CN110233971A - 一种拍摄方法及终端、计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种拍摄方法及终端、计算机可读存储介质，包括：通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；利用预设空间滤波器，对初始预览图像进行滤波，得到初始预览图像中弱梯度范围内的像素；弱梯度范围表征可以提取特征的梯度强度范围；对弱梯度范围内的像素进行颜色特征提取，得到弱梯度范围内的像素的颜色特征；对弱梯度范围内的像素进行亮度特征提取，得到弱梯度范围内的像素的亮度特征；利用预设场景分类器，对环境绝对亮度特征、颜色特征以及亮度特征进行分类，得到场景信息；根据场景信息对应的预设图像优化参数，对初始预览图像进行优化，得到拍摄预览图像并显示。

Description

一种拍摄方法及终端、计算机可读存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种拍摄方法及终端、计算机可读存储介质。

背景技术

随着图像处理技术的发展，智能终端在进行拍摄时，可以先利用自动白平衡(AutoWhite Balance，AWB)对拍摄预览图像进行色彩还原和色调处理，再利用插值算法、降噪算法以及人工智能(Artificial Intelligence，AI)等对拍摄预览图像进一步处理得到效果较好的拍摄预览图像，最后接收拍摄指令，以获得效果较好的拍摄图像。

智能终端在进行拍摄时，需要先利用图像处理算法从拍摄预览图像中提取出结构性特征，并根据这些结构性特征对当前场景进行识别，区分出当前场景是室外场景还是室内场景，然后再根据不同场景所对应的优化参数对拍摄预览图像进行图像优化。然而，智能终端在对拍摄预览图像进行优化时是先利用细节较少的小尺寸图像进行处理，由于在小尺寸图像上所提取的结构性特征的精度较低，会使得场景识别的准确率较低，对拍摄预览图像的优化效果造成影响，并且，当结构性特征的数目较多时，会降低场景识别的处理速度，为拍摄预览图像的优化实时性造成影响。

发明内容

本申请提供一种拍摄方法及终端、计算机可读存储介质，能够提高场景识别的准确率和实时性，进而提升图像优化的效果和实时性。

本申请的技术方案是这样实现的：

第一方面，本申请实施例提供了一种拍摄方法，包括：

通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；

利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素；所述弱梯度范围表征可以提取特征的梯度强度范围；

对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征；

对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征；

利用预设场景分类器，对所述环境绝对亮度特征、所述颜色特征以及所述亮度特征进行分类，得到场景信息；

根据所述场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像并显示。

在上述方案中，所述预设空间滤波器包括预设横向滤波器和预设纵向滤波器；所述利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素，包括：

利用所述预设横向滤波器，对所述初始预览图像进行横向卷积，得到所述初始预览图像的横向梯度信息；

利用所述预设纵向滤波器，对所述初始预览图像进行纵向卷积，得到所述初始预览图像的纵向梯度信息；

根据所述横向梯度信息与所述纵向梯度信息，计算出所述初始预览图像的每个像素的梯度强度；

根据预设弱梯度范围，以及所述初始预览图像每个像素的梯度强度，确定出所述弱梯度范围内的像素。

在上述方案中，所述对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征，包括：

根据预设子特征块宽度，以色度为横坐标，饱和度为纵坐标构建具有M*M个子特征块的色度饱和度空间，并获取每个子特征块的结束点横坐标和所述每个子特征块的结束点纵坐标；其中，M分别为所述横坐标和所述纵坐标上的子特征块个数；M为大于等于1的正整数；

针对弱梯度范围内的第i个像素，计算所述第i个像素的色度信息与饱和度信息；

基于所述色度信息、所述饱和度信息、所述每个子特征块的结束点横坐标以及所述每个子特征块的结束点纵坐标，确定所述第i个像素所属的子特征块；

继续确定第i+1个像素所属所述子特征块，直至i＝N时，确定完所述弱梯度范围内像素所属的子特征块；其中，N为所述弱梯度范围内像素的总个数，N大于等于1；

统计属于所述每个子特征块的第一子像素数目，将所述第一子像素数目归一化作为所述每个子特征块的子颜色特征；

将所述M*M个子特征块对应的M*M个子颜色特征作为所述颜色特征。

在上述方案中，所述对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征，包括：

提取所述弱梯度范围内的像素的亮度值并累加，得到所述弱梯度范围内的像素的总亮度值，并将所述总亮度值划分为预设特征亮度数目个亮度区间；

统计所述弱梯度范围内的像素中，亮度处于第i个亮度区间内的像素数目，得到第二像素数目，将所述第二像素数目归一化作为所述第i个亮度区间对应的子亮度特征；

继续处理得到第i+1个亮度区间对应的子亮度特征，直至i等于所述第预设亮度特征数目时，得到所述预设特征亮度数目个子亮度特征；

将所述预设亮度数目个所述子亮度特征作为所述亮度特征。

在上述方案中，在所述通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征之前，所述方法还包括：

获取训练样本图像，以及获取所述训练样本对应的环境绝对亮度特征；

利用所述预设空间滤波器，对所述训练样本图像进行滤波，得到所述训练样本图像中弱梯度范围内的像素，作为训练像素；

对所述训练像素进行颜色特征提取，得到所述训练像素的颜色特征；对所述训练像素进行亮度特征提取，得到所述训练像素的亮度特征；

根据预设分类器构建参数构建原始分类器，并用所述训练像素的颜色特征、所述训练像素的亮度特征以及所述训练样本对应的环境绝对亮度特征对所述原始分类器进行训练，得到训练参数；所述训练参数表征所述预设场景分类器的分类参数；

用所述训练参数与所述原始分类器构成所述预设场景分类器。

在上述方案中，所述获取训练样本图像，以及获取所述训练样本对应的环境绝对亮度特征，包括：

获取初始训练图像，并获取所述初始训练图像对应的环境绝对亮度特征；

对所述初始训练图像进行数据增强，得到所述训练样本图像；

将所述初始训练图像对应的环境绝对亮度特征，作为所述训练样本图像对应的环境绝对亮度特征。

在上述方案中，所述获取初始训练图像，并获取所述初始训练图像对应的环境绝对亮度特征，包括：

获取所述初始训练图像对应的描述信息；

通过设置的所述图像传感器从所述描述信息中解析出每个像素的色彩统计数据，得到所述初始预览图像，以及通过设置的图像传感器从所述描述信息中解析出初始训练图像对应的环境绝对亮度特征。

在上述方案中，所述对所述初始训练图像进行数据增强，得到所述训练样本图像，包括：

对所述初始训练图像中的所有图像进行旋转，得到所述训练样本图像；或者，

将所述初始训练图像中的每一张图像进行分割，得到所述训练样本图像。

在上述方案中，在所述根据场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像并显示之后，所述方法还包括：

在接收到拍摄指令时，将所述拍摄预览图像作为拍摄图像并在拍摄界面显示最终的所述拍摄图像。

第二方面，本申请实施例提供一种终端，包括：

获取模块，用于通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；

处理模块，用于利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素；所述弱梯度范围表征可以提取特征的梯度强度范围；对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征；对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征；利用预设场景分类器，对所述环境绝对亮度特征、所述颜色特征以及所述亮度特征进行分类，得到场景信息；以及根据所述场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像；

显示模块，用于显示所述拍摄预览图像。

第三方面，本申请实施例还提供了一种终端，包括：存储器及处理器；

所述存储器，用于存储可执行拍摄指令；

所述处理器，用于执行所述存储器中存储的可执行拍摄指令，实现上述第一方面任一项所述的方法。

本申请实施例提供了一种计算机可读存储介质，其特征在于，存储有可执行拍摄指令，用于引起处理器执行时，实现上述第一方面任一项所述的方法。

本申请实施例提供了一种拍摄方法及终端、计算机可读存储介质，通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；利用预设空间滤波器，对初始预览图像进行滤波，得到初始预览图像中弱梯度范围内的像素；弱梯度范围表征可以提取特征的梯度强度范围；对弱梯度范围内的像素进行颜色特征提取，得到弱梯度范围内的像素的颜色特征；对弱梯度范围内的像素进行亮度特征提取，得到弱梯度范围内的像素的亮度特征；利用预设场景分类器，对环境绝对亮度特征、颜色特征以及亮度特征进行分类，得到场景信息；根据场景信息对应的预设图像优化参数，对初始预览图像进行优化，得到拍摄预览图像并显示。采用上述实现方式，终端只需要从初始预览图像中提取出弱梯度范围内的像素，利用弱梯度范围内的像素的颜色特征和亮度特征来进行场景识别，提高了场景识别的准确率，使得图像优化的效果更好，并且，由于从弱梯度范围内的像素所提取的特征较少，提高了场景识别的处理速度，进而提升了图像优化的实时性。

