CN109510943A - 用于拍摄图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于拍摄图像的方法和装置。该方法的一具体实施方式包括：获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。该实施方式丰富了图像拍摄方法。

Description

用于拍摄图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于拍摄图像的方法和装置。

背景技术

随着终端技术的快速发展，终端得到用户的广泛使用。例如，相机和手机等终端己被用户广泛使用，用户常常使用手机或相机来进行拍照。

目前在拍照过程中，拍摄的预览界面可支持用户进行交互式操作，仅包括焦距、亮度，缩放比例等的调整。

发明内容

本申请实施例提出了用于拍摄图像的方法和装置。

第一方面，本申请的一些实施例提供了一种用于拍摄图像的方法，该方法包括：获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

在一些实施例中，根据从目标图像中提取出的抽象特征处理所采集的图像之前，方法还包括：根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。

在一些实施例中，抽象特征是经由以下步骤提取的：将目标图像输入预先训练的第一卷积神经网络，第一卷积神经网络用于提取图像特征；将第一卷积神经网络中至少一个卷积层输出的矩阵确定为目标图像的抽象特征。

在一些实施例中，根据从目标图像中提取出的抽象特征处理所采集的图像，包括：将目标图像输入预先训练的第二卷积神经网络，第二卷积神经网络用于提取图像特征；将第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；根据抽象特征和内容特征生成处理后的图像。

在一些实施例中，根据抽象特征和内容特征生成处理后的图像，包括：获取初始图像；提取初始图像的内容特征和抽象特征；根据所采集的图像的内容特征，和初始图像的内容特征确定第一损失函数；根据从目标图像中提取出的抽象特征和初始图像的抽象特征确定第二损失函数；根据第一损失函数和第二损失函数确定总损失函数；根据总损失函数调整初始图像，得到处理后的图像。

在一些实施例中，根据从目标图像中提取出的抽象特征处理所采集的图像，包括：对所采集的图像进行图像分割，得到至少两个子图像；根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像。

在一些实施例中，根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像，包括：根据用户的选择操作建立目标图像与至少两个子图像中的子图像的对应关系；基于对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

在一些实施例中，保存当前拍摄界面中展现的图像之后，方法还包括：对保存的图像进行后期处理。

第二方面，本申请的一些实施例提供了一种用于拍摄图像的装置，该装置包括：获取单元，被配置成获取图像采集装置实时采集的图像；处理单元，被配置成根据从目标图像中提取出的抽象特征处理所采集的图像；展现单元，被配置成在拍摄界面中展现处理后的图像；保存单元，被配置成响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

在一些实施例中，装置还包括：确定单元，被配置成根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。

在一些实施例中，装置还包括：抽象特征提取单元，被配置成：将目标图像输入预先训练的第一卷积神经网络，第一卷积神经网络用于提取图像特征；将第一卷积神经网络中至少一个卷积层输出的矩阵确定为目标图像的抽象特征。

在一些实施例中，处理单元，包括：输入子单元，被配置成将目标图像输入预先训练的第二卷积神经网络，第二卷积神经网络用于提取图像特征；确定子单元，被配置成将第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；生成子单元，被配置成根据抽象特征和内容特征生成处理后的图像。

在一些实施例中，生成子单元，进一步被配置成：获取初始图像；提取初始图像的内容特征和抽象特征；根据所采集的图像的内容特征，和初始图像的内容特征确定第一损失函数；根据从目标图像中提取出的抽象特征和初始图像的抽象特征确定第二损失函数；根据第一损失函数和第二损失函数确定总损失函数；根据总损失函数调整初始图像，得到处理后的图像。

在一些实施例中，处理单元，包括：分割子单元，被配置成对所采集的图像进行图像分割，得到至少两个子图像；处理子单元，被配置成根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像。

在一些实施例中，处理子单元，进一步被配置成：根据用户的选择操作建立目标图像与至少两个子图像中的子图像的对应关系；基于对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

在一些实施例中，装置还包括：执行单元，被配置成对保存的图像执行后期处理操作。

第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于拍摄图像的方法和装置，通过获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像，丰富了图像拍摄方法。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一些可以应用于其中的示例性系统架构图；

