CN108600634B - 图像处理方法和装置、存储介质、电子设备 - Google Patents

Abstract

本申请涉及一种图像处理方法和装置、电子设备、计算机可读存储介质，对图像进行场景检测，获取场景检测初始结果，获取图像拍摄时的位置信息，根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果。本方法在场景检测方法的基础上结合对图像拍摄时的位置信息的分析，因为每一位置信息会固定对应一些场景，从而进一步优化场景检测最终结果的合理性，提高场景检测的准确率。

Description

图像处理方法和装置、存储介质、电子设备

技术领域

本申请涉及计算机技术领域，特别是涉及一种图像处理方法和装置、存储介质、电子设备。

背景技术

随着移动终端的普及和移动互联网的迅速发展，移动终端的用户使用量越来越大。而拍照功能已经成为移动终端的常用应用之一，属于用户使用频率极高的应用。在拍照的过程中或在拍照之后，都可能会使用到对图像进行场景检测的功能。但传统的场景检测技术对场景的检测仍然存在一定的误差。

发明内容

本申请实施例提供一种图像处理方法和装置、存储介质、电子设备，可以提高场景检测的准确性。

一种图像处理方法，包括：

对图像进行场景检测，获取场景检测初始结果；

获取所述图像拍摄时的位置信息；

根据所述位置信息对所述场景检测初始结果进行校正，得到校正之后的场景检测最终结果。

一种图像处理装置，所述装置包括：

检测模块，用于对图像进行场景检测，获取场景检测初始结果；

位置确定模块，用于获取所述图像拍摄时的位置信息；

校正模块，用于根据所述位置信息对所述场景检测初始结果进行校正，得到校正之后的场景检测最终结果。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像处理方法的步骤。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上所述的图像处理方法的步骤。

上述图像处理方法和装置、存储介质、电子设备，对图像进行场景检测，获取场景检测初始结果，获取图像拍摄时的位置信息，根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果。本方法在场景检测方法的基础上结合对图像拍摄时的位置信息的分析，因为每一位置信息会固定对应一些场景，从而进一步优化场景检测最终结果的合理性，提高场景检测的准确率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中电子设备的内部结构图；

图2为一个实施例中图像处理方法的流程图；

图3为图2中获取图像拍摄时的位置信息方法的流程图；

图4为图2中根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果方法的流程图；

图5为图4中计算置信度方法的流程图；

图6为一个实施例中图像处理装置的结构示意图；

图7为另一个实施例中图像处理装置的结构示意图；

图8为图6中校正模块的结构示意图；

图9为一个实施例中提供的电子设备相关的手机的部分结构的框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中电子设备的内部结构示意图。如图1所示，该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于电子设备的场景检测方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random-Access-Memory，RAM)等。例如，在一个实施例中，存储器包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的电子设备进行通信。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。

在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的电子设备为例进行说明，包括：

步骤220，对图像进行场景检测，获取场景检测初始结果。

用户使用电子设备(具有拍照功能)进行拍照，获取拍照之后的图像，对图像进行场景检测。具体地，采用传统的场景检测算法对图像进行场景检测，检测出图像中包含哪种场景。场景检测算法主要用到的深度神经网络模型是卷积神经网络CNN(ConvolutionalNeural Networks,简称CNN)。例如，场景类别可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。在对图像进行场景检测之后，得到了场景检测初始结果。

步骤240，获取图像拍摄时的位置信息。

一般情况下，电子设备会对每次拍照的地点进行记录，一般采用GPS(GlobalPositioning System，全球定位系统)来进行记录位置。例如，用户在深圳市莲花山公园进行拍照，则对拍照之后的图像就可以记录地址为“深圳市莲花山公园”。地址为深圳市莲花山公园，则相应拍摄出来的图像中出现蓝天、绿草、人像、风景的概率比较高，而例如出现海滩、雪景等的概率较小。

步骤260，根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果。

根据地址信息就得到了图像中出现某些场景的概率，再结合场景检测初始结果对初始结果进行校正。例如，场景检测初始结果为蓝天、绿草、沙滩，则经过校正之后，显然沙滩的出现概率最小，不应该出现在图像中。因此，经过校正之后就得到了，对上述图像进行场景检测之后得到的是蓝天、绿草，则将蓝天、绿草输出为场景检测最终结果。