附图说明

图1为本申请实施例提供的一种终端拍摄时的数据流向示意图一；

图2为本申请实施例提供的一种拍摄方法的流程图一；

图3为本申请实施例提供的一种终端拍摄时的数据流向示意图二；

图4(a)为本申请实施例提供的一种初始预览图像示意图；

图4(b)为本申请实施例提供的一种弱梯度范围内的像素示意图；

图4(c)为本申请实施例提供的一种拍摄预览图像示意图；

图5为本申请实施例提供的一种色彩空间图；

图6(a)为本申请实施例提供的一种未经过场景识别的初始预览图像；

图6(b)为本申请实施例提供的一种优化后的拍摄预览图像；

图7为本申请实施例提供的一种拍摄方法的流程图二；

图8为本申请实施例提供的一种拍摄方法的流程图三；

图9为本申请实施例提供的一种确定像素所属的子特征块的示意图；

图10(a)为本申请实施例提供的一种典型的室外场景示意图；

图10(b)为本申请实施例提供的一种第一子像素数目示意图一；

图11(a)为本申请实施例提供的一种典型的室内场景示意图；

图11(b)为本申请实施例提供的一种第一子像素数目示意图二；

图12为本申请实施例提供的一种拍摄方法的流程图四；

图13为本申请实施例提供的一种亮度区间的第二子像素数目统计直方图；

图14为本申请实施例提供的一种拍摄图像的示意图；

图15为本申请实施例提供的一种终端的结构示意图；

图16为本申请实施例提供的一种终端的组成结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

随着图像处理技术的发展，智能终端在对被拍摄目标进行拍摄时，能够先利用自动白平衡(Auto White Balance，AWB)对拍摄预览图像进行色彩还原和色调处理，之后再经过去马赛克(Demosaic)、降噪(Noise Reducating)以及色彩空间转换(Color SpaceConvert)等处理，得到效果较好的拍摄预览图像并显示，最后接收用户的拍摄指令，以获得效果较好的拍摄图像。

智能终端在进行图像优化时，需要先对当前的拍摄场景进行识别，确定出当前场景是室内场景还是室外场景，然后再根据不同场景所对应的优化参数对拍摄预览图像进行优化处理。图1为本申请实施例提供的一种终端拍摄时的数据流向示意图，智能终端在拍摄时，首先会进行自动曝光01，之后，根据优化参数对预览拍摄图像进行自动白平衡02、自动对焦03、去马赛克04、色彩空间转换05、降噪06等处理，获得效果较好的拍摄预览图像，之后，终端还可以利用人工智能07对优化后的拍摄预览图像进行进一步处理，如人脸识别，以进一步优化拍摄预览图像的效果，最后，终端根据用户所触发的拍摄指令，将优化后的拍摄预览图像保存为拍摄图像。

常用的场景识别方法有非图像方法和图像方法。非图像方法是依赖于全球定位系统(Global Positioning System，GPS)、无线保真(Wireless Fidelity，Wi-Fi)等传感器，根据地理位置信息判断当前场景是室外场景还是室内场景，这种方式不仅硬件复杂度高，而且准确率较低。图像方法是利用图像处理算法从拍摄预览图像中抽取结构性特征，并根据这些结构性特征来进行场景识别。然而，图像方法往往是赖于利用多尺度滤波从全尺寸(如4000×3000分辨率)图像中提取出结构性特征，或是赖于利用方向梯度直方图(Histogram of Oriented Gradient，HOG)算法、局部二值模式(Local Binary Patterns，LBP)算法等算法从全尺寸图像中提取出结构性特征。然而，智能终端的图像信号处理器(Image Signal Processor，ISP)只能处理细节信息较少的小尺寸(如120×90分辨率)图像，如此，会使基于多尺度滤波、HOG、LBP等算法得到的结构性特征的准确度降低，从而使得场景识别的准确率较低，对图像优化的效果造成影响。同时，利用多尺度滤波、HOG、LBP等算法得到的结构性特征的数目往往会达到3000个以上，智能终端在使用这些结构性特征进行场景识别时很难做到实时处理，为图像优化的实时性造成影响。

基于上述拍摄方法所存在的问题，本申请实施例基本思想是从小尺寸拍摄预览图像中提取出弱梯度范围内的像素，并利用弱梯度范围内的像素的颜色特征、亮度特征以及当前环境对应的环境绝对亮度来进行场景识别，提升场景识别的准确度和实时性，从而提高图像优化的效果和实时性。

基于上述本申请实施例的思想，本申请实施例提供一种拍摄方法，参见图2，该方法可以包括：

S101、通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征。

本申请实施例是在利用终端进行拍摄的场景下实现的。在被触发拍摄功能之后，终端便会通过设置于终端之上的图像传感器采集目标对象的初始预览图像，以及同时利用图像传感器获取当前拍摄环境所对应的环境绝对亮度特征，之后，终端从初始预览图像中提取出特征，并用所提取出的特征以及环境绝对亮度特征来进行场景识别。

需要说明的是，如图3所示，本申请实施例在拍摄时，终端在进行自动曝光01处理之后，利用优化参数对初始预览图像进行白平衡02、自动对焦03等处理之前，新增了对终端所处的拍摄场景进行场景识别08的过程，然后根据场景识别的结果，利用不同场景所对应的优化参数，再对初始预览图像进行自动白平衡02、自动对焦03、去马赛克04、色彩空间转换05以及降噪06等处理，以使得终端对初始拍摄预览图像的优化过程能够更好的与拍摄场景相适配，获得效果更好的拍摄预览图像，并将该拍摄预览图像送入人工智能07中以进行下一步处理。

可以理解的是，初始预览图像是指用终端进行拍摄时，实时采集的预览图像。

在本申请的一些实施例中，初始预览图像可以是只具有亮度信息的亮度图像，也可以是具有R通道信息、B通道信息与G通道信息的彩色图像，本申请实施例在此不作具体限定。

需要说明的是，本申请实施例中的初始预览图像的尺寸，可以根据实际情况自行设定，本申请实施例在此不作具体限定。

示例性的，初始预览图像的尺寸可以设置为120×90分辨率。

示例性的，图4(a)为本申请实施例提供了一种初始预览图像的示意图，终端通过设置在终端上的图像传感器采集到了分辨率为120×90的初始预览图像，为了便于显示，图4(a)中的初始预览图像以亮度图像的形式呈现。

本申请实施例中，终端所获取的环境绝对亮度特征，是表征终端所处环境的亮度情况，是终端的通过拍摄器件在曝光的时候所获取的，并且按照数字信号进行存储的。因此，终端可以通过图像传感器对表征环境亮度的数字信号进行解析，获取到环境绝对亮度特征。

需要说明的是，本申请实施例中的终端可以是智能手机、平板电脑等具有拍摄功能以及计算功能的电子设备，本申请实施例在此不作具体限定。

S102、利用预设空间滤波器，对初始预览图像进行滤波，得到初始预览图像中弱梯度范围内的像素；弱梯度范围表征可以提取特征的梯度强度范围。

终端在得到初始预览图像之后，需要先找出初始预览图像中处于弱梯度范围内的像素。此时，终端会利用预设的空间滤波器，对初始预览图像进行滤波处理，以得到初始预览图像每个像素的梯度强度，然后根据每个像素的梯度强度以及弱梯度范围，从初始预览图像的所有像素中挑选出处于弱梯度范围内的像素，以便于后续进行颜色特征和亮度特征的提取。

需要说明的是，本申请实施例中，使用弱梯度范围来模拟物体的弱边缘。由于光滑物体的弱边缘可以反射光源光，而室内光源与室外光源的颜色与亮度均存在着较大的差异，因此，本申请实施例中，只需要找到预设预览图像中处于弱梯度范围内的像素，并对这些像素进行特征提取并分析，就可以对室内场景和室外场景进行区分。

需要说明的是，弱梯度范围可以根据梯度强度来自行设定，本申请实施例在此不作具体限定。

示例性的，当终端利用预设空间滤波器对初始预览图像进行滤波之后，所得到的初始预览图像的梯度强度处于[0，510]之间，这时，可以将弱梯度范围设置为[10，100]，以该弱梯度范围在初始预览图像中寻找处于弱梯度范围内的像素。

