CN108833784B - 一种自适应构图方法、移动终端及计算机可读存储介质 - Google Patents
一种自适应构图方法、移动终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108833784B CN108833784B CN201810666820.2A CN201810666820A CN108833784B CN 108833784 B CN108833784 B CN 108833784B CN 201810666820 A CN201810666820 A CN 201810666820A CN 108833784 B CN108833784 B CN 108833784B
- Authority
- CN
- China
- Prior art keywords
- image
- composition
- target
- model
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像出路技术领域,提供了一种自适应构图方法、移动终端及计算机可读存储介质,所述方法包括:通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像,通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置,获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像,基于所述原始图像和所述调整图像,对所述预设的构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型,通过本申请可以获得具有用户个人风格的图像。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种自适应构图方法、移动终端及计算机可读存储介质。
背景技术
构图是一个造型艺术术语,是指作品中艺术形象的结构配置方法,同时它也是造型艺术表达作品思想内容并获得艺术感染力的重要手段。在摄影方面,通常能体现拍摄者想表达的主题思想、以及体现拍摄者想表现的美感效果。
为了更好的对构图类型进行区分,设置了多种构图类型,例如水平式构图、三角形构图、辐射式构图等。然而,目前相机在对图像进行自动构图时,通常是基于设置的构图类型进行处理,这样,拍摄的照片效果单一,无法体现作者的个人风格。
发明内容
有鉴于此,本申请实施例提供了一种自适应构图方法、移动终端及计算机可读存储介质,以解决目前拍摄的照片效果单一的问题。
本申请实施例的第一方面提供了一种自适应构图方法,包括:
通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
基于所述原始图像和所述调整图像,对所述预设的构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
本申请实施例的第二方面提供了一种移动终端,包括:
原始图像采集模块,用于通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
推荐位置获得模块,用于通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
调整图像获取模块,用于获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
自适应构图模型获得模块,用于基于所述调整图像,对所述构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
本申请实施例的第三方面提供了一种移动终端,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本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面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,所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例在用户进行拍照时,可以通过预设的构图模型对摄像头采集的原始图像进行处理,获得原始图像中目标的推荐位置,用户可以基于所述推荐位置重新获得图像,并将重新获得的图像记为调整图像,根据原始图像和所述调整图像对预设的构图模型进行训练,获得训练后的构图模型,在下次进行拍照时,可以通过训练后的构图模型对采集的原始图像进行处理,获得推荐位置;由于原始图像为用户采集的,带有用户的个人风格,且调整图像是用户根据构图模型获得的推荐位置重新获得的图像,带有符合构图美学的构图风格,也带有用户的个人风格,通过原始图像和调整图像训练后的构图模型获得的推荐位置就会在符合构图美学的基础上,也带有用户的个人风格;随着用户拍照的次数增多,所述构图模型训练的次数也增多,获得的推荐位置也越来越趋向于用户的个人风格。
附图说明
为了更清楚地说明本申请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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种自适应构图方法的实现流程示意图;
图2是本申请实施例提供的另一种自适应构图方法的实现流程示意图;
图3是本申请实施例提供的另一种自适应构图方法的实现流程示意图;
图4是本申请实施例提供的一种移动终端的示意框图;
图5是本申请实施例提供的另一种移动终端的示意框图。
具体实施方式
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,以便透彻理解本申请实施例。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申请。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申请的描述。
