图像的处理方法、装置、电子设备和存储介质与流程

1.本发明涉及互联网技术领域，特别是涉及一种图像的处理方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.随着互联网技术的快速发展，越来越多的业务已经可以实现线上办理，例如，资质验证、身份验证、保险审核等。因此，线上办理业务的过程中需要利用数字版的照片、文档等。但是，受拍摄设备的抖动、光照等原因的影响，可能会产生的模糊的照片、文档，严重影响业务办理。例如，图像模糊导致照片中的细节信息丢失，对照片中的文字识别具有较大影响，同时干扰了审核人员的审核，进而带来法务问题、金融问题、保险理赔漏洞等。因此，如何判断图像是否模糊就变得尤为重要。
3.目前，常见的图像是否模糊的判断方法包含直接通过卷积分类网络进行整图判断和通过分割方式对图像的模糊区域和清晰区域进行区分。其中，通过卷积分类网络进行整图判断的方法，需要将种类多样、尺寸不一、版式、长宽比各异的图像，强制调整(resize)到统一尺寸，导致图像的质量下降，无法准确判断图像是否模糊。而且，还存在一张图像既存在清晰区域又存在模糊区域的情况。直接用卷积分类网络对整图进行模糊判断对图像部分区域模糊的分类准确性不够好。分割方式判断图像是否模糊可以区分出模糊区域与清晰区域，不包含模糊区域的区域为清晰区域。但是，分割方式所采用的分割算法的计算复杂度高，分割算法中需要对模糊区域的位置进行标注，模糊区域相对于整张图像的大小不一、边界不明确，可能出现在图像的任意位置，导致模糊区域的位置标注难度大。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像的处理方法、装置、电子设备和计算机可读存储介质。
5.为了解决上述问题，根据本发明实施例的第一方面，公开了一种图像的处理方法，所述方法包括：获取待处理的原始图像；按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，所述图像块序列包含多个图像块；将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征；基于注意力机制对各所述图像块的图像特征进行池化处理得到所述图像块序列的融合图像特征；将所述融合图像特征输入至预先设定的全卷积网络，输出所述图像块序列的分类结果，并将所述图像块序列的分类结果作为所述原始图像的分类结果。
6.可选地，所述按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，包括：将所述图像块尺寸中的第一尺寸作为各所述图像块的第一边尺寸；按照所述切块规则、所述原始图像的长宽比和所述第一边尺寸，将所述原始图像切割为多个所述图像块；将多个所述图像块拼接为所述图像块序列；其中，各所述图像块的长宽比与所述原始图像的长宽比相同；所述切块规则包含以下之一：滑窗规则、随机抽取规
则。
7.可选地，所述将多个所述图像块拼接为所述图像块序列，包括：按照各所述图像块的通道数将多个所述图像块拼接为所述图像块序列。
8.可选地，所述将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征，包括：将所述图像块序列的第一维度特征矩阵降维为第二维度特征矩阵；将所述第二维度特征矩阵输入至卷积神经网络，输出图像特征矩阵；将所述图像特征矩阵降维为所述图像特征。
9.可选地，所述第一维度特征矩阵包含：所述原始图像的数量、各所述原始图像对应的所述图像块的数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；所述第二维度特征矩阵包含：全部所述原始图像对应的所述图像块的总数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；所述图像特征包含：所述图像块尺寸、所述图像块的数量、所述图像块经过卷积处理后的通道数。
10.可选地，所述基于注意力机制对各所述图像块的图像特征进行池化处理得到所述图像块序列的融合图像特征，包括：基于注意力机制获取各所述图像块的图像特征各自的权重；根据各所述图像块的图像特征各自的权重对各所述图像块的图像特征进行池化处理得到所述融合图像特征。
11.可选地，所述分类结果包含第一分类和第二分类；当所述分类结果为所述第一分类时，所述图像块序列中的各所述图像块的分类结果均为所述第一分类；当所述分类结果为所述第二分类时，所述图像块序列中存在至少一个分类结果为所述第二分类的所述图像块。
