一种图像数据处理方法、设备和存储介质与流程

1.本技术实施例涉及金融科技(fintech)的图像数据处理技术领域，涉及但不限于一种图像数据处理方法、设备和存储介质。


背景技术：

2.随着计算机计算的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(fintech)转变，然而，由于金融行业的安全性、实时性要求，金融科技也对技术提出了更高的要求。在金融科技领域中，各类金融系统如银行管理系统需要对银行周围区域进行监控获得视频图像，进而对视频图像中的物体进行边缘检测。
3.相关技术中对视频图像中的物体进行边缘检测的方法是，对视频图像中的每帧图像进行灰度处理，得到灰度图像，基于灰度图像，对物体进行边缘检测。然而，当图像中的物体因光照产生光影时，由于光影边缘处的图像灰度落差比较明显，导致对物体进行边缘检测时，将光影边缘误认为是物体的边缘。可见，上述方法中至少存在检测不准确的问题。


技术实现要素：

4.本技术实施例提供一种图像数据处理方法、设备和存储介质，以解决相关技术中将光影边缘误认为是目标物体的边缘，至少存在检测不准确的问题。
5.本技术实施例的技术方案是这样实现的：
6.本技术实施例提供一种图像数据处理方法，包括：
7.获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据，n为大于或等于2的整数；
8.获得第n个第一图像数据经过平滑处理后的第n个第二图像数据，n为大于等于1，小于等于n的整数；
9.对所述第n个第二图像数据进行色彩映射，得到第n个第三图像数据，其中，所述第n个第二图像数据中的各像素的颜色通道分量值与所述第n个第三图像数据中对应像素的色彩分量值存在映射关系；
10.对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据，其中，所述目标图像数据表征的图像中不存在光影边缘。
11.本技术实施例提供一种数据处理设备，包括：
12.存储器，用于存储可执行指令；
13.处理器，用于执行存储器中存储的可执行指令时，实现上述的方法。
14.本技术实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的方法。
15.本技术实施例具有以下有益效果：
16.首先获取待处理图像的不同尺度的第一图像数据，然后对第一图像数据进行平滑处理，得到第二图像数据。接着对第二图像数据进行色彩映射，得到第三图像数据，其中，第
二图像数据中的各像素的颜色通道分量值与第三图像数据中对应像素的色彩分量值存在映射关系；也就是说，将第二图像数据中的各像素的颜色通道分量值，转换成其他色彩空间的色彩分量值，从而得到第三图像数据，如此，保留了图像数据中物体与光影边缘的色彩属性，以便通过物体与光影边缘之间的色彩属性的差别，对光影进行消除。最后，基于不同尺度的第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据，且目标图像数据表征的图像中不存在光影边缘；如此，对不同尺度的第三图像数据进行数据融合，实现了对多尺度图像进行归并融合，进一步凸显主要物体区域，消除光影的干扰，识别的物体的边缘中不再包含光影边缘，进而根据消除光影边缘的图像对图像中的物体进行边缘检测，提高了边缘检测的准确性。
附图说明
17.图1是相关技术中的图像数据处理方法的流程示意图；
18.图2是本技术实施例提供的终端的一个可选的架构示意图；
19.图3是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
20.图4是本技术实施例提供的待处理图像的示意图；
21.图5是本技术实施例提供的三个不同尺度的第一图像数据所表征的图像的示意图；
22.图6是本技术实施例提供的三个不同尺度的第二图像数据所表征的图像的示意图；
23.图7是本技术实施例提供的目标图像数据所表征的图像的示意图；
24.图8是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
25.图9是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
26.图10是本技术实施例提供的对待处理图像进行降维处理的过程示意图；
27.图11是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
28.图12是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
29.图13是本技术实施例提供的使用稀疏矩阵进行平滑处理的过程示意图；
30.图14是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
31.图15是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
32.图16是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
33.图17是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
34.图18是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
35.图19是本技术实施例提供的对筛选出的第三图像数据进行扩维处理的示意图；
36.图20是本技术实施例提供的图像数据处理方法的一个可选的流程示意图；
37.图21是本技术实施例提供的执行非极大值抑制过程的示意图；
38.图22是本技术实施例提供的图像数据处理方法的所得到物体的边缘检测结果的示意图；
39.图23是本技术实施例提供的图像数据处理方法的一个可选的流程示意图。
具体实施方式
40.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
41.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本技术实施例所使用的所有的技术和科学术语与属于本技术实施例的技术领域的技术人员通常理解的含义相同。本技术实施例所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
42.为了更好地理解本技术实施例中提供的图像数据处理方法，首先对相关技术中的图像数据处理方法进行说明：
43.参见图1，图1是相关技术提供的图像数据处理方法的结构框图，首先，获得待处理图像，对待处理图像进行图像灰度化处理，得到灰度图像数据；其次，使用二维高斯滤波器对灰度图像数据进行除噪声处理，得到平滑后的灰度图像数据；然后，基于获得的一阶有限差分的横轴梯度计算矩阵和纵轴梯度计算矩阵，计算平滑后的灰度图像数据的梯度幅度矩阵以及梯度方向矩阵，最后，基于梯度幅度矩阵以及梯度方向矩阵，对物体进行边缘检测。
44.上述图像灰度处理的过程如下：依次遍历读取待处理图像上每一像素的rgb值，获取图像rgb矩阵m
rgb
，将图像rgb矩阵m
rgb
转换为图像灰度矩阵m
gray
，其中，图像灰度化处理公式为：
45.gray
(i,j)
＝0.299
×r(i,j)
0.587
×g(i,j)
0.114
×b(i,j)
ꢀꢀꢀ
(公式1)
46.其中，i、j为图像矩阵中的坐标位置，其中，i为大于或等于1，且小于或等于i的整数，i为图像矩阵中的总行数，j为大于或等于1，且小于或等于j的整数，j为图像矩阵中的总列数；gray
(i,j)
为(i,j)坐标位置的像素的灰度值，r
(i,j)
为(i,j)坐标位置的像素的红(red，r)颜色通道分量值,g
(i,j)
为(i,j)坐标位置的像素的绿(green，g)颜色通道分量值，b
(i,j)
为(i,j)坐标位置的像素的蓝(blue，b)颜色通道分量值。
47.在(公式1)中，将每个像素rgb值进行权重和计算，得出的值为该像素的灰度值，进而所有像素上的灰度值gray
(i,j)
组成图像灰度矩阵m
gray
。
48.上述使用二维高斯滤波器对灰度图像进行除噪声处理的过程如下：首先生成一个滤波器矩阵模板，根据二维高斯滤波器的公式定义：则生成一个长宽(2t 1)
×
(2t 1)的二维高斯滤波器矩阵模板，矩阵的各个元素计算公式如下：
[0049][0050]
其中，i、j为滤波器矩阵中的坐标位置，π为圆周率定值，sigma为高斯分布的标准差，t为用于定义二维高斯滤波器矩阵模板的大小。需要说明的是，sigma值越大，高斯分布越分散，提高了远处像素对中心像素的影响程度，滤波结果也就越平滑；反之则削减了远处像素对中心像素的影响程度。
[0051]
根据高斯分布(μ，sigma2)，其中，u为高斯分布的均值(又称数学期望)；在区间(μ-sigma,μ sigma)范围内的面积占曲线下总面积的68％，(μ-2sigma,μ 2sigma)范围占95％，
(μ-3sigma,μ 3sigma)范围占99.7％，故二维高斯滤波器矩阵模板的长宽值与sigma的取值保持3至4倍关系范围内，即为合理值。相关技术中，一般二维高斯滤波器矩阵模板长宽取值为5
×