应当理解,当在本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。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请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。
如在本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]”。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1是本申请实施例提供的一种自适应构图方法的实现流程示意图,如图所示该方法可以包括以下步骤:
步骤S101,通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像。
在本申请实施例中,在用户进行拍照时,当进入摄像头的预览模式,或者当接收到用户的拍照指令,可以通过所述移动终端的摄像头采集图像;若是在预览模式下,所述摄像头采集的图像就为预览画面的图像;在接收到用户的拍照指令后摄像头采集的图像就是为拍照指令对应的采集图像;本申请实施例并不限定具体的应用场景,可以应用在预览时,也可以应用于在拍照时。
步骤S102,通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置。
在本申请实施例中,所述构图模型可以是预先设置的数学模型,可以先通过原始图像中目标的个数、以及原始图像中目标的位置关系获得推荐构图类型;在根据所述推荐构图类型获得每个目标的具体的推荐位置。所述推荐位置可以是推荐框的形式显示,推荐框的大小、形状不固定,可以根据不同的构图类型采用不同大小、形状的推荐框。
作为举例,可以预设设置十种构图类型:上三分法构图、下三分法构图、左三分法构图、右三分法构图、其它三分法构图、对角线构图、引导线构图、S型线构图、三角形构图、其它种类构图。可以为每种构图类型设置目标物体的个数、以及目标物体的位置范围;先对原始图像进行目标识别,获得目标的个数、以及目标的位置,根据所述目标的个数和目标的位置确定所属的构图类型,最后根据所述构图类型生成目标的推荐位置。假设原始图像所属的构图类型为对角线构图,则可以在显示界面的对角线位置生成推荐框,所述推荐框为显示界面中两条与对角线平行的线,这两条平行的线在显示界面中限定的区域就是推荐框的区域,两条平行的线之间的距离可以根据识别到的目标的大小确定。其它构图类型对应的推荐框的大小、位置、个数不再进行举例。
步骤S103,获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像。
在获得推荐位置之后,用户可以基于所述推荐位置重新获得图像。作为本申请一个实施例,所述获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像包括:
获取用户基于所述原始图像中目标的推荐位置调整所述移动终端的位置后重新采集的图像,并将重新采集的图像作为调整图像。
在本申请实施例中,用户可以基于移动终端的显示屏幕上显示的推荐框的位置,移动所述移动终端的位置,控制移动终端的显示屏幕上显示的画面中目标在对应的推荐框的位置之内,移动所述移动终端可以是前后移动、左右移动、上下移动、旋转移动、倾斜移动等。假设移动终端的显示屏幕上显示了三个推荐框,用户可以控制移动终端移动,以使移动终端的显示屏幕上的出现的画面中3个目标在对应的推荐框中。当然,在实际应用中,用户也可以不完全按照推荐位置控制移动终端移动,用户可以基于所述推荐位置调整移动终端,在用户认为摄像头当前采集的图像比较好时,就可以点击拍照按钮,获得摄像头当前采集的图像,该图像就为调整图像。所述调整图像就是比较符合构图美学的图像,由于用户在进行调整时,可能完全按照推荐位置进行调整,也可能不完全按照推荐位置进行调整,并且,即使完全按照推荐位置进行调整,由于推荐位置是一个比较大的范围,用户可以根据自己的喜好,将所述目标控制在推荐位置中的任意位置,所以调整图像同时也带有用户的个人风格。
通过步骤S101至步骤S103,可以获得符合构图美学又带有个人风格的图像。由于预设的构图模型是完全按照样本集中的样本图像进行训练获得的构图模型,所以,每次获得的推荐位置均具有相同的美学风格,且不会具有用户的个人风格,为了使得以后的推荐位置更符合用户的个人风格,可以通过用户采集的原始图像和调整图像对构图模型进行训练,以获得带有用户风格的构图模型。
步骤S104,基于所述原始图像和所述调整图像,对所述预设的构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
在本申请实施例中,如前所述,所述原始图像具有用户的个人风格,所述调整图像具有构图美学风格也具有用户的个人风格,经过原始图像和调整图像训练后的构图模型,就是具有构图美学风格和用户个人风格的构图模型,这样,下次拍照时,通过所述构图模型进行原始图像进行处理后就能够获得既符合构图美学又带有用户个人风格的推荐位置。
作为本申请又一实施例,在将训练后的构图模型作为预设的构图模型之后,还包括:
若接收到拍照指令,则获取所述摄像头当前采集的图像,并将当前采集的图像输入所述预设的构图模型,获得当前采集的图像的构图种类和当前采集的图像中目标的推荐位置。
在本申请实施例中,当用户再次进行拍照时,就可以将摄像头实时采集的预览画面,或者根据拍照指令获得的图像输入预设的构图模型,获得推荐位置。
需要说明的是,可以在每次获得调整图像(即用户拍照获得的最终图像)后,将获得的调整图像输入构图模型,对所述构图模型进行训练。所以,步骤S101至步骤S104是循环的过程。
