梯度强度等级的确定方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机数据处理技术，具体涉及图像处理技术，尤其涉及一种梯度强度等级的确定方法、装置、电子设备及存储介质。


背景技术：

2.随着信息化时代的到来，对图像处理的要求也愈来愈多。其中，基于图像的梯度统计信息而得到的梯度特征，例如，强弱统计特征、与周围邻域的关联特征等，在图像处理过程中起到了非常重要的作用，其中，基于图像的梯度统计信息得到的梯度强度，可以对图像进行有效的处理，例如，图像增强或者边缘检测等。
3.现有技术中，可以通过主成分析法或者通过对梯度矩阵进行svd（singular value decomposition，奇异值分解）分解的方式，来获取基于图像的梯度统计信息得到的梯度强度。
4.发明人在实现本发明的过程中发现：在使用各类ai（artificial intelligence，人工智能）芯片，典型的，asic（application specific integrated circuit，专用集成电路）来计算图像的梯度强度时，无论是采用svd分解，还是采用主成分析法，都需要引入除法或开平方等复杂的算子函数，无法充分利用ai芯片的高速计算功能，ai芯片在处理速度上的优势无法充分发挥。


技术实现要素：

5.本发明实施例提供了一种梯度强度等级的确定方法、装置、电子设备及存储介质，以提高了ai芯片在计算梯度强度等级时的运算速度。
6.第一方面，本发明实施例提供了一种梯度强度等级的确定方法，由ai芯片执行，其中，包括：分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
7.第二方面，本发明实施例还提供了一种梯度强度等级的确定装置，由ai芯片执行，该梯度强度等级的确定装置包括：梯度矩阵形成模块，用于分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；参数计算模块，用于对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；梯度强度等级确定模块，用于根据与各梯度强度等级对应的至少一个强度阈值、
所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
8.第三方面，本发明实施例还提供了一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述计算机程序时实现如本发明任意实施例所述的梯度强度等级的确定方法。
9.第四方面，本发明实施例还提供了一种包含计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如本发明任意实施例所述的梯度强度等级的确定方法。
10.本发明实施例所提供的技术方案，通过分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级的技术手段，利用矩阵的特殊性质，以及图像梯度强度的实际应用场景，仅通过简单调用ai芯片内的定点运算函数，即可快速、准确的确定出图像的梯度强度等级，可以充分利用ai芯片的高速计算功能，有效提高ai芯片在计算梯度强度等级时的运算速度。
附图说明
11.图1为本发明实施例一提供的一种梯度强度等级的确定方法的流程图；图2为本发明实施例二提供的另一种梯度强度等级的确定方法的流程图；图3是本发明实施例三提供的一种梯度强度等级的确定装置的结构示意图；图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
12.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
13.实施例一图1为本发明实施例一提供的一种梯度强度等级的确定方法的流程图。本实施例可适用于ai芯片计算得到图像块的梯度强度等级的情况。本实施例的方法可以由梯度强度等级的确定装置执行，该装置可以通过软件和/或硬件的方式实现，该装置一般可配置于各类ai芯片中，例如，asic等。
14.相应的，该方法具体包括如下步骤：s110、分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵。
15.一般来说，当用户将待处理的原始图像输入至ai芯片之后，为了节省硬件的存储空间，ai芯片会将该原始图像拆分为多个小的图像块依次进行存储和计算。具体的，可以预先分配设定数据大小的存储空间，例如9*9或者11*11等。之后，按列从原始图像中依次读取
各个像素点，每当存储空间中存储存满该数据大小时，开始后续计算过程。在本实施例中，主要描述确定一个数据块的梯度强度等级的具体过程。
