CN109359675B - 图像处理方法及设备 - Google Patents

Abstract

本发明实施例公开了一种图像处理方法及设备，其中，该图像处理方法可以获取待处理的原始图像所属的图像类型；将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；其中，所述模板决策树为基于第一样本图像数据学习获得的，利用计算的模板对所述原始图像进行处理，获得目标图像。可见，本发明实施例与现有技术相比，除了考虑图像类型外，还考虑了用户的用户信息，从而使得处理后的目标图像更加符合用户的个性化需求。

Description

图像处理方法及设备

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种图像处理方法及设备。

背景技术

目前，便携式拍摄设备逐渐普及，用户可以随时随地利用便携式拍摄设备拍摄各种类型的照片，例如动物、植物、人物以及风景等等类别。然后可以采用相应类别的模板对照片进行处理，将照片修饰的更加漂亮。

然而，目前的模板只能根据照片的类型进行推荐，导致不同用户针对同一类型的照片，只能获得相同类型的模板，照片处理效果过于单一。

发明内容

本发明实施例提供一种图像处理方法及设备，能够改善图像的处理效果，更加匹配用户个性化的喜好。

第一方面，本发明实施例提供一种图像处理方法，该图像处理方法可以包括：

服务器确定终端所请求的视频数据以及好友关系链，所述好友关系链包含所述终端的登录账号所关联的至少一个账号，所述视频数据是由多个视频片段数据构成的；

所述服务器获取所述好友关系链包含的账号对所述视频数据发表的评论内容，作为待发送的评论内容，所述待发送的评论内容与对应的视频片段数据相关联；

所述服务器向所述终端发送所述视频数据同时，发送待发送的评论内容中所述各视频片段数据关联的评论内容。

第二方面，本发明实施例还提供一种图像处理装置，该图像处理装置可以包括：

获取模块，用于获取待处理的原始图像所属的图像类型；

计算模块，用于将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板；

处理模块，用于利用计算的模板对所述原始图像进行处理，获得目标图像。

第三方面，本发明实施例还提供一种图像处理设备，该图像处理设备可以包括处理器和存储器，所述处理器用于调用所述存储器中的程序，执行第一方面所述的图像处理方法。

第四方面，本发明实施例还提供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，所述计算机程序包括程序指令，所述程序指令当被服务器执行时使所述服务器执行第一方面所述的图像处理方法。

本发明实施例能够基于原始图像的图像类型和用户信息来确定原始图像对应的模板，这样，即使各用户拍摄的原始图像相同，但由于各用户的用户信息不同，所确定的模板也不相同。因此，本发明实施例采用确定的模板处理原始图像，获得的目标图像更加匹配用户的个性化特征。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的一种图像处理方法的示意图；

图2是本发明实施例提供的一种图像处理系统的结构示意图；

图3是本发明实施例提供的一种图像处理方法的流程示意图；

图4是本发明实施例提供的另一种图像处理方法的流程示意图；

图5是本发明实施例提供的一种模板推荐算法的流程示意图；

图6是本发明实施例提供的一种模板决策树的示意图；

图7是本发明实施例提供的一种模板参数优化算法的流程示意图；

图8是本发明实施例提供的一种参数调优神经网络模型的示意图；

图9是本发明实施例提供的一种图像处理装置的结构示意图；

图10是本发明实施例提供的一种图像处理设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种图像处理方法，能够基于原始图像的图像类型和用户信息来确定原始图像匹配的模板，从而使得即使各用户拍摄的原始图像相同，但由于各用户的喜好不同，即用户信息不同，所确定的模板也不相同，从而各用户可以基于确定的不同模板对原始图像进行处理，获得更加匹配用户个性化需求的目标图像。

在另一实施例中，该图像处理方法还可以根据原始图像的图像类型和用户信息计算上述确定的模板对应的模板参数，利用该模板参数和模板对原始图像进行处理，获得目标图像。可见，该实施例使得即使结合不同的用户信息针对同一原始图像确定的模板相同，但由于模板参数不同，可以使得同一模板对应的目标图像也不相同，更加突出用户的个性化特征。

例如，请参阅图1，图1是本发明实施例提供的一种图像处理方法的示意图，如图1所示，本发明实施例可以采用模板推荐算法，来确定原始图像的图像类型和用户信息对应的模板。再结合原始图像的图像类型和用户信息作为该模板对应的模板参数优化算法的输入，来确定模板参数。