本申请实施例中由于原始图像为用户采集的,带有用户的个人风格,且调整图像是用户根据构图模型获得的推荐位置重新获得的图像,带有符合构图美学的构图风格,也带有用户的个人风格,通过原始图像和调整图像训练后的构图模型获得的推荐位置就会在符合构图美学的基础上,也带有用户的个人风格;随着用户拍照的次数增多,所述构图模型训练的次数也增多,获得的推荐位置也越来越趋向于用户的个人风格。
图2是本申请实施例提供的另一种自适应构图方法的实现流程示意图,如图所示该方法可以包括以下步骤:
步骤S201,通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像。
该步骤与步骤S101内容一致,具体可参照步骤S101的描述,在此不再赘述。
步骤S202,通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置,并显示与所述目标对应的推荐框,所述推荐框的位置为所述目标的推荐位置。
该步骤与步骤S102内容一致,具体可参照步骤S102的描述,在此不再赘述。
步骤S203,在接收到调整指令后,将所述推荐框的位置调整到所述调整指令中指定的位置,获得调整后的推荐框的位置。
在本申请实施例中,在显示了与所述目标对应的推荐框之后,所述推荐框的位置、大小可调,调节的方式可以是:用户在所述显示屏上点击所述推荐框后,在所述显示屏上滑动,滑动轨迹的终点位置为调整后的推荐框的位置。用户双击所述推荐框后,推荐框的大小可调,用户可以通过多指在显示屏上的远离放大所述推荐框,通过多指在显示屏上的拉近缩小所述推荐框。
当然,实际应用中,还可以是其它调节推荐框大小和位置的方式,在此不一一举例。
步骤S204,根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像。
在用户调整推荐框的位置和/或大小之后,系统可以根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像。
作为本申请又一实施例,所述根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像包括:
若所述原始图像中包括1个推荐框,则基于所述推荐框的位置和所述原始图像中目标的位置,移动所述原始图像获得处理后的图像,该处理后的图像中目标的位置与所述推荐框的位置的匹配度大于第一阈值;
若所述原始图像中包括至少2个推荐框,则获取所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系;
基于所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系,对所述原始图像进行以下至少一项操作:缩放、平移、旋转,获得处理后的图像,该处理后的图像中的目标组成的位置关系和所述推荐框组成的位置关系的匹配度大于第二阈值。
在本申请实施例中,若原始图像仅包含一个推荐框,则只需要将原始图像进行移动,使得原始图像中的目标在推荐框中即可。实际应用中,也可以调整原始图像的比例,即对原始图像进行缩放处理。由于推荐框的大小和目标的大小可能存在不一致的问题,所以,可以计算推荐框的中心位置,计算目标图像的中心位置,处理后的图像中目标的位置与所述推荐框的位置的匹配度与所述处理后的图像中的目标图像的中心位置和推荐框的中心位置的距离相关:距离越近,匹配度越高;距离越远,匹配度越低。即所述处理后的图像中的目标图像的中心位置和推荐框的中心位置的距离与所述匹配度成反比。可以设定第一阈值,处理后的图像中目标的位置与所述推荐框的位置的匹配度大于第一阈值。
若原始图像包含至少两个推荐框,则获取所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系;基于所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系,对所述原始图像进行以下至少一项操作:缩放、平移、旋转,获得处理后的图像,该处理后的图像中的目标组成的位置关系和所述推荐框组成的位置关系的匹配度大于第二阈值。
所述推荐框组成的位置关系表示几个推荐框之间的相互位置关系和分别在所述显示屏中的位置关系。同理,所述原始图像中的目标组成的位置关系表示几个目标之间的相互位置关系和分别在所述原始图像中的位置关系;所述处理后的图像中的目标组成的位置关系表示几个目标的相互位置关系和分别在显示屏中的位置关系。作为举例,当推荐框为3个时,三个推荐框的中心位置组成的三角形的形状就是三个推荐框之间的相互位置关系。处理后的图像中的目标组成的位置关系和所述推荐框组成的位置关系的匹配度就是:处理后的图像中3个目标组成的三角形的形状和3个目标的中心位置分别在显示屏中的位置作为处理后的图像的参数;3个推荐框组成的三角形的形状和3个推荐框的中心位置分别在显示屏中的位置关系作为推荐框的参数;计算处理后的图像的参数和推荐框的参数的匹配度。
需要说明的一点是,处理后的图像中目标的位置与所述推荐框的位置均是指在显示屏上的位置。并非是在处理后的图像中的位置。
步骤S205,基于原始图像的长宽比,对所述处理后的图像进行裁剪获得调整图像。
在本申请实施例中,由于处理后的图像可能经过缩放、平移、旋转等操作,所以,处理后的图像在显示屏上显示时不再是规则的矩形。这时,需要基于原始图像的长宽比,或者预设的长宽比,对所述处理后的图像进行裁剪获得调整图像。
作为举例,当原始图像进行处理时经过了旋转处理,且旋转角度为45°,则这时获得的处理后的图像在显示屏中显示的就不再是与所述显示屏对应的规则的矩形图像,就需要根据原始图像的长宽比,或者预设的长宽比,对所述处理后的图像进行裁剪获得调整图像。裁剪处理时,裁剪框为原始图像的长宽比或者预设的长宽比的矩形框。
实际应用中,对原始图像进行处理获得处理图像的过程,也可以在显示屏上显示:按照原始图像的长宽比,或者预设的长宽比能够裁剪获得的最大范围的处理后的图像。这样裁剪后获得的调整图像的效果就是显示屏上实时显示的处理后的图像的效果。
步骤S206,基于所述原始图像和所述调整图像,对所述预设的构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
