CN109089040A - 图像处理方法、图像处理装置及终端设备 - Google Patents
图像处理方法、图像处理装置及终端设备 Download PDFInfo
- Publication number
- CN109089040A CN109089040A CN201810947233.0A CN201810947233A CN109089040A CN 109089040 A CN109089040 A CN 109089040A CN 201810947233 A CN201810947233 A CN 201810947233A CN 109089040 A CN109089040 A CN 109089040A
- Authority
- CN
- China
- Prior art keywords
- image
- distant view
- fuzzy
- scenery
- network
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000003825 pressing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical class C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/73—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2621—Cameras specially adapted for the electronic generation of special effects during image pickup, e.g. digital cameras, camcorders, video cameras having integrated special effects capability
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本申请适用于图像处理技术领域，提供了图像处理方法、图像处理装置及终端设备，所述方法包括：在接收到拍摄指令后，获取拍摄得到的第一图像；检测所述第一图像的远景是否模糊；若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；合成所述第一图像和所述第二图像，得到第三图像；显示所述第三图像。通过上述方法便于用户获取远景更多的细节。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及图像处理方法、图像处理装置、终端设备及计算机可读存储介质。
背景技术
目前的智能终端通常会集成摄像头等拍摄装置。
但由于摄像头本身的焦距是固定的，因此，当摄像头集成在智能终端后，该智能终端能够拍摄出清晰图像的景物距离也是有限制的，当待拍摄景物与该智能终端的距离超出这个景物距离的上限后，拍摄所述待拍摄景物得到的景物图像就会变得很模糊，从而大大影响了用户对远景的观赏乐趣。
发明内容
有鉴于此，本申请实施例提供了一种图像处理方法，以解决现有技术中当待拍摄景物与智能终端的距离超出景物距离的上限后，得到模糊的景物图像，进而导致用户获取的信息较少的问题。
本申请实施例的第一方面提供了一种图像处理方法，包括：
在接收到拍摄指令后，获取拍摄得到的第一图像；
检测所述第一图像的远景是否模糊；
若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
合成所述第一图像和所述第二图像，得到第三图像；
显示所述第三图像。
本申请实施例的第二方面提供了一种图像处理装置，包括：
第一图像获取单元，用于在接收到拍摄指令后，获取拍摄得到的第一图像；
远景是否模糊检测单元，用于检测所述第一图像的远景是否模糊；
第二图像生成单元，用于若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
第三图像生成单元，用于合成所述第一图像和所述第二图像，得到第三图像；
第三图像显示单元，用于显示所述第三图像。
本申请实施例的第三方面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所述图像处理方法的步骤。
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，所述计算机程序被处理器执行时实现如所述图像处理方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
由于在检测到第一图像的远景为模糊的远景后生成第二图像，且该第二图像为第一图像的远景对应的清晰图像，因此，将第二图像与第一图像合成后能够得到清晰的远景，从而使得用户根据显示的第三图像获取更多的远景细节。
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是本申请实施例一提供的第一种图像处理方法的流程示意图；
图2(a)和图2(b)是本申请实施例一提供的纯色的背景及没有具体物品形状的背景的示意图；
图3是本申请实施例二提供的第二种图像处理方法的流程图；
图4是本申请实施例三提供的一种图像处理装置的结构示意图；
图5是本申请实施例四提供的终端设备的示意图。
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。
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。
