CN113472994B - 拍照方法及装置、移动终端及存储介质 - Google Patents

拍照方法及装置、移动终端及存储介质 Download PDF

Info

Publication number
CN113472994B
CN113472994B CN202010236873.8A CN202010236873A CN113472994B CN 113472994 B CN113472994 B CN 113472994B CN 202010236873 A CN202010236873 A CN 202010236873A CN 113472994 B CN113472994 B CN 113472994B
Authority
CN
China
Prior art keywords
image
image quality
images
frames
determining
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.)
Active
Application number
CN202010236873.8A
Other languages
English (en)
Other versions
CN113472994A (zh
Inventor
冯超禹
姬世龙
雷磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202010236873.8A priority Critical patent/CN113472994B/zh
Priority to US17/016,090 priority patent/US11490006B2/en
Priority to EP20197118.1A priority patent/EP3890306B1/en
Publication of CN113472994A publication Critical patent/CN113472994A/zh
Application granted granted Critical
Publication of CN113472994B publication Critical patent/CN113472994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/21—Intermediate information storage
    • H04N1/2104—Intermediate information storage for one or a few pictures
    • H04N1/2112—Intermediate information storage for one or a few pictures using still video cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/21—Intermediate information storage
    • H04N1/2104—Intermediate information storage for one or a few pictures
    • H04N1/2112—Intermediate information storage for one or a few pictures using still video cameras
    • H04N1/215—Recording a sequence of still pictures, e.g. burst mode
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/617—Upgrading or updating of programs or applications for camera control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/65—Control of camera operation in relation to power supply
    • H04N23/651—Control of camera operation in relation to power supply for reducing power consumption by affecting camera operations, e.g. sleep mode, hibernation mode or power off of selective parts of the camera
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/681—Motion detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
    • H04N23/682—Vibration or motion blur correction
    • H04N23/684—Vibration or motion blur correction performed by controlling the image sensor readout, e.g. by controlling the integration time
    • H04N23/6845—Vibration or motion blur correction performed by controlling the image sensor readout, e.g. by controlling the integration time by combination of a plurality of images sequentially taken
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/71—Circuitry for evaluating the brightness variation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/743—Bracketing, i.e. taking a series of images with varying exposure conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/95—Computational photography systems, e.g. light-field imaging systems
    • H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Studio Devices (AREA)

Abstract

本公开是关于一种拍照方法及装置、移动终端及存储介质，所述方法包括：在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；根据所述N帧图像的图像质量，确定目标图像并输出。通过该方法，使得移动终端更具智能性。

