图像处理方法、装置、终端设备及计算机可读存储介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种图像处理方法、装置、终端设备及计算机可读存储介质。


背景技术：

2.图像相似度计算是计算机视觉领域的经典课题，在人脸识别、图像识别与检索、行人重识别、行人跟随等领域有着广泛的应用。现有的图像相似度计算方法，通常是将两张待处理图像中相匹配的局部图像之间的相似度求平均，作为两张待处理图像之间的相似度。当待处理图像中目标对象被遮挡时，被遮挡部分对应的局部图像之间的相似度的可靠性较低，进而降低了两张待处理图像之间整体相似度的计算精度。


技术实现要素：

3.本技术实施例提供了一种图像处理方法、装置、终端设备及计算机可读存储介质，可以有效提高图像相似度的计算精度。
4.第一方面，本技术实施例提供了一种图像处理方法，包括：
5.获取至少一个图像组，其中，每个图像组中包括相匹配的一张第一子图像和一张第二子图像，所述第一子图像为第一待处理图像中的局部图像，所述第二子图像为第二待处理图像中的局部图像，所述m为正整数；
6.根据所述至少一个图像组各自对应的相似度，从所述至少一个图像组中筛选出目标组，其中，每个图像组对应的相似度表示所述图像组中第一子图像和第二子图像之间的相似度；
7.根据每个所述目标组对应的相似度，计算所述第一待处理图像和所述第二待处理图像之间的相似度。
8.本技术实施例中，在计算第一待处理图像和第二待处理图像之间的相似度之前，先根据第一待处理图像中的第一子图像和第二待处理图像中的第二子图像之间的相似度对子图像进行筛选；相当于筛选出第一待处理图像和第二待处理图像中较相似的局部图像，只利于这部分局部图像计算第一待处理图像和第二待处理图像之间的相似度，相当于删除了相似度较低的局部图像的影响。通过上述方法，能够避免某些差异过大的局部图像对整体图像相似度的影响，有效提高图像相似度的计算精度。
9.在第一方面的一种可能的实现方式中，所述根据所述至少一个图像组各自对应的相似度，从所述至少一个图像组中筛选出目标组，包括：
10.提取每个所述图像组中第一子图像的第一特征和第二子图像的第二特征；
11.计算每个所述图像组中第一特征和第二特征之间的相似度；
12.根据每个所述图像组中第一特征和第二特征之间的相似度，从所述至少一个图像组中筛选出目标组。
13.在第一方面的一种可能的实现方式中，所述根据每个所述图像组中第一特征和第
二特征之间的相似度，从所述至少一个图像组中筛选出目标组，包括：
14.将满足预设筛选规则的图像组确定为所述目标组，其中，所述预设筛选规则为所述图像组中第一特征和第二特征之间相似度大于预设值。
15.在第一方面的一种可能的实现方式中，所述根据每个所述目标组对应的相似度，计算所述第一待处理图像和所述第二待处理图像之间的相似度，包括：
16.将每个所述目标组对应的相似度加权求和，得到所述第一待处理图像和所述第二待处理图像之间的相似度。
17.在第一方面的一种可能的实现方式中，第i个所述目标组对应的相似度的权值为第i个所述目标组对应的相似度，其中，所述i为小于l的正整数，所述l为所述目标组的个数。
18.在第一方面的一种可能的实现方式中，所述获取至少一个图像组，包括：
19.将所述第一待处理图像划分为m个第一子图像，所述m为正整数；
20.将所述第二待处理图像划分为n个第二子图像，其中，所述n为正整数，所述第一待处理图像的划分规则和所述第二待处理图像的划分规则相同；
21.将所述m个第一子图像和所述n个第二子图像进行匹配处理，获得至少一个所述图像组，不同图像组中包含的第一子图像不同，不同图像组中包含的第二子图像不同。
22.在第一方面的一种可能的实现方式中，所述将所述m个第一子图像和所述n个第二子图像进行匹配处理，获得至少一个所述图像组，包括：
23.对于第m个第一子图像，将所述n个第二子图像分别与所述第m个第一子图像进行匹配处理，获得所述n个第二子图像各自对应的匹配值，其中，所述m为小于或等于m的正整数；
24.将匹配值最高的第二子图像和所述第m个第一子图像生成一个图像组。
25.第二方面，本技术实施例提供了一种图像处理装置，包括：
26.获取单元，用于获取至少一个图像组，其中，每个图像组中包括相匹配的一张第一子图像和一张第二子图像，所述第一子图像为第一待处理图像中的局部图像，所述第二子图像为第二待处理图像中的局部图像，所述m为正整数；
27.筛选单元，用于根据所述至少一个图像组各自对应的相似度，从所述至少一个图像组中筛选出目标组，其中，每个图像组对应的相似度表示所述图像组中第一子图像和第二子图像之间的相似度；
28.计算单元，用于根据每个所述目标组对应的相似度，计算所述第一待处理图像和所述第二待处理图像之间的相似度。
