图像处理方法、装置、存储介质及移动终端与流程

本申请涉及计算机应用领域，特别是涉及一种图像处理方法、装置、存储介质及移动终端。

背景技术

目前，随着智能电子设备的迅速发展，越来越多的用户采用智能电子设备进行拍照。智能电子设备可对拍摄获取的图像进行分类，然而随着获取的图像越来越多，对图像进行分类的类别和每个类别的数量也增多，导致用户在挑选图像时耗时耗力，降低了用户体验度。

技术实现要素：

本申请实施例提供一种图像处理方法、装置、存储介质及移动终端，可以方便用户挑选图像，提高用户体验度。

一种图像处理方法，包括：

提取待处理图像的图像特征；

获取各所述图像特征之间的相似度，将所述相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的第一聚类合集；

当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理；

获取多次聚类处理后的图像合集。

一种图像的处理装置，所述装置包括：

提取模块，用于提取待处理图像的图像特征；

聚类模块，用于获取各所述图像特征之间的相似度，并将所述图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的第一聚类合集；

调节模块，用于当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理；

获取模块，用于获取多次聚类处理后的图像合集。

一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各个实施例中的图像处理方法的步骤。

一种移动终端，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的图像处理方法的步骤。

本申请实施例中图像处理方法、装置、存储介质及移动终端，通过提取待处理图像的图像特征；获取各所述图像特征之间的相似度，将所述图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的聚类合集；当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理；获取多次聚类处理后的图像合集，从而使图像合集中的图像分类层次清晰，结构规整，方便用户挑选图像，提高了用户体验度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中图像处理方法的应用场景图；

图2为一个实施例中图像处理方法的流程图；

图3为一实施例中卷积神经网络的结构示意图；

图4为一实施例中调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理的方法流程图；

图5为另一实施例中调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理的方法流程图；

图6为一实施例中获取多次聚类处理后的图像合集的方法流程图；

图7为另一实施例中获取多次聚类处理后的图像合集的方法流程图；

图8为另一实施例中图像处理方法的方法流程图；

图9为一个实施例中图像的处理装置的结构框图；

图10a为一个实施例中移动终端的内部结构示意图；

图10b为一个实施例中服务器的内部结构示意图；

图11为一个实施例中图像处理电路的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中图像处理方法的应用场景图。如图1所示，计算机设备110与服务器120可通过网络连接通信。计算机设备110可对已存储的图像进行多级分类，上述多级分类可包括同一维度的多级分类，或不同维度的多级分类。例如，计算机设备可将图像先按照时间维度分类，再对分类后的图像集合按照地点维度分类。计算机设备110可将已存储图像同步到服务器120，服务器120可对接收到的图像进行多级分类，并将多级分类的结果发送给计算机设备110。服务器120也可接收计算机设备110上传的分类结果，根据计算机设备110上传的分类结果来更新对已存储图像的分类。即计算机设备110和服务器120均可对图像进行多级分类，其中，在进行计算机设备110与服务器120之间分类结果同步时，若对图像的分类涉及到用户的手动操作，则以用户手动操作后的分类结果为准。若对图像的分类不涉及到用户的手动操作，则以服务器120的分类结果为准。

图2为一个实施例中图像处理方法的流程图。如图2所示，一种图像处理方法，包括步骤202至步骤208。

步骤202：提取待处理图像的图像特征。

计算机设备在获取到待处理图像后，将待处理图像输入到卷积神经网络(convolutionalneuralnetwork，cnn)模型进行特征提取。cnn模型是指在传统的多层神经网络的基础上发展起来的一种针对图像分类和识别的一种神经网络模型，相对与传统的多层神经网络，cnn模型引入了卷积算法和池化算法。其中，卷积算法是指将局部区域内的数据进行加权叠加的一种数学算法，池化算法是指将局部区域内的数据进行采样处理的一种数学算法。

具体而言，cnn模型由卷积层与池化层交替组成，如图3所示，输入层301输入图像，卷积层302对输入层的图像的各个局部区域进行图像特征提取，池化层303对卷积层的图像特征进行采样以降低维数，然后再以若干层全连接层304对图像特征进行连接，以最后一层隐藏层305的输出值为最终提取的特征。

待处理图像可为任意的图像。如从网络下载的图像，或者移动终端本地相册的图像或拍摄的图像。

步骤204：获取各图像特征之间的相似度，并将图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到待处理图像的第一聚类合集。

