图像处理方法、装置、设备、介质及程序产品与流程

1.本公开涉及计算机技术领域，尤其涉及一种图像处理方法、装置、设备、介质及程序产品。


背景技术：

2.现实生活中，人们常常需要对图像中的人像进行美化，然而，现有的美化方法是基于整体图像进行皮肤美化，而非仅针对具体部位进行处理，导致具体部位的美化效果不佳，例如：不能满足用户对图像中颈部皱纹的祛除效果的要求。


技术实现要素：

3.本公开提出一种图像处理方法、装置、设备、存储介质及程序产品，以在一定程度上解决图像中颈部皱纹的祛除效果不佳的技术问题。
4.本公开第一方面，提供了一种图像处理方法，包括：
5.获取待处理的原始图像；
6.对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像；
7.基于第一网络对所述原始图像进行处理，确定所述目标区域的目标属性；
8.基于所述目标属性对所述原始高通滤波图像和所述原始低通滤波图像进行处理得到目标高通滤波图像和目标低通滤波图像；
9.基于所述目标高通滤波图像和所述目标低通滤波图像得到目标区域图像；
10.将所述目标区域图像融合至所述原始图像中得到目标图像。
11.本公开第二方面，提供了一种图像处理装置，包括：
12.获取模块，用于获取待处理的原始图像；
13.滤波模块，用于对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像；
14.第一网络，用于对所述原始图像进行处理，确定所述目标区域的目标属性；基于所述目标属性对所述原始高通滤波图像和所述原始低通滤波图像进行处理得到目标高通滤波图像和目标低通滤波图像；基于所述目标高通滤波图像和所述目标低通滤波图像得到目标区域图像；以及将所述目标区域图像融合至所述原始图像中得到目标图像。
15.本公开第三方面，提供了一种电子设备，其特征在于，包括一个或者多个处理器、存储器；和一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行根据第一方面或第二方面所述的方法的指令。
16.本公开第四方面，提供了一种包含计算机程序的非易失性计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行第一方面或第二方面所述的方法。
17.本公开第五方面，提供了一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行第一方面所述的方法。
18.从上面所述可以看出，本公开提供的一种图像处理方法、装置、设备、介质及程序产品，基于第一网络根据原始图像自适应确定的目标属性，对原始图像中经过高通滤波和低通滤波的目标区域进行处理得到目标高通滤波图像和目标低通滤波图像，再根据目标高通滤波图像和目标低通滤波图像得到目标区域图像，并融合至原始图像中得到对应的目标图像。从而实现对人像图像中目标区域进行处理，而不改变图像中其他区域的肤质等其他特征，使得经过处理的图像更自然，提高了图像处理的处理效果。
附图说明
19.为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本公开实施例的图像处理架构的示意图。
21.图2为本公开实施例的示例性电子设备的硬件结构示意图。
22.图3为本公开实施例的图像处理方法的示意性原理图。
23.图4为本公开实施例的图像处理方法的流程示意图。
24.图5为本公开实施例的图像处理装置的示意图。
具体实施方式
25.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
26.需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
27.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
28.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
29.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户
发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
30.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
31.图1示出了本公开实施例的图像处理架构的示意图。参考图1，该图像处理架构100可以包括服务器110、终端120以及提供通信链路的网络130。服务器110和终端120之间可通过有线或无线的网络130连接。其中，服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、安全服务、cdn等基础云计算服务的云服务器。
32.终端120可以是硬件或软件实现。例如，终端120为硬件实现时，可以是具有显示屏并且支持页面显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。终端120设备为软件实现时，可以安装在上述所列举的电子设备中；其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块，在此不做具体限定。
33.需要说明的是，本技术实施例所提供的图像处理方法可以由终端120来执行，也可以由服务器110来执行。应了解，图1中的终端、网络和服务器的数目仅为示意，并不旨在对其进行限制。根据实现需要，可以具有任意数目的终端、网络和服务器。