可以理解的是，本申请实施例中的预设空间滤波器是存储于终端之中的，终端可以根据所设置的预设空间滤波器，对初始预览图像进行卷积，得到初始预览图像每个像素的梯度强度。

示例性的，本申请实施例提供了一种弱梯度范围内的像素的示意图，如图4(b)所示。终端利用空间滤波器，对图4(a)中的初始预览图像进行滤波，计算出初始预览图像中每个像素的梯度强度，然后，根据预先设置的弱梯度范围，将梯度强度处于弱梯度范围之内的像素挑选出来，作为弱梯度范围内的像素，并将弱梯度范围内的像素进行高亮显示，得到图4(b)，以便于使弱梯度范围内的像素更直观的体现。

S103、对弱梯度范围内的像素进行颜色特征提取，得到弱梯度范围内的像素的颜色特征。

由于弱梯度范围内的像素是相当于图像中的弱边缘，其所拥有的颜色特性能够反映出室内光源和室外光源的差异，因而，终端在从预设预览图像中确定出处于弱梯度范围内的像素之后，可以对弱梯度范围内像素的进行颜色特征提取操作，得到弱梯度范围内的像素的颜色特征，便于之后根据弱梯度范围内的像素所具有的颜色特征，来进行室内场景和室外场景的区分。

需要说明的是，弱梯度范围内的像素的颜色特征，指的是由所有子颜色特征所组成的颜色特征。终端在对弱梯度范围内的像素进行颜色特征提取时，可以按照颜色特征提取策略，对弱梯度范围内的像素逐个进行计算，以提取出子颜色特征。

可以理解的是，由于室外场景光源色度与饱和度的分布比较集中，而室内场景光源色度与饱和度的分布较为复杂，因而，可以利用室内光源与室外光源在分布上的不同来构造颜色特征。

示例性的，本申请实施例提供了一种色彩空间图，如图5所示，横坐标为色度u，纵坐标为饱和度v。一般而言，室外场景的光源分布集中在D65、D50附近，而室内场景的光源较为复杂，从8000k～2300k均有分布，而弱梯度范围内的像素可以在色度与饱和度反映室外场景与室内场景的光源分布情况，因此，终端可以通过提取针对弱梯度范围内的像素的颜色特征，来进行室外场景和室内场景的区分。

S104、对弱梯度范围内的像素进行亮度特征提取，得到弱梯度范围内的像素的亮度特征。

室内光源和室外光源不仅在颜色特性上存在较大区别，在亮度上也会存在较大的区别，因而，终端可以通过图像的弱边缘，即弱梯度范围内的像素的亮度特征，进行室内与室外的区分。因此，终端在对弱梯度范围内的像素进行颜色特征提取的同时，还需要按照亮度特征提取策略，对弱梯度范围内的像素的亮度特征进行提取，得到弱梯度范围内的像素的亮度特征，以进行室内场景和室外场景的识别。

需要说明的是，与弱梯度范围内的像素的颜色特征类似，本申请实施例中弱梯度范围内的像素的亮度特征，指的是由所有亮度子特征组成的特征。

可以理解的是，由于拍摄器件的感光参数的限制，终端所拍摄的室内场景和室外场景的亮区的亮度是相差不大的，而终端所拍摄的室内场景和室外场景的暗区的亮度则会存在较大的差异，一般而言，室外场景的暗区会比室内场景的暗区更加明亮一些，而弱梯度范围内的像素的亮度特征可以在一定程度上对室内场景和室外场景的暗区进行反映，因此，终端可以通过提取弱梯度范围内的像素的亮度特征，来进行室内场景和室外场景的区分。

需要说明的是，本申请实施例中的亮区，指的是在图像中亮度较高的图像区域，本申请实施例中的暗区，指的是在图像中亮度较低的图像区域。

S105、利用预设场景分类器，对环境绝对亮度特征、颜色特征以及亮度特征进行分类，得到场景信息。

终端在获取到所需要的环境绝对亮度特征，弱梯度范围内的像素的颜色特征以及弱梯度范围内的像素的亮度特征之后，就可以将这些特征都送入已经训练好的预设场景分类器中进行分类，并将预设场景分类器的分类结果作为初始预览图像的场景信息。

需要说明的是，本申请实施例中的预设场景分类器，是存储于终端之中的，根据训练样本图像对应的绝对亮度特征、训练样本图像中弱梯度范围内的像素所对应的颜色特征、亮度特征所构建好的场景分类器。

可以理解的是，终端在利用预设场景分类器对颜色特征以及亮度特征进行分类时，是对颜色特征中的所有子颜色特征和亮度特征中的所有子亮度特征进行分类。

需要说明的是，本申请实施例中的场景信息，可以包括室内场景信息和室外场景信息，终端得到场景信息，即判断出初始预览图像是处于室外场景还是处于室内场景。

S106、根据场景信息对应的预设图像优化参数，对初始预览图像进行优化，得到拍摄预览图像并显示。

终端在得到初始预览图像对应的场景信息之后，便能根据预先存储于终端中的不同场景所对应的预设图像优化参数，来对初始预览图像进行优化，如此，终端能够得到效果较好的拍摄预览图像，并将拍摄预览图像显示在终端的显示屏幕上。

本申请实施例中，由于场景信息中包括室内场景信息以及室外场景信息，相应的，预设图像优化参数中包含预设室外图像优化参数和室内图像优化参数。当场景信息为室外场景时，终端利用预设室外图像优化参数对初始预览图像进行优化；当场景信息为室内场景时，终端利用预设室内图像优化参数对初始预览图像进行优化。

需要说明的是，预设图像优化参数中，可以包括白平衡参数，以用于对初始预览图像进行色彩还原和色调处理，也可以包括去马赛克参数和降噪参数，以用于改善初始预览图像的画质，当然，还可以包括其他优化参数，本申请实施例在此不作具体限定。

示例性的，本申请实施例提供了一种拍摄预览图像的示意图，如图4(c)所示。终端在用预设场景分类器，对图4(b)中弱梯度范围内的像素的颜色特征、亮度特征和环境绝对亮度特征进行分类之后，会得到一个场景信息，来表明当前场景是室内场景还是室外场景，接着，终端将会根据场景信息所对应的图像优化参数，对初始拍摄预览图像图4(a)进行优化，得到效果较好的拍摄预览图像图4(c)。

示例性的，本申请实施例提供了一种对初始预览图像进行优化的效果图，如图6(a)所示，为未经过场景识别的初始预览图像，该图像的色温参数R/G、B/G分别为0.9721、1.0594，当终端识别出该初始预览图像的场景信息为室外场景之后，会利用预设的室外图像优化参数，例如，利用室外白平衡参数对该初始预览图像进行优化，得到如图6(b)所示的拍摄预览图像，此时，拍摄预览图像的色温参数R/G、B/G分别为1.000、1.008。将图6(a)与图6(b)进行对比，明显发现拍摄预览图像的效果优于初始预览图像的效果。

本申请实施例中，终端只需要从初始预览图像中提取出弱梯度范围内的像素，利用弱梯度范围内的像素的颜色特征和亮度特征来进行场景识别，提高场景识别的准确率，进而提高图像优化的效果，同时，由于所提取的特征较少，提高了场景识别的处理速度，提升了图像优化的实时性。

在本申请的一些实施例中，参见图7，在利用预设空间滤波器，对初始预览图像进行滤波，得到初始预览图像中弱梯度范围内的像素，即S102的具体实现过程，可以包括：S1021-S1024，如下：

S1021、利用预设横向滤波器，对初始预览图像进行横向卷积，得到初始预览图像的横向梯度信息。

其中，预设空间滤波器中包括预设横向滤波器与预设纵向滤波器，终端能根据预设横向滤波器按照行方向，从左向右逐个对初始预览图像中的每个像素进行卷积运算，即进行横向卷积，并将卷积计算所得的结果，作为初始预览图像中每个像素的横向梯度信息。

可以理解的是，终端所得到的横向梯度信息的数值范围，是与初始预览图像的位数有关的。示例性的，当初始预览图像为8bit时，所得到的横向梯度信息的范围为[0，255]。

示例性的，本申请实施例中的预设横向滤波器，可以设置为[-1，0，1]。当然，预设横向滤波器也可以是其他形式的横向滤波器，本申请实施例在此不作具体限定。

S1022、利用预设纵向滤波器，对初始预览图像进行纵向卷积，得到初始预览图像的纵向梯度信息。

终端在计算初始预览图像的横向梯度信息的同时，还会利用预设纵向滤波器，以列方向从上向下对初始预览图像的各像素进行卷积，即进行纵向卷积，并将卷积计算所得的结果，作为初始预览图像中每个像素的纵向梯度信息，如此，终端就可以以获得初始预览图像的纵向梯度信息。