Description

拍照方法及装置、移动终端及存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及一种拍照方法及装置、移动终端及存储介质。
背景技术
随着移动终端的普及，利用移动终端进行拍照大受欢迎，用户对移动终端的拍照效果也越来越有需求。
在使用移动终端进行拍照时，为获得更好质量的图像，存在一种拍照方法是：获取固定数量的连续图像，并从中选择出一张图像质量相对较好的图像输出。
然而，该方法仍无法满足用户对拍照质量的需求，因此如何提升拍照时的图像质量成为亟待解决的问题。
发明内容
本公开提供一种拍照方法及装置、移动终端及存储介质。
根据本公开实施例的第一方面，提供一种拍照方法，应用于移动终端中，所述方法包括：
在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；
根据所述N帧图像的图像质量，确定目标图像并输出。
可选的，所述拍照场景包括所述移动终端的运动状态或静止状态，所述方法还包括：
若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；或者，若所述移动终端处于所述静止状态，确定所述N等于预设值。
可选的，所述拍照场景包括所述移动终端的环境亮度，所述方法还包括：
根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
可选的，所述方法还包括：
根据所述环境亮度，确定所述图像质量的确定方式；
所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：
根据所述确定方式，分别确定N帧所述图像的图像质量；
根据所述图像质量，确定所述目标图像并输出。
可选的，所述根据所述环境亮度，确定所述图像质量的确定方式，包括：
若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；或者，若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
可选的，所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：
根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；或者，根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
可选的，所述方法还包括：
根据所述环境亮度，确定图像质量筛选阈值；
所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：
根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；
在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
可选的，所述图像质量筛选阈值与所述环境亮度呈正相关。
可选的，所述方法还包括：
根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；
分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
可选的，所述根据设定的拍照模式，确定每帧所述图像内的感兴趣区域，包括：
若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；或者，若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
可选的，所述连续采集满足预设拍摄参数的目标数量帧图像，包括：
使用相同曝光参数连续采集所述目标数量帧图像。
根据本公开实施例的第二方面，提供一种拍照装置，应用于移动终端中，所述装置包括：
采集模块，配置为在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；
第一确定模块，配置为根据所述N帧图像的图像质量，确定目标图像并输出。
可选的，所述拍照场景包括所述移动终端的运动状态或静止状态，所述装置还包括：
第二确定模块，配置为若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；或者，若所述移动终端处于所述静止状态，确定所述N等于预设值。
可选的，所述拍照场景包括所述移动终端的环境亮度，所述装置还包括：
第三确定模块，配置为根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
可选的，所述装置还包括：
第四确定模块，配置为根据所述环境亮度，确定所述图像质量的确定方式；
所述第一确定模块，具体配置为根据所述确定方式，分别确定N帧所述图像的图像质量；根据所述图像质量，确定所述目标图像并输出。
可选的，所述第四确定模块，具体配置为若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；或者，若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
可选的，所述第一确定模块，具体配置为根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；或者，根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
可选的，所述装置还包括：
第五确定模块，配置为根据所述环境亮度，确定图像质量筛选阈值；
所述第一确定模块，具体配置为根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