5，则t值为2，sigma取值为1.4；进一步地，将t和sigma代入(公式2)中计算，得到5
×
5高斯滤波矩阵g2×5；最后，将5
×
5高斯滤波矩阵g5×5与原图像灰度矩阵m
gray
做卷积运算，完成图像去噪声平滑处理，最终得到平滑后的灰度图像数据，即图像平滑灰度矩阵gm
gray
。
[0052]
示例性的，5
×
5高斯滤波矩阵g5×5可以为：
[0053]
g5×5＝[[0.00111797,0.00400291,0.00860487,0.01110539,0.00860487],
[0054]
[0.00400291,0.01433255,0.03080999,0.03976317,0.03080999],
[0055]
[0.00860487,0.03080999,0.06623077,0.08547699,0.06623077],
[0056]
[0.01110539,0.03976317,0.08547699,0.11031603,0.08547699],
[0057]
[0.00860487,0.03080999,0.06623077,0.08547699,0.06623077]]。
[0058]
上述使用一阶有限差分计算灰度图像的横纵梯度矩阵，进而得到度的幅度矩阵以及方向矩阵的过程如下：首先，获取横轴梯度计算矩阵为x_kernel，纵轴梯度计算矩阵为y_kernel，示例性的，横轴梯度计算矩阵x_kernel＝[[-1,1],[-1,1]]；纵轴梯度计算矩阵y_kernel＝[[1,1],[-1,-1]]。其次，使用gm
gray
与横轴梯度计算矩阵x_kernel做卷积运算，求出每个像素的横向梯度值g
x
(i,j)，使用gm
gray
与纵轴梯度计算矩阵y_kernel做卷积运算，求出每个像素的纵向梯度值gy(i,j)。然后，将每个像素的横向梯度值g
x
(i,j)和纵向梯度值gy(i,j)，通过如下(公式3)计算，得到图像平滑灰度矩阵gm
gray
的梯度幅度矩阵ag，将每个像素的横向梯度值g
x
(i,j)和纵向梯度值gy(i,j)，通过如下(公式4)计算，得到图像平滑灰度矩阵gm
gray
的和梯度方向矩阵dg。需要说明的是，矩阵中的每个像素分别代表着对应坐标像素的梯度幅度与梯度方向。其中，梯度幅度计算公式为：
[0059][0060]
梯度方向计算公式为：
[0061]
d(i,j)＝arctan(g
y(i,j)
/g
x(i,j)
)
×
180/π
ꢀꢀꢀ
(公式4)
[0062]
其中，a(i,j)为(i,j)坐标位置的像素的梯度幅度，d(i,j)为(i,j)坐标位置的像素的梯度方向，g
x
(i,j)为(i,j)坐标位置的像素的横向梯度值，gy(i,j)为(i,j)坐标位置的像素的纵向梯度值，arctan为反正切函数。
[0063]
通过上述的方案对物体进行边缘检测时，至少存在以下问题：
[0064]
(1)二维高斯滤波器是以局部像素加权计算影响中心像素的方式平滑图像噪声，且越靠近中心的位置其权重值越大。当图像中的物体因光照产生光影时，光影边缘处的图像灰度落差会比较明显，然后在二维高斯滤波器原理的作用下，进一步加大了光影边缘的图像灰度落差，形成了更为明显的假边缘线，导致对物体做边缘检测时，产生大量的干扰，将光影边缘误认为是物体边缘，导致物体范围判断比实际的大。
[0065]
(2)判断图像内物体边缘的依据是图像灰度值的梯度变化，其灰度值的梯度幅度值越大的地方，说明在这个地方的两侧具有较大的灰度落差，这种灰度落差在视觉呈现上便是物体的边缘，即仍然存在将光影边缘误认为是物体边缘，导致在检测物体边缘是存在检测不准确的问题。
[0066]
下面说明本技术实施例提供的图像数据处理设备的示例性应用，本技术实施例提
供的图像数据处理设备可以实施为笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)，智能机器人等任意具有屏幕显示功能的终端，也可以实施为服务器。下面，将说明图像数据处理设备实施为终端时的示例性应用。
[0067]
参见图2，图2是本技术实施例提供的终端100的结构示意图，图2所示的终端100包括：至少一个处理器110、至少一个网络接口120、用户接口130和存储器150。终端100中的各个组件通过总线系统140耦合在一起。可理解，总线系统140用于实现这些组件之间的连接通信。总线系统140除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图1中将各种总线都标为总线系统140。
[0068]
处理器110可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
[0069]
用户接口130包括使得能够呈现媒体内容的一个或多个输出装置131，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口130还包括一个或多个输入装置132，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
[0070]
存储器150可以是可移除的，不可移除的或其组合。示例性地硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器150可选地包括在物理位置上远离处理器110的一个或多个存储设备。存储器150包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(read only memory，rom)，易失性存储器可以是随机存取存储器(random access memory，ram)。本技术实施例描述的存储器150旨在包括任意适合类型的存储器。在一些实施例中，存储器150能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
[0071]
操作系统151，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
[0072]
网络通信模块152，用于经由一个或多个(有线或无线)网络接口120到达其他计算设备，示例性地网络接口120包括：蓝牙、无线相容性认证(wifi)、和通用串行总线(universal serial bus，usb)等；
[0073]
输入处理模块153，用于对一个或多个来自一个或多个输入装置132之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
[0074]
在一些实施例中，本技术实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器150中的一种图像数据处理装置154，该图像数据处理装置154可以是终端100中的图像数据处理装置，其可以是程序和插件等形式的软件，包括以下软件模块：获得模块1541和处理模块1542，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
[0075]
在另一些实施例中，本技术实施例提供的装置可以采用硬件方式实现，作为示例，本技术实施例提供的装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本技术实施例提供的图像数据处理方法，例如，硬件译码处理器形式的处理器可以采用一个或
多个应用专用集成电路(application specific integrated circuit，asic)、dsp、可编程逻辑器件(programmable logic device，pld)、复杂可编程逻辑器件(complex programmable logic device，cpld)、现场可编程门阵列(field-programmable gate array，fpga)或其他电子元件。
[0076]
下面将结合本技术实施例提供的终端100的示例性应用和实施，说明本技术实施例提供的图像数据处理方法。参见图3，图3是本技术实施例提供的图像数据处理方法的一个可选的流程示意图，将结合图3示出的步骤进行说明，
[0077]
步骤301、获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据。
[0078]
其中，n为大于或等于2的整数。
[0079]
本技术实施例中，待处理图像包括物体由于光的照射产生光影边缘的图像。
[0080]
本技术实施例中，第一图像数据包括多颜色通道分量的图像数据，其中，多颜色通道分量可以为r颜色通道分量、g颜色通道分量、b颜色通道分量。这里，第一图像数据可以通过矩阵的形式表示，需要说明的是，以下所述的图像数据均通过矩阵的形式表示。
[0081]
本技术实施例中，考虑到终端处理图像数据时的运算资源和对图像数据进行处理的计算量，n的取值范围可以为[2,4]，也就是说，终端可以对存在光影边缘的待处理图像的2个不同尺度的第一图像数据进行处理，终端也可以对存在光影边缘的待处理图像的3个不同尺度的第一图像数据进行处理，终端还可以对存在光影边缘的待处理图像的4个不同尺度的第一图像数据进行处理，对此，本技术不做具体限制。
