CN111131688B - 一种图像处理方法、装置及移动终端 - Google Patents

Abstract

本发明公开了一种图像处理方法、装置、移动终端及计算机可读存储介质，其中，所述图像处理方法包括：获取连续拍摄的多帧图像的梯度信息；根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；获取所述相对清晰类和相对模糊类之间的清晰度差异；若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；根据所述保留的图像生成新图像。从而可以有效地去除连续拍摄的多帧图像中的模糊帧，作为高动态范围成像的中间步骤辅助后续步骤，从而提高图像质量。

Description

一种图像处理方法、装置及移动终端

技术领域

本申请属于图像处理技术领域，尤其涉及一种图像处理方法、装置、移动终端及计算机可读存储介质。

背景技术

现如今，手机拍照已经广泛地应用在人们的生活中。受硬件技术所限，手机、平板电脑等智能电子设备的图像采集装置拍摄的图像与专业单反相机拍摄的图像在拍照方面仍有着较大的差距。尤其是对噪声的抑制以及高动态范围成像(High Dynamic RangeImaging，HDR)技术的实现。但由于手机强大的后处理计算功能，可以通过算法缩小和弥补成像设备上的不同。在实际实现中，我们一般采用的是多帧拍摄，选取参考帧后将其他帧与参考帧对齐，再进行去噪，或者HDR的实现。但是因为手机拍摄一般为手持拍摄，所以会有不稳定的情况，某些帧可能会出现模糊的情况。所以多帧拍摄的时候在拍照过程中很容易受到手持电子设备的移动以及场景中物体运动的影响，导致同一前景可能在多张拍摄图像中位置发生变化，而背景也会有一定程度的位移，故直接根据拍摄的多帧图像进行处理时很可能影响成像效果。

发明内容

有鉴于此，本申请提供了一种图像处理方法、装置、移动终端及计算机可读存储介质，能够有效去除连拍中的模糊帧。

本申请的第一方面提供了一种图像处理方法，上述方法包括：

获取连续拍摄的多帧图像的梯度信息；

根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；

获取所述相对清晰类和相对模糊类之间的清晰度差异；

若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；

根据所述保留的图像生成新图像。

本申请的第二方面提供了一种图像处理装置，上述装置包括：

梯度信息获取单元，用于获取连续拍摄的多帧图像的梯度信息；

聚类单元，用于根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；

清晰度差异获取单元，用于获取所述相对清晰类和相对模糊类之间的清晰度差异；

处理单元，用于若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；

图像生成单元，用于根据所述保留的图像生成新图像。

本申请的第三方面提供了一种移动终端，上述移动终端包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面的方法的步骤。

本申请的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面的方法的步骤。

本申请的第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。

由上可见，本发明通过获取连续拍摄的多帧图像的梯度信息；根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；获取所述相对清晰类和相对模糊类之间的清晰度差异；若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；根据所述保留的图像生成新图像。由于有效地去除连续拍摄的多帧图像中的模糊帧，因此后续只需根据保留的相对清晰类的图像生成新图像，无需再对相对模糊类的图像处理，从而减少了运算量，并且，由于相对清晰类的图像包含的信息量大于相对模糊类的图像，因此能够提高生成的新图像的图像质量。

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是本发明实施例提供的图像处理方法的实现流程图；

图2是本申请实施例提供的图像处理方法的另一实现流程示意图；

图3是本发明实施例提供的没有应用本申请的图像处理方法进行模糊帧去除的多帧去噪效果图；

图4是本发明实施例提供的应用本发明的图像处理方法进行模糊帧去除的多帧去噪效果图；

图5是本申请实施例提供的图像处理方法的S101的具体实现流程图；

图6是本申请实施例提供的图像处理装置的结构框图；

图7是本申请实施例提供的移动终端的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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地描述，显然，所描述的实施例是本发明一部分的实施例，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，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图1所示，本实施例提供一种图像处理方法，该方法可以应用于如手机、数码相机、显微镜和天文望远镜等手持、移动或者固定的具有拍摄功能的终端设备。本实施例所提供的图像处理方法，包括：