可选的，所述图像质量筛选阈值与所述环境亮度呈正相关。
可选的，所述装置还包括：
第六确定模块，配置为根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
可选的，所述第六确定模块，具体配置为若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；或者，若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
可选的，所述采集模块，具体配置为使用相同曝光参数连续采集所述目标数量帧图像。
根据本公开实施例的第三方面，提供一种移动终端，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如上述第一方面中所述的拍照方法。
根据本公开实施例的第四方面，提供一种存储介质，包括：
当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行如上述第一方面中所述的拍照方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
在本公开的实施例中，移动终端在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像，并根据目标数量帧图像的图像质量，确定目标图像并输出。其中，目标数量为移动终端根据当前拍照场景确定的。通过该方法，当若当前拍照场景适用于使用较少的图像就可以得到图像质量的较高的目标图像，则采集较少数量的图像，一方面减少计算量、另一方面减少功耗；如果当前拍照场景适用于使用较多的图像时，则采集较多数量的图像，以确保图像质量。可以理解的是，采用本公开的方案，能在确保图像的质量情况下，尽可能减少不必要的计算和功耗。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开实施例示出的一种拍照方法流程图。
图2是本公开实施例示出的一种拍照方法流程示例图。
图3是根据一示例性实施例示出的一种拍照装置图。
图4是本公开实施例示出的一种移动终端的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是本公开实施例示出的一种拍照方法流程图，如图1所示，应用于移动终端中的拍照方法包括以下步骤：
S11、在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；
S12、根据所述N帧图像的图像质量，确定目标图像并输出。
在本公开的实施例中，移动终端包括：手机、平板电脑、相机或智能穿戴设备等。移动终端中包括图像采集模组，例如手机中的前置摄像头或后置摄像头，可进行拍照。
在步骤S11中，移动终端根据当前拍照场景确定连续采集的目标数量N帧图像。其中，移动终端的当前拍照场景与以下至少之一相对应：
移动终端的运动状态；
移动终端的静止状态；
移动终端所处的环境亮度；
移动终端所处的环境湿度。
在步骤S11中，移动终端连续采集满足预设拍摄参数的目标数量帧图像，以便在S12中，根据N帧图像的图像质量，确定目标图像并输出。
在本公开的实施例中，目标数量帧图像的采集需要满足预设拍摄参数，拍摄参数包括：分辨率参数或曝光参数等。在满足预定拍摄参数的条件下采集，有助于提升采集到图像的图像质量。
在一种实施例中，所述连续采集满足预设拍摄参数的目标数量帧图像，包括：
使用相同曝光参数连续采集所述目标数量帧图像。
在该实施例中，使用相同的曝光参数连续采集目标数量帧图像，即在同一曝光条件下采集图像。曝光参数包括光圈参数、快门参数和感光度参数等，其中，光圈参数包括光圈直径；快门参数包括快门开关速率；感光度参数包括ISO值，可通过对感光器件感光的灵敏度调整或者感光点调整来实现对ISO值的调整。曝光参数可影响拍照时的亮度，从而影响拍照图像的质量。例如，亮度太低时，会影响图像的清晰度；而亮度过大时，又可能曝光过度而使图像的色彩失衡等。
本公开在采集目标数量帧图像时，使用的是相同的曝光参数，因而使得后续在根据N帧图像的图像质量来确定目标图像时，N帧图像的图像质量之间具有可比性，从而使得确定出的目标图像更准确。
在步骤S12中，移动终端输出目标图像，包括移动终端将目标对象显示或传输给其他电子设备；此外还包括移动终端将目标对象保存。
在一种实施例中，步骤S12包括：
根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；
或者，
根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
在本公开的实施例中，在根据N帧图像的图像质量确定目标图像时，可以是选择一帧图像质量最佳的图像作为目标图像，也可以是将M帧图像质量最佳的图像融合后作为目标图像。
在根据N帧图像的图像质量，从N帧图像中选择一帧图像最佳的图像作为目标图像输出时，能在兼顾图像质量的同时兼顾选取效率；而先选取出M帧最佳图像再融合后生成目标图像输出的方式，通过图像融合能利用多幅图像在时空上的相关性及信息上的互补性，因而能进一步提升目标图像的质量。
在采用图像融合的方式生成目标图像时，可采用传统的图像处理的方式进行融合。例如，分别将选取出的M帧最佳图像按金子塔分解法分解为多尺度的图像序列，并将M帧图像的金字塔在相应层上以一定的规则融合，得到合成金字塔；再将该合成金字塔按照金字塔生成的逆过程进行重构，得到融合后的目标图像。再例如，直接对M帧图像的对应像素点做加权平均，获得融合后的目标图像。本公开对图像融合方式不做具体限制。
此外，需要说明的是，在本公开的实施例中，一帧或M帧图像质量最佳的图像，可以是指N帧图像中，按图像的清晰度和/或色彩饱和度从大到小的顺序排序后，排序靠前的一帧或M帧图像。