本申请实施例中，对图像进行场景检测，获取场景检测初始结果，获取图像拍摄时的位置信息，根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果。本方法在场景检测方法的基础上结合对图像拍摄时的位置信息的分析，因为每一位置信息会固定对应一些场景，从而进一步优化场景检测最终结果的合理性，提高场景检测的准确率。

在一个实施例中，如图3所示，获取图像拍摄时的位置信息，包括：

步骤242，获取图像拍摄时的地址信息。

一般情况下，电子设备会对每次拍照的地点进行记录，一般采用GPS(GlobalPositioning System，全球定位系统)来进行记录地址信息。获取电子设备所记录的地址信息。

步骤244，根据地址信息获取图像的位置信息，位置信息包含与地址信息对应的场景类别及场景类别对应的权值。

在获取电子设备所记录的地址信息之后，根据地址信息获取图像的位置信息。预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值。具体地，可以是根据对大量的图像素材进行统计学分析后得出的结果，根据结果相应地为不同的地址信息匹配对应的场景类别及场景类别对应的权值。例如，根据对大量的图像素材进行统计学分析后得出，当地址信息显示为“草原”时，则与地址为“草原”对应的场景为“绿草”的权值为9，“雪景”的权值为7，“风景”的权值为4，“蓝天”的权值为6，“海滩”的权值为-8，权值的取值范围为[-10,10]。权值越大说明在该图像中出现该场景的概率就越大，权值越小说明在该图像中出现该场景的概率就越小。获取到的位置信息包含与地址信息对应的场景类别及场景类别对应的权值。

本申请实施例中，根据获取到的图像的拍摄地址信息，进而根据地址信息获取到与该地址信息对应的场景类别及场景类别对应的权值。如此通过图像的拍摄地址信息同样可以获取到图像的场景类别，从而，可以实现用通过图像的拍摄地址信息获取到的图像的场景类别，来对场景检测初始结果进行校准。从而最终提高了场景检测的准确度。

在一个实施例中，方法还包括：预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值。

预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值，并将这些数据存储在数据库中，以供随时调用。具体地，可以是根据对大量的图像素材进行统计学分析后得出的结果，根据结果相应地为不同的地址信息匹配对应的场景类别及场景类别对应的权值。例如，根据对大量的图像素材进行统计学分析后得出，当地址信息显示为“草原”时，则与地址为“草原”对应的场景为“绿草”的权值为9，“雪景”的权值为7，“风景”的权值为4，“蓝天”的权值为6，“海滩”的权值为-8，权值的取值范围为[-10,10]。权值越大说明在该图像中出现该场景的概率就越大，权值越小说明在该图像中出现该场景的概率就越小。权值从0开始每增加1，则对应场景的置信度增加1％，同样的，权值从0开始每减少1，则对应的场景的置信度减少1％。

本申请实施例中，预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值，且是根据对大量的图像素材进行统计学分析后得出的结果。首先，这个结果是经过对大量的图像素材进行统计学分析后得出的结果，具有较高的普适性和准确性。其次，根据上述经过对大量的图像素材进行统计学分析后得出的结果，对图像的场景进行预测和校准，能够最终提高了场景检测的准确度。

在一个实施例中，如图4所示，步骤260，根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果，包括：

步骤262，根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度。

采用传统的场景检测算法对图像进行场景检测，检测出图像中包含哪种场景，得到场景检测初始结果。具体地，场景检测初始结果包括场景检测的初始类别及场景检测的初始类别对应的置信度。例如，对所拍摄的图像进行场景检测，得到图像中包含的场景有“绿草”，且置信度为70％；场景有“蓝天”，且置信度为80％；场景有“雪景”，且置信度为70％；场景有“海滩”，且置信度为70％。

此时再根据图像的拍摄地址信息为“新疆伊犁草原”，则从数据库中获取到与“草原”对应的场景类别及场景类别对应的权值。例如，与地址为“草原”对应的场景为“绿草”的权值为9，“雪景”的权值为7，“风景”的权值为4，“蓝天”的权值为6，“海滩”的权值为-8，权值的取值范围为[-10,10]。根据位置信息对应的场景的权值信息，对场景检测初始结果的置信度进行增强或者弱化。