S101、获取连续拍摄的多帧图像的梯度信息。

在本发明实施例中，所述多帧图像是指通过终端设备，例如手机，一次性连续拍摄生成的一组图像，所述图像可以是彩色图像，例如红绿蓝(RGB)三通道图像，所述图像也可以是灰度图像。从用户层面来讲，所述连续拍摄是指用户在终端设备上输入拍摄指令，例如单击“拍摄”按键，从而触发终端设备的图像采集元件执行多个连续图像帧的采集。最后基于对所述多个连续图像帧的后处理从而得到最终图像，所述最终图像的数量小于连续拍摄的多帧图像的数量，优选地，所述最终图像的数量为1。

所述多帧图像的梯度信息是指每一张图像的梯度信息，所述梯度信息可以包括图像的垂直梯度和/或水平梯度。其中，图像梯度可以通过Brenner梯度函数(计算相邻两个像素灰度差的平方)、Tenengrad梯度函数(采用Sobel算子分别提取水平和垂直方向的梯度值)、Laplacian梯度函数、灰度方差函数或灰度方差乘积函数计算得到，在此不对具体采用的梯度函数进行限制。可以通过以上梯度函数中的任意一个对每一张图像分别计算梯度值。当然对于连续拍摄的多帧图像中的所有图像均采用相同的梯度函数进行梯度(或称梯度值)计算，从而保证梯度值的返回形式保持一致。举例来说，所述梯度信息可以是一个一维的数值或者是二维的数值。

若所述梯度信息取一维的数值，该数值可以是反映图像的水平梯度或者垂直梯度的数值，当然所述一维的数值也可以同时包含图像的水平梯度和垂直梯度的信息，例如将所述水平梯度和垂直梯度进行加权求和得到一维的数值作为梯度信息。

若所述梯度信息取二维的数值，该数值可以同时反映图像的水平梯度和垂直梯度的数值。该二维的数值的形式可以是：G＝(H，V)，其中G代表图像的梯度值，H代表水平梯度，V代表垂直梯度。

所述梯度信息可以是全局梯度信息或者局部梯度信息，在本实施例中，所述图像的梯度是基于图像中相邻像素之间的像素值差异所确定的图像参数，所述图像梯度可以是图像中相邻像素的一阶差分或者二阶差分，所述全局梯度信息是指通过图像的全部像素信息获取的图像梯度信息；所述局部梯度信息是指通过图像的局部像素信息获取的图像梯度信息。

S102、根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类。

在本发明实施例中，图像的梯度能够最直观的反映图像的清晰程度，因此图像的梯度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，如果图像的梯度不高基本可以认定该图像比较模糊。本实施例中的图像的梯度信息可以是图像的总体梯度，或者是图像的平均梯度。具体采用图像的总体梯度还是平均梯度，可以根据图像的特性和/或采用的梯度函数来确定。

在本发明实施例中，将多帧图像中的梯度值较高的图像聚类到相对清晰类中，将多帧图像中的梯度值较低的图像聚类到相对模糊类当中。本实施例采用的聚类算法可以是K-means聚类算法、均值漂移聚类算法、基于密度的聚类算法、用高斯混合模型的最大期望聚类算法等。在本实施例中，采用K-means聚类算法对所述多帧图像进行聚类进行示例性说明。

K-means聚类算法不需要对数据进行训练和学习，属于无监督学习。K-means是聚类算法中的最常用的一种。首先输入聚类个数K，以及包含n个数据对象的数据库，输出满足方差最小标准K个聚类的一种算法。k-means算法接受输入量K，然后将n个数据对象划分K个聚类以便使得所获得的聚类满足同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小。其中，所述K为大于1的整数，所述n为大于2的整数。

优选地，在本发明实施例中，K＝2，也就是说将所述多帧图像根据梯度信息聚类为二类，一类为相对清晰类，一类为相对模糊类。而后K-means聚类算法会从多帧图像的梯度信息中随机选取K个梯度信息为初始聚类中心；根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；重新计算每个有变化聚类的均值；计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止。K-mens算法的最大特点是速度快，非常适合在智能手机等速度要求较高的终端使用。

S103、获取所述相对清晰类和相对模糊类之间的清晰度差异。

在本发明实施例中，基于图像的梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类之后，通过比较所述相对清晰类和相对模糊类图像之间的清晰度差异，并根据该清晰度差异决定后续的处理步骤。