29.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上述第一方面中任一项所述的图像处理方法。
30.第四方面，本技术实施例提供了一种计算机可读存储介质，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的图像处理方法。
31.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像处理方法。
32.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
33.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
34.图1是本技术实施例提供的基于组件相似度的图像处理流程的示意图；
35.图2是本技术实施例提供的待处理图像的示意图；
36.图3是本技术实施例提供的图像处理方法的流程示意图；
37.图4是本技术实施例提供的行人检测图像的示意图；
38.图5是本技术实施例提供的子图像划分的示意图；
39.图6是本技术实施例提供的图像处理流程的示意图；
40.图7是本技术实施例提供的图像处理装置的结构框图；
41.图8是本技术实施例提供的终端设备的结构示意图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
43.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
44.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
45.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0046]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0047]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0048]
首先介绍本技术实施例的技术背景。现有的图像相似度计算方法通常分为两类：
第一类是基于全局图像的相似度计算方法，这类方法首先提取图像的全局特征，然后将该全局特征的相似度作为图像的相似度。基于全局图像的相似度计算方法只考虑了图像的全局信息，忽略了图像的局部信息，因此，该类方法的计算精度较低。第二类方法是基于局部图像的相似度计算方法，这类方法首先提取整体图像的局部特征，然后计算两张图像中对应局部特征的相似度，最后将局部特征的相似度融合为整体图像的相似度。
[0049]
以人体图像相似度为例，将人体图像按照人体结构划分为多个局部图像，每个局部图像代表一个人体组件，然后分别提取每个局部图像的组件特征，根据组件特征计算人体图像整体的相似度。其中，人体组件可以包括头部、肩部、腰部、臀部、膝盖和足部等。参见图1，是本技术实施例提供的基于组件相似度的图像处理流程的示意图。如图1所示，将人体图像均匀划分为6个局部图像，提取各局部图像的组件特征，再计算两张人体图像对应的组件特征之间的相似度，最后将计算出的6个相似度求平均，将平均值作为两张人体图像之间的整体相似度。
[0050]
上述示例中，存在以下问题：第一，人体图像被均匀划分为多个局部图像，当图像中人体所占比例不同时，如图2中的(a)所示，左图中最上方的局部图像为背景，右图中最上方的局部特征为人体头部，此种情况，导致对应的局部图像之间的相似度较低，进而降低了两张人体图像之间的整体相似度。第二，人体图像之间的整体相似度为各组件特征之间的相似度的平均值，相当于各组件特征的相似度对人体图像的整体相似度的贡献是相同的。当人体局部被遮挡时，如图2中的(b)所示，左图中人体膝盖部分被桌子挡住，此种情况下，两张人体图像中膝盖部分对应的组件特征之间的相似度较低，这将拉低最后的相似度平均值，从而降低两张人体图像之间的整体相似度。另外，不同人体组件的判别性存在差异，如图2中的(c)所示，左右两张人体图像的下半身相似度较高，而上半身的相似度较低(衣服正反面图案不一致)；现有方法中，上半身的组件特征和下半身的组件特征对整体相似度的贡献相同，上半身的组件特征将会降低整体相似度。
[0051]
为了解决上述问题，本技术实施例提供了一种图像处理方法。参见图3，是本技术实施例提供的图像处理方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
[0052]
s301，获取至少一个图像组。
[0053]
其中，每个图像组中包括相匹配的一张第一子图像和一张第二子图像，所述第一子图像为第一待处理图像中的局部图像，所述第二子图像为第二待处理图像中的局部图像，所述m为正整数。