12.根据本发明实施例的第二方面，还公开了一种图像的处理装置，所述装置包括：图像获取模块，用于获取待处理的原始图像；图像切割模块，用于按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，所述图像块序列包含多个图像块；特征提取模块，用于将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征；特征融合模块，用于基于注意力机制对各所述图像块的图像特征进行池化处理得到所述图像块序列的融合图像特征；图像分类模块，用于将所述融合图像特征输入至预先设定的全卷积网络，输出所述图像块序列的分类结果，并将所述图像块序列的分类结果作为所述原始图像的分类结果。
13.可选地，所述图像切割模块，包括：边尺寸确定模块，用于将所述图像块尺寸中的第一尺寸作为各所述图像块的第一边尺寸；图像块切割模块，用于按照所述切块规则、所述原始图像的长宽比和所述第一边尺寸，将所述原始图像切割为多个所述图像块；图像块拼接模块，用于将多个所述图像块拼接为所述图像块序列；其中，各所述图像块的长宽比与所述原始图像的长宽比相同；所述切块规则包含以下之一：滑窗规则、随机抽取规则。
14.可选地，所述图像块拼接模块，用于按照各所述图像块的通道数将多个所述图像块拼接为所述图像块序列。
15.可选地，所述特征提取模块，包括：特征降维模块，用于将所述图像块序列的第一维度特征矩阵降维为第二维度特征矩阵；卷积模块，用于将所述第二维度特征矩阵输入至卷积神经网络，输出图像特征矩阵；所述特征降维模块，还用于将所述图像特征矩阵降维为所述图像特征。
16.可选地，所述第一维度特征矩阵包含：所述原始图像的数量、各所述原始图像对应的图像块的数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；所述第二维度特征矩阵包含：全部所述原始图像对应的所述图像块的总数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；所述图像特征包含：所述图像块尺寸、所述图像块的数量、所述图像块经过卷积处理后的通道数。
17.可选地，所述特征融合模块，包括：权重计算模块，用于基于注意力机制获取各所述图像块的图像特征各自的权重；特征计算模块，用于根据各所述图像块的图像特征各自的权重对各所述图像块的图像特征进行池化处理得到所述融合图像特征。
18.可选地，所述分类结果包含第一分类和第二分类；当所述分类结果为所述第一分类时，所述图像块序列中的各所述图像块的分类结果均为所述第一分类；当所述分类结果为所述第二分类时，所述图像块序列中存在至少一个分类结果为所述第二分类的所述图像块。
19.根据本发明实施例的第三方面，还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的图像的处理方法。
20.根据本发明实施例的第四方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的图像的处理方法。
21.与现有技术相比，本发明实施例提供的技术方案具有如下优点：
22.本发明实施例提供的一种图像的处理方案，获取待处理的原始图像，按照预先设定的切块规则和预先设定的图像块尺寸，将原始图像切割为一组包含多个图像块的图像块序列。将图像块序列输入至预先设定的神经网络，提取出各图像块的图像特征。基于注意力机制对各图像块的图像特征进行池化处理得到图像块序列的融合图像特征。再将融合图像特征输入至预先设定的全卷积网络，输出原始图像的分类结果。
23.本发明实施例采用全卷积网络输出原始图像的分类结果，全卷积网络的网络结构较为简单，与分割方式相比，计算复杂度低。而且，本发明实施例避免了将原始图像resize到统一尺寸，维持原始图像的质量，与卷积分类网络相比，可以输出比较准确的分类结果，通用性高。在利用本发明实施例判断原始图像是否模糊时，与卷积分类网络相比，可以输出比较准确的模糊判断结果。
附图说明
24.图1是本发明实施例的一种图像的处理方法的步骤流程图；
25.图2是本发明实施例的一种判断图像是否模糊的方案原理图；
26.图3是本发明实施例的一种图像的处理装置的结构框图；
27.图4是本发明实施例的一种电子设备的结构示意图。
具体实施方式
28.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
29.参照图1，示出了本发明实施例的一种图像的处理方法的步骤流程图。该图像的处
理方法可以应用于终端或者服务器，该图像的处理方法具体可以包括如下步骤：
30.步骤101，获取待处理的原始图像。
