本申请实施例涉及图像处理
技术领域：
：，尤其涉及图像处理方法、装置、存储介质及终端。
背景技术：
：：随着终端技术的快速发展，诸如手机、平板电脑等电子设备均具备了图像采集功能，用户对终端采集的图像的质量要求越来越高。目前在采集图像之后，一般会对图像进行增亮，以使得到的图像中的较暗的区域明亮一些，将肉眼难以分辨的细节显示出来，提高整个图像的清晰度。但是上述图像的增亮方式中，一般是对图像中每一个像素点的rgb值均进行增强，易导致如下问题：图像中色彩被过度而接近于灰色，以及较明亮区域的色彩在增强后发生失真现象，变得模糊。图像失真导致该失真区域的细节丢失，而往往图像失真区域可能是用户关注区域，例如图像中人脸区域。技术实现要素：本申请实施例提供一种图像处理方法、装置、存储介质及终端，可以优化相关技术中的图像增亮方案。第一方面，本申请实施例提供了一种图像处理方法，包括：获取色亮分离颜色模式的待处理图像；将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中；根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵；根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。第二方面，本申请实施例提供了一种图像处理装置，包括：待处理图像获取模块，用于获取色亮分离颜色模式的待处理图像；待处理图像输入模块，用于将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中；亮度映射矩阵确定模块，用于根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵；目标图像生成模块，用于根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的图像处理方法。第四方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的图像处理方法。本申请实施例中提供的图像处理方案，获取色亮分离颜色模式的待处理图像，并将待处理图像输入至预先训练的亮度映射矩阵确定模型中，根据亮度映射矩阵确定模型的输出结果，确定与待处理图像对应的亮度映射矩阵，然后根据亮度映射矩阵对待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。通过采用上述技术方案，通过亮度映射矩阵确定模型可以准确、快速地确定出色亮分离颜色模式的图像的亮度映射矩阵，并基于亮度映射矩阵对待处理图像中独立的亮度分量进行处理，不涉及任何对色彩分量的调节，保证了在上述图像处理过程中，图像色彩保持原样，不存在处理过程对色彩的影响和改变，保证的图像色彩清晰不失真。附图说明图1为本申请实施例提供的一种图像处理方法的流程示意图；图2为本申请实施例提供的另一种图像处理方法的流程示意图；图3为本申请实施例提供的又一种图像处理方法的流程示意图；图4为本申请实施例提供的一种图像亮度分布图的示意图；图5为本申请实施例提供的一种亮度映射关系的曲线示意图；图6为本申请实施例提供的再一种图像处理方法的流程示意图；图7为本申请实施例提供的一种图像处理装置的结构框图；图8为本申请实施例提供的一种终端的结构示意图；图9为本申请实施例提供的又一种终端的结构示意图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。图1为本申请实施例提供的一种图像处理方法的流程示意图，该方法可以由图像处理装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：步骤101、获取色亮分离颜色模式的待处理图像。示例性的，本申请实施例中的终端可包括手机、平板电脑、笔记本电脑、计算机等展示图像的电子设备。本申请实施例中的终端内集成有操作系统，本申请实施例中对操作系统的类型不做限定，例如可包括安卓(android)操作系统、窗口(windows)操作系统以及苹果(ios)操作系统等等。需要说明的是，颜色通常用三个相对独立的属性来描述，三个独立变量综合作用，自然就构成一个空间坐标，这就是颜色模式。