例如，当移动终端处于运动状态下采集图像时，受运动的影响，相对于移动终端在静止状态时采集图像，更容易采集到模糊的图像；当移动终端所处的环境亮度较暗时，容易受噪声的影响，相对于移动终端处于亮光环境下采集图像，更容易采集到模糊的图像。
再例如，当移动终端所处的环境亮度过亮时，受外界环境光的影响，相对于移动终端在暗光环境下采集图像，更容易采集到曝光过度的图像；当移动终端处于湿度较大的雨天环境时，相对于移动终端处于干燥的晴天环境下采集图像，更容易采集到图像的色彩饱和度更优的图像。
因而，在本公开的实施例中，当移动终端处于可能更容易采集到图像质量相对较差(模糊、曝光过度或色彩饱和度低)的图像的采集环境时，可增大图像的目标数量，使得移动终端能从数量较多的图像中，确定出目标图像，从而提升选择出的目标图像的图像质量较优的概率。而当移动终端处于可能更容易采集到图像质量相对较优(清晰、曝光正常或色彩饱和度高)的图像的采集环境时，可减少图像的目标数量，从而提升目标图像的确定效率。
在一种实施例中，所述拍照场景包括所述移动终端的运动状态或静止状态，所述方法还包括：
若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；
若所述移动终端处于所述静止状态，确定所述N等于预设值。
在该实施例中，拍照场景包括移动终端的运动状态或静止状态。而当移动终端在运动状态时，如前所述的，受运动的影响，移动终端容易采集到模糊的图像，而运动速度越快或者移动终端的加速度越快，则采集到模糊的图像的概率也就越大。因此，在本公开的实施例中，当移动终端处于运动状态时，确定采集的图像帧数量N与运动速度和/或加速度呈正相关。所谓正相关，即运动速度和/或加速度越大，图像帧数量N越大。
需要说明的是，在本公开的实施例中，移动终端处于运动状态，可能是由移动终端的使用者的运动(走路或跑步)而使得移动终端处于运动状态，还可以是由移动终端的使用者在拍照时的手抖或按压拍照按钮时造成的震动而使移动终端处于运动状态。此外，移动终端中可设置有运动传感器，例如，移动终端中设置有三轴加速度传感器或陀螺仪，可获得移动终端的加速度。再例如，移动终端中还可安装有超声波传感器，使得移动终端能根据超声波信号的多普勒频移原理来确定移动终端的运动速度。
在该实施例中，当移动终端在静止状态时，则N等于预设值。需要说明的是，预设值小于移动终端处于运动状态时确定的图像帧数量。
在该实施例中，区分移动终端的运动状态和静止状态来采用不同的图像帧数量N的确定方式。且在运动状态时，还进一步根据运动速度和/或加速度，做针对不同运动速度和/或加速度更细致的图像帧数量N的确定。可以理解的是，通过该种方式，能进一步提升确定出图像质量较优的目标图像的概率，且还能兼顾目标图像的选择效率。
在一种实施例中，所述拍照场景包括所述移动终端的环境亮度，所述根据当前拍照场景，确定连续采集的图像帧数量N，包括：
根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
在该实施例中，拍照场景包括移动终端的环境亮度。如前所述的，受环境亮度的影响，环境亮度低时，移动终端也容易采集到模糊的图像。而环境亮度越低，则采集到模糊的图像的概率也就越大。因此，在本公开的实施例中，移动终端可根据环境亮度确定图像帧数量N，其中N与环境亮度呈负相关。所谓负相关，即环境亮度越大，图像帧数量N越小。
当然，如前所述的，环境亮度过亮时，容易采集到曝光过度的图像。因此，在本公开的实施例中，为兼顾采集到的图像的清晰度和曝光，可在预设的环境亮度范围内，设置图像帧数量N与环境亮度负相关。
可以理解的是，以环境亮度为基础，通过环境亮度和图像帧数量N负相关来根据当前环境亮度确定图像帧数量N，也能在提升确定出图像质量较优的目标图像的概率的同时兼顾目标图像的选择效率。
在一种实施例中，所述方法还包括：
根据所述环境亮度，确定所述图像质量的确定方式；
步骤S12包括：
根据所述确定方式，分别确定N帧所述图像的图像质量；
根据所述图像质量，确定所述目标图像并输出。
在该实施例中，移动终端还可根据环境亮度，采用与环境亮度相适应的图像质量的计算方式。例如，根据不同的环境亮度，确定不同的图像清晰度的计算方式；再例如，根据不同的环境亮度，确定不同的图像曝光度的计算方式。
移动终端根据确定的图像质量的确定方式，从而分别确定N帧图像的图像质量，以便确定出目标图像并输出。可以理解的是，在该实施例中，根据移动终端当前的环境亮度来确定图像质量，例如，根据环境亮度，确定采用计算复杂度较低的图像质量的确定方式；根据当前的环境亮度，确定采用图像质量评估更准确的确定方式等，通过该种方式，能使得图像质量的确定方式能与当前环境亮度更相适配，提升移动终端图像质量确定的智能性。
在一种实施例中，所述根据所述环境亮度，确定所述图像质量的确定方式，包括：
若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；或者，
若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
在该实施例中，以图像质量是通过衡量图像的清晰度为例。当环境亮度较大时，采集到的图像受噪声的影响较小，图像的成像也相对较稳定，因而可采用图像处理方法中的梯度计算法来计算图像的清晰度。梯度计算法是利用图像相邻像素间的灰度值差异来评估图像的清晰度。例如图像的边界两侧附近灰度有明显差异，即灰度变化率大。灰度变化率越大，说明图像的清晰度越高。
示例性的，该梯度计算法可以是拉普拉斯梯度计算法。移动终端可对每帧图像提取拉普拉斯特征，并计算特征的方差。方差大则代表该帧图像越模糊，反之越清晰。在本公开的实施例中，梯度计算法并不限定于拉普拉斯梯度计算法，例如，还可以采用Sobel算子或Prewitt算子等计算图像的梯度。