[0082]
可选的，n可以取值3，如此，保证获取的图像数据均有效，且终端处理图像数据时的运算资源小，计算量小且处理速度快。
[0083]
本技术实施例中，在获取到存在光影边缘的待处理图像后，由左到右、由上到下，按序依次遍历待处理图像中的像素的多颜色通道分量对应的颜色通道分量值，进而得到待处理图像数据；进一步地，对待处理图像数据进行不同尺度变换，得到n个具有不同尺度的第一图像数据，需要说明的是，n个不同尺度的第一图像数据可以包括待处理图像数据。这里，在一种可实现的场景中，以n取3为例，参见图4和图5所示，图4是本技术实施例提供的待处理图像的示意图，图5是本技术实施例提供的三个不同尺度的第一图像数据所表征的图像的示意图，这里，图5中的a是三个不同尺度中最大尺度的第一图像数据所表征的图像，图5中的b是三个不同尺度中次大尺度的第一图像数据所表征的图像，图5中的c是三个不同尺度中最小尺度的第一图像数据所表征的图像。
[0084]
步骤302、获得第n个第一图像数据经过平滑处理后的第n个第二图像数据。
[0085]
其中，n为大于或等于1，且小于或等于n的整数。
[0086]
本技术实施例中，对第一图像数据进行平滑处理可以通过二维高斯滤波矩阵对第一图像数据进行平滑处理，对第一图像数据进行平滑处理可以通过预先定义的稀疏矩阵对第一图像数据进行平滑处理，对此，本技术不做具体限制。
[0087]
本技术实施例中，对第一图像数据进行平滑处理，用于图像数据进行降噪处理，还用于将光影边缘模糊化，进而消除光影边缘，进一步地，还可以在识别物体的边缘时不包含光影边缘。
[0088]
本技术实施例中，终端在获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据的情况下，对第n个第一图像数据进行平滑处理，得到第n个第二图像数据。在一种
可实现的场景中，以n取3为例，参见图5和图6所示，图6是本技术实施例提供的三个不同尺度的第二图像数据所表征的图像的示意图，这里，图6中的a是三个不同尺度中最大尺度的第一图像数据经过平滑处理得到的第二图像数据所表征的图像，图6中的b是三个不同尺度中次大尺度的第一图像数据经过平滑处理得到的第二图像数据所表征的图像，图6中的c是三个不同尺度中最小尺度的第一图像数据经过平滑处理得到的第二图像数据所表征的图像。
[0089]
步骤303、对第n个第二图像数据进行色彩映射，得到第n个第三图像数据。
[0090]
其中，第n个第二图像数据中的各像素的颜色通道分量值与第n个第三图像数据中对应像素的色彩分量值存在映射关系。
[0091]
本身实施例中，各像素的颜色通道分量值包括各像素的r颜色通道分量值、g颜色通道分量值和b颜色通道分量值；色彩分量值包括但不限于颜色度分量值、饱和度分量值，以及颜色度分量值与饱和度分量值的和值。
[0092]
本技术实施例中，终端在获得第n个第一图像数据经过平滑处理后的第n个第二图像数据之后，第n个第二图像数据中的各像素的颜色通道分量值，对第n个第二图像数据进行色彩映射，确保得到第n个第三图像数据的各像素的色彩分量值与第n个第二图像数据中对应像素的rgb颜色通道分量值之间存在映射关系。
[0093]
步骤304、对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据。
[0094]
其中，目标图像数据表征的图像中不存在光影边缘。
[0095]
本技术实施例中，最大尺度为待处理图像对应的待处理图像数据的原始尺度，即对待处理图像数据未进行数据降维处理时的尺度。
[0096]
本技术实施例中，在对第n个第二图像数据进行色彩映射，得到第n个第三图像数据的情况下，将n个第三图像数据进行数据融合，从而得到消除了光影边缘数据的目标图像数据，需要说明的是，目标图像数据的尺度与最大尺度的第一图像数据的尺度相同。在一种可实现的场景中，参见图7所示，图7是本技术实施例提供的目标图像数据所表征的图像的示意图，即目标图像数据所表征的图像已经消除了光影。
[0097]
本技术实施例提供的一种图像数据处理方法，首先获取待处理图像的不同尺度的第一图像数据，然后对第一图像数据进行平滑处理，在一定的程度上将光影边缘模糊化，得到第二图像数据。接着对第二图像数据进行色彩映射，得到第三图像数据，其中，第二图像数据中的各像素的颜色通道分量值与第三图像数据中对应像素的色彩分量值存在映射关系；也就是说，将第二图像数据中的各像素的颜色通道分量值，转换成其他色彩空间的色彩分量值，从而得到第三图像数据，如此，保留了图像数据中物体与光影边缘的色彩属性，以便通过物体与光影边缘之间的色彩属性的差别，对光影进行消除。最后，基于不同尺度的第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据，且目标图像数据表征的图像中不存在光影边缘；如此，对不同尺度的第三图像数据进行数据融合，实现了对多尺度图像进行归并融合，进一步凸显主要物体区域，消除光影的干扰，识别的物体的边缘中不再包含光影边缘，进而根据消除光影边缘的图像对图像中的物体进行边缘检测，提高了边缘检测的准确性。
[0098]
参见图8，图8是本技术实施例提供的图像数据处理方法的一个可选的流程示意
图，将结合图8示出的步骤进行说明，
[0099]
步骤801、获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据。
[0100]
步骤802、获得第一预设尺度的稀疏矩阵。
[0101]
其中，第一预设尺度小于不同尺度中的最小尺度。
[0102]
本技术实施例中，第一预设尺度远小于不同尺度中的最小尺度，这里，第一预设尺度可以是3
×
3，第一预设尺度还可以是5
×
5，第一预设尺度还可以是7
×
7，对第一预设尺度本技术不做具体限制。
[0103]
本技术实施例中，稀疏矩阵是由元素1和元素0通过间隔排列所构成的矩阵。示例性的，若第一预设尺度是3
×
3，则3
×
3的稀疏矩阵m可以为，m＝[[1,0,1],[0,1,0],[1,0,1]]；若第一预设尺度是5
×
5，则5
×
5的稀疏矩阵m可以为，m＝[[1,0,1,0,1],[0,1,0,1,0],[1,0,1,0,1],[0,1,0,1,0],[1,0,1,0,1]]；若第一预设尺度是7
×
7，则7
×
7的稀疏矩阵m可以为，m＝[[1,0,1,0,1,0,1],[0,1,0,1,0,1,0],[1,0,1,0,1,0,1],[0,1,0,1,0,1,0],[1,0,1,0,1,0,1],[0,1,0,1,0,1,0],[1,0,1,0,1,0,1]]。
[0104]
可选的，第一预设尺度可以为5
×
5，如此，稀疏矩阵在对第一图像数据进行平滑处理时，将光影以及光影边缘进行模糊化，且模糊化的光影和光影边缘的模糊化程度符合模糊化条件，为消除光影边缘奠定了基础，其中，模糊化条件可以理解为能够消除模糊化的光影边缘。
[0105]
步骤803、基于稀疏矩阵，对第n个第一图像数据进行平滑处理，得到第n个第二图像数据。
[0106]
本技术实施例中，在获得第一预设尺度的稀疏矩阵m后，使用稀疏矩阵对第n个第一图像数据进行平滑处理，从而得到满足平滑条件的第n个第二图像数据，其中，平滑条件包括上述的模糊化条件。
[0107]
这里，终端使用稀疏矩阵对第一图像数据进行平滑处理，目的一是通过稀疏矩阵，分摊第一图像数据中的各个像素的颜色通道分量值的权重，进而实现对第一图像数据的降噪平滑，目的二是在一定程度上将图像中的光影边缘进行模糊化，如此，确保得到的第二图像数据更加平滑，同时为消除光影边缘进行初步处理。
[0108]
步骤804、基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行颜色度分量映射，得到第n个颜色度图像数据。
[0109]
步骤805、基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行饱和度分量映射，得到第n个饱和度图像数据。
[0110]
本技术实施例中，图像数据可以使用rgb颜色通道分量进行表示，图像数据还可以使用颜色度分量和饱和度分量进行表示，其中，颜色度分量用于表示图像颜色的明暗程度；饱和度用于表示图像颜色的浓度，饱和度越高，颜色越饱满，饱和度越低，颜色会显得陈旧；当饱和度为0时，该图像则为灰度图像。
[0111]
本技术实施例中，终端基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据中每一像素进行颜色度分量映射，得到每一像素对应的颜色度分量；基于所有像素对应的颜色度分量，得到第n个颜色度图像数据，进一步地，基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据每一像素进行饱和度分量映射，得到每一像素对应的饱和度分量；基于所有像素对应的饱和度分量，得到第n个饱和
度图像数据。需要说明的是，光影边缘的图像与物体边缘的图像的颜色度和饱和度不同，通过色彩映射的方式，对第二图像数据进行分解，得到颜色度图像数据和饱和度图像数据，进而按照一定的规则，去除颜色度图像数据中包含有光影边缘的颜色度图像数据以及饱和度图像数据中包含有光影边缘的饱和度图像数据，如此，实现了光影和光影边缘的图像色彩数据的消除。