颜色模式可分为基色颜色模式和色、亮分离颜色模式，例如，基色颜色模式包括但不限于rgb颜色模式，色、亮分离颜色模式包括但不限于yuv颜色模式、lab颜色模式、hsv颜色模式及hsb颜色模式。在yuv颜色模式中y分量表征亮度，u分量表征色度，v分量表征浓度，其中，u分量和v分量共同表示图像的色彩。在lab颜色模式中l分量表征亮度，a和b共同表示色彩。在hsb颜色模式中，h分量表征色相，s分量表征饱和度，b分量表征亮度。在hsv颜色模式中，h分量表征色相，s分量表征饱和度，v分量表征明度，也即亮度。在色、亮分离颜色模式的图像中，可分别提取亮度分量和色彩分量，可对图像进行亮度和色彩中任一方面的处理，示例性的，对亮度分量进行处理过程中，不会对图像的色彩分量造成任何的影响。在本申请实施例中，获取色亮分离颜色模式的待处理图像，其中，待处理图像可以理解为需要进行亮度调整的图像。该待处理的图像可以是由摄像头根据拍摄指令拍摄得到的图像，还可以是由摄像头在拍摄指令执行前，采集的呈现在终端屏幕上、供用户预览的图像，还可以是从终端相册中获取的图像，或者由云端平台获取的图像。需要说明的是，本申请实施例对色亮分离颜色模式的待处理图像的获取来源或获取方式不做限定。可选的，当检测到图像亮度调整事件被触发时，获取色亮分离颜色模式的待处理图像。可以理解的是，为了在合适的时机对图像进行亮度调整，可预先设置图像亮度调整事件的触发条件。示例性的，为了满足用户对采集图像的视觉需求，可在检测到摄像头处于开启状态时，触发图像亮度调整事件。可选的，当用户对终端中某图像的亮度不满意时，可在检测到用户主动打开图像亮度调整权限时，触发图像亮度调整事件。可选的，为了使图像亮度调整应用于更有价值的应用时机，以节省图像亮度调整所带来的额外功耗，可对图像亮度调整的应用时机和应用场景进行分析或调研等，设置合理的预设场景，在检测终端处于预设场景时，触发图像亮度调整事件。需要说明的是，本申请实施例对图像亮度调整事件被触发的具体表现形式不做限定。在本实施例中，获取的色亮分离颜色模式的图像可以是yuv颜色模式的图像、lab颜色模式的图像、hsv颜色模式的图像或者hsb颜色模式的图像。当本申请的图像处理方法应用于手机时，可选的，获取的色亮分离颜色模式的图像为yuv颜色模式的图像，可在图像采集装置采集到yuv颜色模式的图像后进行处理，无需多余图像转换，减少了图像的转换过程，提高了图像处理效率。所述yuv颜色模式的待处理图像的生成方法，包括：基于图像传感器获取的原始信号，将所述原始信号转换为rgb颜色模式的图像；根据所述rgb颜色模式的图像生成yuv颜色模式的待处理图像。步骤102、将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中。在本申请实施例中，亮度映射矩阵确定模型可以理解为在输入待处理图像后，快速确定与该待处理图像对应的亮度映射矩阵的学习模型。亮度映射矩阵确定模型可以是对采集的样本图像及对应的样本亮度映射矩阵进行训练生成的学习模型，其中，样本亮度映射矩阵可以理解为将样本图像进行亮度调整后，由样本图像变化到亮度调整后的图像的各个像素点的亮度映射关系。可以理解的是，通过对样本图像及对应的样本亮度映射矩阵，及两者间的对应关系进行学习，可以生成亮度映射矩阵确定模型。步骤103、根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵。示例性的，将待处理图像输入至亮度映射矩阵确定模型后，亮度映射矩阵确定模型对所述待处理图像进行分析，并根据分析结果确定与该待处理图像对应的亮度映射矩阵。可以理解的是，所述亮度映射矩阵与待处理图像的大小相同，亮度映射矩阵中每个元素表示在待处理图像中与该元素对应位置的亮度分量需要调节的值。示例性的，亮度映射矩阵中第一个元素(亮度映射矩阵的第一行第一列的元素)可以表示为，在待处理图像中的第一像素点(待处理图像的第一行第一列的像素点)对应的亮度分量需要调节的值。例如，亮度映射矩阵中的第一元素为5，则可表示待处理图像中的第一像素点的亮度分量需要在原来的基础上增加5。如待处理图像中的第一像素点的原始亮度分量为20，则调整后的目标亮度分量为25。