可选的，上述确定的模板和模板参数，可以用于对原始图像进行处理，获得目标图像。或者，上述确定的模板和模板参数用于对原始图像进行处理获得个性化小视频；或者在拍摄照片过程中，可以自动利用确定的模板和模板参数对拍摄的图像进行处理，获得个性化的照片，等等，本发明实施例不做限定。

其中，该模板推荐算法可以针对图像类型以及用户信息等多个维度对最终确定的模板的影响权重的顺序，构建模板决策树。利用该模板决策树来确定原始图像所采用的模板。

因此，本发明实施例还涉及一种模板推荐算法，该模板推荐算法能够构建模板决策树，来确定原始图像所采用的模板。其中，所述模板决策树为基于第一样本图像数据学习获得的，如表1所示，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，例如，图像类型、用户性别、用户年龄、用户职业等；所述第一决策结果为所述决策因素对应的模板，例如，照片类型：人物，性别：女，年龄：25，对应的模板为模板1；照片类型：风景，性别：男，年龄：30，对应的模板为模板2，等等。

表1

可见，本发明实施例引入用户信息来构建模板决策树，使得基于该模板决策树计算的模板更加匹配用户的个性化特征。

本发明实施例中，可以采用模板参数优化算法来确定或优化原始图像的图像类型和用户信息对应的模板的模板参数。因此，本发明实施例还涉及一种模板参数优化算法，该模板参数优化算法能够训练出每个模板对应的参数优化神经网络模型，其中，所述参数优化神经网络模型是基于所述模板的第二样本图像数据学习获得的，如表2，所述第二样本图像数据包括决策因素与第二决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第二决策结果为所述决策因素对应的模板参数。例如，照片类型：人物，性别：女，年龄25，对应的模板参数为模板1的参数集合1；照片类型：风景，性别：男，年龄：30，对应的模板参数为模板2的参数集合2，等等。

表2

本发明实施例中，原始图像所属的图像类型也可以为拍摄照片的照片类型，例如，动物、植物、人物、风景等类型。根据图像类型和用户信息确定的模板也可以为模板类型，即多个模板，本发明实施例不做限定。若为多个模板，则可由用户从中选择最终处理原始图像的模板。用户信息也可以称为用户画像或画像标签，该用户信息可以为拍摄原始图像的用户的用户信息，也可以为请求获得目标图像的用户的用户信息，本发明实施例也不做限定。

本发明实施例中，原始图像可以为照片集合，原始图像所属的图像类型可以为该照片集合所属的图像类型，若图像类型为多个时，可以针对每个图像类型，结合用户信息，计算该照片集合中该图像类型的照片对应的模板。相应的，照片集合对应多个模板时，可以利用每个模板对应的参数优化神经网络模型来确定每个模板的模板参数，利用每个模板和每个模板的模板参数对相应图像类型的照片进行处理，获得目标图像。其中，该目标图像可以为照片集合，也可以为各照片对应的目标图像的视频，或者其他类型的图像数据，本发明实施例不做限定。

在一种实施例中，请参阅图2，图2是本发明实施例提供的一种图像处理系统，该图像处理系统可以包括服务器和多个终端，该服务器可以为执行本发明实施例所述的图像处理方法的设备，多个终端可以为能够拍摄原始图像和/或播放目标图像的设备。服务器可以从多个终端中获取原始图像的图像类型和用户信息（例如，用户A的用户信息，用户B的用户信息），进而将确定的模板和/或模板参数发送给相应的终端，以使终端利用该模板和/或模板参数对原始图像进行处理，输出并获得目标图像。可选的，利用模板和模板参数对原始图像进行处理的步骤也可以由服务器执行，由服务器将获得的目标图像发送给终端，由终端输出该目标图像。

在另一实施例中，本发明实施例所述的图像处理方法可以在终端设备中执行，本发明实施例所述的模板推荐算法确定模板决策树，以及模板参数优化算法确定各模板的参数优化神经网络模型，可以由服务器执行，这样，终端设备可以定期更新存储的模板决策树以及各模板的参数优化神经网络模型，以使得所计算的模板和模板参数更加准确。

请参阅图3，图3是本发明实施例提供的一种图像处理方法的流程示意图，其中，图3所示的图像处理方法以在图像处理设备中执行为例，具体的，该图像处理方法可以包括以下步骤：