可以理解的是，与横向梯度信息类似，终端所得到的纵向梯度信息的具体数值范围，是与初始预览图像的位数有关的。示例性的，当初始预览图像为8bit时，所得到的纵向梯度信息的范围为[0，255]。

示例性的，本申请实施例中的预设纵向滤波器，可以设置为[1，0，-1]。当然，预设纵向滤波器也可以设置为其他形式的滤波器，本申请实施例在此不作具体限定。

S1023、根据横向梯度信息与纵向梯度信息，计算出初始预览图像的每个像素的梯度强度。

终端在计算得到横向梯度信息与纵向梯度信息之后，便会根据横向梯度信息与纵向梯度信息，对初始预览图像每个像素的梯度强度进行计算，以便于之后根据初始预览图像每个像素的梯度强度，来确定弱梯度范围内的像素。

需要说明的是，终端可以对横向梯度信息与纵向梯度信息进行求和操作，并将所得到的和值作为梯度强度；也可以用横向梯度信息平方，与纵向梯度信息的平方相加，得到平方和，并对平方和进行开方运算，以计算出梯度强度，当然，还可以使用其他形式来计算梯度强度，本申请实施例在此不作限定。

示例性的，当横向梯度信息为gx时，纵向梯度信息为gy时，梯度信息可以利用g＝gx+gy来计算，也可以利用来计算，当然，也可以利用其他方式来计算。

需要说明的是，由于梯度强度是根据横向梯度信息与纵向梯度信息计算而来的，因而，梯度强度的数值范围与横向梯度信息、纵向梯度信息的数值范围相关的。示例性的，当横向梯度信息的范围为[0，255]，纵向梯度信息的范围为[0，255]时，梯度强度的范围则可以为[0，510]。

S1024、根据预设弱梯度范围，以及初始预览图像每个像素的梯度强度，确定出弱梯度范围内的像素。

终端在计算出初始预览图像每个像素的梯度强度之后，会逐个判断每个像素的强度信息，是否处于预设弱梯度范围之内，并将梯度强度处于预设弱梯度范围内的像素挑选出来，作为弱梯度范围内的像素，以便于后续针对弱梯度范围内的像素进行特征提取。

需要说明的是，预设弱梯度范围可以根据实际需求来进行设定，本申请实施例在此不作限定。

示例性的，当梯度强度的范围为[0，510]时，可以将预设弱体范围设置为[10，100]，终端将梯度强度处于10～100之间的像素挑选出来，作为弱梯度范围内的像素。

本申请实施例中，终端可以根据预设横向滤波器得到横向梯度信息，根据预设纵向滤波器得到纵向梯度信息，并根据横向梯度信息与纵向梯度信息计算出梯度强度，将梯度强度处于预设弱梯度范围内的像素挑选出来，作为弱梯度范围内的像素，如此，使得终端能够在后续对弱梯度范围内的像素进行特征提取操作。

在本申请的一些实施例中，参见图8，对弱梯度范围内的像素进行颜色特征提取，得到弱梯度范围内的像素的颜色特征，即S103的具体实现过程，包括：S1031-S1036，如下：

S1031、根据预设子特征块宽度，以色度为横坐标，饱和度为纵坐标构建具有M*M个子特征块的色度饱和度空间，并获取每个子特征块的结束点横坐标和每个子特征块的结束点纵坐标；其中，M分别为横坐标和纵坐标上的子特征块个数；M为大于等于1的正整数。

终端在进行颜色特征提取时，先要根据预设子特征块宽度，以色度作为横坐标，以饱和度作为纵坐标构建出具有M*M个子特征块的色度饱和度空间，之后，终端获取每个子特征块的结束点横坐标和每个子特征块结束点纵坐标，以便于后续进行特征提取。

可以理解的是，在构建具有M*M的子特征块的色度饱和度空间时，可以是将具有预设子特征块宽度的子特征块，均匀排布在横坐标和纵坐标上。由于子特征块的宽度是预设好的，因此，终端能够根据子特征块的排布，得到每个子特征块的结束点横坐标和每个子特征块结束点纵坐标。

在本申请的一些实施例中，预设子特征块宽度的值可以为0.18，也可以为其他值，具体数值可以根据实际需求进行设定，本申请实施例在此不作限定。

需要说明的是，本申请实施例中的M，可以根据实际情况自行设定，本申请实施例在此不作具体限定。

示例性的，可以将M设置为8，此时，终端可以构建具有64个子特征块的色度饱和度空间。

S1032、针对弱梯度范围内的第i个像素，计算第i个像素的色度信息与饱和度信息。

在具有M*M个子特征块的色度饱和度空间构建完成之后，终端便会逐个对弱梯度范围内的像素，进行色度信息与饱和度信息的计算，以便于后续根据色度信息与饱和度信息，找到弱梯度范围内每个像素所属的子特征块。

示例性的，第i个像素的色度信息，可以利用式(1)来进行计算：

第i个像素的饱和度信息，可以利用式(2)来进行计算：

其中，R为第i个像素的红色通道值，即R通道值，G为第i个像素的绿色通道值，即G通道值，B为第i个像素的蓝色通道值，即B通道值。

终端将第i个像素的R通道值、G通道值作为输入，经过式(1)中的计算，得到第i个像素的色度信息同理，终端将第i个像素的B通道值、G通道值作为输入，经过式(2)，便可得到第i个像素的饱和度信息

示例性的，当终端获知第i个像素为白色时，其所对应的R通道值为255，G通道值为255，B通道值也为255，此时，终端根据式(1)所计算出该像素的为0，根据式(2)所计算出的也为0，如此，终端便可知第i个像素的色度为0，第i个像素的饱和度也为0。

S1033、基于色度信息、饱和度信息、每个子特征块的结束点横坐标以及每个子特征块的结束点纵坐标，确定第i个像素所属的子特征块。

终端在计算得到第i个像素的色度信息、饱和度信息之后，可以根据色度信息、饱和度信息以及每个子特征块结束点横坐标和结束点纵坐标，为第i个像素找到其所属的子特征块。

在申请的一些实施例中，终端会将第i个像素的色度信息与每个子特征块的结束点横坐标做差，得到M个色度差值，同时将第i个像素的饱和度信息与每个子特征块的结束点纵坐标做差，得到M个饱和度差值，然后，终端可以将所有色度差值的绝对值与预设子特征宽度的一半进行大小比较，将所有饱和度差值的绝对值与预设子特征宽度的一半进行大小比较，此时，总会存在一个子特征块，其所对应的结束点横坐标与第i个像素的色度差值的绝对值，小于等于预设子特征宽度的一半，所对应的结束点纵坐标与第i个像素的饱和度差值的绝对值，小于等于预设子特征宽度的一半，终端便将第i个像素，划为该子特征块中。如此，终端就为第i个像素找到了其所属的子特征块。

需要说明的是，终端除了将所有色度差值的绝对值与预设子宽度的一半进行比较，将所有饱和度差值的绝对值与预设子宽度的一半进行比较来确定出第i个像素所属的子特征块之外，还可以利用其他能达到相同目的方式来确定出第i个像素所属的子特征块，本申请实施例在此不作具体限定。

可以理解的是，本申请实施例中，终端可以根据色度信息、饱和度信息、利用每个子特征块的结束点横坐标以及每个子特征块的结束点纵坐标来确定第i个像素所属的子特征块，还可以根据色度信息、饱和度信息，通过其他能达到相同目的方式来确定出第i个像素所属的子特征块，本申请实施例在此不作具体限定。

示例性的，终端可以根据式(3)来确定第i个像素所属的子特征块，式(3)如下：

其中，为第i个像素的色度信息，为第i个像素的饱和度信息，每个子特征块结束点横坐标为u，每个子特征块结束点纵坐标为v，预设子特征块宽度为ε。

由于终端在S1032中已经计算出了第i个像素的色度信息和第i个像素的饱和度信息因而，第i个像素的色度信息和第i个像素的饱和度信息是已知量，并且，预设子特征块宽度ε也是已知的，此时，终端只要将每个子特征块结束点横坐标为u，每个子特征块结束点纵坐标为v作为变量，逐个代入到式(3)中，就可以为第i个像素找到其所属的子特征块。