[0054]
在一个实施例中，s301可以包括以下步骤：
[0055]
i、将所述第一待处理图像划分为m个第一子图像，所述m为正整数。
[0056]
ii、将所述第二待处理图像划分为n个第二子图像，其中，所述n为正整数，所述第一待处理图像的划分规则和所述第二待处理图像的划分规则相同。
[0057]
iii、将所述m个第一子图像和所述n个第二子图像进行匹配处理，获得至少一个所述图像组，不同图像组中包含的第一子图像不同，不同图像组中包含的第二子图像不同。
[0058]
可选的，划分规则可以为：将待处理图像沿着竖直方向均匀划分为多个子图像。相应的，在匹配处理过程中，现有技术通常采用以下方式：按照图像从上到下的顺序，将第一子图像和第二子图像一一对应。
[0059]
均匀划分的方式简单、效率高。但是当因外界光照变化或目标对象姿态变化等原因导致待处理图像中的目标对象检测不准确时，平均划分的方式往往不能精准定位待处理图像中的目标对象，导致匹配结果不准确，进而影响相似度的计算。
[0060]
以行人检测为例，参见图4，是本技术实施例提供的行人检测图像的示意图。如图4所示，左图为行人检测准确时得到的检测图像，右图为行人检测不准确时得到的检测图像。对比可以看出，如果将右图延竖直方向平均划分局部区域，划分后得到的最上方的两个局部区域(b1和b2)中没有人体组件，只有背景图像。此种情况下，左图最上方的局部区域(a1)实际对应的是右图上方第三个局部区域(a3)。若按照现有技术的匹配方式，则将左图的局部区域a1与右图的局部区域b1相匹配，将左图的局部区域a2与右图的局部区域b2相匹配，依次类推。显然，匹配的结果不准确，匹配后的各个图像组对应的相似度均较低。
[0061]
为了解决上述问题，可选的，iii中匹配处理的一种实现方式可以为：
[0062]
对于第m个第一子图像，将所述n个第二子图像分别与所述第m个第一子图像进行匹配处理，获得所述n个第二子图像各自对应的匹配值，其中，所述m为小于或等于m的正整数；将匹配值最高的第二子图像和所述第m个第一子图像生成一个图像组。
[0063]
示例性的，以图4所示情况为例，对于左图中的a1，计算b1-b7分别与a1之间的匹配值，假设a1与b3之间的匹配值最高，则将a1与b3生成一个图像组。然后再针对左图中的a2，计算b1、b2、b4、b5、b6和b7分别与a2之间的匹配值(由于b3已经与a1生成了图像组，因此无需计算a2与b3之间的相似度)，假设a2与b4之间的匹配值最高，则将a2与b4生成一个图像组。依次类推。
[0064]
通过上述匹配方式，可以有效提高匹配精度，进而提高匹配后的各个图像组对应的相似度。
[0065]
当然，还可以通过改变划分规则来提高匹配精度。可选的，划分规则可以为：可以基于目标对象的关键点将待处理图像中目标对象所占区域划分为多个子图像。相应的，划分方法可以包括以下步骤：
[0066]
检测待处理图像中目标对象上的关键点；根据关键点的位置确定分割线；根据分割线将待处理图像中目标对象所占区域划分为多个子图像。
[0067]
示例性的，以人体检测为例，参见图5，是本技术实施例提供的子图像划分的示意图。如图5所示，将一张人体图像t输入训练后的关键点检测网络，输出携带有关键点信息的检测图像t’，t’上检测出的关键点包括头顶关键点、左肩关键点、右肩关键点、左臀关键点、右臀关键点、左脚关键点和右脚关键点。将头顶关键点所在的水平线确定为一个分割线l1；将左肩关键点和右肩关键点的平均纵坐标所在的水平线确定为一个分割线l2；将左臀关键点和右臀关键的平均纵坐标所在的水平线确定为一个分割线l3；将左脚关键点和右脚关键点的最小纵坐标所在的水平线确定为一个分割线l4。然后根据确定出的分割线划分人体图像，得到分割图。具体的，将l1和l2之间的区域划分为一个子图像f1，将l2和l3之间的区域划分为一个子图像f2，将l3和l4之间的区域划分为一个子图像f3。
[0068]
图5所示的分割图，只针对人体所占的区域进行划分，头顶上方的区域为背景图像，在划分子图像的过程中，忽略了该背景图像部分，这样保证划分得到的子图像中仅包含人体组件。尤其在人体检测不准确的情况下，依然能够生成准确的人体区域。
[0069]
基于上述划分规则，只需沿着图像从上到下的顺序，将第一子图像和第二子图像
一一对应，即可匹配。简化了匹配过程，同时能够保证较高的匹配精度。
[0070]
s302，根据所述至少一个图像组各自对应的相似度，从所述至少一个图像组中筛选出目标组。
[0071]
其中，每个图像组对应的相似度表示所述图像组中第一子图像和第二子图像之间的相似度。
[0072]
在一个实施例中，s302可以包括：
[0073]