具体而言，将最后一层隐藏层305输出的图像特征输入至分类器，分类器计算任意两张图像的图像特征的相似度，通过聚类算法将相似度大于相似度阈值的图像聚成一类。

应当理解地，基于图像特征进行相似度计算中，本实施例首先提取图像的sift(scale-invariantfeaturetransform，尺度不变特征转换)特征向量，再计算任意两幅图像的sift特征向量的相似度。例如，当两幅图像的sift特征向量生成后，采用欧式距离来作为两幅图像中的sift特征向量的相似性判定度量。如果两幅图像的sift特征向量的欧式距离小于某个阈值，则说明两幅图的相似度较高，也即图像特征的相似度大于某个相似度阈值。此时，这两幅图可以归为一类。

需要说明的是，sift是一种检测局部特征的算法，该算法通过提取图像的特征点来描述图像的图像特征，对于不同的图像类型，也可以提取不同的特征点，例如包含人像的图像类型，可以提取人脸特性向量作为图像特征。在其它实施例中，图像特征还包括美食、风景或人像等特征，在此不做具体限定。

在本实施例中，聚类算法包括c均值聚类算法、kmediods聚类算法、自组织映射som聚类算法或者模糊c均值fcm聚类算法。

步骤206：当第一聚类合集的聚类信息符合预设调节条件时，调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理。

应当理解地，相似度为图像的聚类度量。例如，当两幅图像的相似度大于某一相似度阈值时，两幅图像归为一类，若增大相似度阈值，则两幅图像将不属于同一类。因此，相似度阈值可衡量聚类图像的数量。

本实施例中，第一聚类合集的聚类信息包括类别数量和图像数量，该图像数量为各类别内的图像数量，而相似度阈值与类别数量呈正比例关系，与各类别内的图像数量呈反比例关系。即，当待处理图像的数量一定时，增大相似度阈值，其聚类合集中的类别数量会增加，而各类别内的图像数量会减小。因此，通过调节相似度阈值，可以使第一聚类合集中的类别数量和各类别内的图像数量控制在需要的范围。

应当理解地，当第一聚类合集的类别数量和各类别内的图像数量不在需要的范围内时，即为第一聚类合集的聚类信息符合预设调节条件，此时可通过调节相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理，使得第一聚类合集中的类别数量和各类别内的图像数量控制在需要的范围。

在一实施例中，预设调节条件包括以下条件中任一种：

类别数量小于第二预设阈值且任一类别的图像数量大于第一预设阈值。此条件为第一聚类合集中的类别数量在规定的范围内，而存在任一类别的图像数量不在规定的范围内。

类别数量大于第二预设阈值。此条件为第一聚类合集中的类别数量超出规定的范围。

步骤208：获取多次聚类处理后的图像合集。

在一实施例中，根据用户需求，可预先设置相似度阈值，通过该预设相似度阈值得到第一聚类合集，当第一聚类合集的聚类信息符合预设调节条件时，调节相似度阈值。在开始调节相似度阈值前，预先设置聚类信息中的预设类别数量和各类别内的预设图像数量。在调节相似度阈值过程中，第一聚类合集中的类别数量以及各类别的图像数量随相似度阈值动态变化，当类别数量达到预设类别数量时，停止调节相似度阈值，此时获取调节后的图像合集，也即多次聚类处理后的图像合集。该图像合集包括第一图像合集和第二图像合集，第一图像合集为各图像数量小于预设图像数量的类别合集；第二图像合集为图像数量大于预设图像数量的任一类别。

需要说明的是，第一图像合集为满足用户需求的图像合集，也即相册；第二图像合集为还需进行再次聚类的图像合集，可作为单独的相册。

上述图像处理方法中，通过提取待处理图像的图像特征；获取各所述图像特征之间的相似度，将所述图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的聚类合集；当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理；获取多次聚类处理后的图像合集，从而使图像合集中的图像分类层次清晰，结构规整，方便用户挑选图像，提高了用户体验度。

图4为一实施例中调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理的方法流程图，如图4所示，该方法包括步骤402至步骤404。