[0112]
步骤806、将第n个颜色度图像数据和第n个饱和度图像数据进行线性融合，得到第n个第三图像数据。
[0113]
本技术实施例中，将第n个颜色度图像数据和第n个饱和度图像数据进行线性融合，得到第n个第三图像数据，可以理解为，将第n个颜色度图像数据中所有像素的颜色度分量值，与第n个饱和度图像数据中的对应像素的饱和度分量值线性相加，得到第n个第三图像数据，其中，第n个第三图像数据中的每一像素对应一个色彩分量值。
[0114]
步骤807、对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据。
[0115]
其中，目标图像数据表征的图像中不存在光影边缘。
[0116]
由上述可知，本技术实施例中，首先获取待处理图像的不同尺度的第一图像数据，然后使用稀疏矩阵处理第一图像数据，通过分摊权重使图像数据平滑，在一定的程度上将光影边缘模糊化，得到不同尺度的第二图像数据。接着基于不同尺度的第二图像数据中所有像素的颜色通道分量值，分别对第二图像数据进行颜色度分量映射和饱和度分量映射，得到不同尺度的颜色度图像数据和饱和度图像数据，进而将同一尺度的颜色度图像数据和饱和度图像数据进行线性融合，得到不同尺度的第三图像数据；最后，将不同尺度的第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据，且目标图像数据表征的图像中不存在光影边缘。如此，保留了图像数据中物体与光影边缘的颜色度属性和饱和度属性，基于物体与光影边缘之间的颜色度和饱和度的差别，对光影进行消除，且对不同尺度的第三图像数据进行数据融合，实现了对多尺度图像进行归并融合，凸显了主要物体区域，消除光影的干扰，识别的物体的边缘中不再包含光影边缘。
[0117]
在一些实施例中，针对步骤801获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据的过程，结合图9作出进一步地说明，
[0118]
步骤901、获得待处理图像对应的待处理图像数据。
[0119]
本技术实施例中，终端读取待处理图像，获得待处理图像中所有像素中每一像素的不同颜色通道分量对应的颜色通道分量值，从而得到待处理图像数据；这里，不同颜色通道分量对应的颜色通道分量值包括：r颜色通道分量对应的r颜色通道分量值、g颜色通道分量对应的g颜色通道分量值和b颜色通道分量对应的b颜色通道分量值。这里，待处理图像数据的尺度为最大尺度。
[0120]
步骤902、获得第二预设尺度的第一模版矩阵。
[0121]
本技术实施例中，第二预设尺度远小于不同尺度中的最小尺度，示例性的，第二预设尺度可以是3
×
3，第二预设尺度还可以是5
×
5，第二预设尺度还可以是7
×
7，对第二预设尺度本技术不做具体限制。
[0122]
本技术实施例中，第一模版矩阵是由元素1构成的单位矩阵，第一模版矩阵用于对待处理图像数据进行降维处理，以得到不同尺度的图像数据。
[0123]
步骤903、基于第一模版矩阵，分别对待处理图像数据中的不同颜色通道分量的数据进行降维处理，得到每一颜色通道分量对应的降维后的图像数据。
[0124]
本技术实施例中，降维处理可以通过下采样的方式实现，下采样可以理解为对图像数据进行像素抽样处理，进而缩小图像尺寸与分辨率。
[0125]
本技术实施例中，由于待处理图像数据包括所有像素中每一像素的r颜色通道分量对应的r颜色通道分量值、g颜色通道分量对应的g颜色通道分量值和b颜色通道分量对应的b颜色通道分量值；首先，终端从待处理图像数据中提取所有像素中每一颜色通道分量对应的颜色通道分量值，从而得到每一颜色通道分量对应的图像数据，即得到r颜色通道图像数据、g颜色通道图像数据和b颜色通道图像数据；其次，从左到右、从上到下，按序以第一模版矩阵为单位，分别对每一颜色通道分量对应的图像数据进行n-1次降维处理，得到每一颜色通道分量对应的n-1个不同尺度的降维后的图像数据。示例性的，若n＝2，则使用第一模板矩阵对每一颜色通道分量对应的图像数据进行一次降维处理，得到每一颜色通道分量对应的一个降维后的图像数据；若n＝3，则使用第一模板矩阵对每一颜色通道分量对应的图像数据进行连续两次降维处理，得到每一颜色通道分量对应的两个不同尺度的降维后的图像数据。
[0126]
需要说明的是，使用第一模版矩阵对每一颜色通道分量对应的图像数据进行无重复遍历，且第一模版矩阵每次在每一颜色通道分量对应的图像数据框定固定个数的像素，将固定个数的像素对应的颜色通道分量值，和第一模板矩阵中与像素对应的单位值加权求平均，得到均值放到一个新的矩阵，从而得到每一颜色通道分量对应的降维后的图像数据。
[0127]
步骤904、将所有颜色通道分量对应的降维后的图像数据进行合并，得到第一图像数据。
[0128]
其中，n个不同尺度的第一图像数据包括第一图像数据和待处理图像数据。
[0129]
本技术实施例中，将同一尺度的不同颜色通道分量对应的降维后的图像数据进行合并，从而得到第一图像数据，且n个不同尺度的第一图像数据包括第一图像数据和待处理图像数据。
[0130]
在一种可实现的场景中，以第二预设尺度为3
×
3为例，第一模板矩阵为[[1,1,1],[1,1,1],[1,1,1]]，参见图10所示，使用第一模版矩阵在对每一颜色通道分量的图像数据进行无重复遍历，且第一模版矩阵每次在每一颜色通道分量对应的图像数据框定9个像素，将这9个像素对应的颜色通道分量值，和第一模板矩阵中与像素对应的单位值加权求平均，得到的均值放到一个新的矩阵，从而得到每一颜色通道分量对应的降维后的图像数据。最后，将所有颜色通道分量对应的降维后的图像数据进行合并，得到第一图像数据。
[0131]
由上述可知，本技术实施例中，通过对待处理图像数据进行不同颜色通道分量的降维处理，得到多个尺度的不同颜色通道分量对应的降维后的图像数据，从而将同一尺度的不同颜色通道分量对应的降维后的图像数据进行合并，得到通过降维处理得到的第一图像数据，这里，待处理图像数据和通过降维处理得到的第一图像数据构成了n个不同尺度的第一图像数据。如此，通过降维的方式丢弃图像数据的细节部分，保留图像数据的主要内容区域，且引入不同尺度的第一图像数据，为消除光影边缘提供了保证。
[0132]
在一些实施例中，在获得n个不同尺度的第一图像数据和第一预设尺度的稀疏矩阵的情况下，针对步骤803基于稀疏矩阵，对第n个第一图像数据进行平滑处理，得到第n个
第二图像数据的过程，结合图11作出进一步地说明，
[0133]
步骤1101、使用稀疏矩阵，对第n个第一图像数据进行第一平滑处理，得到消除了第n个第一图像数据中的细节数据信息的第n个初始平滑图像数据。
[0134]
本技术实施例中，第一平滑处理用于消除第n个第一图像数据中的细节数据信息。
[0135]
本技术实施例中，针对步骤1101使用稀疏矩阵，对第n个第一图像数据进行第一平滑处理，得到消除了第n个第一图像数据中的细节数据信息的第n个初始平滑图像数据的过程，结合图12作出进一步地说明，
[0136]
步骤a1、使用稀疏矩阵对第n个第一图像数据进行逐行逐列遍历，经过第k次遍历，得到第k部分图像数据。
[0137]
其中，k为大于或等于1,且小于或等于k的整数，k为遍历的总次数。
[0138]
本技术实施例中，第k部分图像数据为使用稀疏矩阵m在第k次遍历第n个第一图像数据cn时所框定的图像数据，第k部分图像数据的尺度与第一预设尺度相同。
[0139]
在一种可实现的场景中，参照图13所示，图13示出的是使用稀疏矩阵对第n个第一图像数据经过第k次遍历，得到第k部分图像数据。
[0140]
步骤a2、获得第k部分图像数据中所有像素中任一像素的颜色通道分量值的均值，与稀疏矩阵中与任一像素对应的稀疏值之间的第一差值。
[0141]
本技术实施例中，终端获得第k部分图像数据中所有像素中任一像素的r颜色通道分量值、g颜色通道分量值和b颜色通道分量值之间的均值，并计算该像素的均值与稀疏矩阵中与该像素对应的稀疏值之间的第一差值。
[0142]
步骤a3、确定所有像素对应的第一差值中最小的第一差值对应的第k像素。
[0143]
步骤a4、在第n个第一图像数据中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值。
[0144]
步骤a5、在第k次遍历结束的情况下，在第n个第一图像数据中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值，得到第n个初始平滑图像数据。
[0145]
本技术实施例中，参照图13所示，终端在获得第k部分图像数据中所有像素对应的第一差值后，选择最小的第一差值对应的像素为第k部分图像数据中的第一目标像素，即第k像素；然后，在第n个第一图像数据cn中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值。进一步地，在第k次遍历结束的情况下，在第n个第一图像数据cn中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值，得到第n个初始平滑图像数据如此，实现消除第n个第一图像数据cn中的细节数据信息。