步骤104、根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。示例性的，遍历待处理图像中的每一个像素点，获取每一个像素点的亮度分量，基于亮度映射矩阵确定该亮度分量对应的目标亮度分量，其中，某像素点的目标亮度分量可以理解为该像素点的亮度分量与在亮度映射矩阵中与该像素点对应位置的元素之和。将每一个像素点的亮度分量调节为目标亮度分量，以实现对待处理图像的亮度调节，得到亮度调整后的目标图像。在一个实施例中，在终端(手机)的显示界面显示摄像头采集的yuv颜色模式的预览图像或者拍摄图像，获取用户输入的色彩放大指令，其中，该色彩放大指令可以是用户通过点击显示界面中的虚拟控件(例如pi控件)或者用户通过触控手势或语音指令等方式输入的。根据色彩放大指令遍历该显示界面中显示的图像的亮度分量，并将该图像输入至预先训练的亮度映射矩阵确定模型中，确定出该图像的亮度映射矩阵，基于图像的亮度映射矩阵对图像中各个像素点的亮度分量进行调整，得到色彩映射后的图像。在本实施例中，仅对图像的y分量进行映射处理，完全不影响uv之间的比值，色彩分量不存在任何变化，即图像的色彩保持原样，图像的任何区域都不会存在失真现象，通过亮度的变化对色彩进行虚拟放大，实现不损害颜色的基础上，提升色彩表现力，让颜色更通透艳丽。本申请实施例中提供的图像处理方法，获取色亮分离颜色模式的待处理图像，并将待处理图像输入至预先训练的亮度映射矩阵确定模型中，根据亮度映射矩阵确定模型的输出结果，确定与待处理图像对应的亮度映射矩阵，然后根据亮度映射矩阵对待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。通过采用上述技术方案，通过亮度映射矩阵确定模型可以准确、快速地确定出色亮分离颜色模式的图像的亮度映射矩阵，并基于亮度映射矩阵对待处理图像中独立的亮度分量进行处理，不涉及任何对色彩分量的调节，保证了在上述图像处理过程中，图像色彩保持原样，不存在处理过程对色彩的影响和改变，保证的图像色彩清晰不失真。图2为本申请实施例提供的图像处理方法的流程示意图，该方法包括如下步骤：步骤201、获取色亮分离颜色模式的样本原始图像。在本申请实施例中，获取色亮分离颜色模式的图像，并将其作为样本原始图像。其中，所述色亮分离颜色模式包括yuv颜色模式、lab颜色模式、hsv颜色模式及hsb颜色模式中的任意一种。步骤202、对所述样本原始图像进行亮度调整，得到与所述样本原始图像对应的样本目标图像。在本申请实施例中，可利用现有图像亮度调整方法对样本原始图像进行亮度调整，得到与样本原始图像对应的样本目标图像。可选的，将样本原始图像输入至isp(imagesignalprocessor，图像信号处理器)工具中，手动对样本原始图像进行亮度调整，将调节至亮度显示效果最好的图像作为与样本原始图像对应的样本目标图像。其中，对样本原始图像进行亮度调整时，是否调整至亮度效果最好的图像可通过人眼的直观感觉进行确认，还可以通过图像质量评估标准进行评估，直至获取亮度显示效果最好的图像。步骤203、根据所述样本原始图像和所述样本目标图像，确定将所述样本原始图像变化为所述样本目标图像对应的样本亮度映射矩阵。在本申请实施例中，根据样本原始图像和与样本原始图像对应的样本目标图像，确定将样本原始图像变化为样本目标图像时，对应的样本亮度映射矩阵，即确定对样本原始图像进行亮度调整得到样本目标图像时，亮度调整过程中采用的亮度映射矩阵。可选的，根据所述样本原始图像和所述样本目标图像，确定将所述样本原始图像变化为所述样本目标图像对应的样本亮度映射矩阵，包括：获取所述样本原始图像中每个像素点的第一亮度分量及所述样本目标图像中每个像素点的第二亮度分量；针对所有像素点，将每个像素点对应的第二亮度分量值与第一亮度分量的差值，作为样本亮度映射矩阵中所述像素点对应的亮度调整值。示例性的，获取样本原始图像中第一个像素点(样本原始图像中第一行第一列的像素点)的第一亮度分量，及样本目标图像中第一个像素点(样本目标图像中第一行第一列的像素点)的第二亮度分量，并将该第二亮度分量与该第一亮度分量的差值，作为样本亮度映射矩阵中第一行第一列的亮度调整值。按照上述方式，依次类推，分别确定样本亮度映射矩阵中各个元素的亮度调整值。