101、获取待处理的原始图像所属的图像类型；

例如，该图像处理设备可以从图像拍摄设备中获取原始图像，并确定该原始图像所属的图像类型。再例如，图像拍摄设备可以向该图像处理设备发送待处理的原始图像所属的图像类型。又例如，该图像处理设备就为图像拍摄设备，能够拍摄原始图像，并确定原始图像所属的图像类型。

102、将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板。

本发明实施例中，用户的用户信息可以为图像处理设备当前登陆的用户账号等相关信息，也可以为向图像处理设备发送原始图像或者原始图像所属的图像类型的设备所登陆的用户账号等信息。

103、利用计算的模板对所述原始图像进行处理，获得目标图像。

例如，模板为靓丽的人物模板，则可以采用该人物模板将原始图像进行修改，使得原始图像更能凸显人物特点。其中，人物模板有很多种，本发明实施例所计算的人物模板是考虑了用户信息的，比如，如果是老年人用户，则人物模板为偏稳重严肃的干净风格的人物模板，如果是年轻人用户，则该人物模板为偏活泼靓丽的多点缀的人物模板，等等。

可见，图3所示的图像处理方法与现有技术相比，除了考虑图像类型外，还考虑了用户的用户信息，从而使得处理后的目标图像更加符合用户的个性化需求。

请参阅图4，图4是本发明实施例提供的另一种图像处理方法的流程示意图，其中，图4依旧以图像处理设备为执行主体进行阐述。具体的，该图像处理方法还可以包括以下步骤：

201、获取待处理的原始图像所属的图像类型；

202、将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

203、获取计算的模板对应的参数优化神经网络模型；

204、将所述图像类型和所述用户的用户信息作为获取的参数优化神经网络模型的输入，计算所述模板对应的模板参数；

例如，该模板参数可以包括模板的配色方案和亮度方案等相关参数，同一个模板对应的模板参数可能会因为用户信息中的年龄、性别等特征而不同。

205、利用计算的模板和模板参数对所述原始图像进行处理，获得目标图像。

可选的，步骤205还可以为，利用计算的模板和模板参数对所述原始图像进行处理，获得视频图像。比如，利用计算的模板和模板参数对原始图像进行处理，获得个性化的小视频。其中，该原始图像可以为用户选择的照片，也可以为用户通过设备在预设时长内拍摄的照片，等等，本发明实施例不做限定。

可见，本发明实施例，采用算法确定的模板和模板参数，均考虑了用户信息，与现有技术相比，使得目标图像具有个性化的特征，能够符合个人的审美要求，而不会因为是同一模板而千篇一律。

请参阅图5，图5是本发明实施例提供的一种模板推荐算法的流程示意图，图5所示的模板推荐算法依旧可以由图像处理设备执行，也可以由服务器执行。该模板推荐算法能够确定模板决策树，使得图像处理过程中，如图1所示，输入图像类型和用户信息，获得相应的模板。具体的，该模板推荐算法可以包括以下步骤：

301、获取第一样本图像数据；

本发明实施例中，第一样本图像数据可以为每次获得目标图像后由图像处理设备上报获得的，也可以为图像处理设备本身根据历史数据获得的，本发明实施例不做限定。

302、计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重；

本发明实施例中，302中计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重，可以包括：

根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵；

针对所述第一样本图像数据中的每个决策因素，根据所述决策因素的取值个数以及包含所述决策因素的各个取值的对应关系个数，计算所述决策因素的条件熵；

针对所述第一样本图像数据中的每个决策因素，根据所述决策因素的条件熵和所述第一样本图像数据的信息熵，计算所述决策因素的信息增益，将所述信息增益作为所述决策因素对模板的影响权重。

例如，假设所述第一样本图像数据中包括的对应关系为D个，该D个对应关系中具有K个模板，那么D个对应关系中模板为k(1<=k<=K)的个数为C_k；假设图像类型、用户信息中的一个特征项A，该特征项A有n个不同的取值，这样，可以根据特征项A将该D个对应关系进行分类，得到D1，D2，…，Di，…，D_n；其中，D_i中，属于C_k这个类别的对应关系的集合为D_ik，即D_ik=D_i∩C_k，|D_ik|为D_ik集中中对应关系的个数，则根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵，可以采用如下公式：