[0146]
步骤1102、使用稀疏矩阵，对第n个初始平滑图像数据进行第二平滑处理，得到凸显了第n个初始平滑图像数据中的主体数据信息的第n个第二图像数据。
[0147]
本技术实施例中，第二平滑处理用于凸显第n个初始平滑图像数据中的主体数据信息。
[0148]
本技术实施例中，针对步骤1102使用稀疏矩阵，对第n个初始平滑图像数据进行第二平滑处理，得到凸显了第n个初始平滑图像数据中的主体数据信息的第n个第二图像数据的过程，结合图14作出进一步地说明，
[0149]
步骤b1、使用稀疏矩阵对第n个初始平滑图像数据进行遍历，经过第l次遍历，得到第l部分图像数据。
[0150]
其中，l为大于或等于1,且小于或等于l的整数，l为遍历的总次数。这里，l与k相同。
[0151]
本技术实施例中，第l部分图像数据为使用稀疏矩阵m在第l次遍历第n个初始平滑图像数据时所框定的图像数据，第l部分图像数据的尺度与第一预设尺度相同。
[0152]
步骤b2、获得第l部分图像数据中所有像素中任一像素的颜色通道分量值的均值，与稀疏矩阵中与任一像素对应的稀疏值之间的第一和值。
[0153]
本技术实施例中，终端获得第l部分图像数据中所有像素中任一像素的r颜色通道分量值、g颜色通道分量值和b颜色通道分量值之间的均值，并计算该像素的均值与稀疏矩阵中与该像素对应的稀疏值之间的第一和值。
[0154]
步骤b3、确定所有像素对应的第一和值中最大的第一和值对应的第l像素。
[0155]
步骤b4、在第n个初始平滑图像数据中，将第l部分图像的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值。
[0156]
步骤b5、在第l次遍历结束的情况下，在第n个初始平滑图像数据中，将第l部分图像数据的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值，得到第n个第二图像数据。
[0157]
本技术实施例中，终端在获得第l部分图像数据中所有像素对应的第一和值后，选择最大的第一和值对应的像素为第l部分图像数据中的第二目标像素，即第l像素；然后，在第n个初始平滑图像数据中，将第l部分图像数据的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值。进一步地，在第l次遍历结束的情况下，在第n个初始平滑图像数据中，将第l部分图像数据的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值，得到第n个第二图像数据如此，实现了凸显第n个初始平滑图像数据中的主体数据信息。
[0158]
在一些实施例中，在基于稀疏矩阵，对第n个第一图像数据进行平滑处理，得到第n个第二图像数据的情况下，针对步骤804基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行颜色度分量映射，得到第n个颜色度图像数据的过程，结合图15作出进一步地说明，
[0159]
步骤1501、若所有像素中的任一像素的多个颜色通道分量值均相等，确定任一像素的色度分量值为第一颜色度分量值。
[0160]
本技术实施例中，任一像素的多个颜色通道分量值均相等可以理解为，任一像素的r颜色通道分量值、g颜色通道分量值、b颜色通道分量值这三者分量值均相等。
[0161]
本技术实施例中，第一颜色度分量值可以为预设值，示例性的，预设值可以为0。
[0162]
步骤1502、若所有像素中的任一像素的多个颜色通道分量值不相等，确定任一像素的多个颜色通道分量值中大于第一阈值的颜色通道分量值对应的目标颜色通道，选择与目标颜色通道分量对应的颜色度映射公式，得到任一像素的第二颜色度分量值。
[0163]
其中，第n个颜色度图像数据包括所有像素的第一颜色度分量值和/或第二颜色度分量值。
[0164]
本技术实施例中，第一阈值可以是基于每一像素的颜色通道分量值进行动态调节的值，第一阈值也可以是在多个颜色通道分量值不相等的情况下，能够获取到最大颜色通道分量值的阈值，对此，本技术不做具体限制。
[0165]
本技术实施例中，在第n个第二图像数据中的所有像素中的任一像素的多个颜色通道分量值均相等的情况下，终端确定任一像素的颜色度分量值为第一颜色度分量值；在第n个第二图像数据中的所有像素中的任一像素的多个颜色通道分量值不相等的情况下，确定任一像素的多个颜色通道分量值中大于第一阈值的颜色通道分量值对应的目标颜色通道，选择与目标颜色通道对应的颜色度映射公式，得到任一像素的第二颜色度分量值，进而基于所有像素的颜色度分量值，得到第n个颜色度图像数据
[0166]
本技术实施例中，确定第二颜色度分量值，可以通过公式5-1至5-4任一公式得到：
[0167][0168]
其中，h为第二颜色度分量值，max(r,g,b)为任一像素的多个颜色通道分量值中的最大分量值，min(r,g,b)为任一像素的多个颜色通道分量值中的最小分量值。
[0169]
需要说明的是，若目标颜色通道为r，计算第二颜色度分量值选择公式(5-1)或公式(5-2)；具体地，当目标颜色通道为r时，若g颜色通道分量值大于或等于b颜色通道分量值，计算第二颜色度分量值选择公式(5-1)；若g颜色通道分量值小于b颜色通道分量值，计算第二颜色度分量值选择公式(5-2)。若目标颜色通道为g，计算第二颜色度分量值选择公式(5-3)；若目标颜色通道为b，计算第二颜色度分量值选择公式(5-4)。如此，基于第n个第二图像中所有像素的颜色通道分量值，得到第n个第三图像数据中所有像素的颜色度分量值，实现对光影边缘的消除。
[0170]
需要说明的是，步骤1501和步骤1502可以同步执行，步骤1501也可以在步骤1502之前执行，步骤1501还可以在步骤1502之后执行，对此，本技术不做具体限制。
[0171]
在一些实施例中，在基于稀疏矩阵，对第n个第一图像数据进行平滑处理，得到第n个第二图像数据的情况下，针对步骤805基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行饱和度分量映射，得到第n个饱和度图像数据的过程，结合图16作出进一步地说明，
[0172]
步骤1601、若所有像素中的任一像素的多个颜色通道分量值均为预设分量值，确定任一像素的饱和度分量值为第一饱和度分量值。
[0173]
本技术实施例中，预设分量值可以为0。任一像素的多个颜色通道分量值均为预设分量值可以理解为，任一像素的r颜色通道分量值、g颜色通道分量值、b颜色通道分量值这三者分量值均相等，且都为0。
[0174]
步骤1602、若所有像素中的任一像素的多个颜色通道分量值均不为预设分量值，通过饱和度映射公式，确定任一像素的第二饱和度分量值。
[0175]
其中，第n个饱和度图像数据包括所有像素的第一饱和度分量值和/或第二饱和度分量值。
[0176]
本技术实施例中，在第n个第二图像数据中的所有像素中的任一像素的多个颜色通道分量值均为预设分量值的情况下，终端确定任一像素的饱和度分量值为第一饱和度分量值；在第n个第二图像数据中的所有像素中的任一像素的多个颜色通道分量值均不为预设分量值的情况下，通过饱和度映射公式，确定任一像素的第二饱和度分量值，进而基于所有像素的饱和度分量值，得到第n个饱和度图像数据
[0177]
本技术实施例中，若所有像素中的任一像素的多个颜色通道分量值均不为预设分量值，饱和度映射公式为：
[0178][0179]
其中，s为第二饱和度分量值，max(r,g,b)为任一像素的多个颜色通道分量值中的最大分量值，min(r,g,b)为任一像素的多个颜色通道分量值中的最小分量值，多个颜色通道分量值包括红r颜色通道分量值、绿g颜色通道分量值和蓝b颜色通道分量值。如此，基于第n个第二图像中所有像素的颜色通道分量值，得到第n个第三图像数据中所有像素的饱和度分量值，实现对光影边缘的消除。
[0180]
需要说明的是，步骤1601和步骤1602可以同步执行，步骤1601也可以在步骤1602之前执行，步骤1601还可以在步骤1602之后执行，对此，本技术不做具体限制。
[0181]
在一些实施例中，在将第n个颜色度图像数据和第n个饱和度图像数据进行线性融合，得到第n个第三图像数据的情况下，针对步骤807对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据的过程，结合图17作出进一步地说明，
[0182]
步骤1701、从n个第三图像数据中，筛选出尺度小于最大尺度的第三图像数据。
[0183]
本技术实施例中，终端需要对n个第三图像数据中尺度不等于最小尺度的第三图像数据进行扩维处理，以便对扩维后的得到的多个同一尺度的图像数据进行逻辑运算，故需要先从n个第三图像数据中，筛选出尺度小于最大尺度的第三图像数据。
[0184]
步骤1702、对筛选出的第三图像数据进行扩维处理，得到第四图像数据。
[0185]
其中，第四图像数据的尺度等于最大尺度。
[0186]
本技术实施例中，扩维处理可以通过上采样的方式实现，上采样可以理解为对图像数据进行像素填充处理，进而放大图像尺寸与分辨率。
[0187]
本技术实施例中，针对步骤1702对筛选出的第三图像数据进行扩维处理，得到第四图像数据的过程，结合图18作出进一步地说明，