可以理解是，当环境亮度大于第一亮度阈值时，采用运算效率高的梯度计算法来确定图像的图像质量，能整体提升移动终端输出图像质量最佳的目标图像的速度，从而提升用户的使用体验。
而当环境亮度小于或等于第一亮度阈值，即移动终端所处的环境亮度较暗时，采集到的图像平均亮度低且受噪声较大。且暗光条件时，在闪光灯的作用下，图像的成像一致性也相对较差，因而采用传统的图像处理方法可能无法做到有效评估。对此，本公开针对暗光条件，采用深度学习网络的方式，以减少噪声或成像差异性对图像质量评估的影响。该深度学习网络可以是卷积神经网络(Convolutional Neural Networks，CNN)，例如是LeNet或AlexNet网络等，本公开实施例不做限制。
在采用深度学习网络进行图像清晰度评估时，可将图像灰度信息作为网络输入特征，经过多个卷积层，最后利用全连接层进行回归，输出图像清晰度值。该值越大代表图像越清晰，反之图像越模糊。
需要说明的是，在本公开实施例中，深度学习网络是对环境亮度小于或等于第一亮度阈值下采集到的大量样本图像训练而成。且当该拍照方法应用于移动终端时，可利用图形处理器(Graphics Processing Unit，GPU)或嵌入式神经网络处理器(NPU)来提升图像质量评估的速度。
可以理解是，当环境亮度小于或等于第一亮度阈值时，采用深度学习方法来确定图像质量，能使得在暗光条件下能更准确的计算出图像的清晰度，从而提升目标图像选取的准确性。
在一种实施例中，所述方法还包括：
根据所述环境亮度，确定图像质量筛选阈值；
所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：
根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；
在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
在该实施例中，在从N帧图像中确定目标图像时，部分图像的图像质量可能太差，属于无效图像，因而可通过阈值的方式事先将无效图像排除掉。移动终端再从筛选后保留的K帧像中，选择图像质量最佳图像作为目标图像并输出；或者，从K帧图像中选择M帧图像质量最佳的图像融合后生成目标图像并输出。
需要说明的是，本公开在从K帧图像中选择出一帧图像质量最佳的图像或M帧图像质量最佳的图像时，可采用如冒泡排序法等，本公开实施例不做限制。
可以理解的是，通过图像质量筛选阈值事先筛选图像的方式，能减少排序算法选出目标图像的比较次数，从而提升目标图像的选取效率。
进一步的，本公开的图像质量筛选阈值是根据环境亮度来确定的。如前所述的，不同的环境亮度下，有不同的图像质量计算方式，因而针对不同的图像质量计算方式采用统一的图像质量筛选阈值时可能并不够准确。由此可见，通过根据环境亮度来确定图像质量筛选阈值，能进一步提升目标图像选取的准确度。
在一种实施例中，所述图像质量筛选阈值与所述环境亮度呈正相关。
如前所述的，环境亮度越低，移动终端越容易采集到模糊的图像；环境亮度越高，越容易采集到清晰的图像。因而在该实施例中，通过图像质量筛选阈值与环境亮度正相关的关系，来确定图像质量筛选阈值，使得能根据环境亮度合理调整目标图像的选取效率。其中，图像质量筛选阈值与环境亮度呈正相关，是指环境亮度越大，图像质量筛选阈值越大。
需要说明的是，在本公开的实施例中，图像质量筛选阈值的确定并不局限于环境亮度，也可根据拍照模式来设定。例如，在人像模式下，用户可能更关注人像，因而可适当减小图像质量筛选阈值，以提升能选取出目标图像的概率。
在一种实施例中，所述方法还包括：
根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；
分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
在该实施例中，会根据设定的拍照模式，确定每帧图像内的感兴趣区域。其中，感兴趣区域是指关注的重点区域。例如，在人脸模式下，感兴趣区域是人脸区域；在绿植模式下，感兴趣区域是植物所占的区域。感兴趣区域可能是图像中的局部区域。
根据确定的感兴趣区域，本公开在确定图像的图像质量时，并非确定完整图像的图像质量，而是确定感兴趣区域的图像质量。可以理解的是，由于是对局部区域的计算，因而能减少图像质量确定时的计算量，减少拍照处理时间。此外，根据不同的拍照模式来确定感兴趣区域，能使得确定出的感兴趣区域更符合用户的使用场景，从而能提升目标图像选取的准确率。
在一种实施例中，所述根据设定的拍照模式，确定每帧所述图像内的感兴趣区域，包括：
若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；
若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
在该实施例中，对于人像模式，可检测每帧图像中的人脸区域。例如，若移动终端中使用的是支持三维拍摄的图像采集模组，则可以根据三维深度信息，确定人脸区域。当然，也可使用深度学习网络，该深度学习网络通过对大量包含人脸和非人脸的图像进行训练而成，通过该深度深度学习网络即可检测出人脸区域。
对于非人像模式，即可直接以中心区域作为感兴趣区域。当然，也可采用深度学习网网络。该深度学习网络通过对大量的样本图像中的每张样本图像进行区域分块，再对每块区域进行重要程度回归。因而在利用该深度学医网络检测感兴趣区域时，也可在N帧图像中，确定在每帧图像中的重要度等级都比较高的区域作为感兴趣区域。
图2是本公开实施例示出的一种拍照方法流程示例图，如图2所示，应用于移动终端中的拍照方法包括以下步骤：
S201、终端设备进入拍照模式。