；

再则针对所述第一样本图像数据中的特征项A，根据所述A的取值个数n以及包含所述决策因素的各个取值的对应关系个数|D_ik|，计算所述特征项A的条件熵，可以采用如下公式：

；

相应的，针对所述第一样本图像数据中的特征项A，根据所述特征项A的条件熵H（D|A）和所述第一样本图像数据的信息熵H（D），计算所述特征项A的信息增益g(D|A)，可以采用如下公式：

；

将所述信息增益g(D|A)作为所述特征项A对模板的影响权重。

针对第一样本图像数据中用户信息和图像类型中的每个特征项，都采用上述方法来确定特征项对模板的影响权重。

303、根据所述各图像类型、所述用户信息中的各特征项对各模板的影响权重，创建模板决策树。

例如，假设第一样本图像数据中，图像类型、用户信息中的特征项包括图像类型、用户性别、用户年龄、用户职业，其中，图像类型这个特征项的取值包括动物、风景；用户性别这个特征项的取值包括男、女；用户年龄这个特征项的取值包括大于30岁、小于等于30岁；用户职业这个特征项的取值包括体力、脑力；该第一样本图像数据具有的模板分别为模板1、模板2、模板3；则根据上述302获得各特征项对模板的影响权重，再根据每个特征项的信息增益大小，确定该模板决策树的第一个节点为图像类型，左节点为用户性别，右节点为用户年龄，等等，可以获得图6所示的模板决策树。如图6所示，同一图像类型结合不同的用户信息对应的模板不同，从而基于该模板决策树能够为用户推荐个性化的模板。

可见，本发明实施例提供的模板推荐算法能够从大数据的学习中获得模板决策树，从而，在图像处理过程中，将图像类型和用户信息作为模板决策树的输入，获得对应的模板，大大改善了模板推荐的效率和准确性。

请参阅图7，图7是本发明实施例提供的一种模板参数优化算法，该模板参数优化算法可以由图像处理设备执行，也可以由其他服务器执行，将最终确定的算法推送给图像处理设备。该模板参数优化算法能够确定模板参数，使得图像处理过程中，如图1所示，输入图像类型和用户信息，获得相应的模板参数。具体的，该模板参数优化算法可以包括以下步骤：

401、针对每个模板，获取所述模板的第二样本图像数据；

可选的，该第二样本图像数据的获取方式可以与第一样本图像数据的获取方式相同，这里不再详述。

402、针对每个模板，利用所述第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型，其中，所述神经网络模型的输入数据为浮点型。

神经网络模型主要用于分类问题，即输入的数据会是[1,0,0]，[0,1,0]等样本数据，而本发明实施例创造性的采用神经网络模型来优化参数，因此，将神经网络模型的输入数据设置为浮点型，从而使得第二样本图像数据来训练神经网络模型，获得参数调优神经网络模型。可见，该实施方式扩展了神经网络模型的算法，使得输入数据可为浮点型，从而可以使得神经网络模型用于确定或优化模板的模板参数。

其中，在训练模板的参数调优神经网络模型时，可以利用平方和作为损失函数，利用梯度下降算法，将参数调优神经网络模型逼近第二样本图像数据中的模板参数，从而使得最终获得的参数调优神经网络模型，输入图像类型和用户信息后，可以输出最佳的模板参数。

例如，请参阅图8，图8是本发明实施例提供的一种参数调优神经网络模型的示意图，如图8所示，左侧将第二样本图像数据中的图像分类、性别、年龄等等决策因素作为该参数调优神经网络模型的输入，然后利用损失函数和梯度下降算法，让该参数调优神经网络模型的输出，尽量逼近该第二样本图像数据中相应的模板的参数集合，最终获得的该参数调优神经网络模型就可以用于推断出各照片类型和用户信息在某一个模型上的参数集合。

其中，本发明实施例中，该损失函数可以为：

其中，该损失函数用于判断该参数调优神经网络模型是否最优，即输入决策因素X得到的参数集合f(X)，利用梯度下降算法的迭代求解，可不断优化该参数调优神经网络模型。

可见，本发明实施例创造性的采用第二样本图像数据训练用于分类问题的神经网络，获得各模板的参数调优神经网络模型，从而可以在图像处理过程中，基于图像类型和用户信息，为每个模板推荐模板参数，从而使得同一模板可以有体现用户个性化的模板参数来处理，避免同一模板过于单一的图像处理方法。