根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度。具体地，根据地址信息所获取的场景类别为“绿草”的权值为9，则获取场景检测初始结果中“绿草”的置信度70％，用70％×(1+9％)＝0.763。则说明根据地址信息对场景检测初始结果中“绿草”进行校正之后，对“绿草”的置信度进行了增强，此时重新计算出的“绿草”的置信度为0.763。例如，根据地址信息所获取的场景类别为“海滩”的权值为-8，则获取场景检测初始结果中“海滩”的置信度70％，用70％×(1-8％)＝0.644。则说明根据地址信息对场景检测初始结果中“海滩”进行校正之后，对“海滩”的置信度进行了弱化，此时重新计算出的“海滩”的置信度为0.644。同理依次对场景检测初始结果中的每一个场景类别都进行上述计算，获得重新计算出的场景类别的置信度。

步骤264，将置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。

预设阈值为根据场景检测初始结果相应设置的阈值，例如，在本实施例中则就可以设置预设阈值为0.7，当然也可以根据场景检测初始结果相应设置为其他合理的阈值。将重新计算出的置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。在本实施例中则就会将“海滩”剔除出去，从而达到了对场景检测初始结果进行校正的效果，得出场景检测最终结果为“绿草”、“蓝天”“雪景”。

本申请实施例中，根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度。将置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。因为重新计算了图像中场景类别的置信度，所以就实现了通过图像的位置信息对图像的场景进行预测和校准，能够最终提高了场景检测的准确度。

在一个实施例中，如图5所示，步骤262，根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度，包括：

步骤262a，从地址信息对应的场景类别中获取与场景检测的初始类别相同的场景类别；

步骤262b，获取相同的场景类别对应的权值；

步骤262c，根据权值对应的百分比及场景检测的初始类别对应的置信度来进行计算校正之后的置信度。

具体地，根据地址信息所获取的场景类别为“绿草”的权值为9，则获取场景检测初始结果中“绿草”的置信度70％，用70％×(1+9％)＝0.763。则说明根据地址信息对场景检测初始结果中“绿草”进行校正之后，对“绿草”的置信度进行了增强，此时重新计算出的“绿草”的置信度为0.763。例如，根据地址信息所获取的场景类别为“海滩”的权值为-8，则获取场景检测初始结果中“海滩”的置信度70％，用70％×(1-8％)＝0.644。则说明根据地址信息对场景检测初始结果中“海滩”进行校正之后，对“海滩”的置信度进行了弱化，此时重新计算出的“海滩”的置信度为0.644。同理依次对场景检测初始结果中的每一个场景类别都进行上述计算，获得重新计算出的场景类别的置信度。

本申请实施例中，对根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度的过程，进行了详细的描述。通过这种重新计算置信度的方法，可以获取到准确度更高的场景类别的置信度，从而实现从场景识别初始结果筛选出准确度较高的结果，作为场景识别最终结果进行输出。

在一个实施例中，将置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果，包括：

判断校正之后的置信度是否超过预设阈值；

若是，则将校正之后的置信度对应的场景检测的初始类别作为场景检测最终结果。

本申请实施例中，校正后的置信度的预设阈值是为根据场景检测初始结果相应设置的阈值，一般情况下取前3名场景类别中的最低的置信度数值作为校正后的置信度的预设阈值。当然若场景检测初始结果所检测出的场景类别太多，例如有10个，则就相应取前5名场景类别中的最低的置信度数值作为校正后的置信度的预设阈值。

在经过重新计算之后得到新的置信度之后，判断校正之后的置信度是否超过预设阈值。若是，则将校正之后的置信度对应的场景检测的初始类别作为场景检测最终结果。因为若校正之后的置信度超过预设阈值，则说明根据地址信息对场景检测初始结果进行校正之后，是对置信度进行了增强。这样双重验证之下，所得出的置信度超过预设阈值的场景检测的初始类别就可以作为场景检测最终结果。

在一个具体的实施例中，提供了一种图像处理方法，以该方法应用于图1中的电子设备为例进行说明，包括：

步骤一：用户使用电子设备(具有拍照功能)进行拍照，获取拍照之后的图像。采用传统的场景检测算法对图像进行场景检测，检测出图像中包含哪种场景类别。场景类别可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。所检测出的场景类别及初始类别对应的置信度作为场景检测初始结果；

步骤二：电子设备会对每次拍照的地点进行记录，一般采用GPS(GlobalPositioning System，全球定位系统)来进行记录地址信息。获取电子设备所记录的地址信息；

