CN111026893A - 智能终端、图像处理方法及计算机可读存储介质 - Google Patents
智能终端、图像处理方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111026893A CN111026893A CN201911077786.6A CN201911077786A CN111026893A CN 111026893 A CN111026893 A CN 111026893A CN 201911077786 A CN201911077786 A CN 201911077786A CN 111026893 A CN111026893 A CN 111026893A
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- user
- preference model
- access
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 46
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000006397 emotional response Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000027534 Emotional disease Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000011230 binding agent Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域,提供一种智能终端、图像处理方法及计算机可读存储介质,所述图像处理方法包括步骤:获取图像数据,根据所述图像数据获取图像处理偏好模型,通过所述图像处理偏好模型对所述图像数据进行处理,输出经过处理的图像,通过上述方式,本申请能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像处理方法,一种应用所述图像处理方法的智能终端,以及一种计算机可读存储介质。
背景技术
随着计算机技术及网络技术的飞速发展,网络信息成爆炸性增长,一方面满足了用户对信息量的需求,另一方面也产生了一些问题,比如资源分散,检索集中,对于所有用户提供的信息都是相同的。对于普通用户来说,“信息迷航”和“信息过载”已经成为日益严重的问题。
比如在图像处理美化领域,很多时候,用户使用手机等智能终端进行拍摄时,会选择使用美化或者大头贴等功能,但是这些美化功能千篇一律,即使是不同的手机,最终使用的效果都是基本一样的。
再比如现下流行的直播领域,大部分直播主播的头像美化方式都采用一样的“变脸”美图技术,所以会出现“美丽的外表千篇一律”的说法。
不难看出,现有技术中对图像的人物景物等进行美化处理时,其缺少对个别用户的兴趣爱好的客制化,无法给用户带来不一样的使用体验。
针对现有技术的多方面不足,本申请的发明人经过深入研究,提出一种智能终端、图像处理方法及计算机可读存储介质。
发明内容
本申请的目的在于,提供一种智能终端、图像处理方法及计算机可读存储介质,能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
为解决上述技术问题,本申请提供一种图像处理方法,作为其中一种实施方式,所述图像处理方法包括步骤:
获取原始图像的图像数据;
根据所述图像数据获取预设的图像处理偏好模型;
通过所述图像处理偏好模型对所述图像数据进行个性化处理;
输出经过个性化处理的图像。
作为其中一种实施方式,所述根据所述图像数据获取预设的图像处理偏好模型的步骤中,所述图像处理偏好模型采用包括AI人工智能、机器学习、卷积神经元、长短期记忆神经元、卷积神经网络的其中之一或任意组合建立和训练所得到。
作为其中一种实施方式,所述图像处理偏好模型采用AI人工智能进行建立和训练所得到,具体包括:
获取用户对历史/样本图像的访问操作;
根据不同的访问操作将所述历史/样本图像划分为至少一正样本集和一负样本集;
根据所述正样本集和所述负样本集分析得到用户的习惯偏好;
根据所述习惯偏好建立所述图像处理偏好模型。
作为其中一种实施方式,所述获取用户对历史/样本图像的访问操作的步骤,具体包括:
获取用户对已有的历史图像的访问操作,获取用户对训练提供的样本图像的访问操作,获取用户对日常浏览的视频图像的访问操作。
作为其中一种实施方式,所述获取用户对历史/样本图像的访问操作的步骤中,所述访问操作包括访问点击次数、访问后收藏、访问后删除、访问后转发分享、访问后评论和访问后情绪反应的其中之一或任意组合。
作为其中一种实施方式,所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还包括:
运用弱监督机器学习图像增强技术训练所述图像处理偏好模型。