在该实施例中，终端设备即移动终端，终端设备进入拍照模式即准备进行拍照。需要说明的是，终端设备进入拍照模式后即可根据当前拍照场景，确定连续采集的目标数量帧N。
S202、读取相机参数使用相同曝光获得连续帧。
在该实施例中，使用相同曝光获得连续帧，即在同一预设拍摄参数下连续采集目标数量帧图像。
S203、判断是否加速度传感器变化小且测光信息为亮光场景。若是，执行步骤S204；若否，执行步骤S205。
在该实施例中，根据加速度传感器变化大小即可确定终端设备是否处于运动状态，测光信息为亮光场景即终端设备所处的环境光亮度大于第一亮度阈值，若环境光亮度小于或等于第一亮度阈值，则不为亮光场景。如是，则减少采集的图像的图像帧数量，若否，则增大采集的图像的图像帧数量。
S204、减少连续帧图像数量。
在该实施例中，减少连续帧图像数量即减少图像的图像帧数量。
S205、增大连续帧图像数量。
在该实施例中，增大连续帧图像数量即增大采集的图像的图像帧数量。
S206、根据图像内容选择图像计算区域。
在该实施例中，选择图像计算区域即确定感兴趣区域(region ofinterest，ROI)。
S207、判断是否为亮光场景。若是，执行步骤S208；若否，执行步骤S209。
S208、采用传统图像处理方法进行图像清晰度计算。
在该实施例中，传统图像处理方法可以是梯度计算的方式。图像清晰度属于图像质量的一种评价方式。
S209、采用深度学习网络进行图像清晰度回归。
在该实施例中，深度学习网络进行图像清晰度回归即利用深度学习网络确定图像清晰度。
S210、结合计算区域和场景动态选择阈值。
在该实施例中，场景是指终端设备所处的环境亮度，动态选择阈值即动态确定图像质量筛选阈值。
S211、选择超过阈值模糊程度最小的图像作为清晰图像。
在该实施例中，选择超过阈值模糊程度最小的图像作为清晰图像，即在根据阈值筛选出的图像中，选择图像质量最佳图像作为目标图像。
S212、终端设备输出清晰图像。
在该实施例中，终端设备输出清晰图像即终端设备输出目标图像。
可以理解的是，在该实施例中，终端设备根据当前采集环境亮度以及终端设备的运动状态来确定连续采集的目标数量帧N，并进行图像采集。随后，在从N帧图像中，选择出清晰度最佳的图像作为目标图像输出时，还仅对感兴趣区域做清晰度的计算，且在计算清晰度时，根据不同的环境亮度采用不同的清晰度计算方法。通过该方法，一方面能提升清晰图像的选取准确率；另一方便，也能降低算法计算量，提升算法效率。
图3是根据一示例性实施例示出的一种拍照装置图。参照图3，该拍照装置包括：
采集模块101，配置为在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；
第一确定模块102，配置为根据所述N帧图像的图像质量，确定目标图像并输出。
可选的，所述拍照场景包括所述移动终端的运动状态或静止状态；所述装置还包括：
所述第二确定模块103，配置为若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；或者，若所述移动终端处于所述静止状态，确定所述N等于预设值。
可选的，所述拍照场景包括所述移动终端的环境亮度，所述装置还包括：
第三确定模块104，配置为根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
可选的，所述装置还包括：
第四确定模块105，配置为根据所述环境亮度，确定所述图像质量的确定方式；
所述第一确定模块102，具体配置为根据所述确定方式，分别确定N帧所述图像的图像质量；根据所述图像质量，确定所述目标图像并输出。
可选的，所述第四确定模块105，具体配置为若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
可选的，所述第一确定模块102，具体配置为根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；或者，根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
可选的，所述装置还包括：
第五确定模块106，配置为根据所述环境亮度，确定图像质量筛选阈值；
所述第一确定模块102，具体配置为根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
可选的，所述图像质量筛选阈值与所述环境亮度呈正相关。
可选的，所述装置还包括：
第六确定模块107，配置为根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
可选的，所述第六确定模块107，具体配置为若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；或者，若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
可选的，所述采集模块101，具体配置为使用相同曝光参数连续采集所述目标数量帧图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种移动终端装置800的框图。例如，装置800可以是手机，相机等。
参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如Wi-Fi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行控制方法，所述方法包括：
在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数；
根据所述N帧图像的图像质量，确定目标图像并输出。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (22)