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]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外，在本申请的描述中，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。
实施例一：
图1示出了本申请实施例一提供的第一种图像处理方法的流程图，本实施例中，当拍摄的图像的远景模糊时，生成新的清晰的远景替换模糊的远景，从而使得用户能够获取远景的更多细节信息，详述如下：
步骤S11，在接收到拍摄指令后，获取拍摄得到的第一图像；
本实施例的拍摄指令可通过以下方式发出：当用户点击相机的预览界面上的拍照图标或者按压终端设备外壳上的拍照按键后，发出拍摄指令，通过长按相机的预览界面发出，具体地，当用户按压相机的预览界面的时长大于或等于预设时长阈值之后，判定用户发出拍摄指令。
本实施例中，该终端设备根据接收的拍摄指令获取第一图像，该第一图像与相机的预览界面显示的图像一致。其中，本申请实施例的终端设备包括手机、相机、平板电脑等。
可选地，由于在实际情况中，用户其实希望获取的是背景虚化的图像，而检测模糊远景等操作将耗费一定的资源及时间，且这些操作的效果并不能满足用户的需求，因此，为了节省时间及资源，在执行步骤S11之后，包括：判断当前的拍摄模式，若所述当前的拍摄模式对应的功能是：背景虚化，则直接显示获取的第一图像。
步骤S12，检测所述第一图像的远景是否模糊；
本实施例中，首先检测第一图像是否存在远景，当该第一图像存在远景时，再判断该远景是否为模糊的远景。
其中，模糊的远景可通过以下方式判断：(1)通过景物的尺寸判断，此时，模糊的远景是指，景物在图像中的尺寸小于或等于预设的该景物的尺寸阈值的景物，且该景物为远景中的景物。具体地，预先设置多种类别的景物的尺寸阈值，当判断出图像存在远景，且检测出远景的景物类别后，选择同样类别的景物的尺寸阈值，再将该图像的景物的尺寸与选择的同样类别的景物的尺寸阈值比较，若小于或等于选择的同样类别的景物的尺寸阈值，则判定该图像的景物为模糊的远景的景物。(2)通过景物的像素点总数与图像的总像素点的比值判断，此时，模糊的远景是指，景物的像素点总数与图像的总像素点的比值小于或等于预设的比值阈值的景物，且该景物为远景中的景物。具体地，预先设置多种类别的景物的比值阈值，当判断出图像存在远景，且检测出远景的景物类别后，选择同样类别的景物的比值阈值，再计算该图像的景物的像素点总数与图像的总像素点的比值，最后将该比值与选择的同样类别的景物的比值阈值比较，若小于或等于选择的同样类别的景物的比值阈值，则判定该图像的景物为模糊的远景的景物。
需要指出的是，在本实施例中，纯色的背景以及没有具体物品形状的背景不属于远景，如图2(a)和图2(b)所示。
步骤S13，若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
与模糊的远景的判断方式对应，本实施例的清晰图像的判断方式也有2种，一种是通过景物的尺寸判断，另一种是通过景物的像素点总数与图像的总像素点的比值判断。例如，若通过景物的尺寸判断，则将图像的景物的尺寸与选择的同样类别的景物的尺寸阈值比较，若大于选择的同样类别的景物的尺寸阈值，则判定该图像的景物为清晰的远景的景物，即可以通过插值算法增加远景的景物的像素点，进而增加该远景的景物的尺寸来提高该远景的景物的清晰度。若通过景物的像素点总数与图像的总像素点的比值来提高景物的清晰度与上述类似，此处不再赘述。
可选地，为了增加与用户的交互性，减少无效的操作，则在所述生成第二图像之前，包括：
询问用户是否需要重建所述第一图像的远景，以便在用户需要重建所述第一图像的远景时生成第二图像。
本实施例中，若检测出所述第一图像的远景是模糊的远景，则在显示界面弹出询问提示，用于询问用户是否需要重建第一图像的远景，若用户确认需要重建第一图像的远景，则生成第二图像，若用户确认不需要重建第一图像的远景，则不会生成第二图像，将该第一图像作为最终的图像并显示。
可选地，为了便于用户发出准确的指令，在显示界面弹出询问提示的同时，显示获取的第一图像。
本实施例中，由于用户在回答是否需要重建第一图像的远景时能够查看到第一图像的远景，因此，其能够根据实际需要选择是否需要重建第一图像的远景，从而能够保证终端设备接收到更准确的指令。
进一步地，弹出的询问提示在显示界面的位置为显示图像的非远景的位置。
本实施例中，由于弹出的询问提示在显示界面的位置为显示图像的非远景的位置，因此，不会遮挡图像的远景，便于用户发出准确的指令。
步骤S14，合成所述第一图像和所述第二图像，得到第三图像；
本实施例中，由于第二图像为第一图像的远景对应的清晰图像，因此，将第二图像替换第一图像中的远景，合成得到第三图像。
步骤S15，显示所述第三图像。
本申请实施例中，在接收到拍摄指令后，获取拍摄得到的第一图像，检测所述第一图像的远景是否模糊，若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像，合成所述第一图像和所述第二图像，得到第三图像，显示所述第三图像。由于在检测到第一图像的远景为模糊的远景后生成第二图像，且该第二图像为第一图像的远景对应的清晰图像，因此，将第二图像与第一图像合成后能够得到清晰的远景，从而使得用户根据显示的第三图像获取更多的远景细节。
可选地，为了能够保存到准确的图像信息，在所述步骤S15之后，包括：
询问用户存储第三图像还是存储第一图像，根据用户的反馈存储对应的图像。
实施例二：
图3示出了本申请实施例二提供的第二种图像处理方法的流程图，本实施例中，通过预设的卷积神经网络检测获取的第一图像的远景是否为模糊的图像，其中，步骤S31、步骤S33、步骤S34、步骤S35与实施例一的步骤S11、步骤S13、步骤S14、步骤S15相同，此处不再赘述。
步骤S31，在接收到拍摄指令后，获取拍摄得到的第一图像；