34.图2示出了本公开实施例所提供的示例性电子设备200的硬件结构示意图。如图2所示，电子设备200可以包括：处理器202、存储器204、网络模块206、外围接口208和总线210。其中，处理器202、存储器204、网络模块206和外围接口208通过总线210实现彼此之间在电子设备200的内部的通信连接。
35.处理器202可以是中央处理器(central processing unit，cpu)、图像处理器、神经网络处理器(npu)、微控制器(mcu)、可编程逻辑器件、数字信号处理器(dsp)、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路。处理器202可以用于执行与本公开描述的技术相关的功能。在一些实施例中，处理器202还可以包括集成为单一逻辑组件的多个处理器。例如，如图2所示，处理器202可以包括多个处理器202a、202b和202c。
36.存储器204可以配置为存储数据(例如，指令、计算机代码等)。如图2所示，存储器204存储的数据可以包括程序指令(例如，用于实现本公开实施例的图像处理方法的程序指令)以及要处理的数据(例如，存储器可以存储其他模块的配置文件等)。处理器202也可以访问存储器204存储的程序指令和数据，并且执行程序指令以对要处理的数据进行操作。存储器204可以包括易失性存储装置或非易失性存储装置。在一些实施例中，存储器204可以包括随机访问存储器(ram)、只读存储器(rom)、光盘、磁盘、硬盘、固态硬盘(ssd)、闪存、存储棒等。
37.网络模块206可以配置为经由网络向电子设备200提供与其他外部设备的通信。该网络可以是能够传输和接收数据的任何有线或无线的网络。例如，该网络可以是有线网络、本地无线网络(例如，蓝牙、wifi、近场通信(nfc)等)、蜂窝网络、因特网、或上述的组合。可
以理解的是，网络的类型不限于上述具体示例。在一些实施例中，网络模块306可以包括任意数量的网络接口控制器(nic)、射频模块、接收发器、调制解调器、路由器、网关、适配器、蜂窝网络芯片等的任意组合。
38.外围接口208可以配置为将电子设备200与一个或多个外围装置连接，以实现信息输入及输出。例如，外围装置可以包括键盘、鼠标、触摸板、触摸屏、麦克风、各类传感器等输入设备以及显示器、扬声器、振动器、指示灯等输出设备。
39.总线210可以被配置为在电子设备200的各个组件(例如处理器202、存储器204、网络模块206和外围接口208)之间传输信息，诸如内部总线(例如，处理器-存储器总线)、外部总线(usb端口、pci-e总线)等。
40.需要说明的是，尽管上述电子设备200的架构仅示出了处理器202、存储器204、网络模块206、外围接口208和总线210，但是在具体实施过程中，该电子设备200的架构还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述电子设备200的架构中也可以仅包含实现本公开实施例方案所必需的组件，而不必包含图中所示的全部组件。
41.为了获得更好的图像效果，人们常常使用具有美颜功能的应用程序来对图像的目标区域进行处理，例如对颈部的皱纹进程处理，颈部则为目标区域。而由于目标区域的纹理(例如颈部的皱纹)相对于整个图像来说往往比较细小，容易被图像处理模型误认为图像噪声来进行处理，导致对目标区域进行处理时并不是针对该目标区域的纹理本身，而是与整个图像的其他噪声一样采用同样的处理方式，无法实现针对图像的目标区域进行合适程度的图像处理，使得图像处理的效果不好。因此，如何提升图像中目标区域的图像处理效果成为了亟需解决的技术问题。
42.鉴于此，本公开实施例提供了一种图像处理方法、装置、设备、存储介质及程序产品。基于第一网络根据原始图像自适应确定的目标属性，对原始图像中经过高通滤波和低通滤波的目标区域进行处理得到目标高通滤波图像和目标低通滤波图像，再根据目标高通滤波图像和目标低通滤波图像得到目标区域图像，并融合至原始图像中得到对应的目标图像。从而实现对人像图像中目标区域进行处理，而不改变图像中其他区域的肤质等其他特征，使得经过处理的图像更自然，提高了图像处理的处理效果。
43.具体地，基于对图像中的颈部进行祛颈纹处理时，可以基于第一网络根据原始图像自适应确定的目标颈部属性，对原始图像中经过高通滤波和低通滤波的颈部区域图像进行祛颈纹处理得到目标高通滤波图像和目标低通滤波图像，再根据目标高通滤波图像和目标低通滤波图像得到目标颈部图像，并融合至原始图像中得到对应的目标图像。从而实现对人像图像中颈部区域进行祛颈纹处理，而不改变图像中的肤质等其他特征，使得经过处理的图像更自然，提高了图像处理的祛颈纹效果。
44.参见图3，图3示出了根据本公开实施例的图像处理方法的示意性原理图。图3中，图像处理模型300的模型架构可以采用生成对抗网络(generative adversarial network，gan)，包括生成网络310和判别网络320。可以采用第一训练样本和预设监督策略对初始的对抗网络进行训练得到图像处理模型300。可以将图像处理模型300中的生成网络310作为实际应用中的祛颈纹网络330，以对待处理的原始图像进行祛颈纹处理，并得到祛颈纹后的目标图像。
45.在一些实施例中，所述第一训练样本可以包括至少一个样本对，每个样本对包括原始训练图像a、与原始训练图像a对应的颈部矫正图像b以及与原始训练图像a对应的原始颈部掩膜(mask)区域、与颈部矫正图像b对应的矫正颈部掩膜区域。在一些实施例中，可以基于预设的祛颈纹标准对原始训练图像a进行颈部特征矫正，得到对应的颈部矫正图像b。具体地，可以先获取第一数量(例如2800个)的原始训练图像a，原始训练图像a中包括符合图像质量要求的颈部图像，例如该颈部图像的分辨率不低于512*1024像素。在一些实施例中，可以对原始训练图像a进行关键点检测，基于颈部关键点确定原始颈部区域；将原始训练图像a中的该原始颈部区域的像素设置为第一像素(例如255，即白色)，将非原始颈部区域的像素设置为第二像素(例如0，即黑色)，得到对应的原始颈部掩膜区域。在一些实施例中，可以对颈部矫正图像b进行关键点检测，基于颈部关键点确定矫正颈部区域；将颈部矫正图像b中的该矫正颈部区域的像素设置为第一像素(例如255，即白色)，将非颈部区域的像素设置为第二像素(例如0，即黑色)，得到对应的矫正颈部掩膜区域。