16.其中，目标图像块可以是将原始图像进行切分，得到一个具体的图像块。目标像素点可以为目标图像块中的全部像素点，或者，也可以为按照预设的筛选规则在目标图像块中筛选得到的若干像素点。
17.在本实施例的一个可选的实施方式中，可以仅在目标图像块的行方向（水平方向）上，按照预设的间隔，选取目标像素点，也可以仅在目标图像块的列方向（垂直方向）上，按照预设的间隔，选取目标像素点，还可以同时在目标图像块的行方向和列方向上，按照预设的间隔，选取目标像素点等，本实施例对此并不进行限制。
18.其中，水平梯度可以是目标像素点水平方向的梯度值。垂直梯度可以是目标像素点垂直方向的梯度值。梯度矩阵可以是由各目标像素点的水平梯度和垂直梯度组成的梯度矩阵，用来描述目标图像块的梯度特征。具体的，可以采用逐点求差、sobel算子等方法，计算得到每个目标像素点的水平梯度和垂直梯度。
19.在本实施例的一个可选的实施方式中，可以通过下述公式，计算目标像素点（i，j）的水平梯度dx(i,j)和垂直梯度dy(i,j)：dx(i,j) = i(i 1,j)
ꢀ‑ꢀ
i(i,j)；dy(i,j) = i(i,j 1)
ꢀ‑ꢀ
i(i,j)其中，i（.）为目标像素点的像素值。
20.可选的，分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵，可以包括：在所述目标图像块的水平和垂直方向上，间隔选取n个目标像素点，并分别计算每个目标像素点的水平梯度和垂直梯度，n为大于2的整数；将各目标像素点的水平梯度和垂直梯度进行有序组合，形成n行2列的所述梯度矩阵。
21.示例性的，假设在目标图像块上，可以在水平方向和竖直方向上，分别间隔选取得到n个目标像素点，分别为、、、
…
、后，可以分别计算出每个目标像素点的水平梯度和垂直梯度，假设水平梯度计算结果为、、、
…
、，垂直梯度计算结果为、、、
…
、。
22.因此，将各目标像素点的水平梯度和垂直梯度进行有序组合，形成n行2列的梯度矩阵，即为。此时，该梯度矩阵的每一行中，包括一个目标像素点的水平梯度和垂直梯度。
23.当然，可以理解的是，除了可以形成n行2列的梯度矩阵之外，还可以形成2行n列的矩阵梯度，此时，该梯度矩阵的每一列中，包括一个目标像素点的水平梯度和垂直梯度。
24.这样设置的好处在于：通过在目标图像块的水平和垂直方向上，间隔选取n个目标像素点，并计算每个目标像素点的水平梯度和垂直梯度，组合得到梯度矩阵的方式，可以在减少梯度计算量。
25.s120、对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数。
26.在本实施例中，考虑到梯度矩阵中包括的矩阵元素的数量较多，共包括2n个矩阵
元素，其与所选取的目标像素点的数量呈正比，直接基于该梯度矩阵计算梯度强度的计算较繁琐。因此，可以首先对该梯度矩阵进行降维处理，得到简化后的二阶矩阵，也即二阶梯度描述矩阵，进行后续梯度强度的计算。
27.其中，二阶梯度描述矩阵为2行2列的矩阵，共包括4个矩阵元素。该二阶梯度描述矩阵的最大特征值，可以用于描述该目标图像块的梯度强度。
28.考虑到二阶矩阵的特殊形式，也即，二阶矩阵中两个特征值的乘积为矩阵的行列式，二阶矩阵中两个特征值之和为矩阵的迹数，在计算得到与所述二阶梯度描述矩阵对应的行列式和迹数之后，可以使用该行列式和迹数，表示出二阶梯度描述矩阵的最大特征值。
29.可选的，对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，可以包括：将所述梯度矩阵的转置矩阵左乘所述梯度矩阵，得到所述二阶梯度描述矩阵。
30.其中，转置矩阵可以是将矩阵的行列互换得到的新矩阵称为转置矩阵，转置矩阵的行列式不变。具体的，当梯度矩阵为n行2列的矩阵，则梯度矩阵的转置矩阵为2行n列的矩阵。
31.续前例，由于梯度矩阵为，则可以得到梯度矩阵的转置矩阵为，该置矩阵为2行n列的矩阵，将梯度矩阵的转置矩阵左乘梯度矩阵，得到二阶梯度描述矩阵为2行2列的矩阵，可以具体为a=。
32.其中，针对上述二阶梯度描述矩阵，也即，根据矩阵a=，可以计算出该二阶梯度描述矩阵a的行列式和迹数。
33.s130、根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
34.续前例，可以根据二阶梯度描述矩阵a=，来分别计算出该矩阵对应的行列式det（a）和迹数tr（a）的具体值。
35.之后，可以采用矩阵a的最大特征值来表征梯度统计信息的强弱大小。常规计算一个矩阵的特征值和特征向量是一件艰巨的事情。而由于之前已对矩阵a进行了降维处理，对于二阶矩阵，特征值和特征向量的求解计算可以给出解的显式代数公式。