步骤402：获取调节过程中的类别数量和各类别的图像数量。

步骤404：当类别数量小于第二预设阈值且任一类别的图像数量大于第一预设阈值时，增大相似度阈值直至类别数量达到第二预设阈值。

具体而言，由于相似度阈值与聚类合集中的类别数量呈正比例关系，与各类别内的图像数量呈反比例关系。即，当待处理图像的数量一定时，增大相似度阈值，其聚类合集中的类别数量会增加，而各类别内的图像数量会减小。因此可根据用户需求，预先设置聚类合集(相册)中的类别数量上限为第二预设阈值，以及各类别内的图像数量上限为第一预设阈值。在采用聚类算法对待处理图像进行聚类过程中(即将所述相似度大于相似度阈值的待处理图像聚成一类)，实时检测各类别内的图像数量。当检测到某一类别内的图像数量超过图像数量上限第一预设阈值时，一方面增大相似度阈值使该类别内的图像数量减小；另一方面，增大相似度阈值会使聚类合集中的类别数量增加。因此根据用户需求，预先设置聚类合集(相册)中的类别数量上限为第二预设阈值，当该类别数量达到上限第二预设阈值时，停止对相似度阈值的增大。

需要说明的是，在调节之前需先检测第一聚类合集中的类别数量和各类别的图像数量。第一聚类合集为根据初始相似度阈值对待处理图像进行聚类的到的图像合集。当第一聚类合集的聚类信息(类别数量和各类别的图像数量)符合预设调节条件时，调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理。

本实施例中，通过设置聚类合集中的类别数量上限第二预设阈值和各类别内的图像数量上限第一预设阈值，使得类别数量和图像数量控制在预设数量范围内，从而减少了用户挑选图像的时间，提高了用户体验度。

图5为另一实施例中调节相似度阈值以对第一聚类合集中的图像进行多次聚类处理的方法流程图，如图5所示，该方法还包括步骤406。

步骤406：当类别数量大于第二预设阈值时，减小相似度阈值直至类别数量小于第二预设阈值。

其中，第二预设阈值为聚类合集中的类别数量的上限值。具体而言，由于相似度阈值与聚类合集中的类别数量呈正比例关系，与各类别内的图像数量呈反比例关系。即，当待处理图像的数量一定时，增大相似度阈值，其聚类合集中的类别数量会增加，而各类别内的图像数量会减小。因此可根据用户需求，预先设置聚类合集(相册)中的类别数量上限为第二预设阈值，以及各类别内的图像数量上限为第一预设阈值。在采用聚类算法对待处理图像进行聚类过程中(即将所述相似度大于相似度阈值的待处理图像聚成一类)，实时检测各类别内的图像数量。当检测到聚类合集中的类别数量超过了类别数量上限第二预设阈值时，减小相似度阈值以使聚类合集中的类别数量下降；当类别数量下降至第二预设阈值时，停止减小相似度阈值。

本实施例中，通过设置聚类合集中的类别数量上限第二预设阈值使得类别数量控制在预设数量范围内，避免了聚类合集中的类别数量繁多，用户挑选图像的时间较长的问题。

图6为一实施例中获取多次聚类处理后的图像合集的方法流程图，如图6所示，该方法包括步骤602至步骤608。

步骤602：获取多次聚类处理后生成的第二聚类合集。

步骤604：检测第二聚类合集中的各类别的图像数量。

步骤606：在第二聚类合集中，将图像数量小于或等于第一预设阈值的所有类别聚合为第一图像合集。

步骤608：在第二聚类合集中，将图像数量大于第一预设阈值的任一类别作为第二图像合集。

本实施例中，由于调节相似度阈值时，聚类合集中的类别数量和各类别内的图像数量同时改变，因此，当图像数量大于第一预设阈值时，可在类别数量允许的数量范围(即第二预设阈值)内进行调节相似度阈值，以使类别内的图像数量减小。

应当理解地，在类别数量允许的数量范围(即第二预设阈值)内进行调节相似度阈值，调节后的各类别内的图像数量包括两种情况：一种是大于第一预设阈值；另一种是小于或等于第一预设阈值。因此，调节后检测各类别内的图像数量，根据需求获取图像数量小于或等于第一预设阈值的所有类别，并将其聚合为第一图像合集，而图像数量大于第一预设阈值的类别单独作为第二图像合集。

具体而言，在对第一聚类合集中的图像多次聚类处理后，得到第二聚类合集。在第二聚类合集中，其类别数量满足预设条件，即类别数量小于第二预设阈值。此时，检测第二聚类合集中的各类别的图像数量，将图像数量小于或等于第一预设阈值的所有类别聚合为第一图像合集；将图像数量大于第一预设阈值的任一类别作为第二图像合集。