作为其中一种实施方式,所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还包括:
获取训练样本图像集;
将所述训练样本图像集分为正训练样本集和负训练样本集;
利用所述正训练样本集和负训练样本集对所述图像处理偏好模型进行更新迭代训练,以进行优化。
作为其中一种实施方式,所述输出经过个性化处理的图像的步骤,具体包括:
将经过个性化处理的图像数据绘制成偏好模型图像;
将所述偏好模型图像展示给用户;
获取用户对所述偏好模型图像的喜恶操作;
根据所述喜恶操作将所述偏好模型图像划分为正样本集或负样本集,以对所述图像处理偏好模型进行更新迭代训练。
作为其中一种实施方式,所述根据所述图像数据获取预设的图像处理偏好模型的步骤,具体包括:
根据所述图像数据从本地和/或网络侧第三方服务器获取预设的图像处理偏好模型。
为解决上述技术问题,本申请还提供一种智能终端,作为其中一种实施方式,其配置有处理器,所述处理器用于执行图像处理程序,以实现如上所述的图像处理方法。
作为其中一种实施方式,所述智能终端还包括:
摄像头,用于获取所述原始图像;
所述处理器,用于根据所述原始图像处理得到图像数据。
作为其中一种实施方式,所述智能终端还包括:
通讯网络模块,用于从网络侧获取所述原始图像;
所述处理器,用于根据所述原始图像处理得到图像数据。
作为其中一种实施方式,所述智能终端还包括:
显示屏,用于展示所述原始图像或所述偏好模型图像。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,作为其中一种实施方式,其用于存储图像处理程序,所述图像处理程序在被处理器执行时,以实现包括如上所述的图像处理方法。
本申请提供的智能终端、图像处理方法及计算机可读存储介质,所述图像处理方法包括步骤:获取原始图像的图像数据,根据所述图像数据获取预设的图像处理偏好模型,通过所述图像处理偏好模型对所述图像数据进行个性化处理,输出经过个性化处理的图像。通过上述方式,本申请能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本申请图像处理方法一实施方式的流程示意图。
图2为本申请智能终端一实施方式的结构示意图。
图3为采用本申请图像处理方法一具体实例的流程示意图。
具体实施方式
为更进一步阐述本申请为达成预定申请目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本申请详细说明如下。
通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及效果得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。
请参阅图1,图1为本申请图像处理方法一实施方式的流程示意图。
需要说明的是,本实施方式所述图像处理方法可以应用到手机、平板电脑、笔记本电脑、专用摄像设备、可穿戴智能设备、航拍设备等智能终端上。
需要说明的是,本实施方式所述图像处理方法可以包括但不限于如下几个步骤。
步骤S101,获取原始图像的图像数据。
步骤S102,根据所述图像数据获取预设的图像处理偏好模型。
步骤S103,通过所述图像处理偏好模型对所述图像数据进行个性化处理。
步骤S104,输出经过个性化处理的图像。
值得一提的是,本实施方式所述预设的图像处理偏好模型,指的是根据用户个人的喜好习惯而建立和训练得到,其可以将用户喜好的风格、元素等参数设置为用户喜好的个性化模式。
具体而言,本实施方式所述根据所述图像数据获取预设的图像处理偏好模型的步骤中,所述图像处理偏好模型采用包括AI人工智能、机器学习、卷积神经元、长短期记忆神经元、卷积神经网络的其中之一或任意组合进建立和训练所得到。
进一步而言,本实施方式所述图像处理偏好模型采用AI人工智能进行建立和训练所得到,具体可以包括如下实现过程:
第一步,获取用户对历史/样本图像的访问操作;
第二步,根据不同的访问操作将所述历史/样本图像划分为至少一正样本集和一负样本集;
第三步,根据所述正样本集和所述负样本集分析得到用户的习惯偏好;
第四步,根据所述习惯偏好建立所述图像处理偏好模型。
需要详细说明的是,本实施方式所述获取用户对历史/样本图像的访问操作的步骤,具体包括:获取用户对已有的历史图像的访问操作,获取用户对训练提供的样本图像的访问操作,获取用户对日常浏览的视频图像的访问操作。
在本实施方式中,所述获取用户对历史/样本图像的访问操作的步骤中,所述访问操作包括访问点击次数、访问后收藏、访问后删除、访问后转发分享、访问后评论和访问后情绪反应的其中之一或任意组合。
容易理解的是,通过访问点击次数可以在一定程度上判断用户对图像的喜欢程度,通过访问后收藏可以判断用户的爱好,通过访问后删除可以判断用户的不喜欢,通过访问后转发分享可以判断用户的喜好程度,通过访问后评论可以分析其喜恶情况,以及通过访问后情绪反应都可以判断其喜恶情况。