36.具体的，根据矩阵的性质和线性代数，可以表征为：综上，最大特征值的计算已经简化为上述公式，通过基本的运算符即可求解，之后再根据具体数值量化到不同强度等级。但上述流程依然要计算一步开方运算，计算复杂度高，需要耗费大量的计算时间。
37.基于上述计算公式，发明人提出了进一步的优化策略，也即将量化步骤与计算公式融合。在本发明实施例中，创造性的发现：在进行图像处理时，对该最大特征值的绝对数值其实并不关心，主要关注的是该最大特征值所属的相对数值范围，或者说该最大特征值
所在的梯度强度等级。基于此，在本发明实施例中，提出了一种不直接计算最大特征值的具体数值，而确定出最大特征值所属的梯度强度等级的计算方式，以简化ai芯片的计算量和计算复杂度。
38.其中，梯度强度等级可以是描述目标图像块中梯度强度的大小等级，其中，可以根据预先设定的梯度强度等级划分粒度，确定梯度强度等级的数量。具体的，如果设定梯度强度等级的数量为2，则相应的梯度强度等级可以包括低强度等级和高强度等级，或者，如果设定梯度强度等级的数量为3，则相应的梯度强度等级可以包括低强度等级、中强度等级和高强度等级。
39.强度阈值可以是预先设定的，用于划分不同梯度强度等级的数量阈值。该强度阈值的数量与该梯度强度等级的数量一般具有对应关系，例如，一个强度阈值可以用来划分两个梯度强度等级，如果最大特征值大于或等于该强度阈值，则确定该目标图像块属于高强度等级，否则，确定该目标图像块属于低强度等级。
40.定点运算函数可以是内置于ai芯片内的，用于实现定点运算的运算函数，可以包括乘法运算函数、加减法运算函数和比较运算函数等。
41.示例性的，假设梯度强度等级可以包括低强度等级、中强度等级和高强度等级，可以设置用于区分低强度等级和中强度等级的强度阈值为，以及，设置用于区分中强度等级和高强度等级的强度阈值为。进而，当判断与该二阶梯度描述矩阵的最大特征值w小于时，确定该目标图像块所对应的梯度强度等级为低强度等级。当判断w大于或者等于，并且小于时，确定该目标图像块所对应的梯度强度等级为中强度等级。当判断w大于或者等于时，确定该目标图像块所对应的梯度强度等级为高强度等级。
42.在本实施例中，不再追求计算得到二阶梯度描述矩阵的最大特征值，而是将其转换为一个简单的数据大小关系的比较，此时通过使用ai芯片内的定点运算函数，即可准确得到目标图像块的梯度强度等级。
43.本发明实施例所提供的技术方案，通过分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级的技术手段，利用矩阵的特殊性质，以及实图像梯度强度的实际应用场景，仅通过简单调用ai芯片内的定点运算函数，即可快速、准确的确定出图像的梯度强度等级，可以充分利用ai芯片的高速计算功能，有效提高ai芯片在计算梯度强度等级时的运算速度。
44.可选的，在分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵之前，还可以包括：获取原始图像，并将所述原始图像划分为多个图像块分别输入至所述ai芯片中。
45.其中，原始图像可以是需要判断其梯度强度等级的图像。
46.示例性的，假设获取到原始图像，可以将其划分为两个、四个或者八个图像块，并将划分后的每个图像块分别作为目标图像块输入至ai芯片中进行存储并计算，实现了以图
像块为单位计算得到梯度强度等级。
47.这样设置的好处在于：可以降低对ai芯片的存储空间的需求，并减少单次计算的数据量。
48.可选的，在确定与目标图像块对应的梯度强度等级之后，还可以包括：在完成对所述原始图像中全部图像块的处理时，根据与各图像块分别对应的梯度强度等级，对所述原始图像进行图像增强处理。
49.示例性的，假设将原始图像块划分为4个图像块，依次存储并计算上述4个图像块的梯度强度等级，假设第一图像块为低强度等级；第二图像块为低强度等级；第三图像块为低强度等级；第四图像块为高强度等级。之后，可以将上述四个梯度强度等级，以及上述四个梯度等级所属的图像块分别与该原始图像进行对应存储，例如，以键值对的形式进存储。当需要对该原始图像进行图像增强处理时，可以结合上述键值对，对该原始图像进行相应的处理。
50.当然，本领域人员可以理解的是，还可以使用上述各图像块的梯度强度等级进行其他类型的图像处理，本实施例对此并不进行限制。
51.实施例二图2为本发明实施例二提供的另一种梯度强度等级的确定方法的流程图。本实施例以上述各实施例为基础进行细化，在本实施例中，对根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级的操作进行进一步的细化。
52.相应的，该方法具体包括如下步骤：s210、分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵。