31.在本发明的实施例中，原始图像可以为任意格式、颜色、尺寸、内容的图像。在实际应用中，原始图像可以为全部清晰图像、全部模糊图像、部分清晰图像或者部分模糊图像。本发明实施例可以判断原始图像是否模糊或者是否清晰。需要说明的是，若判断原始图像模糊时，相当于原始图像不清晰；或者，若判断原始图像清晰时，相当于原始图像不模糊。其中，判断原始图像模糊时，原始图像可以为全部模糊图像或者部分模糊图像；判断原始图像清晰时，原始图像可以为全部清晰图像或者部分清晰图像。
32.步骤102，按照预先设定的切块规则和预先设定的图像块尺寸，将原始图像切割为一组图像块序列。
33.在本发明的实施例中，将原始图像先resize为多个尺寸相同的图像块，然后再将多个尺寸相同的图像块拼接为图像块序列。也就是说，一组图像块序列可以包含多个尺寸相同的图像块。
34.需要说明的是，本发明实施例中的图像尺寸可以包含但不限于图像分辨率。
35.步骤103，将图像块序列输入至预先设定的神经网络，提取出各图像块的图像特征。
36.在本发明的实施例中，可以将图像块序列输入至卷积神经网络，并从卷积神经网络输出各图像块的图像特征。
37.步骤104，基于注意力机制对各图像块的图像特征进行池化处理得到图像块序列的融合图像特征。
38.在本发明的实施例中，注意力机制(attention mechanism，简称am)源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。上述机制通常被称为注意力机制。人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度(acuity)，只有视网膜中央凹部位具有最强的敏锐度。为了合理利用有限的视觉信息处理资源，人类需要选择视觉区域中的特定部分，然后集中关注它。例如，人们在阅读时，通常只有少量要被读取的词会被关注和处理。
39.本发明实施例利用注意力机制将各图像块的图像特征进行融合，得到融合图像特征。
40.步骤105，将融合图像特征输入至预先设定的全卷积网络，输出图像块序列的分类结果，并将图像块序列的分类结果作为原始图像的分类结果。
41.在本发明的实施例中，将融合图像特征输入至卷积分类网络，利用卷积分类网络对图像块序列进行分类得到图像块序列的分类结果。当卷积分类网络被训练为判断图像是否模糊时，图像块序列的分类结果可以包含模糊和清晰。最终，将图像块序列的分类结果作为原始图像的分类结果。
42.本发明实施例提供的一种图像的处理方案，获取待处理的原始图像，按照预先设定的切块规则和预先设定的图像块尺寸，将原始图像切割为一组包含多个图像块的图像块序列。将图像块序列输入至预先设定的神经网络，提取出各图像块的图像特征。基于注意力机制对各图像块的图像特征进行池化处理得到图像块序列的融合图像特征。再将融合图像特征输入至预先设定的全卷积网络，输出原始图像的分类结果。
43.本发明实施例采用全卷积网络输出原始图像的分类结果，全卷积网络的网络结构较为简单，与分割方式相比，计算复杂度低。而且，本发明实施例避免了将原始图像resize到统一尺寸，维持原始图像的质量，与卷积分类网络相比，可以输出比较准确的分类结果，通用性高。在利用本发明实施例判断原始图像是否模糊时，与卷积分类网络相比，可以输出比较准确的模糊判断结果。
44.在本发明的一种优选实施例中，按照预先设定的切块规则和预先设定的图像块尺寸，将原始图像切割为一组图像块序列的一种实施方式为，将图像块尺寸中的第一尺寸作为各图像块的第一边尺寸，按照切块规则、原始图像的长宽比和第一边尺寸，将原始图像切割为多个图像块，将多个图像块拼接为图像块序列。其中，各图像块的长宽比与原始图像的长宽比相同。切块规则包含以下之一：滑窗规则、随机抽取规则。
45.在实际应用中，图像块尺寸包含但不限于图像块的分辨率x*y，例如，图像块的分辨率为48*32。其中，x或者y均可以作为第一尺寸。通常，将x和y中较小的一方作为第一尺寸。即上例中，第一尺寸为32。在将原始图像resize为多个图像块时，需要保持各图像块的图像块尺寸相同，而且，各图像块的长宽比与原始图像的长宽比相同。若原始图像的分辨率为4800*3200，原始图像的长宽比为3比2，则图像块的长宽比也可以为3比2。上述第一尺寸为图像块尺寸中较小的一方，则图像块的第一边尺寸为图像块中较短的一边的尺寸。也就是说，按照滑窗规则或者随机抽取规则等将分辨率为4800*3200的原始图像resize为多个分辨率为48*32的图像块。
46.在本发明的一种优选实施例中，将多个图像块拼接为图像块序列的一种实施方式为，按照各图像块的通道数将多个图像块拼接为图像块序列。例如，图像块的通道数为c，图像块的数量为k，则将图像块的通道数c与图像块的数量k相乘得到c*k，即c*k表示拼接后的图像块序列的序列长度。