46.其中，第一训练样本中原始训练图像a可以尽可能多地覆盖各种类型的人像图像，例如，可以覆盖男性和女性的颈部、各个人种的颈部、各个年龄段的颈部、各种角度的颈部等，从而保证训练数据的丰富性，提高模型训练的准确度。然后，根据预设的祛颈纹效果标准，人工对该原始训练图像a进行颈部的特征矫正，祛除原始训练图像a的颈部皱纹，从而得到对应颈部矫正图像b。应了解，在人工进行颈部特征矫正时，可以不对颈部之外的诸如肤色、五官、肤质等其他特征进行处理，以保证训练得到图像处理模型仅针对性地对颈部区域祛除皱纹，使颈部保持皮肤质感且光滑细腻，而不会对整个图像的其他区域改动，影响图像的真实性，导致图像处理效果不自然。
47.在一些实施例中，可以基于第一训练样本和预设监督策略对生成对抗网络进行训练，得到祛颈纹网络。为了保证训练过程中，图像处理模型300中的生成网络310能够自适应学习祛颈纹效果的网络参数，可以设置预设监督策略，使用第一训练样本对图像处理模型300进行有监督训练，从而得到能够自适应地对输入图像匹配合适的祛颈纹属性的生成网络310作为祛颈纹网络330。
48.在一些实施例中，预设监督策略可以包括：设置所述生成对抗网络的输入图像的光照条件参数，以模拟所述输入图像的光照条件。进一步地，该光照条件参数可以是随机设置的。在训练阶段，输入至生成对抗网络的输入图像可以是第一训练样本中的图像，例如原始训练图像a和对应的人脸矫正图像b。其中，基于光照条件参数来模拟图像处理模型300中输入图像的光照条件，能够增加输入数据的丰富度，这样图像处理模型300能够在训练过程中处理更多样化的输入图像，从而提高图像处理模型300的准确度。具体地，例如，可以采用gamma矫正算法来实现光照模拟，即可以通过设置gamma矫正算法的相关参数来设置光照条件参数。
49.在一些实施例中，预设监督策略可以包括：
50.所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像和所述第一图像的第一颈部掩膜区域；
51.基于所述第一图像、所述原始训练图像、所述第一颈部掩膜区域和所述矫正颈部掩膜区域计算所述生成网络和所述判别网络的交叉熵损失函数；
52.基于所述交叉熵损失函数调整所述判别网络的第一判别网络参数以使所述交叉
熵损失函数最大化，以及基于所述交叉熵损失函数调整所述生成网络的第一生成网络参数以使所述交叉熵损失函数最小化。
53.进一步地，在一些实施例中，所述交叉熵损失函数包括图像交叉熵损失函数和/或掩膜交叉熵损失函数；其中，
54.所述图像交叉熵损失函数基于所述第一图像和所述原始训练图像计算得到；
55.所述掩膜交叉熵损失函数基于所述第一颈部掩膜区域和所述原始颈部掩膜区域计算得到。
56.具体地，生成网络310和判别网络320的交叉熵损失函数v(d，g)可以包括图像交叉熵损失函数v1(d，g)与掩膜交叉熵损失函数v2(d，g)之和。其中，图像交叉熵损失函数v1(d，g)可以包括：关于第一对数函数的第一期望函数与关于第二对数函数的第二期望函数之和，其中，第一对数函数包括关于原始训练图像x的第一判别结果的对数函数，第二对数函数包括关于第一预设值(例如1)与针对原始训练图像x的生成结果的第二判别结果之差的对数函数。掩膜交叉熵损失函数v2(d，g)可以包括：关于第三对数函数的第三期望函数与关于第四对数函数的第四期望函数之和，其中，第三对数函数包括关于原始颈部掩膜区域x_mask的第三判别结果的对数函数，第二对数函数包括关于第二预设值(例如1)与针对第一颈部掩膜区域g(x)_mask的生成结果的第四判别结果之差的对数函数。
57.图像处理模型300的训练过程可以是生成网络310和判别网络320这两个网络单独且交替训练，例如可以先固定生成网络310且训练判别网络320以更新判别网络320的第一判别网络参数。此时，可以调整判别网络320的第一判别网络参数，以使得判别网络320在其输入为人脸矫正图像b时输出1(即d(b)＝1)，在其输入为第一图像a’时输出0(即d(a’)＝0)，在其输入为人脸矫正图像b的矫正颈部掩膜区域时输出1(即d(b_mask)＝1)。那么，判别网络320的更新阶段，图像处理模型300的训练目标是最大化图像交叉熵损失函数交叉熵函数v1(d，g)和掩膜交叉熵损失函数v2(d，g)。
58.再固定判别网络320且训练生成网络310以更新生成网络310的第一生成网络参数。此时，可以调整生成网络310的第一生成网络参数，以使得将生成网络310输出的第一图像a’作为判别网络320的输入时，判别网络320输出1(即d(a’)＝1)，第一图像a’的第一颈部掩膜区域a’_mask作为判别网络320的输入时，判别网络320输出1(即d(a’_mask)＝1)。那么，图像处理模型300的训练目标是最小化交叉熵损失函数v(d，g)，即最小化图像交叉熵损失函数交叉熵函数v1(d，g)和掩膜交叉熵损失函数v2(d，g)。由于此时判别网络320的第一网络参数不变，那么第一期望函数e
x
[log d(x)]和第三期望函数e
x
[logd(x_mask)]也不变，最小化交叉熵函数v(d，g)。
[0059]
如此反复地执行固定生成网络310时训练判别网络320，以及固定判别网络320时训练生成网络310，直到达到纳什均衡。这样，能够使得生成网络310所生成的结果更加真实。
[0060]