53.s220、对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数。
54.s230、按照梯度强度等级从小到大的顺序，获取当前梯度强度等级。
55.其中，m梯度强度等级通过m-1个强度阈值划分得到，m大于等于2。
56.示例性的，假设梯度强度等级可以包括低强度等级和高强度等级两个强度等级，这两个强度等级是通过一个强度阈值划分得到。具体的，假设强度阈值为。
57.在本实施例中的另一个可选的实施例，假设梯度强度等级包括低强度等级、中强度等级和高强度等级三个强度等级，这三个强度等级是通过两个强度阈值划分得到。具体的，可以设置用于区分低强度等级和中强度等级的强度阈值为，可以设置用于区分中强度等级和高强度等级的强度阈值为。
58.进而，当判断与该二阶梯度描述矩阵的最大特征值w大于或者等于低强度等级的阈值，并且小于中强度等级的阈值时，确定该目标图像块所对应的梯度强度等级为中强度等级。当判断w大于或者等于中强度等级的阈值时，确定该目标图像块所对应的梯度强度等级为高强度等级。进一步的，低强度等级对应的上限强度阈值为；中强度等级对
应的上限强度阈值为；高强度等级没有对应的上限强度阈值。
59.s240，检测所述当前梯度强度等级是否为最大的梯度强度等级：若否，执行s250；否则，执行s260。
60.s250、获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值，执行s270。
61.续前例，在之后，可以在由低到高的获取一个当前梯度强度等级对应的上限强度阈值，进而，在确小于该上限强度阈值，即可判断落入当前梯度等级。
62.进而，可以构建如下比较公式：《thx，thx为上限强度阈值。
63.通过将带入由行列式和迹数构成的表达式后，通过对该比较公式进行变形处理，可以得到下述比较公式：*显然，下述比较公式中，仅包括乘法、减法以及比较这三类简单的定点运算函数，因此，ai芯片可以快速得到上述运算结果。
64.其中，为上限强度阈值，*为上限强度阈值的平方值。
65.续前例，假设梯度强度等级包括低强度等级、中强度等级和高强度等级三个强度等级，这三个强度等级是通过两个强度阈值划分得到。具体的，可以设置用于区分低强度等级和中强度等级的强度阈值为，可以设置用于区分中强度等级和高强度等级的强度阈值为。
66.如果当前梯度强度等级为低强度等级，则当前梯度强度等级对应的上限强度阈值为，上限强度阈值的平方值为。
67.进一步的，如果当前梯度强度等级为中强度等级，则当前梯度强度等级对应的上限强度阈值为，上限强度阈值的平方值为。
68.s260、将所述当前梯度强度等级确定为与目标图像块对应的梯度强度等级。
69.相应的，如果当前梯度强度等级为高强度等级，则当前梯度强度等级没有对应的上限强度阈值，则说明在对目标图像块所属的强度等级进行判断时，既未落入低强度等级，又未落入中强度等级，因此，可以直接确定目标图像块对应的梯度强度等级为高强度等级。
70.s270、调用乘法运算函数，计算所述迹数与所述上限强度阈值的乘积值。
71.其中，乘法运算函数可以是能够进行乘法运算的函数。具体的，通过乘法运算函数计算出迹数与上限强度阈值的乘积值。
72.示例性的，调用乘法运算函数计算出迹数与上限强度阈值的乘积值为。
73.s280、调用减法运算函数，计算所述乘积值减去所述行列式的差值。
74.其中，减法运算函数可以是能够进行减法运算的函数。具体的，通过减法法运算函
数计算出乘积值减去行列式的差值。
75.续前例，通过减法法运算函数计算出乘积值减去行列式的差值为。
76.s290、调用比较运算函数，判断所述差值是否小于所述上限强度阈值的平方值，若是，执行s2100；若否，执行s240。
77.其中，比较运算函数可以是能够进行比较运算的函数。具体的，通过比较运算函数比较出差值和上限强度阈值的平方值的大小关系。
78.续前例，通过比较运算函数比较出差值和上限强度阈值的平方值的大小关系，也即和*的大小关系。
79.根据公式*可知，当*，可以确定。反之，可以确定。
80.s2100、将当前梯度强度等级确定为与目标图像块对应的梯度强度等级。
81.续前的，由于梯度强度等级包括低强度等级、中强度等级和高强度等级三个强度等级，这三个强度等级是通过两个强度阈值进行划分的。具体的，可以设置用于区分低强度等级和中强度等级的强度阈值为，可以设置用于区分中强度等级和高强度等级的强度阈值为。低强度等级对应的上限强度阈值为，上限强度阈值的平方值为。中强度等级对应的上限强度阈值为，上限强度阈值的平方值为。高强度阈值不存在上限强度阈值和上限强度阈值的平方值。
