CN107948510B

CN107948510B - 焦距调整的方法、装置及存储介质

Info

Publication number: CN107948510B
Application number: CN201711208651.XA
Authority: CN
Inventors: 张水发
Original assignee: Beijing Xiaomi Mobile Software Co Ltd
Current assignee: Beijing Xiaomi Mobile Software Co Ltd
Priority date: 2017-11-27
Filing date: 2017-11-27
Publication date: 2020-04-07
Anticipated expiration: 2037-11-27
Also published as: CN107948510A

Abstract

本公开是关于一种焦距调整的方法、装置及存储介质，该方法包括：通过将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像；获取第二图像与第一图像的灰度差值；根据灰度差值确定当前焦距是否满足拍摄条件；在当前焦距不满足拍摄条件时，根据灰度差值调整焦距，并根据调整后的焦距再次执行将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像至根据灰度差值确定当前焦距是否满足拍摄条件的步骤，直至当前焦距满足拍摄条件。因此，能够在不改变硬件的情况下，实现快速准确的自动对焦功能。

Description

焦距调整的方法、装置及存储介质

技术领域

本公开涉及图像技术领域，尤其涉及一种焦距调整的方法、装置及存储介质。

背景技术

与一般的专用于拍照的相机基于光学元件的对焦不同，手机等带有拍照功能的移动终端由于其相机模块的硬件特点，通常都无法直接对感光元件进行调整以实现拍照时对拍摄物体的对焦，多是基于数码调焦。因此在相关技术中，手机上的自动对焦功能，本质上是集成在手机图像信号处理器中设置的一种图像数据计算方法，例如是激光对焦是通过记录红外激光从手机发射出激光，经过目标表面反射，最后再被测距仪接收到的时间差，来计算目标拍摄图像到手机的距离，在光线良好的情况下对焦速度迅速；还有是反差对焦，是通过镜片不断地对当前对焦区域进行摸索，不断伸缩以寻找到对焦点与环境有颜色反差的边缘从而判断到要拍照的目标对象在哪里，实现对焦。

发明内容

为克服相关技术中存在的问题，本公开提供一种能够快速准确进行焦距确定的焦距调整的方法、装置及存储介质。

根据本公开实施例的第一方面，提供一种焦距调整的方法，所述方法包括：

将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像；

获取所述第二图像与所述第一图像的灰度差值；

根据所述灰度差值确定所述当前焦距是否满足拍摄条件；

当所述当前焦距不满足所述拍摄条件时，根据所述灰度差值调整焦距，并根据调整后的焦距再次执行所述将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像至所述根据所述灰度差值确定所述当前焦距是否满足拍摄条件的步骤，直至当前焦距满足所述拍摄条件。

结合第一方面，在第一种可实现方式中，所述方法还包括：

采集清晰的图像作为正常图像样本；

通过对所述正常图像样本进行模糊化处理，得到模糊化图像样本；

根据所述模糊化图像样本和所述正常图像样本，利用预设的图像判别模型和损失函数确定所述图像生成模型的参数；其中，所述图像生成模型包括N层编码层和位于所述N层编码层下层的N层解码层，所述判别模型包括N层编码层和M层全连接层，所述M层全连接层位于所述判别模型的所述N层编码层的下层；其中，M、N均为大于零的整数。

结合第一方面的第一种可实现方式，在第二种可实现方式中，所述通过对所述正常图像样本进行模糊化处理，得到模糊化图像样本，包括：

通过对所述正常图像样本进行预设倍数的下采样处理，得到下采样图像样本；

通过利用线性插值法对所述下采样图像样本进行上采样处理，得到所述模糊化图像样本。

结合第一方面的第二种可实现方式，在第三种可实现方式中，所述根据所述模糊化图像样本和所述正常图像样本，利用预设的图像判别模型和损失函数确定所述图像生成模型的参数，包括：