示例性的，本申请实施例提供了一种确定像素所属的子特征块的示意图，如图9所示，将预设子特征块宽度设置为0.5，终端可以根据预设子特征宽度，以色度u为横坐标，以饱和度v为纵坐标，构建具有8*8个子特征块的色度饱和度空间，此时，如图9所示，该色度饱和度空间中每个子特征块的结束点横坐标分别为0.5，1.0，1.5，…，4.0，同理，该色度饱和度空间中每个子特征块的结束点纵坐标分别为0.5，1.0，1.5，…，4.0。若第i个像素为图9中的像素1，终端可以获得像素1的R通道值、G通道值和B通道值，根据式(1)计算出像素1的色度信息根据式(2)计算出像素1的饱和度信息假定终端所计算出的像素1的色度信息为1，像素1的饱和度信息也为1时，根据式(3)，终端将像素1的色度信息1分别与8个子特征块的结束点横坐标做差，得到8个色度差值，分别为：0.5，0，-0.5，…，-3.0，同理，终端将得到将像素1的饱和度信息1分别与8个子特征块的结束点纵坐标做差，得到8个饱和度差值，分别为：0.5，0，-0.5，…，-3.0。显然，存在一个结束点横坐标为1.0、结束点纵坐标为1.0的子特征块1，使得色度差值的绝对值为0，满足色度差值的绝对值小于0.25的条件，饱和度差值的绝对值也为0，满足饱和度差值的绝对值小于0.25的条件，这时，终端就将结束点横坐标为1.0、结束点纵坐标为1.0的子特征块1作为像素1所属的子特征块，如此，就完成了为第i个像素确定其所属的子特征块的过程。

S1034、继续确定第i+1个像素所属的子特征块，直至i＝N时，确定完弱梯度范围内的像素所属的子特征块；其中，N为弱梯度范围内的像素的总个数，N大于等于1。

终端在结束对第i个像素所属的子特征块的确定过程之后，会紧接着对第i+1个像素所属的子特征块进行确定，直至为所有弱梯度范围内的像素都确定出各自所属的子特征块，以便于后续对子特征块中的像素数目进行统计。

S1035、统计属于每个子特征块中的第一子像素数目，将第一子像素数目归一化作为每个子特征块的子颜色特征。

终端分别对每个子特征块中的像素数目进行统计，得到每个子特征块对应的第一子像素数目，之后，终端对这些第一像素数目进行归一化，作为每个子特征块所对应的子颜色特征。

示例性的，终端可以根据式(4)来统计每个子特征块中的第一子像素数目：

其中，第i个像素的色度信息为第i个像素的饱和度信息为每个子特征块结束点横坐标为u，每个子特征块结束点纵坐标为v，预设子特征块宽度为ε。

示例性的，图10(a)为一个典型的室外场景示意图，终端将预设子特征块宽度设置为0.5，终端可以根据预设子特征宽度，以色度u为横坐标，以饱和度v为纵坐标，构建具有8*8个子特征块的色度饱和度空间。终端利用式(3)，为弱梯度范围内的每个像素都找到其所属的子特征块，然后根据式(4)，对每个子特征块内的像素数目进行统计，得到每个子特征块对应的第一子像素数目，并将这些第一子像素数目归一化，作为每个子特征块对应的子颜色特征。如图10(b)所示，终端根据式(4)统计得到的结束点横坐标为0.5，结束点纵坐标为0.5的子特征块对应的第一子像素数目为0，并将0归一化后的值，作为该子特征块的子颜色特征；终端根据式(4)统计得到的结束点横坐标为2.0，结束点纵坐标为2.5的子特征块对应的第一子像素数目为109，并将109归一化后的值，作为该子特征块的子颜色特征，依次类推，直至得到64个子颜色特征。图11(a)为一个典型的室内场景示意图，终端根据图10(a)相同的参数，构建了具有8*8个子特征块的色度饱和度空间，并根据式(3)，为弱梯度范围内的每个像素都找到其所属的子特征块，然后利用式(4)，对每个子特征块内的像素数目进行统计，得到每个子特征块的第一子像素数目并归一化得到子颜色特征。如图11(b)所示，终端根据式(4)统计出的结束点横坐标为0.5，结束点纵坐标为0.5的子特征块对应的第一子像素数目为2370，并将2370归一化作为该子特征块的子颜色特征；终端根据式(4)统计出的结束点横坐标为2.5，结束点纵坐标为2.0的子特征块对应的第一子像素数目为0，并将0归一化作为该子特征的子颜色特征，依次类推，直至终端根据式(4)统计得到为64个子特征块各自对应的第一子像素数目，并将第一子像素数目归一化得到各个子特征块对应的子颜色特征。进一步的，将图10(b)与图11(b)进行对比可以看出，室外场景和室内场景中每个子特征块中的第一像素数目相差较大，表明室外场景弱梯度范围内的像素，与室内场景弱梯度范围内的像素的分布差异较大，因此，以子特征块中的第一像素数目归一化作为子颜色特征，能够使得终端较好的对室外场景和室内场景进行区分。

S1036、将M*M个子特征块对应的M*M个子颜色特征作为颜色特征。

在得到每个子特征块所对应的子颜色特征之后，终端就能够将M*M个子颜色特征共同作为弱梯度范围内的像素的颜色特征，以便于后续根据颜色特征进行场景分类。

本申请实施例中，终端可以构造具有多个子特征块的色度饱和度空间，并所计算的弱梯度范围内的每个像素的色度信息与饱和度信息，为弱梯度每个像素确定出所属的子特征块，再将子特征块中的像素数目归一化，得到多个子颜色特征，使得终端能够利用所提取子颜色特征组成颜色特征。

在本申请的一些实施例中，如图12所示，在对弱梯度范围内的像素进行亮度特征提取，得到弱梯度范围内的像素的亮度特征，即S104的具体实现过程，包括：S1041-S1044，如下：

S1041、提取弱梯度范围内的像素的亮度值并累加，得到弱梯度范围内的像素的总亮度值，并将总亮度值划分为预设亮度特征数目个亮度区间。

终端在提取亮度特征时，会先提取出弱梯度范围内的像素的亮度值，并将这些亮度值进行累加，得到弱梯度范围内的像素的总亮度值，然后，终端将总亮度值划分为预设亮度特征数目个亮度区间，以便于后续针对每个亮度区间进行像素数目的统计。

需要说明的是，终端可以对总亮度值进行均匀划分，也可以对总量度值进行不均匀划分，得到预设亮度特征数目个亮度区间。

可以理解的是，预设亮度特征数目可以根据实际情况进行设定，本申请实施例在此不作具体限定。

示例性的，可以将预设亮度特征数目设置为8，终端将总量度值划分为8个亮度区间。

S1042、统计弱梯度范围内的像素中，亮度处于第i个亮度区间内的像素数目，得到第二子像素数目，将第二子像素数目归一化作为第i个亮度区间对应的子亮度特征。

终端在得到预设亮度特征数目个亮度区间之后，可以针对每个亮度区间，进行像素数目的统计。终端针对第i个亮度进行像素数目统计，得到第二子像素数目，并将该第二子像素数目进行归一化，得到第i个亮度区间所对应的子亮度特征。

本申请实施例中，终端可以根据每个像素的R通道值、G通道值与B通道值计算出弱梯度范围内的每个像素的亮度信息，然后将亮度值处于第i个亮度区间的像素提取出来，并统计所提取的像素的数目，得到第二子像素数目，最后将第二子像素数目归一化得到第i个亮度区间的子亮度特征。如此，就完成了对第i个亮度区间对应的子亮度特征的确定。

S1043、继续处理得到第i+1个亮度区间对应的子亮度特征，直至i等于预设亮度特征数目时，得到预设亮度特征数目个子亮度特征。

终端在得到第i个亮度区间对应的子亮度特征之后，就会紧接着对第i+1个亮度区间进行像素统计，并将所得到的第二子像素数目进行归一化，得到第i+1个亮度区间所对应的子亮度特征，直至i达到预设亮度特征数目时，完成对所有亮度区间的像素数目统计及归一化，得到预设亮度特征数目个亮度子特征。

示例性的，本申请实施例提供了一种亮度区间的第二子像素数目统计直方图，如图13所示，横坐标为亮度区间的数目，纵坐标为像素数目，终端将亮度总值划分为8个亮度区间，然后根据弱梯度范围内的像素的R通道值、G通道值以及B通道值计算每个像素的亮度信息，之后，根据每个像素的亮度信息以及8个不同的亮度区间，将弱梯度范围内的每个像素划分到各自所属的亮度区间中，并分别对这8个亮度区间内的像素数目进行统计，得到每个亮度区间的第二子像素数目，如亮度区间1所对应的第二子像素数目为200，亮度区间2所对应的第二子像素数目为500等，依次类推。之后，终端将每个亮度区间所对应的第二子像素数目以矩形进行绘制，得到如图13所示的统计直方图，使得弱梯度范围内的亮度特征可以较为直观的呈现。