82.具体的，假设当前梯度强度等级为低强度等级，通过调用乘法运算函数，计算迹数与上限强度阈值的乘积值为 ；进一步的，调用减法运算函数，计算乘积值减去行列式的差值为；相应的，调用比较运算函数，判断差值是否小于上限强度阈值的平方值。假设，则可以确定与目标图像块对应的梯度强度等级为低强度等级。假设，则可以确定与目标图像块对应的梯度强度等级为中强度等级。假设，则可以确定与目标图像块对应的梯度强度等级为高强度等级。
83.可选的，在分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度之前，还包括：将与每个强度阈值，以及每个强度阈值的平方值，分别存储在所述ai芯片的各寄存器中；相应的，获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值，可以包括：根据各梯度强度等级与至少一个强度阈值之间的关联关系，从所述各寄存器中，获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值。
84.续前例，可以将、、和分别存储在ai芯片的各寄存器中。并且根据各梯
度强度等级与至少一个强度阈值之间的关联关系，从所述各寄存器中，获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值。
85.具体的，低强度等级对应的上限强度阈值为，该上限强度阈值的平方值为。中强度等级对应的上限强度阈值为，该上限强度阈值的平方值为。
86.这样设置的好处在于：将与每个强度阈值，以及每个强度阈值的平方值，分别存储在ai芯片的各寄存器中。这样可以避免通过ai芯片进行计算，直接从ai芯片中获取即可。这样可以进一步简化了ai芯片的计算，从而进一步提高ai芯片的运算速度和处理效率。
87.本发明实施例所提供的技术方案，通过分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；按照梯度强度等级从小到大的顺序，获取当前梯度强度等级；获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值；调用乘法运算函数，计算所述迹数与所述上限强度阈值的乘积值；调用减法运算函数，计算所述乘积值减去所述行列式的差值；调用比较运算函数，判断所述差值是否小于所述上限强度阈值的平方值；若是，则将当前梯度强度等级确定为与目标图像块对应的梯度强度等级；否则，返回执行按照梯度强度等级从小到大的顺序，获取当前梯度强度等级的操作，直至获取的当前度强度等级为最大的梯度强度等级的技术手段，利用矩阵的特殊性质，以及实图像梯度强度的实际应用场景，仅通过简单调用ai芯片内的定点运算函数，即可快速、准确的确定出图像的梯度强度等级，可以充分利用ai芯片的高速计算功能，有效提高ai芯片在计算梯度强度等级时的运算速度。
88.实施例三图3是本发明实施例三提供的一种梯度强度等级的确定装置的结构图，由ai芯片执行。如图3所示，该装置具体可包括：梯度矩阵形成模块310、参数计算模块320和梯度强度等级确定模块330。
89.其中，梯度矩阵形成模块310，用于分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；参数计算模块320，用于对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；梯度强度等级确定模块330，用于根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
90.本发明实施例所提供的技术方案，通过分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级的技术手段，利用矩阵的特殊性质，以及实图像梯度强度的实际应用场景，仅通过简单调用ai芯片内的定点运算函数，即可快速、准确的确定出图像的梯度强度等级，可以充分利用ai芯片的高速
计算功能，有效提高ai芯片在计算梯度强度等级时的运算速度。
91.在上述各实施例的基础上，梯度矩阵形成模块310，可以具体用于：在所述目标图像块的水平和垂直方向上，间隔选取n个目标像素点，并分别计算每个目标像素点的水平梯度和垂直梯度，n为大于2的整数；将各目标像素点的水平梯度和垂直梯度进行有序组合，形成n行2列的所述梯度矩阵。
92.在上述各实施例的基础上，参数计算模块320，可以具体用于：将所述梯度矩阵的转置矩阵左乘所述梯度矩阵，得到所述二阶梯度描述矩阵。