提取每个所述图像组中第一子图像的第一特征和第二子图像的第二特征；计算每个所述图像组中第一特征和第二特征之间的相似度；根据每个所述图像组中第一特征和第二特征之间的相似度，从所述至少一个图像组中筛选出目标组。
[0074]
本技术实施例中，可以通过训练后的特征提取模型提取第一子图像的第一特征和第二子图像的第二特征。其中，特征提取模型可以采用神经网络模型。
[0075]
计算第一特征和第二特征之间的相似度的一种实现方式为：其中，f1为第一特征，f2为第二特征，s1为相似度。
[0076]
当然，也可以采用其他相似度的计算方式，如欧式距离、马氏距离和余弦相似度等，在此不做具体限定。
[0077]
可选的，从至少一个图像组中筛选出目标组的方式为：
[0078]
将满足预设筛选规则的图像组确定为所述目标组，其中，所述预设筛选规则为所述图像组中第一特征和第二特征之间相似度大于预设值。
[0079]
如图2中的(b)所示，左图中人体膝盖部分被桌子挡住，此种情况下，两张人体图像中膝盖部分对应的组件特征之间的相似度较低。但通过上述筛选方法，可以将两张人体图像中膝盖部分的图像组过滤掉，相当于删除了较低的相似度，只保留较高相似度的图像组。这样有效提高了两张待处理图像之间的相似度。
[0080]
当然，筛选方式也可以为：将各个图像组对应的相似度按照从大到小的顺序排序；将序列中排序靠前的n个相似度各自对应的图像组确定为目标组。筛选方式还可以为：计算各个图像组对应的相似度的平均值；将大于平均值的相似度对应的图像组确定为目标组。
[0081]
需要说明的是，上述只是筛选方式的示例，并不用于限定筛选方式。
[0082]
筛选过程能够避免某些差异过大的子图像对图像整体相似度的影响，使得最终的图像整体相似度对于遮挡等问题更为鲁棒。
[0083]
s303，根据每个所述目标组对应的相似度，计算所述第一待处理图像和所述第二待处理图像之间的相似度。
[0084]
在一些实施例中，s303的实现方式可以为：计算每个目标组对应的相似度的统计值，将该统计值确定为第一待处理图像和第二待处理图像之间的相似度。其中，统计值可以为平均值、方差和中位数等等。
[0085]
在一个实施例中，s303的一种实现方式为：
[0086]
将每个所述目标组对应的相似度加权求和，得到所述第一待处理图像和所述第二待处理图像之间的相似度。
[0087]
示例性的，可以通过计算第一待处理图像和第二待处理图像之间的相
似度，其中，si为第i个目标组对应的相似度，wi为第i个目标组对应的权值。
[0088]
加权过程能够自适应地衡量不同的子图像对图像整体相似度的贡献，使得图像整体相似度能够更侧重于相似度较高的子图像。
[0089]
可选的，第i个所述目标组对应的相似度的权值为第i个所述目标组对应的相似度，其中，所述i为小于l的正整数，所述l为所述目标组的个数。上述权重的设置方式，使得相似度越大的目标组，其对应的权重也越大；而相似度越小的目标组，其对应的权重也越小。通过这样的方式，进一步突出了各目标组对两张图像整体相似度的贡献，有效提高了相似度的计算精度。
[0090]
示例性的，参见图6，是本技术实施例提供的图像处理流程的示意图。如图6所示，根据s301中的方法，基于相同的划分规则，将第一待处理图像划分为6个第一子图像，将第二待处理图像划分为6个第二子图像；分别计算每个图像组对应的相似度，即第一子图像f1与第二子图像t1之间的相似度s1，第一子图像f2与第二子图像t2之间的相似度s2，第一子图像f3与第二子图像t3之间的相似度s3，第一子图像f4与第二子图像t4之间的相似度s4，第一子图像f5与第二子图像t5之间的相似度s5，第一子图像f6与第二子图像t6之间的相似度s6。然后根据s302中的方法，对组件特征相似度进行筛选，得到相似度s1、s2和s3。最后将该三个相似度加权，得到最终的第一待处理图像和第二待处理图像之间的相似度s。
[0091]
本技术实施例中，在计算第一待处理图像和第二待处理图像之间的相似度之前，先根据第一待处理图像中的第一子图像和第二待处理图像中的第二子图像之间的相似度对子图像进行筛选；相当于筛选出第一待处理图像和第二待处理图像中较相似的局部图像，只利于这部分局部图像计算第一待处理图像和第二待处理图像之间的相似度，相当于删除了相似度较低的局部图像的影响。通过上述方法，能够避免某些差异过大的局部图像对整体图像相似度的影响，有效提高图像相似度的计算精度，提高图像整体相似度对于遮挡等问题的鲁棒性。
[0092]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0093]
对应于上文实施例所述的图像处理方法，图7是本技术实施例提供的图像处理装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0094]