步骤204、根据所述样本亮度映射矩阵对所述样本原始图像进行标记，得到训练样本集。示例性的，根据得到的每个样本亮度映射矩阵分别对对应的样本原始图像进行标记，并将标记好对应样本亮度映射矩阵的样本原始图像，作为亮度映射矩阵确定模型的训练样本集。步骤205、利用所述样本训练集对预设机器学习模型进行训练，得到亮度映射矩阵确定模型。示例性的，利用训练样本集对预设机器学习模型进行训练，生成亮度映射矩阵确定模型。其中，预设机器学习模型可以包括卷积神经网络模型或长短时记忆网络模型等机器学习模型。本申请实施例对预设机器学习模型不做限定。步骤206、获取色亮分离颜色模式的待处理图像。步骤207、将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中。步骤208、根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵。步骤209、根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。其中，在获取色亮分离颜色模式的待处理图像之前，获取亮度映射矩阵确定模型。需要说明的是，可以是终端获取上述训练样本集，利用训练样本集对预设机器学习模型进行训练，直接生成亮度映射矩阵确定模型。还可以是终端直接调用其他终端设备训练生成的亮度映射矩阵确定模型，例如，在出厂前利用一个终端获取上述训练样本集并生成亮度映射矩阵确定模型，然后将该亮度映射矩阵确定模型存储到该终端中，可供其他终端设备直接使用。或者，服务器获取大量的上述样本训练集，然后服务器对基于预设机器学习模型对训练样本集进行训练，得到亮度映射矩阵确定模型。当终端需要进行图像处理时，从服务器调用已训练好的亮度映射矩阵确定模型。本申请实施例提供的图像处理方法，获取色亮分离颜色模式的待处理图像，并将待处理图像输入至预先训练的亮度映射矩阵确定模型中，根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵，然后根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像，其中，亮度映射矩阵确定模型是基于标记好样本亮度映射矩阵的样本原始图像进行训练生成的。通过采用上述技术方案，可以有效利用色亮分离颜色模式的样本原始图像，及对样本原始图像进行亮度调整时的样本亮度映射矩阵，进行亮度映射矩阵确定模型的训练学习，可以有效提高亮度映射矩阵确定模型的精确性，同时利用亮度映射矩阵确定模型可准确地确定出与待处理图像匹配的亮度映射矩阵，对待处理图像进行亮度调整，能够有效提供图像质量。图3为本申请实施例提供的图像处理方法的流程示意图，该方法包括如下步骤：步骤301、获取色亮分离颜色模式的样本原始图像。步骤302、遍历所述样本原始图像中各像素点的亮度分量，确定各亮度分量对应的像素点数量。示例性的，遍历样本原始图像中每一个像素点的亮度分量，例如，在yuv颜色模式的样本原始图像中，提取图像中每一个像素点的y分量，并对各亮度分量对应的像素点进行统计。可选的，对于yuv颜色模式的图像数据采用平面格式进行存储，即将y、u、v的三个分量分别存放在不同的矩阵中，在遍历样本原始图像中各像素点的亮度分量时，读取用于存储y分量的矩阵，可获取该图像中各像素点的亮度分量。步骤303、根据所述各亮度分量以及各亮度分量对应的像素点数量，生成所述样本原始图像的亮度分布。其中，亮度分布的数据可以是以直方图、亮度分布曲线或积分图的形式展示，可选的，步骤303为：据所述各亮度分量以及各亮度分量对应的像素点数量，生成所述样本原始图像的亮度分布图。示例性的，参见图4，图4是本申请实施例提供的图像亮度分布图的示意图，在图4中，横轴为样本原始图像的各亮度分量，范围为0-255，纵轴为该样本原始图像中各亮度分量对应的像素点的数量。亮度分布可体现图像的色彩亮度，当亮度分量为1-128的像素点的比例较大时，表明该样本原始图像整体亮度偏暗，当亮度分量为128-155的像素点的比例较大时，表明该样本原始图像整体亮度偏亮。步骤304、根据预设的标准亮度分布和所述样本原始图像的亮度分布，生成亮度映射关系。示例性的，预设的标准亮度分布中包含0-255各个亮度分量对应的像素点数量占整个图像像素点数量的标准比例。