[0188]
步骤c1、获得第三预设尺度的第二模版矩阵。
[0189]
其中，第三预设尺度小于第二预设尺度。
[0190]
本技术实施例中，第三预设尺度小于第二预设尺度，示例性的，若第二预设尺度可以是3
×
3，则第三预设尺度为2
×
2，对第三预设尺度本技术不做具体限制。
[0191]
本技术实施例中，第二模版矩阵是由元素1构成的单位矩阵，第二模版矩阵用于对筛选出的第三图像数据进行扩维处理，以得到最大尺度的图像数据。
[0192]
步骤c2、基于第二模版矩阵，对筛选出的第三图像数据进行扩维处理，得到扩维后
的第三图像数据。
[0193]
其中，扩维后的第三图像数据的尺度小于最大尺度。
[0194]
在一种可实现的应用场景中，以第三预设尺度为2
×
2为例，第二模板矩阵为[[1,1],[1,1]]，参见图19所示，使用第二模版矩阵对筛选出的第三图像数据进行无重复遍历，且第二模版矩阵每次在筛选出的第三图像数据中框定包括4个像素的图像数据，将这4个像素对应的色彩分量值，通过上采样算法对应的(公式7)，对框定的图像数据进行上采样，得到框定的图像数据扩维后的图像数据，在使用第二模板矩阵遍历结束后，得到一次扩维后的第三图像数据，由于用于扩维处理的第二模版矩阵的尺度小于用于降维处理的第一模版矩阵的尺度，故经过一次扩维后的第三图像数据的尺度仍小于最大尺度。这里，上采样算法对应的(公式7)为：
[0195][0196][0197][0198][0199][0200][0201]
其中，p0、p1、p2、p3分别为使用第二模版矩阵对筛选出的第三图像数据框定所得到的像素的色彩分量值，e[p]为p0、p1、p2和p3的均值，p
01
为在p0和p1之间插入的色彩分量值，p
02
为在p0和p2之间插入的色彩分量值，p
23
为在p2和p3之间插入的色彩分量值，p
13
为在p1和p3之间插入的色彩分量值，pc为中心位置插入的色彩分量值。
[0202]
步骤c3、继续基于第二模版矩阵，对扩维后的第三图像数据再次进行扩维处理，直至得到与最大尺度相同的第四图像数据。
[0203]
本技术实施例中，在经过一次扩维处理，得到扩维后的第三图像数据之后，继续使用第二模版矩阵，对扩维后的第三图像数据再次进行扩维处理，直至得到与最大尺度相同的第四图像数据。
[0204]
步骤1703、将与最大尺度相同的第三图像数据和第四图像数据进行逻辑运算，得到目标图像数据。
[0205]
本技术实施例中，终端将与最大尺度相同的第三图像数据中所有像素的色彩分量值进行二进制数据转换，得到第一二进制色彩分量值，将第四图像数据中所有像素的色彩分量值进行数据转换，得到第二二进制色彩分量值，将与最大尺度相同的第三图像数据中所有像素中任一像素的第一二进制色彩分量值，同第四图像数据中对应像素的第二二进制
色彩分量值进行按位与的逻辑运算，得到任一像素的目标二进制色彩分量值，将目标二进制色彩分量值进行十进制数据转换，得到任一像素的目标色彩分量值，进而得到所有像素的目标色彩分量值，从而得到目标图像数据。如此，将尺度小于最大尺度的第三图像数据进行扩维处理，得到与尺度最大尺度相同的第四图像数据，实现了尺度归一化处理，进而将相同尺度，尺度与最大尺度相同的第三图像数据和第四图像数据中同一像素的色彩分量值进行逻辑运算，得到去阴影后的目标图像数据，如此，消除了图像中的光影边缘，进而根据消除光影边缘的图像对图像中的物体进行边缘检测，提高了边缘检测的准确性。
[0206]
参见图20，图20是本技术实施例提供的图像数据处理方法的一个可选的流程示意图，将结合图20示出的步骤进行说明，
[0207]
步骤2001、获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据。
[0208]
其中，n为大于或等于2的整数。
[0209]
步骤2002、获得第n个第一图像数据经过平滑处理后的第n个第二图像数据。
[0210]
其中，n为大于或等于1，且小于或等于n的整数。
[0211]
步骤2003、对第n个第二图像数据进行色彩映射，得到第n个第三图像数据。
[0212]
其中，第n个第二图像数据中的各像素的颜色通道分量值与第n个第三图像数据中对应像素的色彩分量值存在映射关系。
[0213]
步骤2004、对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据。
[0214]
其中，目标图像数据表征的图像中不存在光影边缘。
[0215]
步骤2005、获得目标图像数据的梯度幅值数据和梯度方向数据。
[0216]
本技术实施例中，终端获得横轴梯度计算矩阵为x_kernel，纵轴梯度计算矩阵为y_kernel，示例性的，横轴梯度计算矩阵为x_kernel＝[[-4,0,4],[-20,0,20],[-4,0,4]]，纵轴梯度计算矩阵为y_kernel＝[[-4,-20,-4],[0,0,0],[4,20,4]]。然后，将目标图像数据u与横轴梯度计算矩阵x_kernel做卷积运算，求出每一像素的横向梯度值g
x
(i,j)，将目标图像数据u与纵轴梯度计算矩阵y_kernel做卷积运算，求出每一像素的纵向梯度值gy(i,j)。进一步地，基于每一像素的横向梯度值g
x
(i,j)和纵向梯度值gy(i,j)，可以通过上述的(公式3)和(公式4)，计算目标图像数据中每一像素的梯度幅值a(i,j)和梯度方向d(i,j)，从而得到目标图像数据的梯度幅值数据和梯度方向数据。
[0217]
步骤2006、基于梯度幅值数据和梯度方向数据，对目标图像数据的梯度幅值进行非极大值抑制，得到初始边缘图像数据。
[0218]
本技术实施例中，终端基于每一像素的横向梯度值g
x
(i,j)、纵向梯度值gy(i,j)、梯度幅值a(i,j)和梯度方向d(i,j)，进而得到目标图像数据中包括所有像素的横向梯度数据g
x
、纵向梯度数据gy，以及梯度幅度数据ag和梯度方向数据dg。进一步地，同时遍历这四个数据，判断坐标(i,j)在八邻域内的梯度方向上，其梯度幅度是否最大，如图21所示，如果最大(例如p0点的梯度幅度值大于ptmp1点和ptmp2点)则保留梯度幅度数据ag内坐标(i,j)上的梯度幅度值，如果不是最大，则将梯度幅度数据ag内坐标(i,j)上的梯度幅度值置为0。ptmp1点的梯度幅度计算方法如下：
[0219]
a(ptmp1)＝w
×
a(p2) (1-w)
×
a(p1)
ꢀꢀꢀ
(公式8)
[0220]
其中，a(ptmp1)为ptmp1点的梯度幅度，a(p2)为p2点的梯度幅度，a(p1)为p1点的
梯度幅度，w为p1和p2点的梯度幅度的权重。需要说明的是，由于ptmp1点是p0点梯度方向与p1和p2点连线的交点，根据公式8，可知ptmp1点的梯度幅度是p1和p2点梯度幅度的权重求和计算而来，而权重w的计算公式如下：
[0221][0222]
需要强调的是，已知p0点的梯度方向，横向梯度值，纵向梯度值，带入公式9即可计算出权重w，然后根据w即可求出ptmp1的梯度幅度值。ptmp2处的梯度幅度值同理可得。以此方法，遍历计算梯度幅度数据ag中所有非边框像素点，得到非极大值抑制图像数据nms，即得到初始边缘图像数据。
[0223]
步骤2007、基于获得的第二阈值和第三阈值，对初始边缘图像数据进行边缘检测，得到目标边缘图像数据。
[0224]
本技术实施例中，第二阈值可以为高阈值maxval，第三阈值可以为低阈值minval；示例性的，高阈值maxval可以取值非极大值抑制图像数据nms中最大梯度幅度值的15％至17％，低阈值minval可以取值非极大值抑制图像数据nms中最大梯度幅度值的9％至11％，例如，高阈值maxval可以取值非极大值抑制图像数据nms中最大梯度幅度值的16％，低阈值minval可以取值非极大值抑制图像数据nms中最大梯度幅度值的10％。对此，本技术不做具体限制。
[0225]
这里，然后遍历非极大值抑制图像数据nms中的每个像素，如果当前像素的梯度幅度值大于或等于高阈值maxval，则称之边缘点，将当前像素置为255；如果当前像素的梯度幅度值小于或等于低阈值minval，则不属于边缘点，抑制当前像素即置为0；如果当前像素的梯度幅度值介于高阈值maxval与低阈值minval之间，则遍历搜索当前像素的八邻域，首先判断是否存在边缘点，如果存在，则当前像素点是边缘点的延伸，将当前像素点归于边缘点，即置为255；如果不存在边缘点，则判断是否存在大于低阈值minval的像素点，如果存在则再根据此像素点搜索其八邻域，如此循环以上操作，直到遇到边缘点，则表明此一系列像素点与边缘点形成图像边缘闭合，属于边缘点的延伸，则将此一系列像素置为255；如果没有遇到边缘点且没有遇到大于低阈值minval的像素点，则此一系列像素置为0。完成以上步骤处理后，即完成了对初始边缘图像数据的边缘检测，此时获取图像边缘二值矩阵，即目标边缘图像数据。如图22所示，图22为对物体进行边缘检测的检测结果。明显，本技术实施例中实现了将光影边缘消除，更准确的检测出物体的边缘，且图像中的干扰边缘得到一定程度的减少。
[0226]
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
[0227]