值得一提的是,本实施方式所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还可以包括:运用弱监督机器学习图像增强技术训练所述图像处理偏好模型。
容易理解的是,本实施方式运用弱监督机器学习图像增强技术训练图像增强模型,只需要告诉模型哪一批是用户喜欢的图像,哪一批是用户不喜欢的图像,不需要图像一一配对,不需要指定哪张是修图前哪张是修图后照片就能训练模型。
进一步而言,本实施方式所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还可以包括:获取训练样本图像集;将所述训练样本图像集分为正训练样本集和负训练样本集;利用所述正训练样本集和负训练样本集对所述图像处理偏好模型进行更新迭代训练,以进行优化。
需要说明的是,由于每次处理后的图像不一定是用户真实喜欢的,因此,本实施方式所述输出经过个性化处理的图像的步骤,具体包括:将经过个性化处理的图像数据绘制成偏好模型图像;将所述偏好模型图像展示给用户;获取用户对所述偏好模型图像的喜恶操作;根据所述喜恶操作将所述偏好模型图像划分为正样本集或负样本集,以对所述图像处理偏好模型进行更新迭代训练。
容易理解的是,本实施方式所述根据所述图像数据获取预设的图像处理偏好模型的步骤,具体包括:根据所述图像数据从本地和/或网络侧第三方服务器获取预设的图像处理偏好模型。
换而言之,本实施方式的图像处理偏好模型,可以直接安装在设备本地,也可以通过应用程序APP或者云服务器的方式,将其架设在网络侧。
本实施方式能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
请结合图1及其实施方式参阅图2,本申请还提供一种智能终端,作为其中一种实施方式,其配置有处理器21,所述处理器21用于执行图像处理程序,以实现包括如上实施方式所述的图像处理方法。
容易理解的是,本实施方式所述智能终端还可以包括摄像头,用于获取所述原始图像;所述处理器21,用于根据所述原始图像处理得到图像数据。
此外,本实施方式所述智能终端还可以包括通讯网络模块,用于从网络侧获取所述原始图像;所述处理器21,用于根据所述原始图像处理得到图像数据。
需要说明的是,本实施方式所述智能终端还可以包括显示屏,用于展示所述原始图像或所述偏好模型图像。
具体而言,本实施方式所述处理器21用于获取原始图像的图像数据。
所述处理器21用于根据所述图像数据获取预设的图像处理偏好模型。
所述处理器21用于通过所述图像处理偏好模型对所述图像数据进行个性化处理。
所述处理器21用于输出经过个性化处理的图像。
值得一提的是,本实施方式所述预设的图像处理偏好模型,指的是根据用户个人的喜好习惯而建立和训练得到,其可以将用户喜好的风格、元素等参数设置为用户喜好的个性化模式。
具体而言,本实施方式所述图像处理偏好模型采用包括AI人工智能、机器学习、卷积神经元、长短期记忆神经元、卷积神经网络的其中之一或任意组合建立和训练所得到。
进一步而言,本实施方式所述图像处理偏好模型采用AI人工智能进行建立和训练所得到,具体可以包括如下实现过程:
第一步,获取用户对历史/样本图像的访问操作;
第二步,根据不同的访问操作将所述历史/样本图像划分为至少一正样本集和一负样本集;
第三步,根据所述正样本集和所述负样本集分析得到用户的习惯偏好;
第四步,根据所述习惯偏好建立所述图像处理偏好模型。
需要详细说明的是,本实施方式所述处理器21用于获取用户对已有的历史图像的访问操作,获取用户对训练提供的样本图像的访问操作,获取用户对日常浏览的视频图像的访问操作。
在本实施方式中,所述访问操作包括访问点击次数、访问后收藏、访问后删除、访问后转发分享、访问后评论和访问后情绪反应的其中之一或任意组合。
容易理解的是,通过访问点击次数可以在一定程度上判断用户对图像的喜欢程度,通过访问后收藏可以判断用户的爱好,通过访问后删除可以判断用户的不喜欢,通过访问后转发分享可以判断用户的喜好程度,通过访问后评论可以分析其喜恶情况,以及通过访问后情绪反应都可以判断其喜恶情况。
值得一提的是,本实施方式所述处理器21用于运用弱监督机器学习图像增强技术训练所述图像处理偏好模型。
容易理解的是,本实施方式运用弱监督机器学习图像增强技术训练图像增强模型,只需要告诉模型哪一批是用户喜欢的图像,哪一批是用户不喜欢的图像,不需要图像一一配对,不需要指定哪张是修图前哪张是修图后照片就能训练模型。
进一步而言,本实施方式所述处理器21用于获取训练样本图像集;所述处理器21用于将所述训练样本图像集分为正训练样本集和负训练样本集;所述处理器21用于利用所述正训练样本集和负训练样本集对所述图像处理偏好模型进行更新迭代训练,以进行优化。
需要说明的是,由于每次处理后的图像不一定是用户真实喜欢的,因此,本实施方式所述处理器21用于输出经过个性化处理的图像具体包括:所述处理器21用于将经过个性化处理的图像数据绘制成偏好模型图像;将所述偏好模型图像展示给用户;获取用户对所述偏好模型图像的喜恶操作;根据所述喜恶操作将所述偏好模型图像划分为正样本集或负样本集,以对所述图像处理偏好模型进行更新迭代训练。