需要说明的是，第一图像合集包括了所有图像数量小于或等于第一预设阈值的类别，将这些类别聚合在一起作为一个相册，而第二图像合集为图像数量大于第一预设阈值的任一类别，其为一个类别，将第二图像合集作为单独的相册。根据需求可将第二图像合集再次聚类，即通过增大相似度阈值，对第二图像合集再次聚类，以将第二图像合集的类别细分。例如，以第二图像合集的类别为美食为例，将类别为美食的第二图像合集进行再次聚类(增大相似度阈值)后可形成汉堡、面条、水果等类别的图像合集。本实施例中，通过对第二图像合集的再次聚类，避免了同一类别中的图像数量较多，用户浏览不便的问题。对图像的多次聚类，使得图像的分类方式更加细化，有利于用户分门别类的查看对应类型的图像。

图7为另一实施例中获取多次聚类处理后的图像合集的方法流程图，如图7所示，该方法包括步骤602至步骤608，还包括步骤605。

步骤605：在第二聚类合集中，将图像数量小于第三预设阈值的所有类别合并为一类。其中，第三预设阈值小于第一预设阈值。

具体而言，第三预设阈值可作为各类别内的图像数量的下限值，当检测到多个类别内的图像数量小于第三预设阈值时，说明这些类别的图像数量较少，可将这些类别的图像合并为一类，合并后的类别信息可标记为其它类别。应当注意的是，第三预设阈值小于第一预设阈值，即第三预设阈值可作为类别内的图像数量的下限值，第一预设阈值可作为类别内的图像数量的上限值。

需要说明的是，当多个图像数量小于第三预设阈值的类别合并为一类后，器合并后的类别(其它类别)内的图像数量可以大于第一预设阈值，也可以小于或等于第一预设阈值。若小于或等于第一预设阈值，则将其作为第一图像合集中的一类；若大于第一预设阈值，则将其单独作为第二图像合集。

本实施例中，通过对图像数量小于第三预设阈值的类别进行合并，避免了在第一图像合集中的因某一类别中的图像数量较少，导致类别数量繁多，用户浏览不便的问题。对图像较少的类别进行合并，使得图像的分类方式更加规整，有利于提高用户体验度。

图8为另一实施例中图像处理方法的方法流程图，如图8所示，在第二聚类合集中，将图像数量大于第一预设阈值的任一类别作为第二图像合集之后，包括步骤802至步骤804。

步骤802：调节相似度阈值，对第二图像合集中的图像进行多次聚类处理。

步骤804：获取多次聚类处理后符合预设聚类条件的第三聚类合集。其中，所述预设聚类条件包括：第三聚类合集中的类别数量小于第二预设阈值且任一类别的图像数量小于第一预设阈值。

需要说明的是，在获取第二图像合集后，可增大相似度阈值对第二图像合集中的图像进行多次聚类，以将第二图像合集的类别细分，避免了同一类别中的图像数量较多。在进行多次聚类后可得到满足聚类条件的第三聚类合集，即第三聚类合集中的类别数量小于第二预设阈值且任一类别的图像数量小于第一预设阈值。应当理解地是，在第三聚类合集中可能还存在图像数量大于第一预设阈值的类别，该类别可将其作为单独的图像合集，并对它进行聚类细分，具体方法与对第二图像合集的聚类方法相同，在此不再赘述。

上述图像处理方法中，计算机设备可根据相似度阈值大小对待处理图像进行多级聚类。例如，对待处理图像聚类可理解为一级聚类(即将所述相似度大于相似度阈值的待处理图像聚成一类)；对第二图像合集进行的聚类可理解为二级聚类。除一级聚类和二级聚类外，计算机设备还可对待处理图像进行三级聚类、四级聚类···n级聚类等。其中，一级聚类的范围大于二级聚类、二级聚类的范围大于三级聚类，以此类推，即前一级聚类是后一级聚类的父聚类，后一级聚类是前一级聚类的子聚类。计算机设备中预存有各级聚类对应的聚类规则，当计算机设备对待处理图像进行一级聚类时，可获取预存的一级聚类规则。其中，各级聚类规则均对应有相似度阈值。例如，聚类规则可为将待处理图像按相似度聚合为不同的聚组，即相似度大于相似度阈值的图像划聚到同一组。

计算机设备可调整相似度阈值对上述图像数量较多的聚组(即第二图像合集)进行二级聚类。在对待处理图像进行一级聚类后，可得到一级聚类对应的第一图像合集和第二图像合集，其中，第二图像合集为图像数量较多的聚组；第一图像合集为图像数量较少的聚组集合。计算机设备在对第二图像合集进行二次聚类时，可增大相似度阈值(相对于一级聚类而言)，并按照预设聚类规则(即将相似度大于相似度阈值的图像划聚到同一组)对第二图像合集进行二级聚类。