步骤S32，采用预设的卷积神经网络检测所述第一图像的远景是否模糊；
可选地，所述预设的卷积神经网络通过以下方式训练：
A1，确定训练集，所述训练集包括采集的包含模糊景物的图像；
其中，这里的模糊景物包括近景的模糊景物和远景的模糊景物。
A2，将所述训练集的每张图像划分为预设大小的块，并为划分的每个块添加一个标签，所述标签包括以下内容：模糊景物类别和模糊景物的边界；
其中，预设大小的块可以为10*10大小的块。模糊景物类别可以为：建筑物、大型植物、山脉、背景(纯色的背景或者没有具体物品形状的背景)等；模糊景物的边界(boundingbox)包括窗口的中心点坐标(x，y)，还有该窗口的宽和高，这里的窗口是指模糊景物的边界所对应的窗口。需要指出的是，当模糊景物类别为背景时，该模糊景物的边界对应的项为无效信息。
A3，根据所述训练集的图像和为划分的块添加的标签训练卷积神经网络，直到训练后的卷积神经网络检测模糊远景的准确率大于或等于预设的准确率阈值。
本实施例中，由于用户拍摄的照片中的远景可能存在不同类别的景物，因此，为了提高后续卷积神经网络识别模糊远景的准确率，则确定的训练集应包括多种不同类别的景物。
步骤S33，若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
步骤S34，合成所述第一图像和所述第二图像，得到第三图像；
步骤S35，显示所述第三图像。
可选地，为了能够快速、准确地生成清晰的远景，则所述步骤S33包括：
若所述第一图像的远景模糊，根据预设的生成式对抗网络生成第二图像。
本实施例中，预设的生成式对抗网络的个数大于或等于1，其个数与模糊景物类别相等。
可选地，所述若所述第一图像的远景模糊，根据预设的生成式对抗网络生成第二图像，包括：
B1，若所述预设的卷积神经网络检测到所述第一图像的远景模糊，确定所述第一图像的远景的标签，所述第一图像的远景的标签包括模糊景物类别和模糊景物的边界；
B2，根据所述模糊景物类别从预设的生成式对抗网络中选择相同类别的生成式对抗网络，根据选择的生成式对抗网络和所述模糊景物的边界生成第二图像。
其中，生成式对抗网络包括生成网络和判别网络，生成网络和判别网络可通过以下方式进行训练：将图像输入生成网络后，该生成网络输出生成图像，该判别网络判断该生成图像与目标图像的相似度是否大于或等于预设的相似度阈值，若大于或等于预设的相似度阈值，则停止训练该生成网络和判别网络，否则，交替训练该生成网络和该判别网络，直到判别网络判断出该生成图像与目标图像的相似度大于或等于预设的相似度阈值。
可选地，为了使得预设的生成式对抗网络生成的第二图像更符合用户需求，则在所述显示所述第三图像之后，包括：
C1，询问用户对生成的第二图像的满意度，所述满意度的高度与评分的高低对应；
其中，可在询问界面提供分值选项，并存储用户选择的分值。当用户选择的分值越高，表明用户对该第二图像的满意度越高，相反，表明用户对该第二图像的满意度越低。
C2，分别累加用户对预设的不同模糊景物类别的生成式对抗网络生成的第二图像的满意度，并确定累加的满意度的平均值；
本实施例中，在预设时长到达后，或者，在预设时间点到达后，累加同一个模糊景物类别的生成式对抗网络生成的第二图像的满意度，例如，假设存在3种模糊景物类别的生成式对抗网络：X1，X2，X3，则统计X1，X2，X3在同一时长内生成的第二图像的满意度，进而根据满意度以及生成第二图像的次数确定满意度的平均值。
C3，若存在满意度的平均值低于预设满意度阈值的生成式对抗网络，则重新训练所述满意度的平均值低于预设满意度阈值的生成式对抗网络。
实施例三：
与上述实施例一和实施例二对应，图4示出了本申请实施例三提供的一种图像处理装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。该图像处理装置包括：第一图像获取单元41、远景是否模糊检测单元42、第二图像生成单元43、第三图像生成单元44、第三图像显示单元45，其中：
第一图像获取单元41，用于在接收到拍摄指令后，获取拍摄得到的第一图像；
本实施例的拍摄指令可通过以下方式发出：当用户点击相机的预览界面上的拍照图标或者按压终端设备外壳上的拍照按键后，发出拍摄指令，通过长按相机的预览界面发出。
远景是否模糊检测单元42，用于检测所述第一图像的远景是否模糊；
其中，模糊的远景可通过以下方式判断：(1)通过景物的尺寸判断；(2)通过景物的像素点总数与图像的总像素点的比值判断。
第二图像生成单元43，用于若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
与模糊的远景的判断方式对应，本实施例的清晰图像的判断方式也有2种，一种是通过景物的尺寸判断，另一种是通过景物的像素点总数与图像的总像素点的比值判断。
可选地，为了增加与用户的交互性，减少无效的操作，所述图像处理装置包括：
是否重建询问单元，用于询问用户是否需要重建所述第一图像的远景，以便在用户需要重建所述第一图像的远景时生成第二图像。
可选地，为了便于用户发出准确的指令，在显示界面弹出询问提示的同时，显示获取的第一图像。
第三图像生成单元44，用于合成所述第一图像和所述第二图像，得到第三图像；
第三图像显示单元45，用于显示所述第三图像。
本申请实施例中，由于在检测到第一图像的远景为模糊的远景后生成第二图像，且该第二图像为第一图像的远景对应的清晰图像，因此，将第二图像与第一图像合成后能够得到清晰的远景，从而使得用户根据显示的第三图像获取更多的远景细节。
可选地，为了能够保存到准确的图像信息，所述图像处理装置还包括：
待存储图像选择单元，用于询问用户存储第三图像还是存储第一图像，根据用户的反馈存储对应的图像
可选地，所述远景是否模糊检测单元42具体用于，采用预设的卷积神经网络检测所述第一图像的远景是否模糊。