容易理解的是,本实施方式所述处理器21用于根据所述图像数据从本地和/或网络侧第三方服务器获取预设的图像处理偏好模型。
换而言之,本实施方式的图像处理偏好模型,可以直接安装在设备本地,也可以通过应用程序APP或者云服务器的方式,将其架设在网络侧。
本申请能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
此外,本申请还提供一种计算机可读存储介质,作为其中一种实施方式,其用于存储图像处理程序,所述图像处理程序在被处理器执行时,以实现包括如上任一实施方式所述的图像处理方法。
请结合图3,下面将结合具体实施例进行详细说明。
提供用户图像集;
用户喜欢照片或用户不喜欢照片?
采用弱监督AI模型训练(GAN)进行处理;
模型更新到用户本地设备运行;
处理得到用户喜欢照片,对于用户不喜欢照片则返回作为样本继续训练。
在实际的处理过程中,其可以包括如下:
1、首先针对每个用户收集喜欢的照片类型,可以通过本地标注(用户打星或者用户收藏)或者统计用户对照片的访问次数来定义用户的喜欢照片,其余可以定义为用户一般喜欢的类型。
2、将收集的每个用户照片作为个性化定制每个用户的图像处理偏好模型的图像数据集,用于针对性模型训练。
3、将每个用户一般喜欢的类型图像作为负样本,将用户喜欢的图像作为正样本,同时收集一些用户日常访问较多或者收藏的精美图像作为正样本防止由于用户喜欢照片较少导致的样本不足。
4、运用弱监督机器学习图像增强技术训练图像处理偏好模型,本实施方式只需要告诉模型哪一批是用户喜欢的图像,哪一批是用户不喜欢的图像,不需要图像一一配对,不需要指定哪张是修图前哪张是修图后照片就能训练图像处理偏好模型。
5、训练好图像处理偏好模型后,更新图像处理偏好模型数据到每个用户本地设备运行即实现个性化定制图像美化。
6、本实施方式可以集成在图像库中对图像进行美化,也可集成在应用APP中对用户选取的图像进行美化,将用户不喜欢照片美化为用户喜欢照片类型。
7、如果用户不喜欢当前照片的美化效果,那么将标记该照片为负样本集,添加到后期图像处理偏好模型的迭代训练过程中。
8、经过多次迭代最终生成一个用户满意的图像处理偏好模型。
本申请能够对原始图像进行优化处理,且其采用预设的图像处理偏好模型,从而可以得到符合个体用户的喜好需求,能够将图像处理从被动接受转化为主动感知用户的实际需求,实现对用户的个性化主动智能服务,提供符合用户审美观感的图像,改善用户体验。
在本申请中,所述智能终端可以为手机、平板电脑、可穿戴设备、智能电视以及智能摄像头等。
当然,本实施方式的图像处理方法具体可以应用到拍摄、直播平台或者侦查拍摄等具体应用场景中。
需要补充说明的是,本实施方式所述手机,优选地其可以设置有应用层、应用框架层、库层、内核层的Android(安卓)系统。
在本实施方式中,应用层主要工作在Android SDK之上,利用Android提供的API进行开发,生成APK包;应用框架层整合了Android自带各种控件和类,为应用开发提供高效、方便的API接口。这个对上实现统一的接口,对下也提供统一的标准方便各种库的移入;库层是Android与底层硬件通信接口,它封装底层硬件接口实现该模块的具体逻辑,并以服务的形式通过Binder通讯机制暴露给应用框架;内核层则是直接与硬件联系的一层,可以理解为设备驱动。
同时,本申请的Android(安卓)系统的camera相机总体架构可以包括取景器(viewfinder)和拍摄照片(take picture)的功能,MTK Android Camera程序的架构分成客户端和服务器两个部分,可以建立在Android的进程间通讯Binder的结构上。
具体而言,本实施方式Camera的应用层在Android上表现为直接调用SDK API开发的一个Camera应用APK包。主要是采用Java语言写的基于android.hardware.Camera类调用的封装,并且实现Camera应用的业务逻辑和UI显示。
本实施方式android.hardware.Camera为Android提供给上层调用的Camera类,可以用来连接或断开一个Camera服务,设置拍摄参数,开始、停止预览,拍照等;也可以作为Android Camera应用框架封装暴露出来的接口。一个Android应用中若要使用这个类,需要在Manifest文件声明Camera的权限,另外还需要添加一些<uses-feature>元素来声明应用中的Camera特性,如自动对焦等。
本实施方式的Camera框架层将应用与底层的实现隔离开来,实现了一套Android定义的对上对下接口规范,方便应用及底层硬件的开发和移植。