步骤三：从数据库中获取与该地址信息所匹配的场景类别及场景类别对应的权值。该数据库中存储了预先为不同的地址信息匹配的对应的场景类别及场景类别对应的权值；

步骤四：从地址信息对应的场景类别中获取与场景检测的初始类别相同的场景类别；获取相同的场景类别对应的权值；根据权值对应的百分比及场景检测的初始类别对应的置信度来进行计算校正之后的置信度；

步骤五：判断校正之后的置信度是否超过预设阈值；若是，则将校正之后的置信度对应的场景检测的初始类别作为场景检测最终结果。

本申请实施例中，根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度。将置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。因为重新计算了图像中场景类别的置信度，所以就实现了通过图像的位置信息对图像的场景进行预测和校准，能够最终提高了场景检测的准确度。

在一个实施例中，如图6所示，提供了一种图像处理装置600，装置包括：检测模块620、位置确定模块640及校正模块660。其中，

检测模块620，用于对图像进行场景检测，获取场景检测初始结果；

位置确定模块640，用于获取图像拍摄时的位置信息；

校正模块660，用于根据位置信息对场景检测初始结果进行校正，得到校正之后的场景检测最终结果。

在一个实施例中，位置确定模块640还用于获取图像拍摄时的地址信息；根据地址信息获取图像的位置信息，位置信息包含与地址信息对应的场景类别及场景类别对应的权值。

在一个实施例中，如图7所示，提供了一种图像处理装置600，装置还包括：预先设置模块610，用于预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值。

在一个实施例中，如图8所示，校正模块660还包括：

置信度计算模块662，用于根据地址信息对应的场景类别及场景类别对应的权值，对场景检测初始结果进行计算置信度；

场景检测最终结果确定模块664，用于将置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。

在一个实施例中，置信度计算模块662，还用于从地址信息对应的场景类别中获取与场景检测的初始类别相同的场景类别；获取相同的场景类别对应的权值；根据权值对应的百分比及场景检测的初始类别对应的置信度来进行计算校正之后的置信度。

在一个实施例中，场景检测最终结果确定模块664，还用于判断校正之后的置信度是否超过预设阈值；

若是，则将校正之后的置信度对应的场景检测的初始类别作为场景检测最终结果。

上述场景检测装置中各个模块的划分仅用于举例说明，在其他实施例中，可将场景检测装置按照需要划分为不同的模块，以完成上述场景检测装置的全部或部分功能。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例所提供的图像处理方法的步骤。

在一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例所提供的图像处理方法的步骤。

本申请实施例还提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述各实施例所提供的图像处理方法的步骤。、

本申请实施例还提供了一种电子设备。如图9所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该电子设备可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、穿戴式设备等任意终端设备，以电子设备为手机为例：

图9为与本申请实施例提供的电子设备相关的手机的部分结构的框图。参考图9，手机包括：射频(Radio Frequency，RF)电路910、存储器920、输入单元930、显示单元940、传感器950、音频电路990、无线保真(wireless fidelity，WiFi)模块970、处理器980、以及电源990等部件。本领域技术人员可以理解，图9所示的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，RF电路910可用于收发信息或通话过程中，信号的接收和发送，可将基站的下行信息接收后，给处理器980处理；也可以将上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System ofMobile communication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。

存储器920可用于存储软件程序以及模块，处理器980通过运行存储在存储器920的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器920可主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能的应用程序、图像播放功能的应用程序等)等；数据存储区可存储根据手机的使用所创建的数据(比如音频数据、通讯录等)等。此外，存储器920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、或其他易失性固态存储器件。

输入单元930可用于接收输入的数字或字符信息，以及产生与手机900的用户设置以及功能控制有关的键信号输入。具体地，输入单元930可包括触控面板931以及其他输入设备932。触控面板931，也可称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板931上或在触控面板931附近的操作)，并根据预先设定的程式驱动相应的连接装置。在一个实施例中，触控面板931可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器980，并能接收处理器980发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板931。除了触控面板931，输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)等中的一种或多种。

显示单元940可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元940可包括显示面板941。在一个实施例中，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板941。在一个实施例中，触控面板931可覆盖显示面板941，当触控面板931检测到在其上或附近的触摸操作后，传送给处理器980以确定触摸事件的类型，随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。虽然在图9中，触控面板931与显示面板941是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板931与显示面板941集成而实现手机的输入和输出功能。