可选地，所述预设的卷积神经网络通过以下方式训练：
确定训练集，所述训练集包括采集的包含模糊景物的图像；
将所述训练集的每张图像划分为预设大小的块，并为划分的每个块添加一个标签，所述标签包括以下内容：模糊景物类别和模糊景物的边界；
根据所述训练集的图像和为划分的块添加的标签训练卷积神经网络，直到训练后的卷积神经网络检测模糊远景的准确率大于或等于预设的准确率阈值。
可选地，所述第二图像生成单元43具体用于：
若所述第一图像的远景模糊，根据预设的生成式对抗网络生成第二图像。
可选地，在上述基础上，所述第二图像生成单元43包括：
标签确定模块，用于若所述预设的卷积神经网络检测到所述第一图像的远景模糊，确定所述第一图像的远景的标签，所述第一图像的远景的标签包括模糊景物类别和模糊景物的边界；
生成式对抗网络选择模块，用于根据所述模糊景物类别从预设的生成式对抗网络中选择相同类别的生成式对抗网络，根据选择的生成式对抗网络和所述模糊景物的边界生成第二图像。
可选地，所述图像处理装置包括：
满意度询问单元，用于询问用户对生成的第二图像的满意度，所述满意度的高度与评分的高低对应；
满意度平均值确定单元，用于分别累加用户对预设的不同模糊景物类别的生成式对抗网络生成的第二图像的满意度，并确定累加的满意度的平均值；
若存在满意度的平均值低于预设满意度阈值的生成式对抗网络，则重新训练所述满意度的平均值低于预设满意度阈值的生成式对抗网络。
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。
实施例四：
图5是本申请实施例四提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：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时实现上述各个图像处理方法实施例中的步骤，例如图1所示的步骤S11至S15。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至45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在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成第一图像获取单元、远景是否模糊检测单元、第二图像生成单元、第三图像生成单元、第三图像显示单元，各单元具体功能如下：
第一图像获取单元，用于在接收到拍摄指令后，获取拍摄得到的第一图像；
远景是否模糊检测单元，用于检测所述第一图像的远景是否模糊；
第二图像生成单元，用于若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
第三图像生成单元，用于合成所述第一图像和所述第二图像，得到第三图像；
第三图像显示单元，用于显示所述第三图像。
所述终端设备5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。所述终端设备可包括，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仅仅是终端设备5的示例，并不构成对终端设备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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器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可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备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还可以既包括所述终端设备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终端设备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。
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，并不用于限制本申请的保护范围。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。
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。
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)
1.一种图像处理方法，其特征在于，包括：
在接收到拍摄指令后，获取拍摄得到的第一图像；
检测所述第一图像的远景是否模糊；
若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
合成所述第一图像和所述第二图像，得到第三图像；
显示所述第三图像。
2.如权利要求1所述的图像处理方法，其特征在于，所述检测所述第一图像的远景是否模糊包括：
采用预设的卷积神经网络检测所述第一图像的远景是否模糊。
3.如权利要求2所述的图像处理方法，其特征在于，所述预设的卷积神经网络通过以下方式训练：
确定训练集，所述训练集包括采集的包含模糊景物的图像；
将所述训练集的每张图像划分为预设大小的块，并为划分的每个块添加一个标签，所述标签包括以下内容：模糊景物类别和模糊景物的边界；
根据所述训练集的图像和为划分的块添加的标签训练卷积神经网络，直到训练后的卷积神经网络检测模糊远景的准确率大于或等于预设的准确率阈值。
4.如权利要求3所述的图像处理方法，其特征在于，所述若所述第一图像的远景模糊，生成第二图像，包括：