作为本发明的一个实施例，图2示出了本发明实施例提供的图像处理方法S103的具体实现流程，详述如下：

S201、获取所述相对清晰类的平均梯度以及获取所述相对模糊类的平均梯度。

在本实施例中，以相对清晰类的平均梯度的计算方式为例，所述相对清晰类的平均梯度可以是所述相对清晰类中的所有图像的梯度值的算数平均值，或者所述相对清晰类的平均梯度也可以是所述相对清晰类中的聚类中心的梯度值。所述相对模糊类的平均梯度的确定方式可以参照相对清晰类的平均梯度的确定方式，在此不作赘述。优选地，所述相对模糊类的平均梯度的确定方式与所述相对清晰类的平均梯度的确定方式相同。例如，若相对清晰类的平均梯度为所述相对清晰类的聚类中心的梯度值，相应地，所述相对模糊类的平均梯度为所述相对模糊类的聚类中心的梯度值。

S202、获取所述相对清晰类的平均梯度与所述相对模糊类的平均梯度之间的第一距离。

在本发明实施例中，所述第一距离用于表征所述相对清晰类的平均梯度与所述相对模糊类的平均梯度之间的差异大小。所述第一距离可以是欧氏距离。

若所述梯度为一维数值，则第一距离的确定方式如下：D_清晰为相对清晰类的平均梯度，D_模糊为相对模糊类的平均梯度，则第一距离S1＝|D_清晰-D_模糊|。

若所述梯度为二维数值，则第一距离的确定方式如下：D_清晰＝(H_清晰，V_清晰)为相对清晰类的平均梯度，其中H_清晰，V_清晰分别表示相对清晰类的平均梯度的水平分量和垂直分量，D_模糊＝(H_模糊晰，V_模糊)为相对模糊类的平均梯度，其中H_模糊，V_模糊分别表示相对模糊类的平均梯度的水平分量和垂直分量，则第一距离

当然，本实施例仅是通过一维和二维的数值进行示例性说明，本发明不对梯度数据的维度进行限定。

S203、获取所述多帧图像中的最大梯度差作为第二距离。

在本发明实施例中，图像的梯度可以反映图像的清晰程度，所述最大梯度差表示多帧图像中的最清晰图像的梯度值与最模糊图像的梯度值之间的差异，所述第二距离可以是欧氏距离。本实施例以梯度为一维数值进行示例性说明，计算多帧图像中的两两之间的梯度值的欧氏距离，将所述欧氏距离最大的距离作为第二距离。

S204、根据所述第一距离与第二距离之间的比值确定所述相对清晰类和相对模糊类之间的清晰度差异。

在本发明实施例中，由于第一距离和第二距离都是绝对的距离，单独的第一距离无法表征出相对清晰类和相对模糊类之间的清晰度差异。因此，在发明实施例中，可以通过所述第一距离与第二距离之间的比值确定所述相对清晰类和相对模糊类之间的清晰度差异，可以对清晰度差异进行客观的量化处理。

S104、若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像。

S105、根据所述保留的图像生成新图像。

在本发明实施例中，预设条件可以是所述相对清晰类和相对模糊类之间的清晰度差异大于预设阈值，若所述清晰度差异大于预设阈值，则认为相对清晰类与相对模糊类差别较大，模糊程度不可以接受，对应的相对模糊帧从而需要去除，因此，仅保留相对清晰类的图像，删除相对模糊类的所有图像。其中预设阈值为25％时鲁棒性较好。优选地，所述预设阈值的区间为20％-30％。

可选地，若所述相对清晰类和相对模糊类之间的清晰度差异不满足预设条件，则保留所述相对清晰类的图像以及相对模糊类的图像。也就是说，若所述清晰度差异小于或者等于预设阈值时，则认为相对清晰类与相对模糊类差别不大，模糊程度可以接受，对应的可以保留相对模糊类的图像以及相对清晰类图像。

在本发明实施例中，所述根据所述保留的图像生成新图像，例如可以通过高动态范围成像对所述保留的图像进行处理，合成最终的图像。

如图3和图4所示，图3和图4采用相同的图像集进行处理，所述图像集包括6帧图像，其中3帧清晰，3帧模糊，图3为没有应用本申请的图像处理方法进行模糊帧去除的多帧去噪效果图，图4为应用本发明的图像处理方法进行模糊帧去除的多帧去噪效果图，由此可见，通过本发明的图像处理方法，可以有效提高图像质量。