图2是根据本申请的用于拍摄图像的方法的一个实施例的流程图；

图3是根据本申请的用于拍摄图像的方法的又一个实施例的流程图；

图4A是根据本申请的用于拍摄图像的方法的应用场景中图像采集装置实时采集的图像的示意图；

图4B是根据本申请的用于拍摄图像的方法的应用场景中子图像的示意图；

图4C是根据本申请的用于拍摄图像的方法的应用场景中目标图像的示意图；

图4D是根据本申请的用于拍摄图像的方法的应用场景的应用场景中处理后的图像的示意图；

图5是根据本申请的用于拍摄图像的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于拍摄图像的方法或用于拍摄图像的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如图像采集类应用、图像处理类应用、电子商务类应用、搜索类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。终端设备101、102、103可以获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的拍照应用提供支持的后台服务器，服务器105可以获取终端设备101、102、103的图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在终端设备101、102、103的拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

需要说明的是，本申请实施例所提供的用于拍摄图像的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于拍摄图像的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于拍摄图像的方法的一个实施例的流程200。该用于拍摄图像的方法，包括以下步骤：

步骤201，获取图像采集装置实时采集的图像。

在本实施例中，用于拍摄图像的方法执行主体(例如图1所示的服务器或终端)可以首先获取图像采集装置实时采集的图像。图像采集装置可以是摄像头，例如，终端的前置摄像头或后置摄像头。图像采集装置实时采集的图像可以是单个摄像头采集到的图像，也可以是由终端的一组摄像头采集到的图像所合成的图像。

在本实施例的一些可选实现方式中，根据从目标图像中提取出的抽象特征处理所采集的图像之前，方法还包括：根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。目标图像可以是任何用户需要其抽象特征的图像，抽象特征可以是表征图像的绘画风格的特征，例如，油画、山水画，也可以是体现出绘画流派的特征。预先设置的备选图像可以存储于云端，自定义图像可以是用户自行从网络或终端的本地相册中选定的图像。

步骤202，根据从目标图像中提取出的抽象特征处理所采集的图像。

在本实施例中，上述执行主体可以根据从目标图像中提取出的抽象特征处理步骤201中采集的图像。目标图像可以是系统默认的，也可以是用户选定的。可以通过卷积神经网络、小波变换等方式从目标图像中提取出抽象特征。提取出的抽象特征可以存储在本地或云端，再次使用该目标图片时可以直接使用历史提取的抽象特征，以提高图像拍摄的效率。根据从目标图像中提取出的抽象特征处理所采集的图像，可以包括：将图像的内容特征导入预设的风格迁移模型，获取风格迁移模型的输出作为目标图片。风格迁移模型可以是一个生成对抗网络(GAN，Generative Adversarial Network)模型，生成对抗网络包含一个生成模型和一个判别模型。训练时固定一方，更新另一个模型的参数，交替迭代。用于模型训练的损失函数可以根据图像的内容特征和目标图片的抽象特征确定。风格迁移模型还可以基于艾施可米(Ashikhmin)算法等风格迁移算法实现。

在本实施例的一些可选实现方式中，抽象特征是经由以下步骤提取的：将目标图像输入预先训练的第一卷积神经网络，第一卷积神经网络用于提取图像特征；将第一卷积神经网络中至少一个卷积层输出的矩阵确定为目标图像的抽象特征。

在本实现方式中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层和池化层。第一卷积神经网络与第二卷积神经网络可以相同也可以不同。经过多层卷积抽象之后的图片会丢弃像素级的特征，而保留了高级的绘画风格，即高卷积层的输出相对于低卷积层的输出更加抽象，所以可以用其提取抽象特征。

在本实施例的一些可选实现方式中，根据从目标图像中提取出的抽象特征处理所采集的图像，包括：将目标图像输入预先训练的第二卷积神经网络，第二卷积神经网络用于提取图像特征；将第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；根据抽象特征和内容特征生成处理后的图像。

在本实现方式中，卷积神经网络可以通过多层卷积提取物体的抽象特征完成物体识别。所以，可以通过卷积神经网络来提取图像的内容特征。内容特征可以用于体现图像的轮廓、线条、色彩等。预先训练的第二卷积神经网络可以使用目视图像生成器(VGG，VisualGraphics Generator)模型，深度残差网络(ResNet，Deep Residual Network)模型等用于提取图像特征的模型。此外，还可以通过小波变换等方式提取图像的内容特征。由于在一个卷积网络中会有很多卷积核，所以会有很多输出矩阵。同时，也存在很多卷积层，可以使用加权平均后的多个卷积层的输出矩阵作为内容特征或抽象特征，具体权重可根据需要设置。由于抽象特征与内容特征相比较为抽象，所以确定抽象特征的卷积层，总体高于确定内容特征的卷积层。