通过将所述模糊化图像样本作为所述图像生成模型的输入，获取所述图像生成模型输出的生成图像；

通过将所述生成图像以及所述正常图像样本作为所述图像判别模型的输入，获取所述图像判别模型输出的判别结果；

根据所述模糊化图像样本、所述正常图像样本、所述生成图像以及所述判别结果确定所述损失函数的输出值；

根据所述损失函数的输出值，利用随机梯度下降法对所述图像生成模型和所述图像判别模型进行训练；

根据所述训练结果确定所述图像生成模型和所述图像判别模型均收敛时，将所述训练结果中对应所述图像生成模型的参数确定为所述图像生成模型的参数。

结合第一方面，在第四种可实现方式中，所述获取所述第二图像与所述第一图像的灰度差值，包括：

获取所述第一图像中每个像素点与所述第二图像中对应像素点的灰度差；

对所述第一图像中每个像素点与所述第二图像中对应像素点的灰度差求和，得到所述灰度差值。

结合第一方面，在第五种可实现方式中，所述根据所述灰度差值确定所述当前焦距是否满足拍摄条件，包括：

当所述灰度差值小于预设的灰度阈值时，确定所述当前焦距满足拍摄条件；

当所述灰度差值大于或者等于所述灰度阈值时，确定所述当前焦距不满足拍摄条件。

根据本公开实施例的第二方面，提供一种焦距调整的装置，所述装置包括：

图像获取模块，被配置为将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像；

灰度差获取模块，被配置为获取所述第二图像与所述第一图像的灰度差值；

条件判断模块，被配置为根据所述灰度差值确定所述当前焦距是否满足拍摄条件；

焦距调整模块，被配置为当所述当前焦距不满足所述拍摄条件时，根据所述灰度差值调整焦距，并根据调整后的焦距再次执行所述将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像至所述根据所述灰度差值确定所述当前焦距是否满足拍摄条件的步骤，直至当前焦距满足所述拍摄条件。

结合第二方面，在第一种可实现方式中，所述装置还包括：

图像采集模块，被配置为采集清晰的图像作为正常图像样本；

模糊化处理模块，被配置为通过对所述正常图像样本进行模糊化处理，得到模糊化图像样本；

参数确定模块，被配置为根据所述模糊化图像样本和所述正常图像样本，利用预设的图像判别模型和损失函数确定所述图像生成模型的参数；其中，所述图像生成模型包括N层编码层和位于所述N层编码层下层的N层解码层，所述判别模型包括N层编码层和M层全连接层，所述M层全连接层位于所述判别模型的所述N层编码层的下层；其中，M、N均为大于零的整数。

结合第二方面的第一种可实现方式，在第二种可实现方式中，所述模糊化处理模块包括：

下采样处理子模块，被配置为通过对所述正常图像样本进行预设倍数的下采样处理，得到下采样图像样本；

上采样处理子模块，被配置为通过利用线性插值法对所述下采样图像样本进行上采样处理，得到所述模糊化图像样本。

结合第二方面的第二种可实现方式，在第三种可实现方式中，所述参数确定模块包括：

生成图像获取子模块，被配置为通过将所述模糊化图像样本作为所述图像生成模型的输入，获取所述图像生成模型输出的生成图像；

判别结果获取子模块，被配置为通过将所述生成图像以及所述正常图像样本作为所述图像判别模型的输入，获取所述图像判别模型输出的判别结果；

损失函数值确定子模块，被配置为根据所述模糊化图像样本、所述正常图像样本、所述生成图像以及所述判别结果确定所述损失函数的输出值；

模型训练子模块，被配置为根据所述损失函数的输出值，利用随机梯度下降法对所述图像生成模型和所述图像判别模型进行训练；

参数确定子模块，被配置为根据所述训练结果确定所述图像生成模型和所述图像判别模型均收敛时，将所述训练结果中对应所述图像生成模型的参数确定为所述图像生成模型的参数。

结合第二方面，在第四种可实现方式中，所述灰度差获取模块包括：

灰度差获取子模块，被配置为获取所述第一图像中每个像素点与所述第二图像中对应像素点的灰度差；

灰度差求和子模块，被配置为对所述第一图像中每个像素点与所述第二图像中对应像素点的灰度差求和，得到所述灰度差值。

结合第二方面，在第五种可实现方式中，所述条件判断模块被配置为：

根据本公开实施例的第三方面，提供一种焦距调整的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取所述第二图像与所述第一图像的灰度差值；

根据所述灰度差值确定所述当前焦距是否满足拍摄条件；

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的焦距调整的方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