综上所述，图5和图7所述的实施例可以分别应用到图3和图4所示的实施例中，从而利用计算的模板和/或模板参数对原始图像进行处理，获得目标图像或个性化小视频等等，从而避免所有用户所制作的目标图像或小视频过于单一，更加体现用户的个性化特点。

请参阅图9，图9是本发明实施例提供的一种图像处理装置的结构示意图，如图9所示，该图像处理装置中的全部或部分模块可以设置在同一图像处理设备中，也可以分别部署在终端和服务器中，以终端和服务器之间的交互处理图像，获得目标图像。具体的，该图像处理装置中：

获取模块501，用于获取待处理的原始图像所属的图像类型；

计算模块502，用于将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板；

处理模块503，用于利用计算的模板对所述原始图像进行处理，获得目标图像。

在一种可选的实施方式中，其特征在于，所述处理模块503可以包括：

获取单元，用于获取计算的模板对应的参数优化神经网络模型；

计算单元，用于将所述图像类型和所述用户的用户信息作为获取的参数优化神经网络模型的输入，计算所述模板对应的模板参数；

其中，所述参数优化神经网络模型是基于所述模板的第二样本图像数据学习获得的，所述第二样本图像数据包括决策因素与第二决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第二决策结果为所述决策因素对应的模板参数；

处理单元，用于利用计算的模板和模板参数对所述原始图像进行处理，获得目标图像。

可选的，该处理单元还可以利用计算的模板和模板参数对所述原始图像进行处理，获得视频图像。

在一种可选的实施方式中，该图像处理装置中，所述获取模块，还用于获取第一样本图像数据；所述计算模块，还用于计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重；相应的，所述装置还包括：创建模块504，用于根据所述各图像类型、所述用户信息中的各特征项对各模板的影响权重，创建模板决策树。

在一种可选的实施方式中，计算模块计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重，具体为：

根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的取值个数以及包含所述特征项的各个取值的对应关系个数，计算所述特征项的条件熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的条件熵和所述第一样本图像数据的信息熵，计算所述特征项的信息增益，将所述信息增益作为所述特征项对模板的影响权重。

在一种可选的实施方式中，所述获取模块501，还用于针对每个模板，获取所述模板的第二样本图像数据；所述装置还包括：训练模块505，用于利用所述第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型，其中，所述神经网络模型的输入数据为浮点型。

请参阅图10，图10是本发明实施例提供的另一种图像处理设备的结构示意图，如图10所示，该图像处理设备可以包括：至少一个处理器601，例如CPU，通信接口602，存储器603，至少一个通信总线604。其中，通信总线604用于实现这些组件之间的连接通信。其中，通信接口602可以为网络接口，用于与客户端或安装客户端的终端之间进行交互。其中，存储器303可能包含高速RAM存储器，也可能还包括非不稳定的存储器，例如至少一个磁盘存储器，具体用于存储处理逻辑信息。存储器603可选的可以包含至少一个位于远离前述处理器601的存储装置。处理器601可以结合图8所示的图像处理装置执行相关操作。存储器603中存储一组程序代码，且处理器601调用存储器603中存储的程序代码，用于执行以下操作：

获取待处理的原始图像所属的图像类型；

将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板；

利用计算的模板对所述原始图像进行处理，获得目标图像。

可选的，处理器301利用计算的模板对所述原始图像进行处理，获得目标图像，具体为：

获取计算的模板对应的参数优化神经网络模型；

将所述图像类型和所述用户的用户信息作为获取的参数优化神经网络模型的输入，计算所述模板对应的模板参数；

其中，所述参数优化神经网络模型是基于所述模板的第二样本图像数据学习获得的，所述第二样本图像数据包括决策因素与第二决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第二决策结果为所述决策因素对应的模板参数；

利用计算的模板和模板参数对所述原始图像进行处理，获得目标图像。

可选的，处理器301还用于执行以下步骤：

获取第一样本图像数据；

计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重；

根据所述各图像类型、所述用户信息中的各特征项对各模板的影响权重，创建模板决策树。

可选的，处理器301计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重，具体为：

根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的取值个数以及包含所述特征项的各个取值的对应关系个数，计算所述特征项的条件熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的条件熵和所述第一样本图像数据的信息熵，计算所述特征项的信息增益，将所述信息增益作为所述特征项对模板的影响权重。

可选的，处理器301还用于执行以下步骤：

针对每个模板，获取所述模板的第二样本图像数据；以及利用所述第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型，其中，所述神经网络模型的输入数据为浮点型。