在其中的具体实施方式中,智能终端还可以包括图像信号处理块、图像拍摄块、控制电路、聚焦控制模块、曝光控制模块和光学系统,图像拍摄块内的控制电路可包括聚焦控制模块和曝光控制模块。光学系统可包括镜头模块,所述镜头模块的聚焦设置和曝光设置(例如,光圈大小和/或快门速度)分别由聚焦控制模块和曝光控制模块来控制。图像信号处理块包括多个信号处理模块,例如前端处理模块、白平衡模块、色彩插值模块、色彩转换模块以及后端处理模块。前端处理模块可执行暗电流补偿、线性化、闪光补偿等操作。白平衡模块可通过对图像的红色(R)、绿色(G)和蓝色(B)组成部分分别应用不同的权重因数,来对白平衡执行自动/手动补偿。色彩插值模块可使用像素的领域信息来估计像素的颜色值,其中像素的颜色值不会被图像传感器测量/感测到。色彩转换模块可执行色彩转换以从一个色域转换到另一个色域。举例来说,色彩转换模块可对彩色图像执行从RGB格式到YUV格式的色彩转换,以生成由像素的亮度值/灰阶值组成的灰度图像,其中YUV格式中的Y表示灰阶值、U和V表示色度。后端处理模块可执行色彩伪影去除、边缘增强和核化降噪等操作。
举例来说,但并非用于限制本发明,要改变控制电路和图像信号处理块的所有配置,可以通过禁能图像信号处理块中的信号处理模块和控制电路中的控制模块的至少一个来实现,或者通过控制所述信号处理模块和所述控制模块中的至少一个采用不同的算法(例如,简化算法或低功率算法)来实现。
以上所述,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制,虽然本申请已以较佳实施例揭露如上,然而并非用以限定本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容,依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
Claims (10)
1.一种图像处理方法,其特征在于,所述图像处理方法包括步骤:
获取图像数据;
根据所述图像数据获取图像处理偏好模型;
通过所述图像处理偏好模型对所述图像数据进行处理;
输出处理图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述根据所述图像数据获取预设的图像处理偏好模型的步骤中,所述图像处理偏好模型采用包括AI人工智能、机器学习、卷积神经元、长短期记忆神经元、卷积神经网络的其中之一或任意组合建立和训练所得到。
3.根据权利要求1或2所述的图像处理方法,其特征在于,所述图像处理偏好模型采用AI人工智能进行建立和训练所得到,具体包括:
获取用户对历史/样本图像的访问操作;
根据不同的访问操作将所述历史/样本图像划分为至少一正样本集和一负样本集;
根据所述正样本集和所述负样本集分析得到用户的习惯偏好;
根据所述习惯偏好建立所述图像处理偏好模型。
4.根据权利要求3所述的图像处理方法,其特征在于,所述获取用户对历史/样本图像的访问操作的步骤,具体包括:
获取用户对已有的历史图像的访问操作,获取用户对训练提供的样本图像的访问操作,获取用户对日常浏览的视频图像的访问操作。
5.根据权利要求3所述的图像处理方法,其特征在于,所述获取用户对历史/样本图像的访问操作的步骤中,所述访问操作包括访问点击次数、访问后收藏、访问后删除、访问后转发分享、访问后评论和访问后情绪反应的其中之一或任意组合。
6.根据权利要求3所述的图像处理方法,其特征在于,所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还包括:
运用弱监督机器学习图像增强技术训练所述图像处理偏好模型。
7.根据权利要求3所述的图像处理方法,其特征在于,所述根据所述习惯偏好建立所述图像处理偏好模型的步骤,还包括:
获取训练样本图像集;
将所述训练样本图像集分为正训练样本集和负训练样本集;
利用所述正训练样本集和负训练样本集对所述图像处理偏好模型进行更新迭代训练,以进行优化。
8.根据权利要求3所述的图像处理方法,其特征在于,所述输出经过个性化处理的图像的步骤,具体包括:
将经过个性化处理的图像数据绘制成偏好模型图像;
将所述偏好模型图像展示给用户;
获取用户对所述偏好模型图像的喜恶操作;
根据所述喜恶操作将所述偏好模型图像划分为正样本集或负样本集,以对所述图像处理偏好模型进行更新迭代训练。
9.一种智能终端,其特征在于,其配置有处理器,所述处理器用于执行图像处理程序,以实现如权利要求1-8任一项所述的图像处理方法。
10.一种计算机可读存储介质,其特征在于,其用于存储图像处理程序,所述图像处理程序在被处理器执行时,以实现包括如权利要求1-8任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077786.6A CN111026893A (zh) | 2019-11-06 | 2019-11-06 | 智能终端、图像处理方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077786.6A CN111026893A (zh) | 2019-11-06 | 2019-11-06 | 智能终端、图像处理方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111026893A true CN111026893A (zh) | 2020-04-17 |