若所述第一图像的远景模糊，根据预设的生成式对抗网络生成第二图像。
5.如权利要求4所述的图像处理方法，其特征在于，所述若所述第一图像的远景模糊，根据预设的生成式对抗网络生成第二图像，包括：
若所述预设的卷积神经网络检测到所述第一图像的远景模糊，确定所述第一图像的远景的标签，所述第一图像的远景的标签包括模糊景物类别和模糊景物的边界；
根据所述模糊景物类别从预设的生成式对抗网络中选择相同类别的生成式对抗网络，根据选择的生成式对抗网络和所述模糊景物的边界生成第二图像。
6.如权利要求5所述的图像处理方法，其特征在于，在所述显示所述第三图像之后，包括：
询问用户对生成的第二图像的满意度，所述满意度的高度与评分的高低对应；
分别累加用户对预设的不同模糊景物类别的生成式对抗网络生成的第二图像的满意度，并确定累加的满意度的平均值；
若存在满意度的平均值低于预设满意度阈值的生成式对抗网络，则重新训练所述满意度的平均值低于预设满意度阈值的生成式对抗网络。
7.如权利要求1或4所述的图像处理方法，其特征在于，在所述生成第二图像之前，包括：
询问用户是否需要重建所述第一图像的远景，以便在用户需要重建所述第一图像的远景时生成第二图像。
8.一种图像处理装置，其特征在于，包括：
第一图像获取单元，用于在接收到拍摄指令后，获取拍摄得到的第一图像；
远景是否模糊检测单元，用于检测所述第一图像的远景是否模糊；
第二图像生成单元，用于若所述第一图像的远景模糊，生成第二图像，所述第二图像为所述第一图像的远景对应的清晰图像；
第三图像生成单元，用于合成所述第一图像和所述第二图像，得到第三图像；
第三图像显示单元，用于显示所述第三图像。
9.一种终端设备，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，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，所述计算机可读存储介质存储有计算机程序，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7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810947233.0A CN109089040B (zh) | 2018-08-20 | 2018-08-20 | 图像处理方法、图像处理装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810947233.0A CN109089040B (zh) | 2018-08-20 | 2018-08-20 | 图像处理方法、图像处理装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109089040A true CN109089040A (zh) | 2018-12-25 |
| CN109089040B CN109089040B (zh) | 2021-05-14 |
Family
ID=64794042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810947233.0A Active CN109089040B (zh) | 2018-08-20 | 2018-08-20 | 图像处理方法、图像处理装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109089040B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348877A (zh) * | 2019-05-27 | 2019-10-18 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177432A (zh) * | 2013-03-28 | 2013-06-26 | 北京理工大学 | 一种用编码孔径相机获取全景图方法 |
| CN103310411A (zh) * | 2012-09-25 | 2013-09-18 | 中兴通讯股份有限公司 | 一种图像局部增强方法和装置 |
| CN104065926A (zh) * | 2014-06-25 | 2014-09-24 | 中国移动通信集团广东有限公司 | 基于无线高清视频监控系统的图像增强方法及系统 |
| CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
| CN107292838A (zh) * | 2017-06-07 | 2017-10-24 | 汕头大学 | 基于模糊区域分割的图像去模糊方法 |
| CN107590811A (zh) * | 2017-09-29 | 2018-01-16 | 北京奇虎科技有限公司 | 基于场景分割的风景图像处理方法、装置及计算设备 |
| CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
| CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
| CN108230243A (zh) * | 2018-02-09 | 2018-06-29 | 福州大学 | 一种基于显著性区域检测模型背景虚化方法 |
| CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
-
2018
- 2018-08-20 CN CN201810947233.0A patent/CN109089040B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310411A (zh) * | 2012-09-25 | 2013-09-18 | 中兴通讯股份有限公司 | 一种图像局部增强方法和装置 |