在本实施例的一些可选实现方式中，根据抽象特征和内容特征生成处理后的图像，包括：获取初始图像；提取初始图像的内容特征和抽象特征；根据所采集的图像的内容特征，和初始图像的内容特征确定第一损失函数；根据从目标图像中提取出的抽象特征和初始图像的抽象特征确定第二损失函数；根据第一损失函数和第二损失函数确定总损失函数；根据总损失函数调整初始图像，得到处理后的图像。

在本实现方式中，初始图像可以包括白噪声图片、空白图片或图像。在调整初始图像以确定目标图片的过程中，初始图像相当于总损失函数的一个自变量，调整的目的即通过迭代求得总损失函数取得极小值时的目标图片，初始图像相当于迭代的一个初始值，可能会影响迭代次数但对最终结果产生影响的可能性较小。

在这里，第一损失函数可以根据图像的内容特征和初始图像的内容特征的均方差得到。第一损失函数也可以根据其他能表征图像的内容特征和初始图像的内容特征之间差异的计算方式得到。第二损失函数可以基于目标图片的抽象特征和初始图像的抽象特征的格拉姆矩阵的矩阵距离确定。

在本实现方式中，总损失函数可以根据加权后的第一损失函数和加权后的第二损失函数之和得到。通过调节第一损失函数权重和第二损失函数权重的大小，可以决定目标图片更注重绘画风格还是更强调内容。此外，可以基于梯度下降法和总损失函数调整初始图像，使得总损失函数取得极小值；将总损失函数的极小值对应的调整后的图片作为目标图片。梯度下降法(gradient descent)是一个最优化算法，通常也称为最速下降法，常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。

步骤203，在拍摄界面中展现处理后的图像。

在本实施例中，上述执行主体可以在拍摄界面中展现202中处理后的图像。此预览界面可以给用户提供更加细化的拍照与成像选择，用户可以在预览效果的基础上调整取景角度，以及其他拍摄参数。

步骤204，响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

在本实施例中，上述执行主体可以响应于获取到拍摄指令，保存步骤203中在拍摄界面当前展现的处理后的图像。拍摄指令可以是响应于拍摄按钮的点击，获取到用于指示拍摄的语音等操作生成的。

在本实施例的一些可选实现方式中，保存当前拍摄界面中展现的图像之后，方法还包括：对保存的图像进行后期处理。后期处理可以包括后期图像平滑，色彩渐变与整体协调处理。

本申请的上述实施例提供的方法通过获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像，使得用户除了在传统拍照方法进行的整体操作，例如，调节亮度，对焦等操作之外可以根据自己的偏好增加更加个性化的拍照选择，丰富了图像拍摄方法，提高了用户体验。

进一步参考图3，其示出了用于拍摄图像的方法的又一个实施例的流程300。该用于拍摄图像的方法的流程300，包括以下步骤：

步骤301，获取图像采集装置实时采集的图像。

在本实施例中，用于拍摄图像的方法执行主体(例如图1所示的服务器或终端)可以首先获取图像采集装置实时采集的图像。

步骤302，对所采集的图像进行图像分割，得到至少两个子图像。

在本实施例中，上述执行主体可以对步骤301获取的图像进行图像分割，得到至少两个子图像，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。作为示例，可以基于全卷积网络进行图像分割，也可以基于目标检测进行图像分割。对所采集的图像进行图像分割可以是响应于用户发出的用于指示开启子图像模式的执行而执行的。

步骤303，根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像。

在本实施例中，上述执行主体可以根据从目标图像中提取出的抽象特征处理步骤302中得到的至少两个子图像中的子图像。作为示例，上述执行主体可以根据从目标图像中提取出的抽象特征处理至少两个子图像中的背景子图像或目标物体的子图像，也可根据从目标图像中提取出的抽象特征处理用户选择的子图像，可以预先显示分割结果，以供用户选择不同的子图像。

在本实施例的一些可选实现方式中，根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像，包括：根据用户的选择操作建立目标图像与至少两个子图像中的子图像的对应关系；基于对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