在一些实施例中，预设监督策略可以包括：
[0061]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像；
[0062]
基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算特征矫正损失函数；
[0063]
基于所述特征矫正损失函数调整调整所述生成网络的第二生成网络参数和所述判别网络的第二判别网络参数，以使得所述特征矫正损失函数最小化。
[0064]
进一步地，在一些实施例中，基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算特征矫正损失函数，进一步包括：
[0065]
对所述第一图像进行特征提取，得到第一高维语义特征和第一低维纹理特征；以及对所述第一训练样本中的所述颈部矫正图像进行特征提取，得到第二高维语义特征和第二低维纹理特征；
[0066]
基于所述第一高维语义特征和所述第二高维语义特征计算第一高维特征损失函数，以及基于所述第一低维纹理特征和所述第二低维纹理特征计算第一低维特征损失函数；
[0067]
基于所述第一高维特征损失函数和所述第二低维特征损失函数之和得到所述特征矫正损失函数。
[0068]
其中，高维语义特征可以指基于图像处理模型中深层网络所得到的特征，该高维语义特征可以靠近输出层，具有分辨率低、特征图的尺寸小、抽象程度高、包含更多全局信息等特点。低维纹理特征可以指基于图像处理模型中浅层网络所得到的特征，该低维纹理特征可以靠近输入层，具有分辨率较高，特征图的尺寸大、包含更多细节信息、容易与原始训练图像对齐等特点。通过对这两种特征进行矫正，能够将二者的优势相结合，从而提升图像处理模型的训练效果，以及脸部祛颈纹处理的效果。
[0069]
具体地，生成网络310基于原始训练图像a生成对应的第一图像a’。可以通过图像处理模型300中的视觉处理器对第一图像a’进行特征提取，得到第一图像的第一高维语义特征f1_a’和第一低维纹理特征f2_a’；以及对第一训练样本中的颈部矫正图像进行特征提取，得到第二高维语义特征f3和第二低维纹理特征f4。那么此时可以计算得到特征矫正损失函数l_f＝第一高维特征损失函数l1(f1_a’，f3) 第一低维特征损失函数l1(f2_a’，f4)，其中l1为平均绝对误差函数。在一些实施例中，预设监督策略可以包括：
[0070]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像和所述第一图像的第一颈部掩膜区域；
[0071]
基于所述第一图像、第一颈部掩膜区域、所述第一训练样本中的颈部矫正图像和所述矫正颈部掩膜计算像素矫正损失函数；
[0072]
基于所述像素矫正损失函数调整所述生成网络的第三生成网络参数和所述判别网络的第三判别网络参数，以使得所述像素矫正损失函数最小化。
[0073]
进一步地，在一些实施例中，所述像素矫正损失函数包括颈部像素矫正损失函数；其中，所述颈部像素矫正损失函数基于所述第一颈部掩膜区域和所述第一训练样本中的所述矫正颈部掩膜区域计算得到。具体地，颈部像素矫正损失函数l_jx＝l1(a’_mask，b_mask)＝l1(f_a’*mask_a’，f_b*mask_b)。l1为平均绝对误差函数，a’_mask为第一图像a’的颈部掩膜特征，b_mask为颈部矫正图像b的颈部掩膜特征。第一图像a’的颈部掩膜特征a’_mask可以基于第一图像a’的图像特征f_a’与第一图像a’的颈部掩膜部分mask_a’得到，例如a’_mask＝f_a’*mask_a’。颈部矫正图像b的颈部掩膜特征b_mask可以基于颈部矫正图像b的图像特征f_b与颈部矫正图像b的颈部掩膜部分mask_b得到，例如b_mask＝f_b*mask_b。
[0074]
在一些实施例中，所述像素矫正损失函数还可以包括图像像素矫正损失函数；其
中，所述图像像素矫正损失函数基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算得到。具体地，图像像素矫正损失函数l_tx＝l1(a’，b)＝l1(f_a’，f_b)。l1为平均绝对误差函数，f_a’为第一图像a’的图像特征，f_b为颈部矫正图像b的图像特征。
[0075]
在一些实施例中，所述像素矫正损失函数可以包括颈部像素矫正损失函数和对应的第一权重，以及图像像素矫正损失函数和对应的第二权重，所述第一权重大于第二权重。例如，像素矫正损失函数l_xsjz＝l_jx*q1 l_tx*q2，q1为第一权重，q2位第二权重。
[0076]
其中，由于颈纹对于图像处理模型来说更类似于噪声，为了防止将颈纹特征误认为噪声进行处理，可以通过设置颈部像素矫正损失函数来强调颈部掩膜区域的重要性，增加掩膜区域内皱纹的祛除效果。进一步地，可以通过对反映整体图像特的像素损失的图像像素矫正损失函数和颈部像素矫正损失函数分配不同权重，使得图像处理模型在训练阶段对图像整体像素损失进行关注的同时，更加偏重关注颈部像素损失，从而进一步增加掩膜区域内皱纹的祛除效果。
[0077]
在一些实施例中，预设监督策略可以包括：
[0078]
确定所述第一训练样本中所述原始训练图像的原始注意力区域，并将所述原始训练图像中的所述原始注意力区域移除，得到第一中间图像；以及确定所述颈部矫正图像的矫正注意力区域，并将所述颈部矫正图像中的所述矫正注意力区域移除，得到第二中间图像；
[0079]
基于所述第一中间图像与所述第二中间图像得到注意力损失函数；
[0080]
基于所述注意力损失函数调整所述生成网络的第四生成网络参数和所述判别网络的第四判别网络参数，以使得所述注意力损失函数最小化。
[0081]