当样本原始图像的亮度分布情况满足预设的标准亮度分布时，该样本原始图像满足用户对图像的亮度需求。当样本原始图像的亮度分布与预设的标准亮度分布存在差异时，可调节样本原始图像中像素点的亮度分量，以使得的调节后图像的亮度分布与预设的标准亮度分布一致或在允许误差范围内。在本实施例中，亮度映射关系中包括图像原始亮度分量与映射亮度分量的对应关系，可用于将样本原始图像中像素点的亮度分量调节为映射亮度分量，且调节后的图像的亮度分布情况满足预设的标准亮度分布。示例性的，参见图5，图5是本申请实施例提供的一种亮度映射关系的曲线示意图。其中，亮度映射关系可以是以曲线形式或者查询表(lookuptable，lut)形式展示，本实施例对此不做限定，图5仅是亮度映射关系的一个曲线展示示例。在图5中，曲线对应横轴为图像的原亮度分量，曲线对应纵轴为调节后的亮度分量。可选的，在步骤304中，根据预设的标准亮度分布图和所述样本原始图像的亮度分布图，生成亮度映射关系表。步骤305、根据所述亮度映射关系对所述样本原始图像中各像素点的亮度分量进行调节，生成与所述样本原始图像对应的样本目标图像。遍历样本原始图像中的每一个像素点，获取每一个像素点的亮度分量，基于亮度映射关系确定该亮度分量对应的映射亮度分量，将每一个像素点的亮度分量调节为映射亮度分量，以实现对样本原始图像的亮度调节，生成与所述样本原始图像对应的样本目标图像。步骤306、根据所述样本原始图像和所述样本目标图像，确定将所述样本原始图像变化为所述样本目标图像对应的样本亮度映射矩阵。步骤307、根据所述样本亮度映射矩阵对所述样本原始图像进行标记，得到训练样本集。步骤308、利用所述样本训练集对预设机器学习模型进行训练，得到亮度映射矩阵确定模型。步骤309、获取色亮分离颜色模式的待处理图像。步骤310、将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中。步骤311、根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵。步骤312、根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。本申请实施例提供的图像处理方法，在对样本原始图像进行亮度调整时，通过遍历样本原始图像中各像素点的亮度分量，确定各亮度分量对应的像素点数量，根据所述各亮度分量以及各亮度分量对应的像素点数量，生成所述样本原始图像的亮度分布，根据预设的标准亮度分布和所述样本原始图像的亮度分布，生成亮度映射关系，根据所述亮度映射关系对所述样本原始图像中各像素点的亮度分量进行调节，得到与所述样本原始图像对应的样本目标图像。通过采用上述技术方案，对色亮分离颜色模式的样本原始图像中亮度分量进行提取、分析和处理，将图像的亮度分量调节至预设的标准状态，对图像进行提亮，展现图像的细节，提高图像的清晰度。同时，基于上述方式可以得到较准确的样本亮度映射矩阵，使得训练的亮度映射矩阵确定模型准确度更高，另外，通过上述方式训练的亮度映射矩阵确定模型得到的待处理图像的亮度映射矩阵，对待处理图像进行亮度调整，保证了待处理图像处理过程中，待处理图像色彩保持原样，不存在处理过程对色彩的影响和改变。图6为本申请实施例提供的图像处理方法的流程示意图，该方法包括如下步骤：步骤601、获取色亮分离颜色模式的样本原始图像。步骤602、对所述样本原始图像进行亮度调整，得到与所述样本原始图像对应的样本目标图像。步骤603、根据所述样本原始图像和所述样本目标图像，确定将所述样本原始图像变化为所述样本目标图像对应的样本亮度映射矩阵。步骤604、获取所述样本原始图像的样本场景信息。示例性的，样本原始图像的样本场景信息可以包括但不限于人像场景、夜景场景、夕阳场景、日光场景、逆光场景以及夜景逆光场景等。步骤605、根据所述样本亮度映射矩阵及所述样本场景信息对所述样本原始图像进行标记，得到训练样本集。在本申请实施例中，除根据亮度映射矩阵对对应的样本原始图像进行标记外，还根据样本场景信息对对应的样本原始图像进行标记，即在样本原始图像中标记出该样本原始图像的样本场景信息。示例性的，可用阿拉伯数字将不同的样本场景信息标记在对应的样本原始图像中。