在本实现方式中，用户可以为不同的子图像选择不同的目标图像，以此，上述执行主体可以根据用户的选择操作建立目标图像与至少两个子图像中的子图像的对应关系。

步骤304，在拍摄界面中展现处理后的图像。

在本实施例中，上述执行主体可以在拍摄界面中展现303中处理后的图像。

步骤305，响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

在本实施例中，上述执行主体可以响应于获取到拍摄指令，保存步骤304中在拍摄界面当前展现的处理后的图像。

在本实施例中，步骤301、步骤304、步骤305的操作与步骤201、步骤203、步骤204的操作基本相同，在此不再赘述。

继续参考图4A、图4B、图4C、图4D，在根据本申请的用于拍摄图像的方法的应用场景中，上述执行主体获取到的图像采集装置实时采集的图像如图4A所示，而后对所采集的图像进行图像分割，得到的分别表示墨镜、服装、背景的三个子图像如图4B所示，并根据从如图4C所示的三张目标图像中提取出的抽象特征分别处理了三个子图像。最后在拍摄界面中展现处理后的图像如图4D所示，并响应于获取到拍摄指令，保存当前拍摄界面中展现的如图4D所示的图像。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于拍摄图像的方法的流程300中通过分割采集到的图像得到子图像，并根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像，由此，本实施例描述的方案进一步丰富了图像拍摄方法。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于拍摄图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于拍摄图像的装置500包括：获取单元501、处理单元502、展现单元503、保存单元504。其中，获取单元，被配置成获取图像采集装置实时采集的图像；处理单元，被配置成根据从目标图像中提取出的抽象特征处理所采集的图像；展现单元，被配置成在拍摄界面中展现处理后的图像；保存单元，被配置成响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

在本实施例中，用于拍摄图像的装置500的获取单元501、处理单元502、展现单元503、保存单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，装置还包括：确定单元，被配置成根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。

在本实施例的一些可选实现方式中，装置还包括：抽象特征提取单元，被配置成：将目标图像输入预先训练的第一卷积神经网络，第一卷积神经网络用于提取图像特征；将第一卷积神经网络中至少一个卷积层输出的矩阵确定为目标图像的抽象特征。

在本实施例的一些可选实现方式中，处理单元，包括：输入子单元，被配置成将目标图像输入预先训练的第二卷积神经网络，第二卷积神经网络用于提取图像特征；确定子单元，被配置成将第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；生成子单元，被配置成根据抽象特征和内容特征生成处理后的图像。

在本实施例的一些可选实现方式中，生成子单元，进一步被配置成：获取初始图像；提取初始图像的内容特征和抽象特征；根据所采集的图像的内容特征，和初始图像的内容特征确定第一损失函数；根据从目标图像中提取出的抽象特征和初始图像的抽象特征确定第二损失函数；根据第一损失函数和第二损失函数确定总损失函数；根据总损失函数调整初始图像，得到处理后的图像。

在本实施例的一些可选实现方式中，处理单元，包括：分割子单元，被配置成对所采集的图像进行图像分割，得到至少两个子图像；处理子单元，被配置成根据从目标图像中提取出的抽象特征处理至少两个子图像中的子图像。

在本实施例的一些可选实现方式中，处理子单元，进一步被配置成：根据用户的选择操作建立目标图像与至少两个子图像中的子图像的对应关系；基于对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

在本实施例的一些可选实现方式中，装置还包括：执行单元，被配置成对保存的图像执行后期处理操作。

本申请的上述实施例提供的装置，通过获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像，丰富了图像拍摄方法。

下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、处理单元、展现单元和保存单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取图像采集装置实时采集的图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取图像采集装置实时采集的图像；根据从目标图像中提取出的抽象特征处理所采集的图像；在拍摄界面中展现处理后的图像；响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于拍摄图像的方法，所述方法包括：