可选的，处理器301还用于执行以下步骤：

利用计算的模板和模板参数对所述原始图像进行处理，获得视频图像。

其中，图9和图10所示的图像处理设备可以设置在图像处理服务器中，也可以设置在其他服务器或云平台，本发明实施例不做限定。

可以理解的是，在本申请的具体实施方式中，涉及到的用户信息等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。

以上所揭露的仅为本发明的部分实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (12)

1.一种图像处理方法，其特征在于，包括：

获取待处理的原始图像所属的图像类型；

将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板；

获取计算的模板对应的参数优化神经网络模型，所述参数优化神经网络模型是利用所述模板的第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型而得到的，其中，所述神经网络模型的输入数据为浮点型；

将所述图像类型和所述用户的用户信息作为获取的参数优化神经网络模型的输入，计算所述模板对应的模板参数；

利用计算的模板和模板参数对所述原始图像进行处理，获得目标图像。

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：

获取第一样本图像数据；

计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重；

根据所述各图像类型、所述用户信息中的各特征项对各模板的影响权重，创建模板决策树。

3.根据权利要求2所述的方法，其特征在于，所述计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重，包括：

根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的取值个数以及包含所述特征项的各个取值的对应关系个数，计算所述特征项的条件熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的条件熵和所述第一样本图像数据的信息熵，计算所述特征项的信息增益，将所述信息增益作为所述特征项对模板的影响权重。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对每个模板，获取所述模板的第二样本图像数据；以及利用所述第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用计算的模板和模板参数对所述原始图像进行处理，获得视频图像。

6.一种图像处理装置，其特征在于，包括：

获取模块，用于获取待处理的原始图像所属的图像类型；

计算模块，用于将所述图像类型和用户的用户信息作为模板决策树的输入，计算所述原始图像对应的模板；

其中，所述模板决策树为基于第一样本图像数据学习获得的，所述第一样本图像数据包括决策因素与第一决策结果之间的对应关系的集合，所述决策因素包括图像类型和用户信息中的各特征项，所述第一决策结果为所述决策因素对应的模板；

处理模块，用于利用计算的模板对所述原始图像进行处理，获得目标图像；

所述处理模块包括：

获取单元，用于获取计算的模板对应的参数优化神经网络模型，所述参数优化神经网络模型是利用所述模板的第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型而得到的，其中，所述神经网络模型的输入数据为浮点型；

计算单元，用于将所述图像类型和所述用户的用户信息作为获取的参数优化神经网络模型的输入，计算所述模板对应的模板参数；

处理单元，用于利用所述计算的模板和所述模板参数对所述原始图像进行处理，获得所述目标图像。

7.根据权利要求6所述的装置，其特征在于，

所述获取模块，还用于获取第一样本图像数据；

所述计算模块，还用于计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重；

所述装置还包括：

创建模块，用于根据所述各图像类型、所述用户信息中的各特征项对各模板的影响权重，创建模板决策树。

8.根据权利要求7所述的装置，其特征在于，所述计算模块计算所述第一样本图像数据中各图像类型、所述用户信息中的各特征项对各模板的影响权重，具体为：

根据所述第一样本图像数据中包含的对应关系的个数和模板的数量，计算所述第一样本图像数据的信息熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的取值个数以及包含所述特征项的各个取值的对应关系个数，计算所述特征项的条件熵；

针对所述第一样本图像数据中的每个特征项，根据所述特征项的条件熵和所述第一样本图像数据的信息熵，计算所述特征项的信息增益，将所述信息增益作为所述特征项对模板的影响权重。

9.根据权利要求6所述的装置，其特征在于，

所述获取模块，还用于针对每个模板，获取所述模板的第二样本图像数据；

所述装置还包括：

训练模块，用于利用所述第二样本图像数据和梯度下降算法，训练所述模板的参数调优神经网络模型。

10.根据权利要求6所述的装置，其特征在于，

所述处理单元还用于利用计算的模板和模板参数对所述原始图像进行处理，获得视频图像。

11.一种图像处理设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器建立通信；

所述处理器，用于调用所述存储器中程序代码，执行权利要求1-5任一项所述的方法。

12.一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，所述计算机程序包括程序指令，所述程序指令当被通信设备执行时使所述通信设备执行如权利要求1-5任一项所述的方法。

Images