本发明实施例，通过获取连续拍摄的多帧图像的梯度信息；根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；获取所述相对清晰类和相对模糊类之间的清晰度差异；若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；根据所述保留的图像生成新图像。由于有效地去除连续拍摄的多帧图像中的模糊帧，因此后续只需根据保留的相对清晰类的图像生成新图像，无需再对相对模糊类的图像处理，从而减少了运算量，并且，由于相对清晰类的图像包含的信息量大于相对模糊类的图像，因此能够提高生成的新图像作为高动态范围成像的中间步骤辅助后续步骤，从而提高图像的图像质量。

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。

当所述梯度信息为局部梯度信息时，作为本发明的一个实施例，图5示出了本发明实施例提供的图像处理方法S101的具体实现流程，详述如下：

步骤S501、获取图像中的感兴趣区域；

在本发明实施例中，随着终端设备拍照技术的提升，一幅拍摄图片的像素个数已经达到了百万级甚至千万级别。如果计算多帧图像的全局梯度，则运算速度可能不能达到很快。因此，为了提高图像处理速度，可以选择图像中的部分区域作为感兴趣区域，从而根据图像中的感兴趣区域获取图像的局部梯度信息。所述感兴趣区域可以是矩形、圆形、椭圆形，在此不对所述感兴趣区域的形状进行限制。

可选地，所述感兴趣区域为图像的中心。由于用户在拍照的时候习惯性的将需要重点拍摄的人物或者景色放在图像中心区域附近，因此可以默认将感兴趣区域设置为图像的中心，当所述感兴趣区域为矩形时，所述感兴趣区域的选取方式可以是以取景界面的中心为作为感兴趣区域的中心，所述感兴趣与的长和宽分别为取景界面的长和宽的一半。

可选地，所述感兴趣区域为用户指定的图像区域。在本实施例中，在使用终端设备进行拍摄之前，用户可以预先在取景界面中选择感兴趣区域，例如通过在取景界面上的手指点击操作，以手指点击的坐标为感兴趣区域的中心，获取所述感兴趣区域。当然用户在拍摄图像时，图像中可能存在多个非连通的感兴趣区域，用户可以通过选择取景界面中的不同区域，将所述不同区域共同作为感兴趣区域。

步骤S502、根据所述图像中的感兴趣区域的像素信息获取图像的局部梯度信息。

在本发明实施例中，基于步骤S501中获取的感兴趣区域中的像素信息来计算图像的梯度，在本实施例中，由于仅关注图像中的感兴趣区域的梯度信息，因此只需要保证经过处理后的图像所生成的最终图像的感兴趣区域的清晰程度符合预期即可。从而可以显著提高图像处理方法的处理速度。

对应于上文实施例所述的图像处理方法，图6示出了本发明实施例提供的图像处理装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。