通过将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像；获取所述第二图像与所述第一图像的灰度差值；根据所述灰度差值确定所述当前焦距是否满足拍摄条件；当所述当前焦距不满足所述拍摄条件时，根据所述灰度差值调整焦距，并根据调整后的焦距再次执行所述将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于所述第一图像的第二图像至所述根据所述灰度差值确定所述当前焦距是否满足拍摄条件的步骤，直至当前焦距满足所述拍摄条件。因此，能够在不改变硬件的情况下，实现快速准确的自动对焦功能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种焦距调整的方法的流程图；

图2是根据一示例性实施例示出的另一种焦距调整的方法的流程图；

图3是根据一示例性实施例示出的一种图像生成模型的结构图；

图4是根据一示例性实施例示出的一种图像判别模型的结构图；

图5是根据一示例性实施例示出的又一种焦距调整的方法的流程图；

图6是根据一示例性实施例示出的又一种焦距调整的方法的流程图；

图7是根据一示例性实施例示出的又一种焦距调整的方法的流程图；

图8是根据一示例性实施例示出的一种焦距调整的装置的框图；

图9是根据一示例性实施例示出的另一种焦距调整的装置的框图；

图10是根据一示例性实施例示出的一种模糊化处理模块的框图；

图11是根据一示例性实施例示出的一种参数确定模块的框图；

图12是根据一示例性实施例示出的一种灰度差获取模块的框图；

图13是根据一示例性实施例示出的又一种焦距调整的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种焦距调整的方法的流程图，如图1所示，该方法包括以下步骤：

在步骤101中，将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像。

示例地，本公开所提供的焦距调整的方法适用于具有拍照功能的智能终端，例如是手机，当手机通过摄像头在当前焦距下采集到第一图像后，将该第一图像输入到预先确定的图像生成模型，该图像生成模型的输出图像为第二图像，该图像的清晰度高于摄像头在当前焦距下直接获取到第一图像。其中，该当前焦距可以是打开相机后快速对焦得到的一个焦距，此时该焦距可能还没有调整好，因此该在当前焦距下采集到第一图像可能是比较模糊的，然后将其输入到已经训练好的图像生成模型中生成一个清晰的第二图像，以便在后续步骤中将二者进行对比来确定，当前焦距下采集的第一图像与清晰图像的差距，从而为调整焦距提供依据。

在步骤102中，获取第二图像与第一图像的灰度差值。

根据步骤101确定第二图像，确定第二图像和第一图像之间的灰度差值，该灰度差值所述第一图像中每个像素点与所述第二图像中对应像素点的灰度差的总和，该灰度差值将作为下面步骤的判断依据，确定当前焦距是否满足预设的拍摄条件，从而确定手机以何焦距值进行拍摄。

在步骤103中，根据灰度差值确定当前焦距是否满足拍摄条件。

示例地，可以根据经验或者多次实验确定一个灰度差值的阈值作为判断依据，当步骤102获取到的灰度差值小于该阈值时，确定满足拍摄条件，此时调焦结束，即可以以当前焦距进行图像的拍摄，从而获取清晰的拍摄图像；反之，当灰度差值大于或者等于该阈值时，说明当前焦距下获取到的第一图像的清晰度过低，不满足拍摄条件，可以执行步骤104调整焦距，并根据调整后的焦距再次执行步骤101至步骤103的操作，直至当前焦距满足拍摄条件。

在步骤104中，在当前焦距不满足拍摄条件时，根据灰度差值调整焦距。

示例地，当步骤103判断出拍摄条件不满足时，需要重复执行上述步骤101-步骤103的操作，也就是根据当前灰度差值与预先确定的灰度差值的阈值之间的关系，对当前焦距进行调整，然后以调整后更新的焦距作为当前焦距重新获取第一图像，输入至图像生成模型，获取新的第二图像，再确定该第二图像与第一图像之间的灰度差值，从而判断更新后的焦距是否满足拍摄条件，若满足拍摄条件，则结束调焦并且以更新后的焦距进行图像的拍摄，否则再次对焦距调整，并重复进行步骤101-步骤103的操作，以此类推直至当前焦距满足拍摄条件。