S1044、将预设亮度特征数目个子亮度特征作为亮度特征。

终端在得到预设亮度特征数目个子亮度特征之后，就会将这些亮度特征，共同作为弱梯度范围内的像素的亮度特征，以便于后续根据亮度特征进行场景识别。

本申请实施例中，终端可以求得弱梯度范围内的像素的亮度总值，将亮度总值划分为多个亮度区间，并在每个亮度区间内进行像素数目统计及归一化，得到多个亮度子特征，用这些亮度子特征作为亮度特征，以使得终端可以根据所提取到的亮度特征进行场景识别。

在本申请的一些实施例中，在通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征之前，即S101之前，该方法还包括：S107-S111，如下：

S107、获取训练样本图像，以及获取训练样本图像对应的环境绝对亮度特征。

在利用预设场景分类器对初始预览图像的颜色特征和亮度特征进行分类之前，终端需要先构建场景分类器。在构建场景分类器时，需要获取训练样本图像，以及训练样本图像所对应的环境绝对亮度特征。

需要说明的是，本申请实施例中，终端所获取到的训练样本图像，是已经具有分类标签的样本训练图像，以便于终端根据标签在构建场景分类器时进行有监督训练。

可以理解的是，分类标签给出了该训练样本图像所对应的场景信息。示例性的，可以用具体的数值作为分类标签，例如，用1作为标签来表示室内场景，用0作为标签来表示室外场景，以便于进行有监督训练。

S108、利用预设空间滤波器，对训练样本图像进行滤波，得到训练样本图像中弱梯度范围内的像素，作为训练像素。

终端在构建场景分类器时，是根据颜色特征与亮度特征，以及环境绝对亮度特来构建的，因而，终端需要先利用预设空间滤波器，对训练样本图像进行滤波，得到训练样本图像中弱梯度范围内的像素，并将这些像素，作为训练像素，以便于后续对这些像素进行特征提取。

本申请实施例中，终端利用预设横向滤波器，对训练样本图像进行横向卷积，得到训练样本图像对应的横向梯度信息，同时利用预设纵向滤波器，对训练样本图像进行纵向卷积，得到训练样本图像对应的纵向梯度信息，之后，终端会根据训练样本图像对应的横向梯度信息和纵向梯度信息，计算出训练样本图像的每个像素的梯度强度，并根据预设的弱梯度范围，从训练样本图像中筛选出处于弱梯度范围内的像素。

S109、对训练像素进行颜色特征提取，得到训练像素的颜色特征；对训练像素进行亮度特征提取，得到训练像素的亮度特征。

终端在得到训练像素之后，还需要利用与初始预览图像相同的处理方式，从训练像素中提取出颜色特征和亮度特征，便于之后将根据这些特征来构建场景分类器。

本申请实施例中，终端以色度为横坐标，饱和度为纵坐标，根据预设子特征块宽度构建M*M的色度饱和度空间，并获取每个子特征块的结束点横坐标和每个子特征块的结束点纵坐标，之后，终端会针对训练像素中的第i个像素计算色度信息与饱和度信息，并根据所得到的色度信息与饱和度信息，以及每个子特征块的结束点横坐标和结束点纵坐标，为第i个像素确定出其所属的子特征块，并重复上述操作，直至为每个训练像素都确定出其所属的子特征块。之后，终端会统计出每个子特征块中的第一像素数目，将第一像素数目归一化后作为每个子特征块对应的子颜色特征，最后，将所有的子颜色特征作为训练像素的颜色特征。

本申请实施例中，终端提取训练像素的亮度值并累加，得到训练像素的亮度总值，然后将该亮度总值划分为预设亮度特征数目个亮度区间。之后，终端会对每个亮度区间的训练像素的数目进行统计，将统计结果作为第二子像素数目，并将第二子像素数目归一化作为每个亮度区间的子亮度特征。最后，终端会将所得到的预设亮度特征数目个子亮度特征作为亮度特征。

S110、根据预设分类器构建参数构建原始分类器，并用训练像素的颜色特征、训练像素的亮度特征以及训练样本对应的环境绝对亮度特征对原始分类器进行训练，得到训练参数；训练参数表征预设场景分类器的分类参数。

终端在得到训练像素的颜色特征、训练像素的亮度特征以及训练样本的环境绝对亮度特征之后，会先根据预设的分类器构建参数构建出一个原始分类器，然后，终端将所得到的训练像素的颜色特征、训练像素的亮度特征以及训练样本的环境绝对亮度特征作为输入，对原始分类器进行有监督的训练，得到预设场景分类器中所应当具有的分类参数，即训练参数。

可以理解的是，预设分类器构建参数中可以包含正则项参数、训练超参数等参数。

需要说明的是，终端可以根据预设分类器构建参数，构建一个提升数模型(eXtreme Gradient Boosting，Xgboost)分类器作为原始分类器，或者，构建一个支持向量机(Support Vector Machine，SVM)分类器作为原始分类器。当然，终端还可以构建其他机器学习分类器作为原始分类器，本申请实施例在此不作具体限定。

可以理解的是，终端在利用训练像素的颜色特征、亮度特征以及训练样本对应的环境绝对亮度特征对所构建的分类器进行训练时，可以是利用预设损失函数对训练过程中场景分类器的准确度进行评估，以便于及时调整训练，如进行剪枝等操作。

示例性的，当终端构建Xgboost分类器作为原始分类器时，可以利用式(5)作为预设损失函数，对训练过程中的场景分类器的准确度进行评估，以便于及时调整：

其中，T为Xgboost中的叶子节点个数，λ和γ为正则项参数，g_i为第i个样本损失模型的一阶导，h_i为第i个样本损失模型的二阶导。此时，可以将Xgboost中每棵树的最大深度设置为5，步长设为0.1，二阶导数权重min_child_weight设为1，将正则项参数γ设为0.1。

当终端对Xgboost分类器进行训练时，将训练像素的颜色特征，即M*M个子颜色特征、训练像素的亮度特征，即预设亮度特征数目个子亮度特征，以及训练样本对应的环境绝对亮度特征作为输入，以0.1的步长来迭代更新每个叶子节点中的权重，并在每次迭代之后，利用预设损失函数式(5)来计算每次迭代的Xgboost分类器预测值与真实值之间的误差，直至迭代完成，并将具有最小误差的叶子节点中的权重，作为训练参数。

S111、用训练参数与原始分类器构成预设场景分类器。

终端在得到训练参数之后，就可以用所构建的原始分类器，以及原始分类器所对应的训练参数，构成预设场景分类器，以便后续利用预设场景分类器进行场景识别。

本申请实施例中，终端可以将训练样本图像中的弱梯度范围内的像素作为训练像素，并利用训练像素的颜色特征、亮度特征以及环境绝对亮度特征来对所构建原始分类器进行训练，并用训练所得到的训练参数以及原始分类器，构成预设场景分类器，使得后续终端能够根据构建好的预设场景分类器对初始预览图像的弱梯度范围的像素颜色特征和亮度特征进行分类，得到场景信息。

在本申请的一些实施例中，获取训练样本图像，以及获取训练样本图像对应的环境绝对亮度特征，即S107的具体实现过程，可以包括：S1071-S1073，如下：

S1071、获取初始训练图像，并获取初始训练图像对应的环境亮度特征。

终端在获取训练样本图像时，是先从终端的存储空间中获取初始训练图像，以及初始训练图像对应的环境亮度特征，并根据所获取的初始训练图像，利用数据增强操作，生成训练样本图像，如此，可以利用较少的初始训练图像，生成足量的训练样本图像。

S1072、对初始训练图像进行数据增强，得到训练样本图像。

终端在得到初始训练图像之后，可以对将初始训练图像中的图像进行数据增强处理，并将所得到的样本作为生成训练样本图像。

可以理解的是，数据增强是指利用少量样本，采取分割、旋转等处理方式，生成大量样本的过程。利用数据增强，能够丰富样本量，避免终端在对场景分类器进行训练时出现过拟合现象。

需要说明的是，本申请实施例中，在对初始训练图像进行数据增强时，可以是针对初始训练图像中的每一张图像，都进行相同的旋转变换，得到训练样本图像，还可以是针对初始训练图像中的每一张图像，进行不同的旋转变换，得到训练样本图像。与此同时，终端在对初始训练图像进行数据增强时，还可以针对每一张图像，都按照相同的切割方式，对初始训练图像进行切割得到训练样本图像，还可以是针对每一张图像，按照不同的切割方式，对初始训练图像进行切割以得到训练样本图像。除此之外，终端也可以先对初始训练图像进行旋转变换，再对旋转变换后的样本进行切割操作，得到训练样本图像，或是先对初始训练样本图像进行切割操作，然后再对切割所得的图像块进行旋转变换，得到训练样本图像。在本申请实施例中，数据增强的方法可以根据实际需求进行设置，本申请实施例在此不作具体限定。