参照图7，该装置包括：
[0095]
获取单元71，用于获取至少一个图像组，其中，每个图像组中包括相匹配的一张第一子图像和一张第二子图像，所述第一子图像为第一待处理图像中的局部图像，所述第二子图像为第二待处理图像中的局部图像，所述m为正整数。
[0096]
筛选单元72，用于根据所述至少一个图像组各自对应的相似度，从所述至少一个图像组中筛选出目标组，其中，每个图像组对应的相似度表示所述图像组中第一子图像和第二子图像之间的相似度。
[0097]
计算单元73，用于根据每个所述目标组对应的相似度，计算所述第一待处理图像和所述第二待处理图像之间的相似度。
[0098]
可选的，筛选单元72还用于：
[0099]
提取每个所述图像组中第一子图像的第一特征和第二子图像的第二特征；
[0100]
计算每个所述图像组中第一特征和第二特征之间的相似度；
[0101]
根据每个所述图像组中第一特征和第二特征之间的相似度，从所述至少一个图像组中筛选出目标组。
[0102]
可选的，筛选单元72还用于：
[0103]
将满足预设筛选规则的图像组确定为所述目标组，其中，所述预设筛选规则为所述图像组中第一特征和第二特征之间相似度大于预设值。
[0104]
可选的，计算单元73还用于：
[0105]
将每个所述目标组对应的相似度加权求和，得到所述第一待处理图像和所述第二待处理图像之间的相似度。
[0106]
可选的，第i个所述目标组对应的相似度的权值为第i个所述目标组对应的相似度，其中，所述i为小于l的正整数，所述l为所述目标组的个数。
[0107]
可选的，获取单元71还用于：
[0108]
将所述第一待处理图像划分为m个第一子图像，所述m为正整数；
[0109]
将所述第二待处理图像划分为n个第二子图像，其中，所述n为正整数，所述第一待处理图像的划分规则和所述第二待处理图像的划分规则相同；
[0110]
将所述m个第一子图像和所述n个第二子图像进行匹配处理，获得至少一个所述图像组，不同图像组中包含的第一子图像不同，不同图像组中包含的第二子图像不同。
[0111]
可选的，获取单元71还用于：
[0112]
对于第m个第一子图像，将所述n个第二子图像分别与所述第m个第一子图像进行匹配处理，获得所述n个第二子图像各自对应的匹配值，其中，所述m为小于或等于m的正整数；
[0113]
将匹配值最高的第二子图像和所述第m个第一子图像生成一个图像组。
[0114]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0115]
另外，图7所示的图像处理装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0116]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0117]
图8是本技术实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算
机程序82时实现上述任意各个图像处理方法实施例中的步骤。
[0118]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0119]
所称处理器80可以是中央处理单元(central processing unit，cpu)，该处理器80还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0120]
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
[0121]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0122]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0123]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0124]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0125]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0126]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0127]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0128]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。