这里，以一种实际场景进行说明，汽车4s店向银行贷款购入新车，银行对仓库或场地上的新车出入进行监控，由于车辆在场地上放置，故车辆受光照影响会产生光影边缘，因此在该场景中，获得多帧图像，对多帧图像中的每一帧图像中的车辆的边缘检测，参照图23所示，可以通过如下步骤实现：
[0228]
步骤2301、获得待处理图像。
[0229]
步骤2302、对待处理图像分别进行下采样2次，获取3个不同尺度的图像rgb像素矩阵。
[0230]
本技术实施例中，读取待处理图像，获取图像rgb像素矩阵，从左向右，从上向下，按序以3
×
3的第一模版矩阵[[1,1,1],[1,1,1],[1,1,1]]为单位，对图像rgb像素矩阵进行遍历，进行连续两次向下采样操作，可得到3个不同尺度的图像rgb像素矩阵，分别为像素矩阵c1，像素矩阵c2，像素矩阵c3，其长宽依次变小。其中，像素矩阵c1为待处理图像的rgb像素矩阵，像素矩阵c2由对c1下采样后得到，像素矩阵c3由对c2采样后得到的。
[0231]
向下采样的处理方式如图10所示，左边3
×
3矩阵在中间rgb像素矩阵中以矩阵块为单位做无重复性遍历，每次框定的范围包含9个像素坐标点，这9个像素坐标点与3
×
3矩阵上对应位置的值求加权平均数，得到的值放入右边新的矩阵中，生成的新的图像rgb像素矩阵。
[0232]
步骤2303、使用稀疏矩阵对图像rgb像素矩阵进行计算做平滑处理，得到第二图像矩阵。
[0233]
本技术实施例中，首先，定义一个5
×
5大小的稀疏矩阵m作为单位结构元素，即：m＝[[1,0,1,0,1],[0,1,0,1,0],[1,0,1,0,1],[0,1,0,1,0],[1,0,1,0,1]]。
[0234]
其次，处理像素矩阵c1，使用稀疏矩阵m逐行逐列遍历像素矩阵c1的像素点，由m在c1中框定的中心像素p0点邻域块为每次参与计算的矩阵块m1m，每次计算之后只保留p0点，遍历完成得到图7。每次遍历中的p0点最终结果根据以下公式进行计算：
[0235][0236][0237]
其中，为矩阵块m1m中坐标为(i,j)的像素上rgb的r分量值，为矩阵块m1m中坐标为(i,j)的像素上rgb的g分量值，为矩阵块m1m中坐标为(i,j)的像素点上rgb的b分量值，m
(i,j)
为稀疏矩阵m中坐标为(i,j)上的稀疏值。
[0238]
在(公式10)中，计算出矩阵块m1m每个坐标点rgb分量值的平均值与稀疏矩阵m对应坐标点的差值集合，然后使用min[]求集合最小值，结果min
(x,y)
为m与m1m对应坐标点的差值计算后，获取差值集合中最小差值的坐标(i,j)作为min
(x,y)
。在(公式11)中，将矩阵块m1m中对应坐标点min
(x,y)
处的rgb值赋值给中心像素p0点。如此遍历计算完成之后，获得初始平滑图像矩阵
[0239]
进一步地，使用稀疏矩阵m再次逐行逐列遍历初始平滑图像矩阵由m在初始平滑图像矩阵中框定的中心像素p0点邻域块为每次参与计算的矩阵块m2m，计算公式为：
[0240][0241][0242]
在(公式13)中，计算出矩阵块m2m每个坐标点rgb分量值的平均值与稀疏矩阵m对应坐标点的和值集合，max[]为求最大值，结果max
(x,y)
为m与m2m对应坐标点的和值计算后，获取和值集合中最大和值的坐标(i,j)作为max
(x,y)
。在(公式13)中，将矩阵块m2m中对应坐标点max
(x,y)
处的rgb值赋值给中心像素p0点。如此遍历计算完成之后，获得第二图像矩阵
[0243]
最后，同样地，将像素矩阵c2与像素矩阵c3通过上述同样的处理方式，分别得到第
二图像矩阵和第二图像矩阵如此，得到3个不同尺度的第二图像矩阵。
[0244]
步骤2304、基于第二图像矩阵，分别获取饱和度特征矩阵和颜色度特征矩阵，并将饱和度特征矩阵和颜色度特征矩阵进行线性融合，得到第三图像矩阵。
[0245]
本技术实施例中，获取第二图像矩阵的rgb分量值r,g,b，将每个像素的分量值带入颜色度计算公式14，得到第二图像矩阵的颜色度特征矩阵将每个像素的分量值带入颜色度计算公式15，得到第二图像矩阵的饱和度特征矩阵同理可得第二图像矩阵的颜色度特征矩阵和饱和度特征矩阵像素矩阵的颜色度特征矩阵和饱和度特征矩阵这里，颜色度计算公式和饱和度计算公式如下：
[0246][0247][0248]
进一步地，通过公式15，将第二图像矩阵的颜色度特征矩阵和饱和度特征矩阵进行线性相加，得到第三图像矩阵将第二图像矩阵的颜色度特征矩阵和饱和度特征矩阵进行线性相加，得到第三图像矩阵像素矩阵的颜色度特征矩阵和饱和度特征矩阵进行线性相加，得到第三图像矩阵这里，公式15如下：
[0249][0250][0251][0252]
步骤2305、对不同尺度的第三图像矩阵进行尺度归一处理，并进行逻辑融合，得到目标图像矩阵。
[0253]
本技术实施例中，获得2
×
2的第二模版矩阵[[1,1],[1,1]]为单位，从左向右，从上向下，按序分别遍历第三图像矩阵和第三图像矩阵每次框定的范围包含4个坐标点，分别为p0,p1,p2,p3，如图19所示，每次遍历时基于这四个像素，通过公式7对第三图像矩阵进行两次上采样，得到与第三图像矩阵的尺度一致的第四图像矩阵每次遍历时基于这四个像素，通过公式7对第三图像矩阵进行六次上采样，得到与第三图像矩阵的尺度一致的第四图像矩阵如此，保证了第三图像矩阵第四图像矩阵和第四图像矩阵的尺度一致化。进一步地，通过公式16，将第三图像矩阵第四图像矩阵和第四图像矩阵进行逻辑运算，得到目标图像矩阵u，即去阴影图像
矩阵u。这里，公式16为
[0254]
步骤2306、基于目标图像矩阵，得到横向梯度矩阵、纵向梯度矩阵、梯度幅度矩阵以及梯度方向矩阵。
[0255]
本技术实施例中，终端获得横轴梯度计算矩阵为x_kernel，纵轴梯度计算矩阵为y_kernel，示例性的，横轴梯度计算矩阵为x_kernel＝[[-4,0,4],[-20,0,20],[-4,0,4]]，纵轴梯度计算矩阵为y_kernel＝[[-4,-20,-4],[0,0,0],[4,20,4]]。然后，将目标图像矩阵u与横轴梯度计算矩阵x_kernel做卷积运算，求出每一像素的横向梯度值g
x
(i,j)，将目标图像矩阵u与纵轴梯度计算矩阵y_kernel做卷积运算，求出每一像素的纵向梯度值gy(i,j)。进一步地，基于每一像素的横向梯度值g
x
(i,j)和纵向梯度值gy(i,j)，计算目标图像矩阵中每一像素的梯度幅值a(i,j)和梯度方向d(i,j)，进而得到横向梯度矩阵g
x
、纵向梯度矩阵gy、梯度幅度矩阵ag和梯度方向矩阵dg。
[0256]
步骤2307、基于横向梯度矩阵、纵向梯度矩阵、梯度幅度矩阵以及梯度方向矩阵，执行非极大值抑制，得到图像非极大值抑制矩阵。
[0257]
本技术实施例中，在获得横向梯度矩阵g
x
，纵向梯度矩阵gy，梯度幅度矩阵ag和梯度方向矩阵dg的情况下，同时遍历这四个矩阵，判断坐标(i,j)在八邻域内的梯度方向上，其梯度幅度是否最大，如图21所示，如果最大(例如p0点的梯度幅度值大于ptmp1点和ptmp2点)则保留矩阵ag内坐标(i,j)上的梯度幅度值，如果不是最大，则将矩阵ag内坐标(i,j)上的梯度幅度值置为0。ptmp1点的梯度幅度计算方法如下：
[0258]
a(ptmp1)＝w
×
a(p2) (1-w)
×
a(p1)
ꢀꢀꢀ
(公式8)
[0259]
其中，a(ptmp1)为ptmp1点的梯度幅度，a(p2)为p2点的梯度幅度，a(p1)为p1点的梯度幅度，w为p1和p2点的梯度幅度的权重。需要说明的是，由于ptmp1点是p0点梯度方向与p1和p2点连线的交点，根据公式8，可知ptmp1点的梯度幅度是p1和p2点梯度幅度的权重求和计算而来，而权重w的计算公式如下：
[0260][0261]
需要强调的是，已知p0点的梯度方向，横向梯度值，纵向梯度值，带入公式9即可计算出权重w，然后根据w即可求出ptmp1的梯度幅度值。ptmp2处的梯度幅度值同理可得。以此方法，遍历计算梯度幅度图像数据ag中所有非边框像素点，得到图像非极大值抑制矩阵nms。
[0262]
步骤2308、基于图像非极大值抑制矩阵，通过双阈值确定图像边缘二值矩阵。
[0263]
本技术实施例中，计算高阈值maxval和低阈值minval。maxval默认取值非极大值抑制矩阵nms中最大梯度幅度值的16％，minval默认取值非极大值抑制矩阵nms中最大梯度幅度值的10％，示例性的，maxval＝900.252911218，minval＝517.15937003377504。
[0264]
然后遍历非极大值抑制矩阵nms中的每个像素点，如果当前像素的梯度幅度值大于或等于maxval，则称之边缘点，将当前像素置为255；如果当前像素的梯度幅度值小于或等于minval，则不属于边缘点，抑制当前像素即置为0；如果当前像素的梯度幅度值介于maxval与minval之间，则遍历搜索当前像素的八邻域，首先判断是否存在边缘点，如果存在，则当前像素点是边缘点的延伸，将当前像素点归于边缘点，即置为255；如果不存在边缘