该步骤与步骤S104内容一致,具体可参照步骤S104的描述,在此不再赘述。
本申请实施例描述了如何根据用户调整的推荐框的大小和/或位置,获得调整图像。
图3是本申请实施例提供的另一种自适应构图方法的实现流程示意图,如图所示该方法是在图1或图2所示实施例的基础上,描述预设的构图模型的获得过程,具体可以包括以下步骤:
步骤S301,获取样本集,所述样本集中为带标签的样本图像,所述标签为样本图像的构图类型、样本图像中的目标、所述目标的位置。
在本申请实施例中,移动终端中的预设的构图模型可以是经过训练后的卷积神经网络模型,对卷积神经网络模型进行训练的过程需要样本集,所述样本集中为带标签的样本图像,所述标签为样本图像的构图类型、样本图像中的目标、所述目标的位置。
步骤S302,将所述样本集中的样本图像输入构建的构图模型,对所述构建的构图模型进行训练。
在本申请实施例中,所述构图模型包括:目标识别子模型、构图类型子模型、构图位置子模型;即构图模型是由三个子模型组合获得的。
所述将所述样本集中的样本图像输入构建的构图模型,对所述构建的构图模型进行训练包括:
训练所述目标识别子模型,获得训练后的目标识别子模型;
通过训练后的所述目标识别子模型识别所述样本图像中的目标,获得带检测框的样本图像,所述检测框中为识别出的目标;
将带检测框的样本图像输入构图类型子模型,获得所述样本图像的图像特征,并基于所述样本图像的图像特征获得所述样本图像的构图类型;
若获得的样本图像的构图类型与样本图像的标签中的构图类型不一致,则基于所述样本图像的图像特征,反向更新所述构图类型子模型的参数;
若获得的样本图像的构图类型与样本图像的标签中的构图类型一致,则将带检测框的样本图像和所述构图类型输入所述构图位置子模型,获得样本图像中每个目标的推荐位置;
基于获得的样本图像中每个目标的推荐位置和样本图像的标签中每个目标的位置的差值,反向更新所述构图位置子模型的参数。
在本申请实施例中,目标识别子模型可以单独训练,例如,先采用样本图像对目标识别子模型进行训练;也可以采用现有的能够用于目标识别的卷积神经网络作为目标识别子模型;
对所述构图模型的训练过程主要是对构图类型子模型、构图位置子模型训练的过程;在对构图类型子模型、构图位置子模型训练之前,所述目标识别子模型是能够识别出样本图像中的目标的,输出的是带检测框的样本图像,检测框中为目标图像。将带检测框的样本图像输入构图类型子模型,可以获得所述样本图像的图像特征,并基于所述样本图像的图像特征获得所述样本图像的构图类型;由样本图像的图像特征获得样本图像的构图类型的过程可以通过分类器实现。所述样本图像的图像特征可以是各个目标的以下至少一项特征:位置特征、大小特征、纹理特征、语义特征;根据样本图像的图像特征获得构图类型;若获得的样本图像的构图类型与样本图像的标签中的构图类型不一致,则基于所述样本图像的图像特征,反向更新所述构图类型子模型的参数;若获得的样本图像的构图类型与样本图像的标签中的构图类型一致,则将带检测框的样本图像和所述构图类型输入所述构图位置子模型,获得样本图像中每个目标的推荐位置;基于获得的样本图像中每个目标的推荐位置和样本图像的标签中每个目标的位置的差值,反向更新所述构图位置子模型的参数。
步骤S303,当所述构图模型收敛或者达到预设的训练次数后,获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型加载到所述移动终端中。
在本申请实施例中,所述构图模型收敛表示:随着训练所述构图模型的样本图像的增多,最终生成的样本图像中目标的推荐位置和样本图像中目标的实际位置(标签中目标的位置)越来越接近。实际应用中,也可设置训练次数作为训练结束的条件。
需要说明的是,所述构型模型在对原始图像进行处理时,在通过构图类型子模型获得了样本图像的构图类型之后,由于原始图像不存在标签,所以是无需判断获得的样本图像的构图类型与样本图像的标签中的构图类型是否一致的,而是,将目标识别子模型输出的带检测框的原始图像和所述构图类型子模型输出的构图类型一起输入所述构图位置子模型,获得推荐位置。
还需要说明的是,在通过原始图像和调整图像对所述构图模型进行训练时,是将调整图像输入构图类型子模型,获得调整图像的构图类型;
若获得的调整图像的构图类型与原始图像的构图类型一致,则将所述原始图像和构图类型输入所述构图位置子模型,获得原始图像中目标的推荐位置;基于所述调整图像中每个目标的位置和获得的所述原始图像中每个目标的推荐位置的差值,反向更新所述构图位置子模型的参数。这是因为,所述原始图像输入所述构图位置子模型(训练前的)获得的推荐位置就是调整图像之前的推荐位置;所述调整图像中的目标的实际位置可以认为是样本图像的标签中的目标的位置;相当于将构图模型训练为:根据原始图像获得的目标的推荐位置与用户获得的调整图像中目标的实际位置越接近越好,这样,构图模型的推荐位置就会越来越趋向调整图像的风格(用户的个人风格)。
若获得的调整图像的构图类型与原始图像的构图类型不一致,则需要将原始图像的构图类型设为:调整图像的构图类型。即将调整图像的构图类型作为原始图像的标签,将原始图像输入构图类型子模型,以训练所述构图类型子模型,这是因为需要将构图类型子模型训练为:根据原始图像获得的构图类型要接近与调整图像的构图类型(用户的个人风格)。同时还需要将所述原始图像和构图类型(调整图像的构图类型)输入所述构图位置子模型,获得原始图像中目标的推荐位置;基于所述调整图像中每个目标的位置和获得的所述原始图像中每个目标的推荐位置的差值,反向更新所述构图位置子模型的参数。这是因为,用户可能没有按照推荐位置重新获得调整图像,调整图像的风格和原始图像的风格已经不一样了,这时就需要根据用户想要的图像风格(调整图像的图像风格)和原始图像对构图位置子模型进行训练,从而获得基于用户想要的图像风格获得推荐位置。
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,而不应对本申请实施例的实施过程构成任何限定。