综上所述，本公开提供的焦距调整的方法，通过将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像，获取第二图像与第一图像的灰度差值，再根据灰度差值确定当前焦距是否满足拍摄条件，在当前焦距不满足拍摄条件时，根据灰度差值调整焦距，并根据调整后的焦距再次执行将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像至根据灰度差值确定当前焦距是否满足拍摄条件的步骤，直至当前焦距满足拍摄条件。因此，能够在不改变硬件的情况下，实现快速准确的自动对焦功能。

图2是根据一示例性实施例示出的另一种焦距调整的方法的流程图，如图2所示，该方法还包括以下步骤：

在步骤105中，采集清晰的图像作为正常图像样本。

示例地，在应用本公开图1所示的实施例的方法进行焦距的调整之前，还可以对预先确定的该图像生成模型。首先，通过所采集到的清晰的图像作为正常图像样本，作为对该图像生成模型的训练样本，从而利用之后的步骤106-107确定该图像生成模型的参数，从而得到步骤101中所述的预设的图像生成模型。

在步骤106中，通过对正常图像样本进行模糊化处理，得到模糊化图像样本。

示例地，将对正常图像样本模糊化处理得到的模糊化图像样本，作为训练图像生成模型的输入样本，而原始的正常图像样本将作为对该图像生成模型(以该模糊化图像为输入)所产生的输出的对比样本，图像生成模型的输出的也是图像，是由图像生成模型生成的清晰图像，从而可以根据图像生成模型的输出与上述的正常图像样本的比对来调整图像生成模型的参数，以确定精确的图像生成模型的参数。

示例地，该模糊化的步骤可以包括：首先通过对正常图像样本进行预设倍数的下采样处理，得到下采样图像样本；再通过利用线性插值法对下采样图像样本进行上采样处理，得到模糊化图像样本。其中，该预设倍数可以为4，即对图像进行4倍的下采样，之后再利用线性插值的方法进行上采样从而获取到该正常图像样本对应的模糊化图像样本，以便实现下面步骤107的操作。

在步骤107中，根据模糊化图像样本和正常图像样本，利用预设的图像判别模型和损失函数确定图像生成模型的参数。

其中，图像生成模型包括N层编码层和位于N层编码层下层的N层解码层，判别模型包括N层编码层和M层全连接层，M层全连接层位于判别模型的N层编码层的下层，M、N均为大于零的整数。

示例地，该M的值可以为5，如图3所示的图像生成模型中，包括5层编码层和5层解码层，其中，每层编码层/解码层均可以采用卷积神经网络的结构，包括卷积层、ReLU(英文：Rectified Linear Units，中文：激活函数)激活层和最大池化层(英文：Max-Pooling)的处理操作，激活层和最大池化层用于提高图像生成模型的生成速度以及提高生成的精度，不容易产生过拟合的生成结果，其中解码层在结构上位于编码层下层，可以理解为按照从输入到输出的方向是先经过编码层再经过解码层。其中，每层卷积层所包括的卷积滤波器的个数和大小如图2所示，以输入方向开始第一个编码层E1的卷积层为例，该层包括64个卷积滤波器，卷积滤波器的大小是3*3(表示为64*3*3)，同理其余的编码层中的卷积层可以依次表示为E2：128*3*3，E3：256*3*3，E4：512*3*3，E5：512*3*3，对应的解码层中的卷积层可以依次表示为D1：512*3*3，D2：512*3*3，D3：256*3*3，D4：128*3*3和D5：64*3*3。另外，该图像生成模型可以采用残差网络结构，即图3所示的结构，每个编码层的输出不仅是作为下一个编码层的输入，也将作为对应解码层的部分输入。采用残差网络结构是因为，在卷积神经网络中，虽然卷积神经网络的层数越多，意味着能够提取到不同层的特征越丰富，越容易提高卷积神经网络的性能，但是如果只是简单的增加层数也可能会导致退化问题，退化可以理解为准确率饱和或者甚至出现准确率下降的问题，采用残差网络结构能够有效避免多层网络结构带来的退化的副作用，提高图像识别的准确度。当然，图3所示的采用残差网络结构的图像生成模型是示例性的，也可以不采用残差网络结构，或其他网络结构，可以根据对网络性能的需求来确定。基于残差网络结构，以第一个编码层E1为例，其输出作为紧接着的第二个编码层E2的输入的同时，还作为对应的以输入方向为开始的最后一个解码层D5的一个输入(即D5的输入包括D4的输出和E1的输出)，其余同理。