其中，注意力区域可以是指图像处理模型在图像处理的过程中基于注意力(attention)机制聚焦的局部信息区域。可以基于注意力区域掩膜attmask确定原始训练图像a的原始注意力区域la，将该原始注意力区域la从原始训练图像a中移除，剩下的图像作为第一中间图像ta＝a*(1.0-attmask)。可以基于注意力区域掩膜attmask确定颈部矫正图像b的矫正注意力区域lb，将该矫正注意力区域lb从颈部矫正图像b中移除，剩下的图像作为第二中间图像tb＝b*(1.0-attmask)。通过将第一中间图像ta和第二中间图像tb得到注意力损失函数l_att＝l1(ta，tb)＝l1(a*(1.0-attmask)，b*(1.0-attmask))，使得第一中间图像ta和第二中间图像tb二者保持一致，可以在训练中使得图像处理模型对注意力区域更加敏感，能够更准确地确定注意力区域。
[0082]
应了解，本公开中的第一生成网络参数至第四生成网络参数均可以表示生成网络的模型参数，其可以相同或不同；第一判别网络参数至第四判别网络参数均可以表示判别络的模型参数，其可以相同或不同。
[0083]
在一些实施例中，预设监督策略可以包括：
[0084]
对原始训练图像进行低通滤波，得到对应的原始低通滤波图像；
[0085]
将所述原始训练图像与对应的所述原始低通滤波图像对所述生成对抗网络进行训练。
[0086]
其中，经过低通滤波的原始训练图将变得模糊，而模糊之后颈部皱纹看上去被祛除，将原始训练图像及其对应的原始低通滤波图像作为祛除颈纹的先验知识一起输入图像处理模型进行训练，能够进一步提高图像处理模型的训练效率。
[0087]
在一些实施例中，预设监督策略可以包括：
[0088]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像和所述第一图像的第一颈部掩膜区域；
[0089]
对所述第一颈部掩膜区域进行高通滤波处理得到第一高通滤波图像，以及对所述第一颈部掩膜区域进行低通滤波处理得到第一低通滤波图像；以及对所述第一样本中的矫正颈部掩膜区域进行高通滤波处理得到第二高通滤波图像，以及对所述矫正颈部掩膜区域进行低通滤波处理得到第二低通滤波图像；
[0090]
基于所述第一高通滤波图像、第一低通滤波图像、第二高通滤波图像和第二低通滤波图像计算得到滤波损失函数；
[0091]
基于所述滤波损失函数调整图像处理模型的参数，使得所述滤波损失函数最小化。
[0092]
在一些实施例中，所述滤波损失函数包括高通滤波损失函数和低通滤波损失函数。进一步地，在一些实施例中，高通滤波损失函数可以基于所述第一高通滤波图像与所述第二高通滤波图像得到。在一些实施例中，低通滤波损失函数可以基于所述第一低通滤波图像与所述第二低通滤波图像得到。具体地，滤波损失函数l_flier＝高通滤波损失函数l_gt 低通滤波损失函数dt。高通滤波损失函数l_gt＝l1(gt(a’_mask)，gt(b_mask))，gt(a’_mask)为对第一颈部掩膜区域a’_mask进行高通滤波处理后得到的第一高通滤波图像，gt(b_mask)为对矫正颈部掩膜区域b_mask进行高通滤波处理后得到的第二高通滤波图像。低通滤波损失函数l_dt＝l1(dt(a’_mask)，dt(b_mask))，dt(a’_mask)为对第一颈部掩膜区域a’_mask进行低通滤波处理后得到的第一低通滤波图像，gt(b_mask)为对矫正颈部掩膜区域b_mask进行低通滤波处理后得到的第二低通滤波图像，l1为平均绝对误差函数。
[0093]
其中，通过高通滤波矫正能够让图像处理模型学习祛除颈纹的细节纹理，低通滤波矫正能够让图像处理模型学习祛除颈纹的整体感觉。通过二者的结合，从整体和细节上均针对颈部区域进行皱纹祛除，能够进一步提升颈纹的祛除效果。
[0094]
经过上述预设监督策略中的一个或多个，对初始的对抗网络进行训练得到训练好的图像处理模型。该训练好的图像处理模型字在训练过程中自适应学习训练样本的祛颈纹的网络参数，具有自适应祛颈纹属性。将其中的生成网络作为实际应用时对图像进行脸部祛颈纹处理的祛颈纹网络，对用户输入的原始图像进行祛颈纹处理，实现让颈部皮肤年轻化的处理效果。
[0095]
在一些实施例中，基于第一训练样本和预设监督策略对生成对抗网络进行训练，得到所述祛颈纹网络，还可以进一步包括：
[0096]
基于第一训练样本和预设监督策略对生成对抗网络进行训练得到初步图像处理模型；
[0097]
基于第二训练样本和所述预设监督策略对所述初步图像处理模型进行二次训练得到所述祛颈纹网络。
[0098]
进一步地，在一些实施例中，第二训练样本可以基于所述初步图像处理模型得到，具体包括：
[0099]
获取包括多个颈部图像的训练数据集，以及将所述颈部图像输入至所述生成对抗网络中的生成网络得到第二图像；
[0100]
将所述第二图像输入所述初步图像处理模型得到与所述第二图像对应的经过初步祛颈纹处理的第三图像；
[0101]
基于所述第二图像和对应的第三图像得到所述第二训练样本。
[0102]
其中，由于第一训练样本的数据量较小，基于第一训练样本训练得到的初步图像处理模型(包括初步生成网络和初步判别网络)不太稳定，为了增加生成图像处理模型的稳定性，还需要使用该初步图像处理模型处理大批量的数据，得到大批量的二次训练数据集作为第二训练样本。然后使用该第二训练样本和预设监督策略对初步图像处理模型进行二次训练，得到更稳定的图像处理模型，并将该更稳定的图像处理模型中的生成网络作为祛颈纹网络，从而提高了实际应用中颈部皱纹祛除的稳定性。
[0103]
在一些实施例中，还可以对第三图像进行预设图像处理，得到经过预处理的第三图像；将该经过预处理的第三图像与对应的第二图像作为所述第二训练样本。例如，可以对第二图像进行磨皮处理，能够再次提升祛皱纹效果。
[0104]