图4是本申请一实施例提供的移动终端的示意框图,为了便于说明,仅示出与本申请实施例相关的部分。
该移动终端4可以是内置于手机、平板电脑、笔记本等移动终端内的软件单元、硬件单元或者软硬结合的单元,也可以作为独立的挂件集成到所述手机、平板电脑、笔记本等移动终端中。
所述移动终端4包括:
原始图像采集模块41,用于通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
推荐位置获得模块42,用于通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
调整图像获取模块43,用于获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
自适应构图模型获得模块44,用于基于所述调整图像,对所述构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
可选的,所述调整图像获取模块43还用于:
获取用户基于所述原始图像中目标的推荐位置调整所述移动终端的位置后重新采集的图像,并将重新采集的图像作为调整图像。
可选的,所述移动终端4还包括:
显示模块45,用于在获得所述原始图像中目标的推荐位置之后,显示与所述目标对应的推荐框,所述推荐框的位置为所述目标的推荐位置;
相应的,所述调整图像获取模块43包括:
调整单元431,用于在接收到调整指令后,将所述推荐框的位置调整到所述调整指令中指定的位置,获得调整后的推荐框的位置;
处理单元432,用于根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像;
调整图像获取单元433,用于基于原始图像的长宽比,对所述处理后的图像进行裁剪获得调整图像。
可选的,所述处理单元432还用于:
若所述原始图像中包括1个推荐框,则基于所述推荐框的位置和所述原始图像中目标的位置,移动所述原始图像获得处理后的图像,该处理后的图像中目标的位置与所述推荐框的位置的匹配度大于第一阈值;
若所述原始图像中包括至少2个推荐框,则获取所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系;
基于所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系,对所述原始图像进行以下至少一项操作:缩放、平移、旋转,获得处理后的图像,该处理后的图像中的目标组成的位置关系和所述推荐框组成的位置关系的匹配度大于第二阈值。
可选的,所述移动终端4还包括:
样本图像获取模块46,用于获取样本集,所述样本集中为带标签的样本图像,所述标签为样本图像的构图类型、样本图像中的目标、所述目标的位置;
训练模块47,用于将所述样本集中的样本图像输入构建的构图模型,对所述构建的构图模型进行训练;
加载模块48,用于当所述构图模型收敛或者达到预设的训练次数后,获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型加载到所述移动终端中。
可选的,所述构图模型包括:目标识别子模型、构图类型子模型、构图位置子模型;
所述训练模块47包括:
目标识别子模型训练单元,用于训练所述目标识别子模型,获得训练后的目标识别子模型;
目标识别单元,用于通过训练后的所述目标识别子模型识别所述样本图像中的目标,获得带检测框的样本图像,所述检测框中为识别出的目标;
构图类型获得单元,用于将带检测框的样本图像输入构图类型子模型,获得所述样本图像的图像特征,并基于所述样本图像的图像特征获得所述样本图像的构图类型;
构图类型训练单元,用于若获得的样本图像的构图类型与样本图像的标签中的构图类型不一致,则基于所述样本图像的图像特征,反向更新所述构图类型子模型的参数;
推荐位置获得单元,用于若获得的样本图像的构图类型与样本图像的标签中的构图类型一致,则将带检测框的样本图像和所述构图类型输入所述构图位置子模型,获得样本图像中每个目标的推荐位置;
构图位置训练单元,用于基于获得的样本图像中每个目标的推荐位置和样本图像的标签中每个目标的位置的差值,反向更新所述构图位置子模型的参数。
可选的,所述移动终端4还包括:
循环模块,用于若接收到拍照指令,则获取所述摄像头当前采集的图像,并将当前采集的图像输入所述预设的构图模型,获得当前采集的图像的构图种类和当前采集的图像中目标的推荐位置。
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,即将所述移动终端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,并不用于限制本申请的保护范围。上述装置中单元、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。
图5是本申请又一实施例提供的移动终端的示意框图。如图5所示,该实施例的移动终端5包括:一个或多个处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个自适应构图方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器50执行所述计算机程序52时实现上述移动终端实施例中各模块/单元的功能,例如图4所示模块41至44的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述移动终端5中的执行过程。例如,所述计算机程序52可以被分割成原始图像采集模块、推荐位置获得模块、调整图像获取模块、自适应构图模型获得模块。
所述原始图像采集模块,用于通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
所述推荐位置获得模块,用于通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