参照图6，该装置包括：

梯度信息获取单元601，用于获取连续拍摄的多帧图像的梯度信息；

聚类单元602，用于根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；

清晰度差异获取单元603，用于获取所述相对清晰类和相对模糊类之间的清晰度差异；

处理单元604，用于若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；

图像生成单元605，用于根据所述保留的图像生成新图像。

可选地，所述梯度信息为全局梯度信息或者局部梯度信息，其中：

所述全局梯度信息是指通过图像的全部像素信息获取的图像梯度信息；

所述局部梯度信息是指通过图像的局部像素信息获取的图像梯度信息。

可选地，所述清晰度差异获取单元603包括：

平均梯度获取子单元，用于获取所述相对清晰类的平均梯度以及获取所述相对模糊类的平均梯度；

第一距离获取子单元，用于获取所述相对清晰类的平均梯度与所述相对模糊类的平均梯度之间的第一距离；

第二距离获取子单元，用于获取所述多帧图像中的最大梯度差作为第二距离；

确定子单元，用于根据所述第一距离与第二距离之间的比值确定所述相对清晰类和相对模糊类之间的清晰度差异。

可选地，所述梯度信息为局部梯度信息，对应地，所述梯度信息获取单元601包括：

感兴趣区域获取子单元，用于获取图像中的感兴趣区域；

局部梯度信息获取子单元，用于根据所述图像中的感兴趣区域的像素信息获取图像的局部梯度信息。

可选地，所述感兴趣区域为图像的中心或者为用户指定的图像区域。

可选地，所述处理单元604还用于，若所述相对清晰类和相对模糊类之间的清晰度差异不满足预设条件，则保留所述相对清晰类的图像以及相对相对模糊类的图像。

可选地，所述聚类单元采用K-means聚类算法对所述多帧图像进行聚类。

本发明实施例，通过获取连续拍摄的多帧图像的梯度信息；根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；获取所述相对清晰类和相对模糊类之间的清晰度差异；若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；根据所述保留的图像生成新图像。由于有效地去除连续拍摄的多帧图像中的模糊帧，因此后续只需根据保留的相对清晰类的图像生成新图像，无需再对相对模糊类的图像处理，从而减少了运算量，并且，由于相对清晰类的图像包含的信息量大于相对模糊类的图像，因此能够提高生成的新图像作为高动态范围成像的中间步骤辅助后续步骤，从而提高图像的图像质量。

图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如视频热度预测程序。所述处理器70执行所述计算机程序72时实现上述各个视频热度预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至66的功能。

示例性的，所述计算机程序72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71中，并由所述处理器70执行，以完成本发明。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72在所述终端设备7中的执行过程。

所述终端设备7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70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7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70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71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7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71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71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71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发明的范围。

在本发明所提供的实施例中，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，在本发明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，本发明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(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、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。

以上上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 (9)

1.一种图像处理方法，其特征在于，所述方法包括：

获取连续拍摄的多帧图像的梯度信息；

根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；

获取所述相对清晰类和相对模糊类之间的清晰度差异，包括：获取所述相对清晰类的平均梯度以及获取所述相对模糊类的平均梯度；获取所述相对清晰类的平均梯度与所述相对模糊类的平均梯度之间的第一距离；获取所述多帧图像中的最大梯度差作为第二距离；根据所述第一距离与第二距离之间的比值确定所述相对清晰类和相对模糊类之间的清晰度差异；

若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；

根据所述保留的图像生成新图像。

2.如权利要求1所述的图像处理方法，其特征在于，所述梯度信息为全局梯度信息或者局部梯度信息，其中：

所述全局梯度信息是指通过图像的全部像素信息获取的图像梯度信息；

所述局部梯度信息是指通过图像的局部像素信息获取的图像梯度信息。

3.如权利要求2所述的图像处理方法，其特征在于，所述梯度信息为局部梯度信息，对应地，所述获取连续拍摄的多帧图像的梯度信息包括：

获取图像中的感兴趣区域；

根据所述图像中的感兴趣区域的像素信息获取图像的局部梯度信息。

4.如权利要求3所述的图像处理方法，其特征在于，所述感兴趣区域为图像的中心或者为用户指定的图像区域。

5.如权利要求1所述的图像处理方法，其特征在于，所述方法包括：

若所述相对清晰类和相对模糊类之间的清晰度差异不满足预设条件，则保留所述相对清晰类的图像以及相对模糊类的图像。

6.如权利要求1所述的图像处理方法，其特征在于，根据所述多帧图像的梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类，包括：

采用K-means聚类算法、均值漂移聚类算法、基于密度的聚类算法、用高斯混合模型的最大期望聚类算法中的任意一种对所述多帧图像进行聚类。

7.一种图像处理装置，其特征在于，所述装置包括：

梯度信息获取单元，用于获取连续拍摄的多帧图像的梯度信息；

聚类单元，用于根据所述梯度信息将所述多帧图像聚类为相对清晰类和相对模糊类；

清晰度差异获取单元，用于获取所述相对清晰类和相对模糊类之间的清晰度差异；所述清晰度差异获取单元包括：平均梯度获取子单元，用于获取所述相对清晰类的平均梯度以及获取所述相对模糊类的平均梯度；第一距离获取子单元，用于获取所述相对清晰类的平均梯度与所述相对模糊类的平均梯度之间的第一距离；第二距离获取子单元，用于获取所述多帧图像中的最大梯度差作为第二距离；确定子单元，用于根据所述第一距离与第二距离之间的比值确定所述相对清晰类和相对模糊类之间的清晰度差异；

处理单元，用于若所述相对清晰类和相对模糊类之间的清晰度差异满足预设条件，则保留相对清晰类的图像并删除所述相对模糊类的图像；

图像生成单元，用于根据所述保留的图像生成新图像。

8.一种移动终端，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6任一项所述方法的步骤。

9.一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6任一项所述方法的步骤。

Images