具体地，可以获取大批量的包括颈部图像(例如包括人的颈部图像的开源数据集)输入至初始的生对抗网络中的初始生成网络以生成第二图像d，得到大批量数据集set_d，然后将该大批量数据集set_d输入基于第一训练样本训练得到的初步图像处理模型得到输出的第三图像e。在一些实施例中，还可以对第三图像e进行磨皮处理得到经处理后的第三图像e’。可以由第二图像d与对应的第三图像e或经处理后的第三图像e’组成新的训练数据对，作为第二训练样本，结合预设监督策略对初步图像处理模型进行二次训练，得到新的图像处理模型。可以将该新的图像处理模型中的生成网络作为实际应用的祛颈纹网络(例如图3中的祛颈纹网络330)。
[0105]
参见图4，图4示出了根据本公开实施例的图像处理方法的流程示意图。图4中，图像处理方法400可以包括如下步骤。
[0106]
步骤s410，获取待处理的原始图像；
[0107]
步骤s420，对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像；
[0108]
步骤s430，基于第一网络对所述原始图像进行处理，确定所述目标区域的目标属性；
[0109]
步骤s440，基于所述目标属性对所述原始高通滤波图像和所述原始低通滤波图像进行处理得到目标高通滤波图像和目标低通滤波图像；
[0110]
在步骤s450，基于所述目标高通滤波图像和所述目标低通滤波图像得到目标区域图像；
[0111]
在步骤s460，将所述目标区域图像融合至所述原始图像中得到目标图像。
[0112]
具体地，对于待处理的原始图像imagea，用户希望将原始图像imagea中的目标区域(例如颈部区域)进行图像处理(例如祛颈纹处理)。可以对该原始图像imagea进行目标关键点(例如颈部关键点)检测得到原始图像imagea的目标关键点p(例如颈部关键点p)。并基于目标关键点p(例如颈部关键点p)确定原始图像imagea中的目标区域图像(例如颈部区域图像image_neck)，可以对目标区域图像进行高通滤波得到原始高通滤波图像image_fliter_h，以及对目标区域图像进行低通滤波得到原始低通滤波图像image_fliter_l。将原始图像imagea输入训练好的第一网络(例如图3中的第一网络330)，由于训练好的第一网
络能够根据输入数据自适应地确定输入数据的目标属性(例如目标颈部属性)，则可以基于该目标属性对原始高通滤波图像image_fliter_h和原始低通滤波图像image_fliter_l进行图像处理(例如祛颈纹处理)，得到目标高通滤波图像image_target_h和目标低通滤波图像image_target_l。第一网络还可以基于目标高通滤波图像image_target_h和目标低通滤波图像image_target_l得到图像处理(例如祛颈纹处理)后的目标区域图像(例如目标颈部图像)image’。还可以进一步地将目标区域图像image’融合至原始图像imagea中，得到图像处理的目标图像imagea’。这样，通过高通滤波处理有利于提高图像处理(例如祛除颈纹)的细节纹理，低通滤波处理有利于提高图像处理(例如祛除颈纹)的整体感觉。通过二者的结合，从整体和细节上均针对颈部区域进行图像处理(例如祛除颈纹)，能够进一步提升图像处理(例如颈纹的祛除)的效果。
[0113]
根据本公开实施例的图像处理方法，基于第一网络根据原始图像自适应确定的目标属性，对原始图像中经过高通滤波和低通滤波的目标区域进行处理得到目标高通滤波图像和目标低通滤波图像，再根据目标高通滤波图像和目标低通滤波图像得到目标区域图像，并融合至原始图像中得到对应的目标图像。从而实现对人像图像中目标区域进行处理，而不改变图像中其他区域的肤质等其他特征，使得经过处理的图像更自然，提高了图像处理的处理效果。具体到图像处理的应用程序中，能够基于祛颈纹网络的自适应平滑属性，实现一键式改善颈部区域的皮肤，可以使颈部区域的皮肤年轻化。
[0114]
在一些实施例中，根据权利要求1的方法，其中，基于第一网络对所述原始图像进行处理，确定所述目标区域的目标属性，包括：
[0115]
对所述原始图像(例如方法400中的原始图像imagea)进行低通滤波得到原始滤波图像；
[0116]
所述第一网络基于所述原始滤波图像和所述原始图像确定所述目标属性(例如方法400中的目标颈部属性)。
[0117]
其中，经过低通滤波的原始图像将变得模糊，而模糊之后的原始图像看上去已经经过图像处理，将原始图像所对应的原始滤波图像作为图像处理的先验知识，并结合原始图像来确定目标属性，有利于提高目标属性的准确度，使得目标属性能够与原始图像更适配。
[0118]
在一些实施例中，所述对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像，包括：
[0119]
基于第二网络对所述目标区域进行特征提取，得到目标特征；
[0120]
基于所述目标属性对所述目标特征进行特征矫正，得到矫正目标特征；
[0121]
基于所述矫正目标特征得到矫正目标区域图像；
[0122]
对所述第一图像的矫正目标区域图像进行高通滤波得到所述原始高通滤波图像，以及对所述矫正目标区域图像进行低通滤波得到所述原始低通滤波图像。
[0123]
其中，第一网络可以与第二网络封装在一起用于对原始图像进行处理。具体地，第一网络和第二网络可以用于对图像进行颈部去皱纹处理，可以先对原始图像中的颈部区域进行特征矫正后在进行高通滤波处理和低通滤波处理。第二网络对于原始图像中的颈部区域进行特征提取，得到颈部特征；并基于目标颈部属性对颈部特征进行特征矫正，得到矫正颈部特征，从而得到矫正颈部区域图像。再对矫正颈部区域图像分别进行高通滤波处理和
低通滤波处理得到原始高通滤波图像和原始低通滤波图像。这样，能够在关注图像整体处理效果的同时更偏重与关注颈部区域的特征，进一步增加颈部区域内祛除皱纹的效果。