所述调整图像获取模块,用于获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
所述自适应构图模型获得模块,用于基于所述调整图像,对所述构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型。
其它模块或者单元可参照图4所示的实施例中的描述,在此不再赘述。
所述移动终端包括但不仅限于处理器50、存储器51。本领域技术人员可以理解,图5仅仅是移动终端5的一个示例,并不构成对移动终端5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,例如所述移动终端还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),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。
所述存储器51可以是所述移动终端5的内部存储单元,例如移动终端5的硬盘或内存。所述存储器51也可以是所述移动终端5的外部存储设备,例如所述移动终端5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51还可以既包括所述移动终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述移动终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的移动终端和方法,可以通过其它的方式实现。例如,以上所描述的移动终端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。
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。
另外,在本申请各个实施例中的各功能单元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。
所述集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、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等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种自适应构图方法,其特征在于,应用于移动终端,所述方法包括:
通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
基于所述原始图像和所述调整图像,对所述预设的构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型;其中,所述训练后的构图模型为带有用户风格的构图模型。
2.如权利要求1所述的自适应构图方法,其特征在于,所述获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像包括:
获取用户基于所述原始图像中目标的推荐位置调整所述移动终端的位置后重新采集的图像,并将重新采集的图像作为调整图像。
3.如权利要求1所述的自适应构图方法,其特征在于,在获得所述原始图像中目标的推荐位置之后,还包括:
显示与所述目标对应的推荐框,所述推荐框的位置为所述目标的推荐位置;
相应的,所述获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像包括:
在接收到调整指令后,将所述推荐框的位置调整到所述调整指令中指定的位置,获得调整后的推荐框的位置;
根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像;
基于原始图像的长宽比,对所述处理后的图像进行裁剪获得调整图像。
4.如权利要求3所述的自适应构图方法,其特征在于,所述根据调整后的推荐框的位置和所述原始图像中目标的位置,对所述原始图像进行处理获得处理后的图像包括:
若所述原始图像中包括1个推荐框,则基于所述推荐框的位置和所述原始图像中目标的位置,移动所述原始图像获得处理后的图像,该处理后的图像中目标的位置与所述推荐框的位置的匹配度大于第一阈值;
若所述原始图像中包括至少2个推荐框,则获取所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系;
基于所述推荐框组成的位置关系和所述原始图像中的目标组成的位置关系,对所述原始图像进行以下至少一项操作:缩放、平移、旋转,获得处理后的图像,该处理后的图像中的目标组成的位置关系和所述推荐框组成的位置关系的匹配度大于第二阈值。
5.如权利要求1所述的自适应构图方法,其特征在于,在通过所述移动终端的摄像头采集图像之前,还包括:
获取样本集,所述样本集中为带标签的样本图像,所述标签为样本图像的构图类型、样本图像中的目标、所述目标的位置;
将所述样本集中的样本图像输入构建的构图模型,对所述构建的构图模型进行训练;
当所述构图模型收敛或者达到预设的训练次数后,获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型加载到所述移动终端中。
6.如权利要求5所述的自适应构图方法,其特征在于,所述构图模型包括:目标识别子模型、构图类型子模型、构图位置子模型;
所述将所述样本集中的样本图像输入构建的构图模型,对所述构建的构图模型进行训练包括:
训练所述目标识别子模型,获得训练后的目标识别子模型;
通过训练后的所述目标识别子模型识别所述样本图像中的目标,获得带检测框的样本图像,所述检测框中为识别出的目标;
将带检测框的样本图像输入构图类型子模型,获得所述样本图像的图像特征,并基于所述样本图像的图像特征获得所述样本图像的构图类型;
若获得的样本图像的构图类型与样本图像的标签中的构图类型不一致,则基于所述样本图像的图像特征,反向更新所述构图类型子模型的参数;