1.一种拍照方法，其特征在于，应用于移动终端中，所述方法包括：
在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数，所述拍照场景包括所述移动终端的环境亮度；
根据所述环境亮度，确定图像质量的确定方式和图像质量筛选阈值；
根据所述N帧图像的图像质量，确定目标图像并输出；其中，所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：根据所述确定方式，分别确定N帧所述图像的图像质量；根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；在筛选后的所述K帧图像中根据所述图像质量，确定所述目标图像并输出。
2.根据权利要求1所述的方法，其特征在于，所述拍照场景包括所述移动终端的运动状态或静止状态，所述方法还包括：
若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；或者，
若所述移动终端处于所述静止状态，确定所述N等于预设值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
4.根据权利要求1所述的方法，其特征在于，所述根据所述环境亮度，确定所述图像质量的确定方式，包括：
若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；或者，
若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
5.根据权利要求3所述的方法，其特征在于，所述根据所述N帧图像的图像质量，确定目标图像并输出，包括：
根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；
或者，
根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
6.根据权利要求1所述的方法，其特征在于，所述在筛选后的所述K帧图像中根据所述图像质量，确定所述目标图像并输出，包括：
在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，
在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
7.根据权利要求6所述的方法，其特征在于，所述图像质量筛选阈值与所述环境亮度呈正相关。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；
分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
9.根据权利要求8所述的方法，其特征在于，所述根据设定的拍照模式，确定每帧所述图像内的感兴趣区域，包括：
若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；或者，
若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
10.根据权利要求1所述的方法，其特征在于，所述连续采集满足预设拍摄参数的目标数量帧图像，包括：
使用相同曝光参数连续采集所述目标数量帧图像。
11.一种拍照装置，其特征在于，应用于移动终端中，所述装置包括：
采集模块，配置为在检测到拍照指令时，连续采集满足预设拍摄参数的目标数量帧图像；其中，所述目标数量为N，为所述移动终端根据当前拍照场景确定的，所述N为正整数，所述拍照场景包括所述移动终端的环境亮度；
第四确定模块，配置为根据所述环境亮度，确定图像质量的确定方式；
第五确定模块，配置为根据所述环境亮度，确定图像质量筛选阈值；
第一确定模块，配置为根据所述N帧图像的图像质量，确定目标图像并输出；
所述第一确定模块，具体配置为根据所述确定方式，分别确定N帧所述图像的图像质量；根据所述图像质量筛选阈值，从所述N帧图像中筛选出图像质量大于所述图像质量筛选阈值的K帧图像；其中，所述K为小于所述N的正整数；在筛选后的所述K帧图像中根据所述图像质量，确定所述目标图像并输出。
12.根据权利要求11所述的装置，其特征在于，所述拍照场景包括所述移动终端的运动状态或静止状态，所述装置还包括：
第二确定模块，配置为若所述移动终端处于所述运动状态，根据所述移动终端的运动速度和/或所述移动终端的加速度，确定所述N；其中，所述N的取值大小，与所述运动速度和/或所述加速度呈正相关；或者，若所述移动终端处于所述静止状态，确定所述N等于预设值。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第三确定模块，配置为根据所述环境亮度，确定所述N；其中，所述N与所述环境亮度呈负相关。
14.根据权利要求11所述的装置，其特征在于，
所述第四确定模块，具体配置为若所述环境亮度大于第一亮度阈值，确定所述图像质量的确定方式为采用梯度计算的方式；或者，若所述环境亮度小于或等于所述第一亮度阈值，确定所述图像质量的确定方式为采用深度学习网络的方式。
15.根据权利要求14所述的装置，其特征在于，
所述第一确定模块，具体配置为根据所述N帧图像的图像质量，选择图像质量最佳的图像作为所述目标图像并输出；或者，根据所述N帧图像的图像质量，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述N的正整数。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括：
所述第一确定模块，具体配置为在筛选后的所述K帧图像中，选择图像质量最佳图像作为所述目标图像并输出；或者，在筛选后的所述K帧图像中，选择M帧图像质量最佳的图像融合后生成所述目标图像并输出；其中，所述M为小于所述K的正整数。
17.根据权利要求16所述的装置，其特征在于，所述图像质量筛选阈值与所述环境亮度呈正相关。
18.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第六确定模块，配置为根据设定的拍照模式，确定每帧所述图像内的感兴趣区域；分别确定N帧所述图像内的感兴趣区域的图像质量，并作为所述N帧图像的图像质量。
19.根据权利要求18所述的装置，其特征在于，
所述第六确定模块，具体配置为若所述拍照模式为人像模式，检测每帧所述图像中的人脸区域，并将所述人脸区域确定为所述感兴趣区域；或者，若所述拍照模式为非人像模式，确定每帧所述图像的中心区域为所述感兴趣区域。
20.根据权利要求11所述的装置，其特征在于，
所述采集模块，具体配置为使用相同曝光参数连续采集所述目标数量帧图像。
21.一种移动终端，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行如权利要求1至10中任一项所述的拍照方法。
22.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行如权利要求1至10中任一项所述的拍照方法。
CN202010236873.8A 2020-03-30 2020-03-30 拍照方法及装置、移动终端及存储介质 Active CN113472994B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010236873.8A CN113472994B (zh) 2020-03-30 2020-03-30 拍照方法及装置、移动终端及存储介质
US17/016,090 US11490006B2 (en) 2020-03-30 2020-09-09 Photographing method and device, mobile terminal and storage medium
EP20197118.1A EP3890306B1 (en) 2020-03-30 2020-09-21 Photographing method and device, mobile terminal and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010236873.8A CN113472994B (zh) 2020-03-30 2020-03-30 拍照方法及装置、移动终端及存储介质