47.在本发明的一种优选实施例中，将图像块序列输入至预先设定的神经网络，提取出各图像块的图像特征的一种实施方式为，将图像块序列的第一维度特征矩阵降维为第二维度特征矩阵；将第二维度特征矩阵输入至卷积神经网络，输出图像特征矩阵；将图像特征矩阵降维为图像特征。
48.在实际应用中，第一维度特征矩阵包含：原始图像的数量、每个原始图像对应的图像块的数量、图像块的高度、图像块的宽度、图像块经过卷积处理前的通道数。第二维度特征矩阵包含：全部原始图像对应的图像块的总数量、图像块的高度、图像块的宽度、图像块的通道数。图像特征包含：图像块尺寸、图像块的数量、所述图像块经过卷积处理后的通道数。例如，对于b*k*h*w*c(b表示原始图像的数量、k表示每个原始图像对应的图像块的数量、h表示图像块的高度、w表示图像块的宽度、c表示图像块经过卷积处理前的通道数)的5维第一维度特征矩阵降维(reshape)为bk*h*w*c4维第二维度特征矩阵后输入到resnet50等卷积神经网络中提取图像特征矩阵。其中，bk表示全部原始图像对应的图像块的总数量，属于一种转换变量，表示一维向量。卷积神经网络提取到的图像特征矩阵再reshape为b*k*c’，该b*k*c’即全部原始图像对应的图像块的图像特征。其中，c’表示图像块经过卷积处理后的通道数。h和w经过卷积之后变为1。
49.在本发明的一种优选实施例中，基于注意力机制对各图像块的图像特征进行池化处理得到图像块序列的融合图像特征的一种实施方式为，基于注意力机制获取各图像块的
图像特征各自的权重。根据各图像块的图像特征各自的权重对各图像块的图像特征进行池化处理得到融合图像特征。
50.在实际应用中，可以基于公式一计算得到各图像块的图像特征各自的权重。
[0051][0052]
其中，αk表示各图像块的图像特征各自的权重，k表示各图像块的编号，j也表示各图像块的编号，w和v均表示可学习的参数。hk表示编号为k的图像块的图像特征，hj表示编号为j的图像块的图像特征，k表示每个原始图像对应的图像块的数量。
[0053]
可以基于公式二计算得到融合图像特征。
[0054][0055]
其中，z表示融合图像特征，k表示图像块的编号，k表示每个原始图像对应的图像块的数量，αk表示各图像块的图像特征各自的权重，hk表示编号为k的图像块的图像特征。
[0056]
在本发明的一种优选实施例中，分类结果可以包含第一分类和第二分类。当分类结果为第一分类时，图像块序列中的各图像块的分类结果均为第一分类；当分类结果为第二分类时，图像块序列中存在至少一个分类结果为第二分类的图像块。在实际应用中，当第一分类表示图像清晰时，当图像块序列中的每个图像块的分类结果均为图像清晰时，整组图像块序列的分类结果为图像清晰。当第二分类表示图像模糊时，当图像块序列中存在至少一个图像块的分类结果为图像模糊时，整组图像块序列的分类结果为图像模糊。
[0057]
基于上述关于一种图像的处理方法实施例的相关说明，下面介绍一种基于多示例学习的图像模糊判断方案。该判断方案采用的多示例数据集的数据单位为数据包(bag)，以二分类为例，一个bag中包含多个示例(instance)，各instance之间既不存在依赖关系，也不存在排序关系。如果一个bag中所有的instance都被标记为负例，那么这个bag就标记为负。如果一个bag中存在一个或多个标记为正例的instance，那么这个bag就标记为正。其中，负例或负表示图像清晰，正例或正表示图像模糊。
[0058]
参照图2，图2示出了一种基于多示例学习的图像模糊判断方案的工作流程图。在图2中，待判断的原始图像按照切块规则和图像块尺寸切割为多个图像块。多个图像块在通道维度进行拼接得到图像块序列。图像块序列输入至卷积神经网络(cnn)进行特征提取得到各图像块的图像特征。基于注意力机制的多示例池化对各图像块的图像特征进行融合处理得到融合图像特征。其中，α1、α2、αk分别为编号为1、2、k的图像块的图像特征各自的权重。最后通过全卷积网络(fully convolutional networks，简称fcn)计算损失函数得到判断结果，该损失函数可以采用交叉熵损失函数。
[0059]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施
例所必须的。
[0060]
参照图3，示出了本发明实施例的一种图像的处理装置的结构框图，该图像的处理装置可以应用于终端或者服务器，该图像的处理具体可以包括如下模块：
[0061]