当M的值为5，N的值可以为2时，图像判别模型的结构如图4所示，包括5层编码层、2层全连接层以及Sigmoid函数层(Sigmoid函数是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数)，与图像生成模型类似，每层编码层也可以采用神经网络的结构，包括卷积层、ReLU激活层和最大池化层，其中每层编码层中的卷积层大小如图所示，从输入方向开始依次为64*3*3，128*3*3，256*3*3，512*3*3，512*3*3。

另外，上述图像生成模型和图像判别模型中的每个卷积层中的池化层，可以设置步幅(英文：Stride)为2，这样能够处理更多的像素，并产生更小的输出量。该图像判别模型用于对图像生成模型的输出进行判断，确定图像生成模型的输出与真实图像的偏差大小，以确定图像生成模型的设置是否需要调整。此外，损失函数(英文：loss function)是用来评估模型的预测值与真实值的不一致程度，因此损失函数的输出值越小，该模型的鲁棒性就越好。利用模糊化图像样本和正常图像样本对图像生成模型进行训练，直至该模型满足收敛条件时，确定模型的参数。

在上述实施方式中，通过将采集清晰的图像作为正常图像样本，再通过对正常图像样本进行模糊化处理得到模糊化图像样本，然后根据模糊化图像样本和正常图像样本，利用预设的图像判别模型和损失函数确定图像生成模型的参数，能够准确地确定图像生成模型的参数，完成图像生成模型的训练。

图5是根据一示例性实施例示出的又一种焦距调整的方法的流程图，如图5所示，步骤107所述的根据模糊化图像样本和正常图像样本，利用预设的图像判别模型和损失函数确定图像生成模型的参数，包括以下子步骤：

在步骤1071中，通过将模糊化图像样本作为图像生成模型的输入，获取图像生成模型输出的生成图像。

在步骤1072中，通过将生成图像以及正常图像样本作为图像判别模型的输入，获取图像判别模型输出的判别结果。

其中，图像判别模型的输入包括正常图像样本和步骤1071中确定的生成图像，经过图像判别模型后，其输出为该生成图像与正常图像样本的相似度，根据该相似度可以确定该图像生成模型的准确性。

在步骤1073中，根据模糊化图像样本、正常图像样本、生成图像以及判别结果确定损失函数的输出值。

其中，可以利用预设的损失函数确定公式确定损失函数的输出值，该损失函数确定公式包括：

其中，L表示损失函数的输出值，x表示正常图像样本，z表示模糊化图像样本，E表示一个随机变量对应的所有可能取值的信息量的期望，也称为熵，G(z)表示图像生成模型的输出，D(G(z))表示图像判别模型的输出，p_z(z)表示z上所有像素点的分布，p_data(x)表示x上所有像素点的分布，α、β为预设的惩罚系数，用于调整生成图像与模糊化图像样本，以及生成图像与真实清晰图像之间的相似性度量。

在步骤1072中利用图像判别模型确定图像生成模型的准确度，再利用该损失函数，确定图像判别模型的精确度，该损失函数的输出值越小说明图像判别模型的鲁棒性越好。

在步骤1074中，根据损失函数的输出值，利用随机梯度下降法对图像生成模型和图像判别模型进行训练。

其中，随机梯度下降法中的随机就是说可以利用样本中的任意一个随机的样本作为例子来近似该数据模型中所有的样本，从而调整数据模型中所有参数，确保满足梯度下降的原则，根据损失函数的输出值，可以确定当前图像判别模型的参数准确性，获取一个损失函数的输出值较小时对应的图像生成模型和图像判别模型，进而在此基础上利用随机梯度下降对上述两个模型分别进行训练，直至其达到步骤1075确定的收敛条件，从而确定图像生成模型的参数。

在步骤1075中，根据训练结果确定图像生成模型和图像判别模型均收敛时，将训练结果中对应图像生成模型的参数确定为图像生成模型的参数。

其中，当该训练结果满足预设的收敛条件，即图像生成模型和图像判别模型均收敛时，说明可以结束上述图像生成模型的训练操作，从而根据训练的结果确定当前图像生成模型的参数。