一实施例中，预设聚类规则还可以为根据第二图像合集的类别信息将第二图像合集划分为不同的维度。具体而言，在对第二图像合集二级聚类时，计算机设备可获取第二图像合集的类别信息，以及对第二图像集合进行二级聚类的维度，按照该维度对第二图像集合进行二级聚类。上述第二图像合集的类别信息可包括美食、风景、人像、动物和其它类别。其中，二级聚类的维度与第二图像合集的类别信息相关，即二级聚类的维度为第二图像合集的类别信息基础上的细聚方向。例如，以类别信息为动物类别，对第二图像合集的二级聚类的维度为动物对应的物种，如猫、狗、鱼等。对风景类别的二级聚类的维度可为蓝天、草地、沙滩等；对人像类别的二级聚类的维度可为人像对应的性别、年龄等；对美食类别的二级聚类的维度可为美食对应的食物种类。

图9为一个实施例中图像的处理装置的结构框图。如图9所示，一种图像的处理装置，包括提取模块910、聚类模块920、调节模块930和获取模块940。其中：

提取模块910，用于提取待处理图像的图像特征。

聚类模块920，用于获取各所述图像特征之间的相似度，并将所述图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的第一聚类合集。

调节模块930，用于当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理。

获取模块940，用于获取多次聚类处理后的图像合集。

本实施例中，提取模块910基于已训练的卷积神经网络模型，提取待处理图像的图像特征；聚类模块920获取各所述图像特征之间的相似度，并采用聚类算法将所述图像特征的相似度大于相似度阈值的待处理图像聚成一类，得到所述待处理图像的第一聚类合集；调节模块930用于当所述第一聚类合集的聚类信息符合预设调节条件时，调节所述相似度阈值以对所述第一聚类合集中的图像进行多次聚类处理；获取模块940获取多次聚类处理后的图像合集。上述图像处理装置通过多次聚类使图像合集中的图像分类层次清晰，结构规整，方便用户挑选图像，提高了用户体验度。

在一实施例中，调节模块930，包括：

第一获取单元，用于获取调节过程中的类别数量和各类别的图像数量。

第一调节单元，用于所述类别数量小于第二预设阈值且任一类别的图像数量大于第一预设阈值时，增大所述相似度阈值直至所述类别数量达到第二预设阈值。

在一实施例中，调节模块930，还包括：

第二调节单元，用于当所述类别数量大于第二预设阈值时，减小所述相似度阈值直至所述类别数量小于第二预设阈值。

在一实施例中，获取模块940，包括：

第二获取单元，用于获取所述多次聚类处理后生成的第二聚类合集。

检测单元，用于检测所述第二聚类合集中的各类别的图像数量。

第一聚合单元，在所述第二聚类合集中，将所述图像数量小于或等于第一预设阈值的所有类别聚合为第一图像合集

第二聚合单元，在所述第二聚类合集中，将所述图像数量大于第一预设阈值的任一类别作为第二图像合集。

在一实施例中，获取模块940，还包括：

第三聚合单元，在所述第二聚类合集中，将所述图像数量小于第三预设阈值的所有类别合并为一类；所述第三预设阈值小于所述第一预设阈值。

在一实施例中，一种图像的处理装置，还包括：

二级聚类模块，用于调节所述相似度阈值，对所述第二图像合集中的图像进行多次聚类处理；获取多次聚类处理后符合预设聚类条件的第三聚类合集；所述预设聚类条件包括：所述第三聚类合集中的类别数量小于第二预设阈值且任一类别的图像数量小于第一预设阈值。

应该理解的是，虽然图2、图4、图5、图6、图7、图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4、图5、图6、图7、图8中的至少一部聚步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部聚轮流或者交替地执行。

上述图像的处理装置中各个模块的划聚仅用于举例说明，在其他实施例中，可将图像的处理装置按照需要划聚为不同的模块，以完成上述图像的处理装置的全部或部聚功能。

本申请实施例还提供一种移动终端。该移动终端包括存储器及处理器，该存储器中储存有计算机程序，该计算机程序被该处理器执行时，使得该处理器执行该图像处理方法的步骤。

该移动终端包括存储器及处理器，该存储器中储存有计算机程序，该计算机程序被该处理器执行时，使得该处理器执行该图像处理方法的步骤。

本申请实施例还提供一种存储介质。一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现该图像处理方法的步骤。