图像获取模块31，用于获取待处理的原始图像；
[0062]
图像切割模块32，用于按照预先设定的切块规则和预先设定的图像块尺寸，将所述原始图像切割为一组图像块序列，所述图像块序列包含多个图像块；
[0063]
特征提取模块33，用于将所述图像块序列输入至预先设定的神经网络，提取出各所述图像块的图像特征；
[0064]
特征融合模块34，用于基于注意力机制对各所述图像块的图像特征进行池化处理得到所述图像块序列的融合图像特征；
[0065]
图像分类模块35，用于将所述融合图像特征输入至预先设定的全卷积网络，输出所述图像块序列的分类结果，并将所述图像块序列的分类结果作为所述原始图像的分类结果。
[0066]
在本发明的一种优选实施例中，所述图像切割模块32，包括：
[0067]
边尺寸确定模块，用于将所述图像块尺寸中的第一尺寸作为各所述图像块的第一边尺寸；
[0068]
图像块切割模块，用于按照所述切块规则、所述原始图像的长宽比和所述第一边尺寸，将所述原始图像切割为多个所述图像块；
[0069]
图像块拼接模块，用于将多个所述图像块拼接为所述图像块序列；
[0070]
其中，各所述图像块的长宽比与所述原始图像的长宽比相同；所述切块规则包含以下之一：滑窗规则、随机抽取规则。
[0071]
在本发明的一种优选实施例中，所述图像块拼接模块，用于按照各所述图像块的通道数将多个所述图像块拼接为所述图像块序列。
[0072]
在本发明的一种优选实施例中，所述特征提取模块33，包括：
[0073]
特征降维模块，用于将所述图像块序列的第一维度特征矩阵降维为第二维度特征矩阵；
[0074]
卷积模块，用于将所述第二维度特征矩阵输入至卷积神经网络，输出图像特征矩阵；
[0075]
所述特征降维模块，还用于将所述图像特征矩阵降维为所述图像特征。
[0076]
在本发明的一种优选实施例中，所述第一维度特征矩阵包含：所述原始图像的数量、各所述原始图像对应的图像块的数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；
[0077]
所述第二维度特征矩阵包含：全部所述原始图像对应的所述图像块的总数量、所述图像块的高度、所述图像块的宽度、所述图像块经过卷积处理前的通道数；
[0078]
所述图像特征包含：所述图像块尺寸、所述图像块的数量、所述图像块经过卷积处理后的通道数。
[0079]
在本发明的一种优选实施例中，所述特征融合模块34，包括：
[0080]
权重计算模块，用于基于注意力机制获取各所述图像块的图像特征各自的权重；
[0081]
特征计算模块，用于根据各所述图像块的图像特征各自的权重对各所述图像块的
图像特征进行池化处理得到所述融合图像特征。
[0082]
在本发明的一种优选实施例中，所述分类结果包含第一分类和第二分类；
[0083]
当所述分类结果为所述第一分类时，所述图像块序列中的各所述图像块的分类结果均为所述第一分类；
[0084]
当所述分类结果为所述第二分类时，所述图像块序列中存在至少一个分类结果为所述第二分类的所述图像块。
[0085]
本发明实施例还提供了一种电子设备，参见图4，包括：处理器401、存储器402以及存储在所述存储器402上并可在所述处理器401上运行的计算机程序4021，所述处理器401执行所述程序4021时实现前述实施例的图像的处理方法。
[0086]
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述实施例的图像的处理方法。
[0087]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0088]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0089]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0090]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0092]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0093]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0094]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0095]
以上对本发明所提供的一种图像的处理方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。