在上述的实施方式中，通过模糊化图像样本和正常图像样本，能够利用预设的图像判别模型和损失函数，采用随机梯度下降法训练准确地确定图像生成模型的参数，从而完成图像生成模型的训练。

图6是根据一示例性实施例示出的又一种焦距调整的方法的流程图，如图6所示，步骤102所述的获取第二图像与第一图像的灰度差值，包括以下步骤：

在步骤1021中，获取第一图像中每个像素点与第二图像中对应像素点的灰度差。

在步骤1022中，对第一图像中每个像素点与第二图像中对应像素点的灰度差求和，得到灰度差值。

也就是说，第二图像与第一图像的灰度差值是第二图像和第一图像上所有像素点的灰度差值之和。

在上述实施方式中，将第二图像与第一图像的所有像素点的灰度值进行灰度差值求和，能够该灰度差值之和获取第一图像与第二图像之间的差距，从而获得快速对焦时采集的图像与清晰图像的差距，以便进一步调焦。

图7是根据一示例性实施例示出的又一种焦距调整的方法的流程图，如图7所示。图1中步骤103所述的根据灰度差值确定当前焦距是否满足拍摄条件，该拍摄条件可以是判断灰度差值是否小于预设的灰度阈值。

当灰度差值小于预设的灰度阈值时，执行步骤1031，确定当前焦距满足拍摄条件。

当灰度差值大于或者等于灰度阈值时，执行步骤1032，确定当前焦距不满足拍摄条件。

根据灰度差值与预设的灰度阈值的比较结果，确定进行步骤1031还是步骤1032的操作。

上述实施方式，通过第二图像与第一图像的灰度差值以及预设的灰度阈值，确定当前焦距是否满足拍摄条件，能够快速、准确地确定当前焦距是否满足拍摄条件，进而实现精确快速对焦的功能。

图8是根据一示例性实施例示出的一种焦距调整的装置框图。参照图8，该装置800包括：

图像获取模块810，被配置为将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像。

灰度差获取模块820，被配置为获取第二图像与第一图像的灰度差值。

条件判断模块830，被配置为根据灰度差值确定当前焦距是否满足拍摄条件。

焦距调整模块840，被配置为在当前焦距不满足拍摄条件时，根据灰度差值调整焦距，并根据调整后的焦距再次执行将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像至根据灰度差值确定当前焦距是否满足拍摄条件的步骤，直至当前焦距满足拍摄条件。

图9是根据一示例性实施例示出的另一种焦距调整的装置框图。参照图9，该装置800还包括：

图像采集模块850，被配置为采集清晰的图像作为正常图像样本；

模糊化处理模块860，被配置为通过对正常图像样本进行模糊化处理，得到模糊化图像样本。

参数确定模块870，被配置为根据模糊化图像样本和正常图像样本，利用预设的图像判别模型和损失函数确定图像生成模型的参数；其中，图像生成模型包括N层编码层和位于N层编码层下层的N层解码层，判别模型包括N层编码层和M层全连接层，M层全连接层位于判别模型的N层编码层的下层，M、N均为大于零的整数。