图10a为一个实施例中移动终端的内部结构示意图。如图10a所示，该移动终端包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个移动终端的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于移动终端的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例所提供的一种图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的移动终端进行通信。该移动终端可以是手机、平板电脑或者个人数字助理或穿戴式设备等。

图10b为一个实施例中服务器(或云端等)的内部结构示意图。如图10b所示，该服务器包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个移动终端的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于移动终端的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例所提供的一种图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的移动终端进行通信。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本领域技术人员可以理解，图10b中示出的结构，仅仅是与本申请方案相关的部聚结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例中提供的应用程序的推荐装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在移动终端或服务器上运行。该计算机程序构成的程序模块可存储在移动终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。

一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行图像处理方法。

本申请实施例还提供一种移动终端。上述移动终端中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义isp(imagesignalprocessing，图像信号处理)管线的各种处理单元。图11为一个实施例中图像处理电路的示意图。如图11所示，为便于说明，仅示出与本申请实施例相关的图像处理技术的各个方面。

如图11所示，图像处理电路包括isp处理器1140和控制逻辑器1150。成像设备1110捕捉的图像数据首先由isp处理器1140处理，isp处理器1140对图像数据进行聚析以捕捉可用于确定和/或成像设备1110的一个或多个控制参数的图像统计信息。成像设备1110可包括具有一个或多个透镜1112和图像传感器1114的照相机。图像传感器1114可包括色彩滤镜阵列(如bayer滤镜)，图像传感器1114可获取用图像传感器1114的每个成像像素捕捉的光强度和波长信息，并提供可由isp处理器1140处理的一组原始图像数据。传感器1120(如陀螺仪)可基于传感器1120接口类型把采集的图像处理的参数(如防抖参数)提供给isp处理器1140。传感器1120接口可以利用smia(standardmobileimagingarchitecture，标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。

此外，图像传感器1114也可将原始图像数据发送给传感器1120，传感器1120可基于传感器1120接口类型把原始图像数据提供给isp处理器1140，或者传感器1120将原始图像数据存储到图像存储器1130中。

isp处理器1140按多种格式逐个像素地处理原始图像数据。例如，每个图像像素可具有8、10、14或14比特的位深度，isp处理器1140可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像处理操作可按相同或不同的位深度精度进行。

isp处理器1140还可从图像存储器1130接收图像数据。例如，传感器1120接口将原始图像数据发送给图像存储器1130，图像存储器1130中的原始图像数据再提供给isp处理器1140以供处理。图像存储器1130可为存储器装置的一部聚、存储设备、或移动终端内的独立的专用存储器，并可包括dma(directmemoryaccess，直接直接存储器存取)特征。

当接收到来自图像传感器1114接口或来自传感器1120接口或来自图像存储器1130的原始图像数据时，isp处理器1140可进行一个或多个图像处理操作，如时域滤波。处理后的图像数据可发送给图像存储器1130，以便在被显示之前进行另外的处理。isp处理器1140从图像存储器1130接收处理数据，并对该处理数据进行原始域中以及rgb和ycbcr颜色空间中的图像数据处理。isp处理器1140处理后的图像数据可输出给显示器1170，以供用户观看和/或由图形引擎或gpu(graphicsprocessingunit，图形处理器)进一步处理。此外，isp处理器1140的输出还可发送给图像存储器1130，且显示器1170可从图像存储器1130读取图像数据。在一个实施例中，图像存储器1130可被配置为实现一个或多个帧缓冲器。此外，isp处理器1140的输出可发送给编码器/解码器1160，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1170设备上之前解压缩。编码器/解码器1160可由cpu或gpu或协处理器实现。

isp处理器1140确定的统计数据可发送给控制逻辑器1150单元。例如，统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜1112阴影校正等图像传感器1114统计信息。控制逻辑器1150可包括执行一个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的统计数据，确定成像设备1110的控制参数及isp处理器1140的控制参数。例如，成像设备1110的控制参数可包括传感器1120控制参数(例如增益、曝光控制的积聚时间、防抖参数等)、照相机闪光控制参数、透镜1112控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。isp控制参数可包括用于自动白平衡和颜色调整(例如，在rgb处理期间)的增益水平和色彩校正矩阵，以及透镜1112阴影校正参数。

以上为运用图11中图像处理技术实现上述的图像处理方法的步骤。

本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)，它用作外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。