S1073、将初始训练图像对应的环境绝对亮度特征，作为训练样本图像对应的环境绝对亮度特征。

由于在对初始训练图像进行数据增强时，并没有对初始训练图像的亮度参数进行改变，因此，可以直接将初始训练图像对应的环境亮度特征，作为训练样本图像对应的环境亮度特征。

本申请实施例中，终端可以先获取初始训练图像，然后利用旋转、分割等操作将初始训练图像的样本进行扩充，得到训练样本图像，如此，使得终端能够根据较为丰富训练样本图像构建场景分类器，避免出现过拟合现象。

在本申请的一些实施例中，获取初始训练图像，并获取初始训练图像对应的环境绝对亮度特征，即S1071的具体实现过程，包括：S1071a-S1071b，如下：

S1071a、获取初始训练图像对应的描述信息。

由于初始训练图像是并不是根据终端从存储空间中得到的，而在存储空间中，图像可以以描述信息的形式保存，因此，终端可以先获取初始训练图像的描述信息，通过描述信息解析出初始训练图像。

S1071b、通过设置的图像传感器从描述信息中解析出每个像素点的色彩统计数据，得到初始预览图像，以及通过设置的图像传感器从描述信息中解析出初始训练图像对应的环境绝对亮度特征。

终端在获取到初始训练图像的描述信息之后，终端便可以通过设置于终端之上的图像传感器，从描述信息中解析出每个像素点的统计数据，该统计数据中包含着每个像素的R通道值、B通道值与G通道值，由此，终端便可以得到初始预览图像。同时，环境绝对亮度特征也是保存在描述信息之中的，因此，终端还必须通过图像传感器从描述信息中解析出环境绝对亮度特征。

本申请实施例中，终端可以从所保存的描述信息中解析出初始训练图像，以及初始训练图像所对应的环境绝对亮度特征，如此，终端后续便能根据所得到的初始训练图像，生成训练样本图像。

在本申请的一些实施例中，对初始训练图像进行数据增强，得到训练样本图像，即S1072的具体实现过程，可以包括：S1072a-S1072b，如下：

S1072a、对初始训练图像中的所有图像进行旋转，得到所述训练样本图像。

终端在得到初始训练样本图像之后，可以将初始训练图像中的所有图像进行选择，以完成数据增强，得到训练样本图像。

需要说明的是，在对初始训练图像进行旋转时，旋转方向与旋转角度不限，可以是顺时针旋转90°，也可以逆时针旋转180°，还可以是直接将初始训练图像倒立，本申请实施例在此不作具体限定。

S1072b、对初始训练图像中的每一张图像进行分割，得到训练样本图像。

除了对初始训练图像旋转生成训练样本图像之外，终端还可以对初始训练图像中的每一张图像进行分割，将分割所得的所有图像块，作为训练样本图像。

可以理解的是，终端在对初始训练图像进行分割时，可以是将初始训练图像均匀的分割为多个图像块，也可以是将初始训练图像进行不均匀分割，得到不同大小的图像块。

需要说明的是，本发明实施例中的S1072a和S1072b是S1072中可选的两个实现过程，具体可以根据实际情况选择所要执行的过程。

本申请实施例中，终端可以通过对初始训练图像进行旋转、分割等操作，完成对初始训练图像的数据增强，以使得终端对初始训练图像的样本进行扩充，能够利用较为丰富的训练样本图像对原始分类器进行训练，避免过拟合现象。

在本申请的一些实施例中，在根据场景信息对应的预设图像优化参数，对初始预览图像进行优化，得到拍摄预览图像并显示之后，该方法还包括：S112，如下：

S112、在接收到拍摄指令时，将拍摄预览图像作为拍摄图像并在拍摄界面显示最终的拍摄图像。

终端在获得效果较好的拍摄预览图像之后，可以接收用户操作所触发的拍摄指令，这时，终端会将拍摄预览图像作为最终的拍摄图像，并在拍摄界面上显示拍摄图像，以便于之后对拍摄图像的进一步处理。

示例性的，如图14所示，为本申请实施例提供的一种最终的拍摄图像的示意图。终端在通过图像传感器采集到初始预览图像，并从该初始预览图像的弱梯度范围内的像素提取出颜色特征、亮度特征之后，利用预设场景分类器对该初始预览图像的所有特征进行分类，得到场景信息，然后根据场景信息对应的优化参数进行图像优化，得到效果较好的拍摄预览图像并显示在终端的显示界面上，最后，根据所接收到的拍摄指令，将所得到的拍摄预览图像保存为拍摄图像，存储至终端的存储空间中，并在显示界面上显示该拍摄图像，以使终端可以根据用户操作继续对拍摄图像进行处理。

本申请实施例中，终端可以将拍摄预览图像作为最终的拍摄图像，并将在拍摄界面上显示该拍摄图像，以便于后续根据用户所触发的其他操作，对拍摄图像进行处理。

在本申请的一些实施例中，如图15所示，本申请实施例提供了一种终端1，该终端1可以包括：

获取模块10，用于通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；

处理模块11，用于利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素；所述弱梯度范围表征可以提取特征的梯度强度范围；对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征；对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征；利用预设场景分类器，对所述环境绝对亮度特征、所述颜色特征以及所述亮度特征进行分类，得到场景信息；以及根据所述场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像；

显示模块12，用于显示所述拍摄预览图像。

在本申请的一些实施例中，所述处理模块11，具体用于利用所述预设横向滤波器，对所述初始预览图像进行横向卷积，得到所述初始预览图像的横向梯度信息；利用所述预设纵向滤波器，对所述初始预览图像进行纵向卷积，得到所述初始预览图像的纵向梯度信息；根据所述横向梯度信息与所述纵向梯度信息，计算出所述初始预览图像的每个像素的梯度强度；以及根据预设弱梯度范围，以及所述初始预览图像每个像素的梯度强度，确定出所述弱梯度范围内的像素。

在本申请的一些实施例中，所述处理模块11，具体用于根据预设子特征块宽度，以色度为横坐标，饱和度为纵坐标构建具有M*M个子特征块的色度饱和度空间，并获取每个子特征块的结束点横坐标和所述每个子特征块的结束点纵坐标；其中，M为所述横坐标和所述纵坐标上的子特征块个数；M为大于等于1的正整数；针对弱梯度范围内的第i个像素，计算所述第i个像素的色度信息与饱和度信息；基于所述色度信息、所述饱和度信息、所述每个子特征块的结束点横坐标以及所述每个子特征块的结束点纵坐标，确定所述第i个像素所属的子特征块；继续确定第i+1个像素所属的子特征块，直至i＝N时，确定完所述弱梯度范围内像素所属的子特征块；其中，N为所述弱梯度范围内像素的总个数，N大于等于1；统计属于所述每个子特征块的第一子像素数目，将所述第一子像素数目归一化作为所述每个子特征块的子颜色特征；以及将所述M*M个子特征块对应的M*M个子颜色特征作为所述颜色特征。

在本申请的一些实施例中，所述处理模块11，具体用于提取所述弱梯度范围内的像素的亮度值并累加，得到所述弱梯度范围内的像素的总亮度值，并将所述总亮度值划分为预设亮度特征数目个亮度区间；统计所述弱梯度范围内的像素中，亮度处于第i个亮度区间内的像素数目，得到第二子像素数目，将所述第二子像素数目归一化作为所述第i个亮度区间对应的子亮度特征；继续处理得到第i+1个亮度区间对应的子亮度特征，直至i等于所述预设亮度特征数目时，得到所述预设亮度特征数目个子亮度特征；将所述预设亮度特征数目个所述子亮度特征作为所述亮度特征。

在本申请的一些实施例中，所述获取模块10，还用于获取训练样本图像，以及获取所述训练样本对应的环境绝对亮度特征；

所述处理模块11，还用于利用所述预设空间滤波器，对所述训练样本图像进行滤波，得到所述训练样本图像中弱梯度范围内的像素，作为训练像素；对所述训练像素进行颜色特征提取，得到所述训练像素的颜色特征；对所述训练像素进行亮度特征提取，得到所述训练像素的亮度特征；根据预设分类器构建参数构建原始分类器，并用所述训练像素的颜色特征、所述训练像素的亮度特征以及所述训练样本对应的环境绝对亮度特征对所述原始分类器进行训练，得到训练参数；所述训练参数表征所述预设场景分类器的分类参数；用所述训练参数与所述原始分类器构成所述预设场景分类器。