点，则判断是否存在大于minval的像素点，如果存在则再根据此像素点搜索其八邻域，如此循环以上操作，直到遇到边缘点，则表明此一系列像素点与边缘点形成图像边缘闭合，属于边缘点的延伸，则将此一系列像素置为255；如果没有遇到边缘点且没有遇到大于minval的像素点，则此一系列像素置为0。完成以上步骤处理后，获取图像边缘二值矩阵，为最终边缘检测结果。如此，汽车在阳光照射下产生了的阴影的情况下，通过本技术实施例中的步骤，将光影边缘消除，进而消除了光影对车辆的影响，在光照下更能精确地检测出汽车的边缘，且图像中的干扰边缘得到一定程度的减少，从而对车辆进行更好的监控。
[0265]
下面继续说明本技术实施例提供的图像数据处理装置154实施为软件模块的示例性结构，在一些实施例中，如图1所示，存储在存储器150的图像数据处理装置154中的软件模块可以是终端100中的图像数据处理装置，包括：
[0266]
获得模块1541，用于获得存在光影边缘的待处理图像的n个不同尺度的第一图像数据，n为大于或等于1的整数；
[0267]
获得模块1541，还用于获得第n个第一图像数据经过平滑处理后的第n个第二图像数据，n为大于或等于1，且小于或等于n的整数；
[0268]
处理模块1542，用于对第n个第二图像数据进行色彩映射，得到第n个第三图像数据，其中，第n个第二图像数据中的各像素的颜色通道分量值与第n个第三图像数据中对应像素的色彩分量值存在映射关系；
[0269]
处理模块1542，还用于对n个第三图像数据进行数据融合，得到与最大尺度的第一图像数据的尺度相同的目标图像数据，其中，目标图像数据表征的图像中不存在光影边缘。
[0270]
在本技术的其他实施例中，获得模块1541，还用于获得第一预设尺度的稀疏矩阵,第一预设尺度小于不同尺度中的最小尺度；处理模块1542，还用于基于稀疏矩阵，对第n个第一图像数据进行平滑处理，得到第n个第二图像数据。
[0271]
在本技术的其他实施例中，处理模块1542，还用于使用稀疏矩阵，对第n个第一图像数据进行第一平滑处理，得到消除了第n个第一图像数据中的细节数据信息的第n个初始平滑图像数据；使用稀疏矩阵，对第n个初始平滑图像数据进行第二平滑处理，得到凸显了第n个初始平滑图像数据中的主体数据信息的第n个第二图像数据。
[0272]
在本技术的其他实施例中，处理模块1542，还用于使用稀疏矩阵对第n个第一图像数据进行逐行逐列遍历，经过第k次遍历，得到第k部分图像数据，k为大于或等于1,且小于或等于k的整数，k为遍历的总次数；获得模块1541，还用于获得第k部分图像数据中所有像素中任一像素的颜色通道分量值的均值，与稀疏矩阵中与任一像素对应的稀疏值之间的第一差值；处理模块1542，还用于确定所有像素对应的第一差值中最小的第一差值对应的第k像素；在第n个第一图像数据中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值；在第k次遍历结束的情况下，在第n个第一图像数据中，将第k部分图像数据的中心像素的颜色通道分量值替换成第k像素对应的颜色通道分量值，得到第n个初始平滑图像数据。
[0273]
在本技术的其他实施例中，处理模块1542，还用于使用稀疏矩阵对第n个初始平滑图像数据进行遍历，经过第l次遍历，得到第l部分图像数据，l为大于或等于1,且小于或等于l的整数，l为遍历的总次数；获得模块1541，还用于获得第l部分图像数据中所有像素中任一像素的颜色通道分量值的均值，与稀疏矩阵中与任一像素对应的稀疏值之间的第一和
值；处理模块1542，还用于确定所有像素对应的第一和值中最大的第一和值对应的第l像素；在第n个初始平滑图像数据中，将第l部分图像的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值；在第l次遍历结束的情况下，在第n个初始平滑图像数据中，将第l部分图像数据的中心像素的颜色通道分量值替换成第l像素对应的颜色通道分量值，得到第n个第二图像数据。
[0274]
在本技术的其他实施例中，处理模块1542，还用于基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行颜色度分量映射，得到第n个颜色度图像数据；基于第n个第二图像数据中的所有像素的颜色通道分量值，对第n个第二图像数据进行饱和度分量映射，得到第n个饱和度图像数据；将第n个颜色度图像数据和第n个饱和度图像数据进行线性融合，得到第n个第三图像数据。
[0275]
在本技术的其他实施例中，处理模块1542，还用于若所有像素中的任一像素的多个颜色通道分量值均相等，确定任一像素的颜色度分量值为第一颜色度分量值；若所有像素中的任一像素的多个颜色通道分量值不相等，确定任一像素的多个颜色通道分量值中大于第一阈值的颜色通道分量值对应的目标颜色通道，选择与目标颜色通道分量对应的颜色度映射公式，得到任一像素的第二颜色度分量值，其中，第n个颜色度图像数据包括所有像素的第一颜色度分量值和/或第二颜色度分量值。
[0276]
在本技术的其他实施例中，处理模块1542，还用于若所有像素中的任一像素的多个颜色通道分量值均为预设分量值，确定任一像素的饱和度分量值为第一饱和度分量值；若所有像素中的任一像素的多个颜色通道分量值均不为预设分量值，通过饱和度映射公式，确定任一像素的第二饱和度分量值，其中，第n个饱和度图像数据包括所有像素的第一饱和度分量值和/或第二饱和度分量值。
[0277]
在本技术的其他实施例中，饱和度映射公式为：
[0278][0279]
其中，s为第二饱和度分量值，max(r,g,b)为任一像素的多个颜色通道分量值中的最大分量值，min(r,g,b)为任一像素的多个颜色通道分量值中的最小分量值，多个颜色通道分量值包括红r颜色通道分量值、绿g颜色通道分量值和蓝b颜色通道分量值。
[0280]
在本技术的其他实施例中，获得模块1541，还用于获得待处理图像对应的待处理图像数据；获得第二预设尺度的第一模版矩阵；处理模块1542，还用于基于第一模版矩阵，分别对待处理图像数据中的不同颜色通道分量的数据进行降维，得到每一颜色通道分量对应的降维后的图像数据；将所有颜色通道分量对应的降维后的图像数据进行合并，得到第一图像数据；其中，n个不同尺度的第一图像数据包括第一图像数据和待处理图像数据。
[0281]
在本技术的其他实施例中，处理模块1542，还用于从n个第三图像数据中，筛选出尺度小于最大尺度的第三图像数据；对筛选出的第三图像数据进行扩维处理，得到第四图像数据，其中，第四图像数据的尺度等于最大尺度；将与最大尺度相同的第三图像数据和第四图像数据进行逻辑运算，得到目标图像数据。
[0282]
在本技术的其他实施例中，获得模块1541，还用于获得第三预设尺度的第二模版矩阵，其中，第三预设尺度小于第二预设尺度；处理模块1542，还用于基于第二模版矩阵，对筛选出的第三图像数据进行扩维处理，得到扩维后的第三图像数据，其中，扩维后的第三图
像数据的尺度小于最大尺度；继续基于第二模版矩阵，对扩维后的第三图像数据再次进行扩维处理，直至得到与最大尺度相同的第四图像数据。
[0283]
在本技术的其他实施例中，获得模块1541，还用于获得目标图像数据的梯度幅值数据和梯度方向数据；处理模块1542，还用于基于梯度幅值数据和梯度方向数据，对目标图像数据的梯度幅值进行非极大值抑制，得到初始边缘图像数据；基于获得的第二阈值和第三阈值，对初始边缘图像数据进行边缘检测，得到目标边缘图像数据。
[0284]
本技术实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本技术实施例提供的方法，例如，如图3、图8-图9、图11-图12、图14-图18、图22以及图23示出的方法。
[0285]
在一些实施例中，存储介质可以是计算机可读存储介质，例如，铁电存储器(fram，ferromagnetic random access memory)、只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read only memory)、可擦除可编程只读存储器(eprom，erasable programmable read only memory)、带电可擦可编程只读存储器(eeprom，electrically erasable programmable read only memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(cd-rom，compact disk-read only memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
[0286]
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
[0287]
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(超文本标记语言，hyper text markup language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0288]
以上所述，仅为本技术的实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本技术的保护范围之内。