Publications (2)

Publication Number Publication Date
CN113472994A CN113472994A (zh) 2021-10-01
CN113472994B true CN113472994B (zh) 2023-03-24

Family

ID=72603373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010236873.8A Active CN113472994B (zh) 2020-03-30 2020-03-30 拍照方法及装置、移动终端及存储介质

Country Status (3)

Country Link
US (1) US11490006B2 (zh)
EP (1) EP3890306B1 (zh)
CN (1) CN113472994B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824884B (zh) * 2021-10-20 2023-08-08 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质
CN115525188A (zh) * 2022-02-28 2022-12-27 荣耀终端有限公司 拍摄方法和电子设备
CN116347212B (zh) * 2022-08-05 2024-03-08 荣耀终端有限公司 一种自动拍照方法及电子设备
CN115760568A (zh) * 2022-11-02 2023-03-07 中国兵器科学研究院 一种目标图像的生成方法、装置及电子设备
CN116033264A (zh) * 2023-01-05 2023-04-28 中国联合网络通信集团有限公司 图像处理参数的调整方法、装置和设备
CN117119284A (zh) * 2023-02-27 2023-11-24 荣耀终端有限公司 一种拍摄方法
CN116804882B (zh) * 2023-06-14 2023-12-29 黑龙江大学 一种基于流数据处理的智能无人机控制系统及其无人机
CN117689559A (zh) * 2023-08-07 2024-03-12 上海荣耀智慧科技开发有限公司 一种图像融合方法、装置、电子设备及存储介质
CN116847204A (zh) * 2023-08-25 2023-10-03 荣耀终端有限公司 一种目标识别方法、电子设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7260323B2 (en) * 2002-06-12 2007-08-21 Eastman Kodak Company Imaging using silver halide films with micro-lens capture, scanning and digital reconstruction
TW200828988A (en) * 2006-12-22 2008-07-01 Altek Corp System and method for image evaluation
TW201416908A (zh) * 2012-10-23 2014-05-01 Pixart Imaging Inc 瞳孔追蹤裝置
WO2015011707A1 (en) 2013-07-23 2015-01-29 Ben Israel Michael Digital image processing
CN104185981A (zh) * 2013-10-23 2014-12-03 华为终端有限公司 从连拍图像中选择图像的方法和终端
US9641759B2 (en) 2014-07-10 2017-05-02 Lg Electronics Inc. Mobile terminal and controlling method thereof
KR20160016068A (ko) * 2014-08-01 2016-02-15 삼성전자주식회사 이미지 생성 방법 및 그 전자 장치
CN104346810A (zh) * 2014-09-23 2015-02-11 上海交通大学 基于图片质量水平分类的图片质量评价方法
CN105635575B (zh) * 2015-12-29 2019-04-12 宇龙计算机通信科技(深圳)有限公司 成像方法、成像装置和终端
CN107770451A (zh) * 2017-11-13 2018-03-06 广东欧珀移动通信有限公司 拍照处理的方法、装置、终端和存储介质
CN108391059A (zh) 2018-03-23 2018-08-10 华为技术有限公司 一种图像处理的方法和装置

Also Published As

Publication number Publication date
CN113472994A (zh) 2021-10-01
EP3890306A1 (en) 2021-10-06
EP3890306B1 (en) 2023-05-10
US20210306558A1 (en) 2021-09-30
US11490006B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
CN113472994B (zh) 拍照方法及装置、移动终端及存储介质
CN108322646B (zh) 图像处理方法、装置、存储介质及电子设备
CN108933897B (zh) 基于图像序列的运动检测方法及装置
CN111586282B (zh) 拍摄方法、装置、终端及可读存储介质
CN108154465B (zh) 图像处理方法及装置
CN107480665B (zh) 文字检测方法、装置及计算机可读存储介质
CN110930329B (zh) 星空图像处理方法及装置
CN108154466B (zh) 图像处理方法及装置
CN108040204B (zh) 一种基于多摄像头的图像拍摄方法、装置及存储介质
CN107820024B (zh) 图像拍摄方法、装置及存储介质
CN108921178B (zh) 获取图像模糊程度分类的方法、装置、电子设备
CN109784164B (zh) 前景识别方法、装置、电子设备及存储介质
CN112188091B (zh) 人脸信息识别方法、装置、电子设备及存储介质
CN112634160A (zh) 拍照方法及装置、终端、存储介质
CN109509195B (zh) 前景处理方法、装置、电子设备及存储介质
CN112669231A (zh) 图像处理方法、图像处理模型的训练方法、装置、介质
CN111586280B (zh) 拍摄方法、装置、终端及可读存储介质
CN106469446B (zh) 深度图像的分割方法和分割装置
CN112950503A (zh) 训练样本的生成方法及装置、真值图像的生成方法及装置
CN115484383A (zh) 拍摄方法及相关装置
CN114979455A (zh) 拍摄方法、装置以及存储介质
CN113808066A (zh) 图像选取方法、装置、存储介质及电子设备
EP4304188A1 (en) Photographing method and apparatus, medium and chip
CN117408885A (zh) 图像处理方法、装置、介质及芯片
CN112866505B (zh) 图像处理方法、装置及存储介质

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
GR01 Patent grant
GR01 Patent grant