例如，可将人像场景的样本原始图像标记为0，将夜景场景的样本原始图像标记为1，将夕阳场景的样本原始图像标记为2，将日光场景的样本原始图像标记为3，将逆光场景的样本原始图像标记为4，将夜景逆光场景的样本原始图像标记为5。将标记好样本场景信息及样本亮度映射矩阵的样本原始图像作为亮度映射矩阵确定模型的训练样本集。步骤606、利用所述样本训练集对预设机器学习模型进行训练，得到亮度映射矩阵确定模型。步骤607、获取色亮分离颜色模式的待处理图像。步骤608、对所述待处理图像进行场景识别，确定所述待处理图像的目标场景信息。示例性的，待处理图像的场景类别可以包括但不限于人像场景、夜景场景、夕阳场景、日光场景、逆光场景以及夜景逆光场景等，可以是依据待处理图像中包含的对象以及待处理图像的明暗比例等因素对待处理图像进行场景识别。例如，可以是基于深度学习模型对待处理图像进行图像识别，深度学习模型可以是卷积神经网络。在终端中预先设置具有场景识别功能的深度学习模型，该深度学习模型可以是基于监督学习方式训练得到，例如采集大量图像并标注每一张图像的真实场景，作为训练样本，将样本图像输入至未训练的深度学习模型中，得到输出场景，当深度学习模型的输出场景与真实场景不一致时，根据输出场景与真实场景的差异反向调节深度学习模型中权重和偏移值等网络参数，循环执行上述训练过程，直到深度学习模型的输出场景的精度达到预设精度时，完成对深度学习模型的训练。可选的，对所述待处理图像进行场景识别，确定所述待处理图像的目标场景信息，包括：将所述待处理图像输入至预先训练的场景识别模型中；根据所述场景识别模型的输出结果，确定所述待处理图像的目标场景信息。在本申请实施例中，场景识别模型可以理解为在输入待处理图像后，快速确定与该待处理图像对应的场景类别的学习模型。场景识别模型可以是对采集的样本图像及对应的样本图像的场景类型进行训练生成的学习模型。可以理解的是，通过对样本图像及对应的样本图像的场景类型，及两者间的对应关系进行学习，可以生成场景识别模型。可选的，所述场景识别模型由如下方式得到：通过摄像头采集至少两种场景类别下的样本图像；根据所述场景类别对所述样本图像进行标记，生成训练样本集；利用所述训练样本集对预设机器学习模型进行训练，得到场景识别模型。示例性的，通过摄像头采集至少两种场景类别下的图像，作为样本图像。例如，通过摄像头分别采集人像场景、夜景场景、夕阳场景、日光场景、逆光场景以及夜景逆光场景等不同场景下的图像，作为样本图像，并根据场景类别对对应的样本图像进行样本标记。如可通过阿拉伯数字对不同场景类别的样本图像进行样本标记，例如，可将人像场景的图像标记为0，将夜景场景的图形标记为1，将夕阳场景的图像标记为2，强日光场景的图像标记为3，将逆光场景的图像标记为6，将夜景逆光场景的图像标记为5。将标记好场景类型的样本图像作为场景识别模型的训练样本集。并利用训练样本集对预设机器学习模型进行训练，生成场景识别模型。其中，预设机器学习模型可以包括卷积神经网络模型或长短时记忆网络模型等机器学习模型。本申请实施例对预设机器学习模型不做限定。示例性的，将待处理图像输入至场景识别模型后，场景识别模型对所述待处理图像进行分析，并根据分析结果确定与该图像对应的目标场景信息。例如，场景识别模型可以分别给出该图像对应的各个场景类别的概率值，其中，各个场景类别的概率值的和为1，可将概率值最大的场景类别作为该图像的目标场景信息。步骤609、将所述目标场景信息及所述待处理图像输入至预先训练的亮度映射矩阵确定模型中。在本申请实施例中，亮度映射矩阵确定模型可以理解为在输入待处理图像及该待处理图像的目标场景信息后，对该待处理图像及目标场景信息进行分析，以快速确定与该待处理图像对应的亮度映射矩阵的学习模型。步骤610、根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵。步骤611、根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。本申请实施例提供的图像处理方法，根据样本亮度映射矩阵及样本原始图像的样本场景信息对所述样本原始图像进行标记，得到训练样本集，并利用所述样本训练集对预设机器学习模型进行训练，得到亮度映射矩阵确定模型，这样可以有效提高亮度映射矩阵确定模型训练的准确性，并且可通过该亮度映射矩阵确定模型准确地确定出不同场景的待处理图像的亮度映射矩阵，对不同场景的待处理图像均可达到最佳效果，提高了图像处理方式的适用性。