| CN103177432A (zh) * | 2013-03-28 | 2013-06-26 | 北京理工大学 | 一种用编码孔径相机获取全景图方法 |
| CN104065926A (zh) * | 2014-06-25 | 2014-09-24 | 中国移动通信集团广东有限公司 | 基于无线高清视频监控系统的图像增强方法及系统 |
| CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
| CN107292838A (zh) * | 2017-06-07 | 2017-10-24 | 汕头大学 | 基于模糊区域分割的图像去模糊方法 |
| CN107590811A (zh) * | 2017-09-29 | 2018-01-16 | 北京奇虎科技有限公司 | 基于场景分割的风景图像处理方法、装置及计算设备 |
| CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
| CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
| CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
| CN108230243A (zh) * | 2018-02-09 | 2018-06-29 | 福州大学 | 一种基于显著性区域检测模型背景虚化方法 |
Non-Patent Citations (1)
| Title |
|---|
| ANAT LEVIN等: "Image and Depth from a Conventional Camera with a Coded Aperture", 《ACM TRANSACTION ON GRAPHICS》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348877A (zh) * | 2019-05-27 | 2019-10-18 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
| CN110348877B (zh) * | 2019-05-27 | 2023-11-14 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109089040B (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2016278358B2 (en) | Method and terminal for locking target in game scene | |
| CN109064390B (zh) | 一种图像处理方法、图像处理装置及移动终端 | |
| US20220319139A1 (en) | Multi-endpoint mixed-reality meetings | |
| CN108961157B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN107291317B (zh) | 一种虚拟场景中目标的选择方法和装置 | |
| CN109040603A (zh) | 高动态范围图像获取方法、装置及移动终端 | |
| CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
| CN109413563A (zh) | 视频的音效处理方法及相关产品 | |
| CN109614902A (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
| CN103902056B (zh) | 虚拟键盘输入方法、设备及系统 | |
| CN109495616B (zh) | 一种拍照方法及终端设备 | |
| CN110286768A (zh) | 虚拟物体显示方法、终端设备及计算机可读存储介质 | |
| CN110225104A (zh) | 数据获取方法、装置及终端设备 | |
| CN109215037A (zh) | 目标图像分割方法、装置及终端设备 | |
| CN110457963A (zh) | 显示控制方法、装置、移动终端及计算机可读存储介质 | |
| CN109151337A (zh) | 人脸识别补光方法、人脸识别补光装置及移动终端 | |
| CN108665510B (zh) | 连拍图像的渲染方法、装置、存储介质及终端 | |
| CN108769545A (zh) | 一种图像处理方法、图像处理装置及移动终端 | |
| CN110166696A (zh) | 拍摄方法、装置、终端设备以及计算机可读存储介质 | |
| CN110109594A (zh) | 一种绘图数据分享方法、装置、存储介质以及设备 | |
| CN109873980A (zh) | 视频监控方法、装置及终端设备 | |
| CN109089040A (zh) | 图像处理方法、图像处理装置及终端设备 | |
| CN109358927A (zh) | 应用程序显示的方法、装置及终端设备 | |
| CN109375866B (zh) | 一种屏幕触摸点击响应的方法及实现的系统 | |
| CN108874141B (zh) | 一种体感浏览方法和装置 |
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 |