[0124]
在一些实施例中，所述对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像，包括：
[0125]
基于第三网络对所述原始图像进行注意力区域检测，得到注意力区域；
[0126]
对所述注意力区域进行矫正得到矫正注意力区域；
[0127]
将所述矫正注意力区域融合至所述原始图像得到包括所述矫正注意力区域的原始矫正图像；
[0128]
对所述原始矫正图像的目标区域图像进行高通滤波得到原始高通滤波图像，以及对所述目标区域图像进行低通滤波得到原始低通滤波图像。
[0129]
其中，同样地，第一网络也可以与第三网络封装在一起用于对原始图像进行处理。第一网络和第三网络可以用于对图像进行颈部去皱纹处理，可以先对原始图像中的注意力区域进行矫正后在进行高通滤波处理和低通滤波处理。这样，可以更准确地确定原始图像的注意力区域，从而提高颈部去皱纹的效果。
[0130]
在一些实施例中，基于第一训练样本和预设监督策略对生成对抗网络进行训练，得到所述祛颈纹网络(例如图3中的祛颈纹网络330)；
[0131]
其中，所述第一训练样本包括至少一个样本对，每个样本对包括原始训练图像(例如图3中的原始训练图像a)、与原始训练图像对应的颈部矫正图像(例如图3中的人脸矫正图像b)、与原始训练图像对应的原始颈部掩膜区域(图3中未示出)以及与所述颈部矫正图像对应的矫正颈部掩膜区域(图3中未示出)。
[0132]
在一些实施例中，所述生成对抗网络包括生成网络(例如图3中的生成网络310)和判别网络(例如图3中的判别网络320)，所述预设监督策略包括：
[0133]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像(例如第一图像a’或g(x))和所述第一图像的第一颈部掩膜区域(例如g(x)_mask)；
[0134]
基于所述第一图像、所述原始训练图像、所述第一颈部掩膜区域和所述矫正颈部掩膜区域计算所述生成网络和所述判别网络的交叉熵损失函数(例如交叉熵损失函数v(d，g))；
[0135]
基于所述交叉熵损失函数调整所述判别网络的第一判别网络参数以使所述交叉熵损失函数最大化(例如)，以及基于所述交叉熵损失函数调整所述生成网络的第一生成网络参数以使所述交叉熵损失函数最小化(例如)。
[0136]
在一些实施例中，所述交叉熵损失函数包括图像交叉熵损失函数和/或掩膜交叉熵损失函数；其中，
[0137]
所述图像交叉熵损失函数基于所述第一图像和所述原始训练图像计算得到；
[0138]
所述掩膜交叉熵损失函数基于所述第一颈部掩膜区域(例如g(x)_mask)和所述原始颈部掩膜区域(例如x_mask)计算得到。
[0139]
在一些实施例中，所述生成对抗网络包括生成网络和判别网络，所述预设监督策略包括：
[0140]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图
像；
[0141]
基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算特征矫正损失函数(例如特征矫正损失函数l_f)；
[0142]
基于所述特征矫正损失函数调整调整所述生成网络的第二生成网络参数和所述判别网络的第二判别网络参数，以使得所述特征矫正损失函数最小化。
[0143]
在一些实施例中，基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算特征矫正损失函数，进一步包括：
[0144]
对所述第一图像进行特征提取，得到第一高维语义特征和第一低维纹理特征；以及对所述第一训练样本中的所述颈部矫正图像进行特征提取，得到第二高维语义特征和第二低维纹理特征；
[0145]
基于所述第一高维语义特征和所述第二高维语义特征计算第一高维特征损失函数(例如l1(f1_a’，f3))，以及基于所述第一低维纹理特征和所述第二低维纹理特征计算第一低维特征损失函数(例如l1(f2_a’，f4))；
[0146]
基于所述第一高维特征损失函数和所述第二低维特征损失函数之和得到所述特征矫正损失函数。
[0147]
在一些实施例中，所述生成对抗网络包括生成网络和判别网络，所述预设监督策略包括：
[0148]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像和所述第一图像的第一颈部掩膜区域；
[0149]
基于所述第一图像、第一颈部掩膜区域、所述第一训练样本中的颈部矫正图像和所述矫正颈部掩膜计算像素矫正损失函数(例如像素矫正损失函数l_jx与图像像素矫正损失函数l_tx之和)；
[0150]
基于所述像素矫正损失函数调整所述生成网络的第三生成网络参数和所述判别网络的第三判别网络参数，以使得所述像素矫正损失函数最小化。
[0151]
在一些实施例中，所述像素矫正损失函数包括颈部像素矫正损失函数(例如颈部像素矫正损失函数l_jx)；其中，所述颈部像素矫正损失函数基于所述第一颈部掩膜区域和所述第一训练样本中的所述矫正颈部掩膜区域计算得到。
[0152]
在一些实施例中，所述像素矫正损失函数还包括图像像素矫正损失函数(例如图像像素矫正损失函数l_tx)；其中，所述图像像素矫正损失函数基于所述第一图像和所述第一训练样本中的所述颈部矫正图像计算得到。
[0153]
在一些实施例中，所述像素矫正损失函数(例如像素矫正损失函数l_xsjz)包括颈部像素矫正损失函数和对应的第一权重，以及图像像素矫正损失函数和对应的第二权重，所述第一权重大于第二权重。
[0154]
在一些实施例中，所述预设监督策略包括：
[0155]
