更新后，还可以基于更新后的人脸识别系统，重新对待处理图像执行确定异常图像的操作，不断扩充异常图像，并基于扩充异常图像不断提升人脸识别系统的人脸识别效果。
78.可选的，本公开实施例的人脸识别系统是用于执行人脸识别任务的神经网络模型系统，该系统可以包括至少一个任务模型，每个任务模型即为一个神经网络模型。图4是根据本公开实施例提供的一种人脸识别系统的结构示意图。如图4所示，该人脸识别系统4中包括五个任务模型，即人脸检测模型41、人脸对齐模型42、质量评估模型43、活体检测模型44和人脸识别模型45。
79.其中，人脸检测模型41用于执行人脸检测任务，具体用于对输入到人脸识别系统4中的待处理图像进行人脸检测，以判断该待处理图像中是否包含人脸区域，若包含，则说明人脸检测通过，将该待处理图像传输至下一任务模型，即人脸对齐模型。否则拒绝对该待处理图像进行后续处理操作。
80.人脸对齐模型42用于执行人脸对齐任务，具体用于对人脸检测模型41识别出的人脸区域进行人脸关键特征点标注，并将标注有人脸关键特征点的待处理图像传输至下一任务模型，即质量评估模型。
81.质量评估模型43用于执行质量评估任务，具体用于对接收到的待处理图像进行图像质量评估，如评估图像清晰度是否符合识别要求和/或拍摄角度是否符合识别要求等。若质量评估通过，则说明质量评估通过，将该待处理图像传输至下一任务模型，即活体检测模型。否则拒绝对该待处理图像进行后续处理操作。
82.活体检测模型44用于执行活体检测任务，具体用于对接收到的待处理图像进行目标对象是否为活体对象的判断，若是，则说明活体检测通过，将该待处理图像传输至下一任务模型，即人脸识别模型。否则拒绝对该待处理图像进行后续处理操作。
83.人脸识别模型45用于执行人脸识别任务，具体用于对接收到的待处理图像进行人脸识别，以确定该人脸图像对应的用户身份。
84.可选的，在本实施例的人脸识别系统包括至少两个任务模型的情况下，如该人脸识别系统为图4所示的人脸识别系统时，本实施例将异常图像作为训练样本，对人脸识别系统进行训练，进一步包括：根据异常图像所属异常类，确定执行人脸识别任务的人脸识别系统中待更新的任务模型；根据异常图像，对待更新的任务模型进行训练。
85.具体的，一种可实施方式为：可以根据每一异常类所包含的异常图像，对该异常类进行质量评分，根据预先设置好的评分段与任务模型之间的对应关系，判断该异常类的质量评分所属的目标评分段，并将目标评分段对应的任务模型作为该异常类对应的待更新的任务模型。另一种可实施方式为：用户根据实际需求设置。例如，设置非人脸类的异常数据对应的待更新任务模型为人脸检测模型；模糊类的异常数据对应的待更新任务模型为质量评估模型等。这样设置的好处是，根据不同异常原因的异常图像，有针对性的训练人脸识别系统的不同任务模型，进一步提高了各任务模型训练的精准性。
86.图5是根据本公开实施例提供的一种图像处理装置的结构示意图。本公开实施例适用于自动获取影响人脸识别系统识别准确性的异常图像的情况，尤其适用于从海量图像数据中快速提取影响人脸识别系统识别准确性的异常图像的情况。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例的图像处理方法。如图5所示，该图像处理装置包括：
87.目标图像选择模块501，用于从待处理图像中选择目标图像；所述目标图像为采用人脸识别任务成功提取人脸信息的待处理图像；
88.图像特征处理模块502，用于提取目标图像的人脸特征，并对人脸特征进行聚类；
89.异常图像确定模块503，用于根据聚类结果，确定目标图像中的异常图像。
90.本公开实施例的方案，从待处理图像中选择基于人脸识别任务成功提取人脸信息的目标图像，并对其进行人脸特征提取，以及特征聚类操作，并根据聚类结果确定目标图像中的异常图像。本方案能够在人脸识别的过程中，自动从大量的待处理图像中批量收集容易误识别的异常图像，成本低且效率高，为后续基于该异常图像优化人脸识别系统，提高人脸识别过程的精准性提供了保障。
91.进一步的，异常图像确定模块503，包括：
92.阈值确定单元，用于确定异常阈值；
93.异常类确定单元，用于根据聚类结果中不同类别包含的图像数量和异常阈值，确定聚类结果中的异常类；
94.异常图像确定单元，用于将属于异常类的目标图像作为异常图像。
95.进一步的，阈值确定单元具体用于：
96.根据聚类结果中不同类别包含的图像数量，计算四分位值和四分位距；
97.根据四分位值和四分位距，确定异常阈值。
98.进一步的，图像处理装置，还包括：
99.中心特征确定模块，用于根据异常类对应的异常图像，确定异常类的中心特征；
100.异常图像确定模块，还用于根据异常类的中心特征，确定是否将新增图像作为异常类的异常图像。
101.进一步的，图像特征处理模块502具体用于：
102.获取人脸识别系统对目标图像执行人脸识别任务时，输出的目标图像的人脸特征。
103.进一步的，图像处理装置，还包括：
104.异常图像更新模块，用于在满足异常图像更新条件的情况下，将待处理图像中的异常图像作为新的待处理图像，并触发执行从新的待处理图像中选择目标图像。
105.进一步的，图像处理装置，还包括：
106.模型训练模块，用于将异常图像作为训练样本，对执行人脸识别任务的人脸识别系统进行训练。
107.进一步的，人脸识别系统包括至少两个任务模型，相应的，模型训练模块，包括：
108.训练模型确定单元，用于根据异常图像所属异常类，确定执行人脸识别任务的人脸识别系统中待更新的任务模型；
109.模型训练单元，用于根据异常图像，对待更新的任务模型进行训练。
110.上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
111.本公开的技术方案中，所涉及的各种图像(如正常人脸图像、目标图像、待处理图像、异常图像和新增图像等)的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
112.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
113.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
114.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计
算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
115.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
116.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
117.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
118.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
119.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
120.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视
器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
121.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
122.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
123.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
124.云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
125.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
126.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。