图10是根据一示例性实施例示出的一种模糊化处理模块的框图。参照图10，该模糊化处理模块860包括：

下采样处理子模块861，被配置为通过对正常图像样本进行预设倍数的下采样处理，得到下采样图像样本。

上采样处理子模块862，被配置为通过利用线性插值法对下采样图像样本进行上采样处理，得到模糊化图像样本。

图11是根据一示例性实施例示出的一种参数确定模块的框图。参照图11，该参数确定模块870包括：

生成图像获取子模块871，被配置为通过将模糊化图像样本作为图像生成模型的输入，获取图像生成模型输出的生成图像。

判别结果获取子模块872，被配置为通过将生成图像以及正常图像样本作为图像判别模型的输入，获取图像判别模型输出的判别结果。

损失函数值确定子模块873，被配置为根据模糊化图像样本、正常图像样本、生成图像以及判别结果确定损失函数的输出值。

模型训练子模块874，被配置为根据损失函数的输出值，利用随机梯度下降法对图像生成模型和图像判别模型进行训练。

参数确定子模块875，被配置为根据训练结果确定图像生成模型和图像判别模型均收敛时，将训练结果中对应图像生成模型的参数确定为图像生成模型的参数。

图12是根据一示例性实施例示出的一种灰度差获取模块的框图。参照图12，该灰度差获取模块820包括：

灰度差获取子模块821，被配置为获取第一图像中每个像素点与第二图像中对应像素点的灰度差。

灰度差求和子模块822，被配置为对第一图像中每个像素点与第二图像中对应像素点的灰度差求和，得到灰度差值。

结合图8的实施例，条件判断模块830被配置为：

当灰度差值小于预设的灰度阈值时，确定当前焦距满足拍摄条件。

当灰度差值大于或者等于灰度阈值时，确定当前焦距不满足拍摄条件。

综上所述，本公开提供的焦距调整的装置，通过将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像，获取第二图像与第一图像的灰度差值，再根据灰度差值确定当前焦距是否满足拍摄条件，在当前焦距不满足拍摄条件时，根据灰度差值调整焦距，并根据调整后的焦距再次执行将在当前焦距下采集的第一图像输入到预设的图像生成模型中，得到清晰度高于第一图像的第二图像至根据灰度差值确定当前焦距是否满足拍摄条件的步骤，直至当前焦距满足拍摄条件。因此，因此，能够在不改变硬件的情况下，实现快速准确的自动对焦功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的焦距调整的方法的步骤。

图13是根据一示例性实施例示出的又一种焦距调整的装置1300的框图。例如，装置1300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图13，装置1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电力组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。

处理组件1302通常控制装置1300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令，以完成上述的焦距调整的方法的全部或部分步骤。此外，处理组件1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。

存储器1304被配置为存储各种类型的数据以支持在装置1300的操作。这些数据的示例包括用于在装置1300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件1306为装置1300的各种组件提供电力。电力组件1306可以包括电源管理系统，一个或多个电源，及其他与为装置1300生成、管理和分配电力相关联的组件。

多媒体组件1308包括在所述装置1300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1308包括一个前置摄像头和/或后置摄像头。当装置1300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当装置1300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。

I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1314包括一个或多个传感器，用于为装置1300提供各个方面的状态评估。例如，传感器组件1314可以检测到装置1300的打开/关闭状态，组件的相对定位，例如所述组件为装置1300的显示器和小键盘，传感器组件1314还可以检测装置1300或装置1300一个组件的位置改变，用户与装置1300接触的存在或不存在，装置1300方位或加速/减速和装置1300的温度变化。传感器组件1314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1316被配置为便于装置1300和其他设备之间有线或无线方式的通信。装置1300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述焦距调整的方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1304，上述指令可由装置1300的处理器1320执行以完成上述焦距调整的方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims

1.一种焦距调整的方法，其特征在于，所述方法包括：

获取所述第二图像与所述第一图像的灰度差值；

根据所述灰度差值确定所述当前焦距是否满足拍摄条件；

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集清晰的图像作为正常图像样本；

3.根据权利要求2所述的方法，其特征在于，所述通过对所述正常图像样本进行模糊化处理，得到模糊化图像样本，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述模糊化图像样本和所述正常图像样本，利用预设的图像判别模型和损失函数确定所述图像生成模型的参数，包括：

根据训练结果确定所述图像生成模型和所述图像判别模型均收敛时，将所述训练结果中对应所述图像生成模型的参数确定为所述图像生成模型的参数。

5.根据权利要求1所述的方法，其特征在于，所述获取所述第二图像与所述第一图像的灰度差值，包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述灰度差值确定所述当前焦距是否满足拍摄条件，包括：

7.一种焦距调整的装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

9.根据权利要求8所述的装置，其特征在于，所述模糊化处理模块包括：

10.根据权利要求9所述的装置，其特征在于，所述参数确定模块包括：

参数确定子模块，被配置为根据训练结果确定所述图像生成模型和所述图像判别模型均收敛时，将所述训练结果中对应所述图像生成模型的参数确定为所述图像生成模型的参数。

11.根据权利要求7所述的装置，其特征在于，所述灰度差获取模块包括：

12.根据权利要求7所述的装置，其特征在于，所述条件判断模块被配置为：

13.一种焦距调整的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取所述第二图像与所述第一图像的灰度差值；

根据所述灰度差值确定所述当前焦距是否满足拍摄条件；

14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。