确定所述第一训练样本中所述原始训练图像的原始注意力区域(例如原始注意力区域la)，并将所述原始训练图像中的所述原始注意力区域移除，得到第一中间图像(例如第一中间图像ta)；以及确定所述颈部矫正图像的矫正注意力区域(例如矫正注意力区域lb)，并将所述颈部矫正图像中的所述矫正注意力区域移除，得到第二中间图像(例如第二中间图像tb)；
[0156]
基于所述第一中间图像与所述第二中间图像得到注意力损失函数(例如注意力损失函数l_att)；
[0157]
基于所述注意力损失函数调整所述生成网络的第四生成网络参数和所述判别网络的第四判别网络参数，以使得所述注意力损失函数最小化。
[0158]
在一些实施例中，所述预设监督策略包括：
[0159]
对原始训练图像进行低通滤波，得到对应的原始低通滤波图像；
[0160]
将所述原始训练图像与对应的所述原始低通滤波图像对所述生成对抗网络进行训练。
[0161]
在一些实施例中，所述生成对抗网络包括生成网络和判别网络，所述预设监督策略包括：
[0162]
所述生成网络基于所述第一训练样本中的所述原始训练图像生成对应的第一图像和所述第一图像的第一颈部掩膜区域；
[0163]
对所述第一颈部掩膜区域进行高通滤波处理得到第一高通滤波图像，以及对所述第一颈部掩膜区域进行低通滤波处理得到第一低通滤波图像；以及对所述第一样本中的矫正颈部掩膜区域进行高通滤波处理得到第二高通滤波图像，以及对所述矫正颈部掩膜区域进行低通滤波处理得到第二低通滤波图像；
[0164]
基于所述第一高通滤波图像(例如gt(a’_mask))、第一低通滤波图像(例如dt(a’_mask))、第二高通滤波图像(例如gt(b_mask))和第二低通滤波图像(例如dt(b_mask))计算得到滤波损失函数(例如滤波损失函数l_flier)；
[0165]
基于所述滤波损失函数调整图像处理模型的参数，使得所述滤波损失函数最小化。
[0166]
在一些实施例中，所述滤波损失函数包括高通滤波损失函数和低通滤波损失函数；其中，所述高通滤波损失函数(例如高通滤波损失函数l_gt)基于所述第一高通滤波图像与所述第二高通滤波图像得到，所述低通滤波损失函数(例如低通滤波损失函数l_dt)基于所述第一低通滤波图像与所述第二低通滤波图像得到。
[0167]
在一些实施例中，基于第一训练样本和预设监督策略对生成对抗网络进行训练，得到所述祛颈纹网络，进一步包括：
[0168]
基于第一训练样本和预设监督策略对生成对抗网络进行训练得到初步图像处理模型；
[0169]
基于第二训练样本和所述预设监督策略对所述初步图像处理模型进行二次训练得到所述祛颈纹网络。
[0170]
在一些实施例中，第二训练样本基于所述初步图像处理模型得到，具体包括：
[0171]
获取包括多个颈部图像的训练数据集，以及将所述颈部图像输入至所述生成对抗网络中的生成网络得到第二图像(例如第二图像d)；
[0172]
将所述第二图像输入所述初步图像处理模型得到与所述第二图像对应的经过初步祛颈纹处理的第三图像(例如第三图像e)；
[0173]
基于所述第二图像和对应的第三图像得到所述第二训练样本。
[0174]
在一些实施例中，所述预设监督策略包括：
[0175]
设置所述生成对抗网络的输入图像的光照条件参数，以模拟所述输入图像的光照
条件。
[0176]
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0177]
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0178]
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种图像处理装置，参见图5，所述图像处理装置包括：
[0179]
获取模块，用于获取待处理的原始图像；
[0180]
滤波模块，用于对所述原始图像的目标区域进行高通滤波得到原始高通滤波图像，以及对所述目标区域进行低通滤波得到原始低通滤波图像；
[0181]
第一网络，用于对所述原始图像进行处理，确定所述目标区域的目标属性；基于所述目标属性对所述原始高通滤波图像和所述原始低通滤波图像进行处理得到目标高通滤波图像和目标低通滤波图像；基于所述目标高通滤波图像和所述目标低通滤波图像得到目标区域图像；以及将所述目标区域图像融合至所述原始图像中得到目标图像。
[0182]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0183]
上述实施例的装置用于实现前述任一实施例中相应的图像处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0184]
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的图像处理方法。
[0185]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0186]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的图像处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0187]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0188]
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0189]
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0190]
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。