93.在上述各实施例的基础上，梯度强度等级确定模块330，可以具体包括：当前梯度强度等级获取单元，用于按照梯度强度等级从小到大的顺序，获取当前梯度强度等级，其中，m梯度强度等级通过m-1个强度阈值划分得到，m大于等于2；计算参数获取单元，用于获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值；定点乘法计算单元，用于调用乘法运算函数，计算所述迹数与所述上限强度阈值的乘积值；定点减法计算单元，用于调用减法运算函数，计算所述乘积值减去所述行列式的差值；定点比较计算单元，用于调用比较运算函数，判断所述差值是否小于所述上限强度阈值的平方值；若是，则将当前梯度强度等级确定为与目标图像块对应的梯度强度等级；否则，返回执行按照梯度强度等级从小到大的顺序，获取当前梯度强度等级的操作，直至获取的当前度强度等级为最大的梯度强度等级。
94.在上述各实施例的基础上，还包括，寄存器存储模块，可以具体用于：在分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度之前，将与每个强度阈值，以及每个强度阈值的平方值，分别存储在所述ai芯片的各寄存器中；相应的，计算参数获取单元，可以具体用于：根据各梯度强度等级与至少一个强度阈值之间的关联关系，从所述各寄存器中，获取与所述当前梯度强度等级对应的上限强度阈值以及所述上限强度阈值的平方值。
95.在上述各实施例的基础上，还包括，原始图像获取模块，可以具体用于：在分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵之前，获取原始图像，并将所述原始图像划分为多个图像块分别输入至所述ai芯片中。
96.在上述各实施例的基础上，还包括，图像增强处理模块，可以具体用于：在确定与目标图像块对应的梯度强度等级之后，在完成对所述原始图像中全部图像块的处理时，根据与各图像块分别对应的梯度强度等级，对所述原始图像进行图像增强处理。
97.上述梯度强度等级的确定装置可执行本发明任意实施例所提供的梯度强度等级的确定方法，具备执行方法相应的功能模块和有益效果。
98.实施例四图4是本发明实施例四提供的一种电子设备的结构示意图。如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输
出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
99.存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的梯度强度等级的确定方法对应的程序指令/模块（例如，梯度矩阵形成模块310、参数计算模块320和梯度强度等级确定模块330）。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的梯度强度等级的确定方法，该方法包括：分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
100.存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
101.输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
102.实施例五本发明实施例五还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种梯度强度等级的确定方法，该方法包括：分别计算目标图像块中多个目标像素点的水平梯度和垂直梯度，形成与所述目标图像块对应的梯度矩阵；对所述梯度矩阵进行降维处理，得到与所述梯度矩阵对应的二阶梯度描述矩阵，并计算与所述二阶梯度描述矩阵对应的行列式和迹数；根据与各梯度强度等级对应的至少一个强度阈值、所述行列式和所述迹数，调用所述ai芯片内的定点运算函数，确定与目标图像块对应的梯度强度等级。
103.当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可读指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的梯度强度等级的确定方法中的相关操作。
104.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、闪存（flash）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
105.值得注意的是，上述梯度强度等级的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能
即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
106.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。