在本申请的一些实施例中，所述获取模块10，具体还用于获取初始训练图像，并获取所述初始训练图像对应的环境绝对亮度特征；

所述处理模块11，具体还用于对所述初始训练图像进行数据增强，得到所述训练样本图像；以及将所述初始训练图像对应的环境绝对亮度特征，作为所述训练样本图像对应的环境绝对亮度特征。

在本申请的一些实施例中，所述获取模块10，具体还用于获取所述初始训练图像对应的描述信息；以及通过设置的所述图像传感器从所述描述信息中解析出每个像素的色彩统计数据，得到所述初始预览图像，以及通过设置的图像传感器从所述描述信息中解析出初始训练图像对应的环境绝对亮度特征。

在本申请的一些实施例中，所述处理模块11，具体用于对所述初始训练图像中的所有图像进行旋转，得到所述训练样本图像；或者，

将所述初始训练图像中的每一张图像进行分割，得到所述训练样本图像。

在本申请的一些实施例中，所述处理模块11，还用于在接收到拍摄指令时，将所述拍摄预览图像作为拍摄图像；

所述显示模块12，还用于在拍摄界面显示最终的所述拍摄图像。

在本申请的一些实施例中，图16为本申请实施例提出的一种终端的组成结构示意图，如图16所示，本申请提出的一种终端可以包括处理器01、存储有处理器01可执行指令的存储器02。其中，处理器01用于执行存储器中存储的可执行数据共享指令，以实现本申请实施例提供的一种拍摄方法。

在本申请的实施例中，上述处理器01可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgRAMmable Logic Device，PLD)、现场可编程门阵列(Field ProgRAMmable GateArray，FPGA)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。该终端还包括存储器02，该存储器02可以与处理器01连接，其中，存储器02可能包含高速RAM存储器，也可能还包括非易失性存储器，例如，至少两个磁盘存储器。

在实际应用中，上述存储器02可以是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器01提供指令和数据。

另外，在本实施例中的各功能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模块的形式实现。

集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，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，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供一种计算机可读存储介质，其上存储有可执行数据共享指令，应用于终端中，该程序被处理器执行时实现本申请实施例提供的一种拍摄方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (12)

1.一种拍摄方法，其特征在于，所述方法包括：

通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；

利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素；所述弱梯度范围表征可以提取特征的梯度强度范围；

对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征；

对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征；

利用预设场景分类器，对所述环境绝对亮度特征、所述颜色特征以及所述亮度特征进行分类，得到场景信息；

根据所述场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像并显示。

2.根据权利要求1所述的方法，其特征在于，所述预设空间滤波器包括预设横向滤波器和预设纵向滤波器；所述利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素，包括：

利用所述预设横向滤波器，对所述初始预览图像进行横向卷积，得到所述初始预览图像的横向梯度信息；

利用所述预设纵向滤波器，对所述初始预览图像进行纵向卷积，得到所述初始预览图像的纵向梯度信息；

根据所述横向梯度信息与所述纵向梯度信息，计算出所述初始预览图像的每个像素的梯度强度；

根据预设弱梯度范围，以及所述初始预览图像每个像素的梯度强度，确定出所述弱梯度范围内的像素。

3.根据权利要求1所述的方法，其特征在于，所述对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征，包括：

根据预设子特征块宽度，以色度为横坐标，饱和度为纵坐标构建具有M*M个子特征块的色度饱和度空间，并获取每个子特征块的结束点横坐标和所述每个子特征块的结束点纵坐标；其中，M分别为所述横坐标和所述纵坐标上的子特征块个数；M为大于等于1的正整数；

针对弱梯度范围内的第i个像素，计算所述第i个像素的色度信息与饱和度信息；

基于所述色度信息、所述饱和度信息、所述每个子特征块的结束点横坐标以及所述每个子特征块的结束点纵坐标，确定所述第i个像素所属的子特征块；

继续确定第i+1个像素所属的子特征块，直至i＝N时，确定完所述弱梯度范围内像素所属的子特征块；其中，N为所述弱梯度范围内像素的总个数，N大于等于1；

统计属于所述每个子特征块的第一子像素数目，将所述第一子像素数目归一化作为所述每个子特征块的子颜色特征；

将所述M*M个子特征块对应的M*M个子颜色特征作为所述颜色特征。

4.根据权利要求1所述的方法，其特征在于，所述对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征，包括：

提取所述弱梯度范围内的像素的亮度值并累加，得到所述弱梯度范围内的像素的总亮度值，并将所述总亮度值划分为预设亮度特征数目个亮度区间；

统计所述弱梯度范围内的像素中，亮度处于第i个亮度区间内的像素数目，得到第二子像素数目，将所述第二子像素数目归一化作为所述第i个亮度区间对应的子亮度特征；

继续处理得到第i+1个亮度区间对应的子亮度特征，直至i等于所述预设亮度特征数目时，得到所述预设亮度特征数目个子亮度特征；

将所述预设亮度特征数目个所述子亮度特征作为所述亮度特征。

5.根据权利要求1所述的方法，其特征在于，在所述通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征之前，所述方法还包括：

获取训练样本图像，以及获取所述训练样本对应的环境绝对亮度特征；

利用所述预设空间滤波器，对所述训练样本图像进行滤波，得到所述训练样本图像中弱梯度范围内的像素，作为训练像素；

对所述训练像素进行颜色特征提取，得到所述训练像素的颜色特征；对所述训练像素进行亮度特征提取，得到所述训练像素的亮度特征；

根据预设分类器构建参数构建原始分类器，并用所述训练像素的颜色特征、所述训练像素的亮度特征以及所述训练样本对应的环境绝对亮度特征对所述原始分类器进行训练，得到训练参数；所述训练参数表征所述预设场景分类器的分类参数；

用所述训练参数与所述原始分类器构成所述预设场景分类器。

6.根据权利要求5所述的方法，其特征在于，所述获取训练样本图像，以及获取所述训练样本对应的环境绝对亮度特征，包括：

获取初始训练图像，并获取所述初始训练图像对应的环境绝对亮度特征；

对所述初始训练图像进行数据增强，得到所述训练样本图像；

将所述初始训练图像对应的环境绝对亮度特征，作为所述训练样本图像对应的环境绝对亮度特征。

7.根据权利要求6所述的方法，其特征在于，所述获取初始训练图像，并获取所述初始训练图像对应的环境绝对亮度特征，包括：

获取所述初始训练图像对应的描述信息；

通过设置的所述图像传感器从所述描述信息中解析出每个像素的色彩统计数据，得到所述初始预览图像，以及通过设置的图像传感器从所述描述信息中解析出初始训练图像对应的环境绝对亮度特征。

8.根据权利要求6所述的方法，其特征在于，所述对所述初始训练图像进行数据增强，得到所述训练样本图像，包括：

对所述初始训练图像中的所有图像进行旋转，得到所述训练样本图像；或者，

将所述初始训练图像中的每一张图像进行分割，得到所述训练样本图像。

9.根据权利要求1所述的方法，其特征在于，在所述根据场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像并显示之后，所述方法还包括：

在接收到拍摄指令时，将所述拍摄预览图像作为拍摄图像并在拍摄界面显示最终的所述拍摄图像。

10.一种终端，其特征在于，所述终端包括：

获取模块，用于通过设置的图像传感器采集目标对象的初始预览图像，以及获取环境绝对亮度特征；

处理模块，用于利用预设空间滤波器，对所述初始预览图像进行滤波，得到所述初始预览图像中弱梯度范围内的像素；所述弱梯度范围表征可以提取特征的梯度强度范围；对所述弱梯度范围内的像素进行颜色特征提取，得到所述弱梯度范围内的像素的颜色特征；对所述弱梯度范围内的像素进行亮度特征提取，得到所述弱梯度范围内的像素的亮度特征；利用预设场景分类器，对所述环境绝对亮度特征、所述颜色特征以及所述亮度特征进行分类，得到场景信息；以及根据所述场景信息对应的预设图像优化参数，对所述初始预览图像进行优化，得到拍摄预览图像；

显示模块，用于显示所述拍摄预览图像。

11.一种终端，其特征在于，所述终端包括：存储器及处理器；

所述存储器，用于存储可执行拍摄指令；

所述处理器，用于执行所述存储器中存储的可执行拍摄指令，实现权利要求1-9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，存储有可执行拍摄指令，用于引起处理器执行时，实现权利要求1-9任一项所述的方法。