若获得的样本图像的构图类型与样本图像的标签中的构图类型一致,则将带检测框的样本图像和所述构图类型输入所述构图位置子模型,获得样本图像中每个目标的推荐位置;
基于获得的样本图像中每个目标的推荐位置和样本图像的标签中每个目标的位置的差值,反向更新所述构图位置子模型的参数。
7.如权利要求1至6任一项所述的自适应构图方法,其特征在于,在将训练后的构图模型作为预设的构图模型之后,还包括:
若接收到拍照指令,则获取所述摄像头当前采集的图像,并将当前采集的图像输入所述预设的构图模型,获得当前采集的图像的构图种类和当前采集的图像中目标的推荐位置。
8.一种移动终端,其特征在于,包括:
原始图像采集模块,用于通过所述移动终端的摄像头采集图像,并将所述摄像头采集的图像记为原始图像;
推荐位置获得模块,用于通过预设的构图模型对所述原始图像进行处理,获得所述原始图像中目标的推荐位置;
调整图像获取模块,用于获取用户基于所述推荐位置重新获得的图像,并将重新获得的图像记为调整图像;
自适应构图模型获得模块,用于基于所述调整图像,对所述构图模型进行训练获得训练后的构图模型,并将该训练后的构图模型作为预设的构图模型;其中,所述训练后的构图模型为带有用户风格的构图模型。
9.一种移动终端,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666820.2A CN108833784B (zh) | 2018-06-26 | 2018-06-26 | 一种自适应构图方法、移动终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666820.2A CN108833784B (zh) | 2018-06-26 | 2018-06-26 | 一种自适应构图方法、移动终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108833784A CN108833784A (zh) | 2018-11-16 |
CN108833784B true CN108833784B (zh) | 2021-01-29 |
Family
ID=64138720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810666820.2A Expired - Fee Related CN108833784B (zh) | 2018-06-26 | 2018-06-26 | 一种自适应构图方法、移动终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108833784B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109495686B (zh) * | 2018-12-11 | 2020-09-18 | 上海掌门科技有限公司 | 拍摄方法及设备 |
CN112446234B (zh) * | 2019-08-28 | 2024-07-19 | 北京初速度科技有限公司 | 一种基于数据关联的位置确定方法及装置 |
CN111083378A (zh) * | 2019-12-30 | 2020-04-28 | 联想(北京)有限公司 | 图像处理方法、装置以及电子设备 |
US11115599B2 (en) | 2020-01-14 | 2021-09-07 | International Business Machines Corporation | Automatic correction of camera views |
CN111263063A (zh) * | 2020-02-17 | 2020-06-09 | 深圳传音控股股份有限公司 | 拍摄图像的方法、装置及设备 |
CN111383267B (zh) * | 2020-03-03 | 2024-04-05 | 重庆金山医疗技术研究院有限公司 | 一种目标重定位方法、设备及存储介质 |
CN114697530B (zh) * | 2020-12-31 | 2023-11-10 | 华为技术有限公司 | 一种智能取景推荐的拍照方法及装置 |
CN112887537B (zh) * | 2021-01-18 | 2022-08-23 | 维沃移动通信有限公司 | 图像处理方法和电子设备 |
CN114025099A (zh) * | 2021-11-25 | 2022-02-08 | 努比亚技术有限公司 | 一种拍摄图像构图调控方法、设备及计算机可读存储介质 |
CN116681583A (zh) * | 2023-06-13 | 2023-09-01 | 上海数莅科技有限公司 | 一种基于深度美学网络的图片自动构图方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5617490A (en) * | 1994-06-27 | 1997-04-01 | Sanyo Electric Co., Ltd. | Camera system with neural network compensator for measuring 3-D position |
CN104735339A (zh) * | 2013-12-23 | 2015-06-24 | 联想(北京)有限公司 | 一种自动调整方法及电子设备 |
CN106919318A (zh) * | 2017-03-07 | 2017-07-04 | 维沃移动通信有限公司 | 一种图片处理的方法及终端 |
CN107509032A (zh) * | 2017-09-08 | 2017-12-22 | 维沃移动通信有限公司 | 一种拍照提示方法及移动终端 |
CN107545889A (zh) * | 2016-06-23 | 2018-01-05 | 华为终端(东莞)有限公司 | 适用于模式识别的模型的优化方法、装置及终端设备 |