Family
ID=70200906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077786.6A Pending CN111026893A (zh) | 2019-11-06 | 2019-11-06 | 智能终端、图像处理方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763255A (zh) * | 2020-06-05 | 2021-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
-
2019
- 2019-11-06 CN CN201911077786.6A patent/CN111026893A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763255A (zh) * | 2020-06-05 | 2021-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11470294B2 (en) | Method, device, and storage medium for converting image from raw format to RGB format | |
US11412153B2 (en) | Model-based method for capturing images, terminal, and storage medium | |
CN109345485B (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
WO2019109801A1 (zh) | 拍摄参数的调整方法、装置、存储介质及移动终端 | |
CN109688351B (zh) | 一种图像信号处理方法、装置及设备 | |
KR20210073568A (ko) | 이미지 처리 방법 및 장치, 및 디바이스 | |
US20170163878A1 (en) | Method and electronic device for adjusting shooting parameters of camera | |
US9195880B1 (en) | Interactive viewer for image stacks | |
US11070717B2 (en) | Context-aware image filtering | |
RU2748303C1 (ru) | Способ управления интеллектуальным помощником и терминальное устройство | |
US9692963B2 (en) | Method and electronic apparatus for sharing photographing setting values, and sharing system | |
WO2022262497A1 (zh) | 拍摄方法、图形界面及相关装置 | |
CN106165409B (zh) | 图像处理装置、摄像装置、图像处理方法及程序 | |
CN106134189B (zh) | 图像处理装置、摄像装置、图像处理方法及程序 | |
CN113411498B (zh) | 图像拍摄方法、移动终端及存储介质 | |
JP2009055088A (ja) | 撮影支援システム | |
CN114422682B (zh) | 拍摄方法、电子设备和可读存储介质 | |
WO2020206927A1 (zh) | 用户智能设备及其基于地理位置的相机参数智能配置方法 | |
CN112258380A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109151318A (zh) | 一种图像处理方法、装置及计算机存储介质 | |
CN104618660A (zh) | 自定义闪光灯拍照效果参数的拍照方法及终端 | |
CN115242983A (zh) | 拍摄方法、电子设备、计算机程序产品及可读存储介质 | |
KR20100018334A (ko) | 사용자가 원하는 메뉴 컨텐츠를 적용하는 디지털 영상 처리장치의 제어 방법, 상기 방법을 기록한 기록 매체 및 상기방법에 의해 동작하는 디지털 영상 처리 장치 | |
CN108540722B (zh) | 控制摄像头拍摄的方法、装置及计算机可读存储介质 | |
CN111026893A (zh) | 智能终端、图像处理方法及计算机可读存储介质 |
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 |