获取图像采集装置实时采集的图像；

根据从目标图像中提取出的抽象特征处理所采集的图像；

在拍摄界面中展现处理后的图像；

响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

2.根据权利要求1所述的方法，其中，所述根据从目标图像中提取出的抽象特征处理所采集的图像之前，所述方法还包括：

根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。

3.根据权利要求1所述的方法，其中，所述抽象特征是经由以下步骤提取的：

将所述目标图像输入预先训练的第一卷积神经网络，所述第一卷积神经网络用于提取图像特征；

将所述第一卷积神经网络中至少一个卷积层输出的矩阵确定为所述目标图像的抽象特征。

4.根据权利要求1所述的方法，其中，所述根据从目标图像中提取出的抽象特征处理所采集的图像，包括：

将所述目标图像输入预先训练的第二卷积神经网络，所述第二卷积神经网络用于提取图像特征；

将所述第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；

根据所述抽象特征和所述内容特征生成处理后的图像。

5.根据权利要求4所述的方法，其中，所述根据所述抽象特征和所述内容特征生成处理后的图像，包括：

获取初始图像；

提取初始图像的内容特征和抽象特征；

根据所采集的图像的内容特征，和所述初始图像的内容特征确定第一损失函数；

根据从所述目标图像中提取出的抽象特征和所述初始图像的抽象特征确定第二损失函数；

根据所述第一损失函数和所述第二损失函数确定总损失函数；

根据所述总损失函数调整所述初始图像，得到处理后的图像。

6.根据权利要求1-5中任一项所述的方法，其中，所述根据从目标图像中提取出的抽象特征处理所采集的图像，包括：

对所采集的图像进行图像分割，得到至少两个子图像；

根据从目标图像中提取出的抽象特征处理所述至少两个子图像中的子图像。

7.根据权利要求6所述的方法，其中，所述根据从目标图像中提取出的抽象特征处理所述至少两个子图像中的子图像，包括：

根据用户的选择操作建立目标图像与所述至少两个子图像中的子图像的对应关系；

基于所述对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

8.根据权利要求1所述的方法，其中，所述保存当前拍摄界面中展现的图像之后，所述方法还包括：

对保存的图像执行后期处理操作。

9.一种用于拍摄图像的装置，所述装置包括：

获取单元，被配置成获取图像采集装置实时采集的图像；

处理单元，被配置成根据从目标图像中提取出的抽象特征处理所采集的图像；

展现单元，被配置成在拍摄界面中展现处理后的图像；

保存单元，被配置成响应于获取到拍摄指令，保存当前拍摄界面中展现的图像。

10.根据权利要求9所述的装置，其中，所述装置还包括：

确定单元，被配置成根据用户的选择操作，从预先设置的备选图像或自定义图像中确定目标图像。

11.根据权利要求9所述的装置，其中，所述装置还包括：

抽象特征提取单元，被配置成：

将所述目标图像输入预先训练的第一卷积神经网络，所述第一卷积神经网络用于提取图像特征；

将所述第一卷积神经网络中至少一个卷积层输出的矩阵确定为所述目标图像的抽象特征。

12.根据权利要求9所述的装置，其中，所述处理单元，包括：

输入子单元，被配置成将所述目标图像输入预先训练的第二卷积神经网络，所述第二卷积神经网络用于提取图像特征；

确定子单元，被配置成将所述第二卷积神经网络中至少一个卷积层输出的矩阵确定为所采集的图像的内容特征；

生成子单元，被配置成根据所述抽象特征和所述内容特征生成处理后的图像。

13.根据权利要求12所述的装置，其中，所述生成子单元，进一步被配置成：

获取初始图像；

提取初始图像的内容特征和抽象特征；

根据所采集的图像的内容特征，和所述初始图像的内容特征确定第一损失函数；

根据从所述目标图像中提取出的抽象特征和所述初始图像的抽象特征确定第二损失函数；

根据所述第一损失函数和所述第二损失函数确定总损失函数；

根据所述总损失函数调整所述初始图像，得到处理后的图像。

14.根据权利要求9-13中任一项所述的装置，其中，所述处理单元，包括：

分割子单元，被配置成对所采集的图像进行图像分割，得到至少两个子图像；

处理子单元，被配置成根据从目标图像中提取出的抽象特征处理所述至少两个子图像中的子图像。

15.根据权利要求14所述的装置，其中，所述处理子单元，进一步被配置成：

根据用户的选择操作建立目标图像与所述至少两个子图像中的子图像的对应关系；

基于所述对应关系，根据从目标图像中提取出的抽象特征处理对应的子图像。

16.根据权利要求9所述的装置，其中，所述装置还包括：

执行单元，被配置成对保存的图像执行后期处理操作。

17.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

18.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。