CN107566529A (zh) * | 2017-10-18 | 2018-01-09 | 维沃移动通信有限公司 | 一种拍照方法、移动终端及云端服务器 |
CN107835364A (zh) * | 2017-10-30 | 2018-03-23 | 维沃移动通信有限公司 | 一种拍照辅助方法及移动终端 |
CN108108821A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
-
2018
- 2018-06-26 CN CN201810666820.2A patent/CN108833784B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5617490A (en) * | 1994-06-27 | 1997-04-01 | Sanyo Electric Co., Ltd. | Camera system with neural network compensator for measuring 3-D position |
CN104735339A (zh) * | 2013-12-23 | 2015-06-24 | 联想(北京)有限公司 | 一种自动调整方法及电子设备 |
CN107545889A (zh) * | 2016-06-23 | 2018-01-05 | 华为终端(东莞)有限公司 | 适用于模式识别的模型的优化方法、装置及终端设备 |
CN106919318A (zh) * | 2017-03-07 | 2017-07-04 | 维沃移动通信有限公司 | 一种图片处理的方法及终端 |
CN107509032A (zh) * | 2017-09-08 | 2017-12-22 | 维沃移动通信有限公司 | 一种拍照提示方法及移动终端 |
CN107566529A (zh) * | 2017-10-18 | 2018-01-09 | 维沃移动通信有限公司 | 一种拍照方法、移动终端及云端服务器 |
CN107835364A (zh) * | 2017-10-30 | 2018-03-23 | 维沃移动通信有限公司 | 一种拍照辅助方法及移动终端 |
CN108108821A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108833784A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833784B (zh) | 一种自适应构图方法、移动终端及计算机可读存储介质 | |
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN108764091B (zh) | 活体检测方法及装置、电子设备和存储介质 | |
WO2019201042A1 (zh) | 图像对象识别方法和装置、存储介质及电子装置 | |
JP6154075B2 (ja) | オブジェクト検出及び分割の方法,装置,コンピュータプログラム製品 | |
CN110335216B (zh) | 图像处理方法、图像处理装置、终端设备及可读存储介质 | |
WO2021083059A1 (zh) | 一种图像超分重建方法、图像超分重建装置及电子设备 | |
CN109040596B (zh) | 一种调整摄像头的方法、移动终端及存储介质 | |
US20170208243A1 (en) | Automatic image composition | |
US20190206117A1 (en) | Image processing method, intelligent terminal, and storage device | |
CN111131688B (zh) | 一种图像处理方法、装置及移动终端 | |
WO2022017006A1 (zh) | 视频处理方法、装置、终端设备及计算机可读存储介质 | |
US10313596B2 (en) | Method and apparatus for correcting tilt of subject ocuured in photographing, mobile terminal, and storage medium | |
CN108805838B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
WO2023030139A1 (zh) | 图像融合方法、电子设备和存储介质 | |
CN112689221B (zh) | 录音方法、录音装置、电子设备及计算机可读存储介质 | |
CN111161299A (zh) | 影像分割方法、计算机程序、存储介质及电子装置 | |
US8218823B2 (en) | Determining main objects using range information | |
CN109981967B (zh) | 用于智能机器人的拍摄方法、装置、终端设备及介质 | |
WO2019200785A1 (zh) | 快速手部跟踪方法、装置、终端及存储介质 | |
CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
CN110874814B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN113658050A (zh) | 一种图像的去噪方法、去噪装置、移动终端及存储介质 | |
WO2016095285A1 (zh) | 一种图像的获取及处理方法、系统及终端 | |
CN113763233A (zh) | 一种图像处理方法、服务器及拍照设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210129 |