图7为本申请实施例提供的图像处理装置的结构框图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行图像处理方法来对图像亮度进行调整。如图7所示，该装置包括：待处理图像获取模块701，用于获取色亮分离颜色模式的待处理图像；待处理图像输入模块702，用于将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中；亮度映射矩阵确定模块703，用于根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵；目标图像生成模块704，用于根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。本申请实施例中提供的图像处理装置，获取色亮分离颜色模式的待处理图像，并将待处理图像输入至预先训练的亮度映射矩阵确定模型中，根据亮度映射矩阵确定模型的输出结果，确定与待处理图像对应的亮度映射矩阵，然后根据亮度映射矩阵对待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。通过采用上述技术方案，通过亮度映射矩阵确定模型可以准确、快速地确定出色亮分离颜色模式的图像的亮度映射矩阵，并基于亮度映射矩阵对待处理图像中独立的亮度分量进行处理，不涉及任何对色彩分量的调节，保证了在上述图像处理过程中，图像色彩保持原样，不存在处理过程对色彩的影响和改变，保证的图像色彩清晰不失真。可选的，所述装置还包括：矩阵确定模型获取模块，用于在获取色亮分离颜色模式的待处理图像之前，获取所述亮度映射矩阵确定模型中；其中，所述亮度映射矩阵确定模型由如下方式得到：获取色亮分离颜色模式的样本原始图像；对所述样本原始图像进行亮度调整，得到与所述样本原始图像对应的样本目标图像；根据所述样本原始图像和所述样本目标图像，确定将所述样本原始图像变化为所述样本目标图像对应的样本亮度映射矩阵；根据所述样本亮度映射矩阵对所述样本原始图像进行标记，得到训练样本集；利用所述样本训练集对预设机器学习模型进行训练，得到亮度映射矩阵确定模型。可选的，对所述样本原始图像进行亮度调整，得到与所述样本原始图像对应的样本目标图像，包括：遍历所述样本原始图像中各像素点的亮度分量，确定各亮度分量对应的像素点数量；根据所述各亮度分量以及各亮度分量对应的像素点数量，生成所述样本原始图像的亮度分布；根据预设的标准亮度分布和所述样本原始图像的亮度分布，生成亮度映射关系；根据所述亮度映射关系对所述样本原始图像中各像素点的亮度分量进行调节，生成与所述样本原始图像对应的样本目标图像。可选的，在根据所述样本亮度映射矩阵对所述样本原始图像进行标记，得到训练样本集之前，还包括：获取所述样本原始图像的样本场景信息；根据所述样本亮度映射矩阵对所述样本原始图像进行标记，得到训练样本集，包括：根据所述样本亮度映射矩阵及所述样本场景信息对所述样本原始图像进行标记，得到训练样本集；相应的，所述装置还包括：场景识别模块，用于在将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中之前，对所述待处理图像进行场景识别，确定所述待处理图像的目标场景信息；待处理图像输入模块，用于：将所述目标场景信息及所述待处理图像输入至预先训练的亮度映射矩阵确定模型中。可选的，所述场景识别模块，用于：将所述待处理图像输入至预先训练的场景识别模型中；根据所述场景识别模型的输出结果，确定所述待处理图像的目标场景信息。可选的，所述色亮分离颜色模式包括yuv颜色模式、lab颜色模式、hsv颜色模式及hsb颜色模式中的任意一种。可选的，所述yuv颜色模式的待处理图像的生成方法，包括：基于图像传感器获取的原始信号，将所述原始信号转换为rgb颜色模式的图像；根据所述rgb颜色模式的图像生成yuv颜色模式的待处理图像。