手机900还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板941的亮度，接近传感器可在手机移动到耳边时，关闭显示面板941和/或背光。运动传感器可包括加速度传感器，通过加速度传感器可检测各个方向上加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换)、振动识别相关功能(比如计步器、敲击)等；此外，手机还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器等。

音频电路990、扬声器991和传声器992可提供用户与手机之间的音频接口。音频电路990可将接收到的音频数据转换后的电信号，传输到扬声器991，由扬声器991转换为声音信号输出；另一方面，传声器992将收集的声音信号转换为电信号，由音频电路990接收后转换为音频数据，再将音频数据输出处理器980处理后，经RF电路910可以发送给另一手机，或者将音频数据输出至存储器920以便后续处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块970，但是可以理解的是，其并不属于手机900的必须构成，可以根据需要而省略。

处理器980是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。在一个实施例中，处理器980可包括一个或多个处理单元。在一个实施例中，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等；调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器980中。

手机900还包括给各个部件供电的电源990(比如电池)，优选的，电源可以通过电源管理系统与处理器980逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

在一个实施例中，手机900还可以包括摄像头、蓝牙模块等。

本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像处理方法，其特征在于，包括：

采用场景检测算法对图像进行场景检测，获取场景检测初始结果；

获取所述图像拍摄时的地址信息；

根据所述地址信息获取与所述地址信息对应的场景类别及所述场景类别对应的权值；

从所述地址信息对应的场景类别中获取与所述场景检测的初始类别相同的场景类别；

获取所述相同的场景类别对应的权值；

根据所述权值对应的百分比及所述场景检测的初始类别对应的置信度来进行计算校正之后的置信度；其中，当所述权值对应的百分比为负值时，对所述场景检测的初始类别对应的置信度进行了弱化；当所述权值对应的百分比为正值时，对所述场景检测的初始类别对应的置信度进行了增强；

将所述置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。

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：

预先为不同的地址信息匹配对应的场景类别及所述场景类别对应的权值。

3.根据权利要求2所述的方法，其特征在于，所述场景检测初始结果包括场景检测的初始类别及所述场景检测的初始类别对应的置信度。

4.根据权利要求1所述的方法，其特征在于，所述将所述置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果，包括：

判断所述校正之后的置信度是否超过预设阈值；

若是，则将所述校正之后的置信度对应的场景检测的初始类别作为场景检测的最终结果。

5.一种图像处理装置，其特征在于，所述装置包括：

检测模块，用于采用场景检测算法对图像进行场景检测，获取场景检测初始结果；

位置确定模块，用于获取所述图像拍摄时的地址信息，根据所述地址信息获取与所述地址信息对应的场景类别及所述场景类别对应的权值；

校正模块，用于从所述地址信息对应的场景类别中获取与所述场景检测的初始类别相同的场景类别；获取所述相同的场景类别对应的权值；根据所述权值对应的百分比及所述场景检测的初始类别对应的置信度来进行计算校正之后的置信度；其中，当所述权值对应的百分比为负值时，对所述场景检测的初始类别对应的置信度进行了弱化；当所述权值对应的百分比为正值时，对所述场景检测的初始类别对应的置信度进行了增强；将所述置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：预先设置模块，用于预先为不同的地址信息匹配对应的场景类别及场景类别对应的权值。

7.根据权利要求5所述的装置，其特征在于，校正模块，还用于判断所述校正之后的置信度是否超过预设阈值；

若是，则将所述校正之后的置信度对应的场景检测的初始类别作为场景检测的最终结果。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的图像处理方法的步骤。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

采用场景检测算法对图像进行场景检测，获取场景检测初始结果；

获取所述图像拍摄时的地址信息；

根据所述地址信息获取与所述地址信息对应的场景类别及所述场景类别对应的权值；

从所述地址信息对应的场景类别中获取与所述场景检测的初始类别相同的场景类别；

获取所述相同的场景类别对应的权值；

根据所述权值对应的百分比及所述场景检测的初始类别对应的置信度来进行计算校正之后的置信度；其中，当所述权值对应的百分比为负值时，对所述场景检测的初始类别对应的置信度进行了弱化；当所述权值对应的百分比为正值时，对所述场景检测的初始类别对应的置信度进行了增强；

将所述置信度超过预设阈值的场景检测初始结果，作为场景检测最终结果。

10.根据权利要求9所述的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：

预先为不同的地址信息匹配对应的场景类别及所述场景类别对应的权值。

Images