本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行图像处理方法，该方法包括：获取色亮分离颜色模式的待处理图像；将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中；根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵；根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的图像处理操作，还可以执行本申请任意实施例所提供的图像处理方法中的相关操作。本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的图像处理装置。图8为本申请实施例提供的一种终端的结构示意图。终端800可以包括：存储器801，处理器802及存储在存储器上并可在处理器运行的计算机程序，所述处理器802执行所述计算机程序时实现如本申请实施例所述的图像处理方法。本申请实施例提供的终端，通过亮度映射矩阵确定模型可以准确、快速地确定出色亮分离颜色模式的图像的亮度映射矩阵，并基于亮度映射矩阵对图像中独立的亮度分量进行处理，不涉及任何对色彩分量的调节，保证了在上述图像处理过程中，图像色彩保持原样，不存在处理过程对色彩的影响和改变，保证的图像色彩清晰不失真。图9为本申请实施例提供的另一种终端的结构示意图，该终端可以包括：壳体(图中未示出)、存储器901、中央处理器(centralprocessingunit，cpu)902(又称处理器，以下简称cpu)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述cpu902和所述存储器901设置在所述电路板上；所述电源电路，用于为所述终端的各个电路或器件供电；所述存储器901，用于存储可执行程序代码；所述cpu902通过读取所述存储器901中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：获取色亮分离颜色模式的待处理图像；将所述待处理图像输入至预先训练的亮度映射矩阵确定模型中；根据所述亮度映射矩阵确定模型的输出结果，确定与所述待处理图像对应的亮度映射矩阵；根据所述亮度映射矩阵对所述待处理图像中各像素点的亮度分量进行调整，生成亮度调整后的目标图像。所述终端还包括：外设接口903、rf(radiofrequency，射频)电路905、音频电路906、扬声器911、电源管理芯片908、输入/输出(i/o)子系统909、其他输入/控制设备910、触摸屏912、其他输入/控制设备910以及外部端口904，这些部件通过一个或多个通信总线或信号线907来通信。应该理解的是，图示终端900仅仅是终端的一个范例，并且终端900可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。下面就本实施例提供的用于图像处理的终端进行详细的描述，该终端以手机为例。存储器901，所述存储器901可以被cpu902、外设接口903等访问，所述存储器901可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。外设接口903，所述外设接口903可以将设备的输入和输出外设连接到cpu902和存储器901。i/o子系统909，所述i/o子系统909可以将设备上的输入输出外设，例如触摸屏912和其他输入/控制设备910，连接到外设接口903。i/o子系统909可以包括显示控制器9091和用于控制其他输入/控制设备910的一个或多个输入控制器9092。其中，一个或多个输入控制器9092从其他输入/控制设备910接收电信号或者向其他输入/控制设备910发送电信号，其他输入/控制设备910可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器9092可以与以下任一个连接：键盘、红外端口、usb接口以及诸如鼠标的指示设备。触摸屏912，所述触摸屏912是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。i/o子系统909中的显示控制器9091从触摸屏912接收电信号或者向触摸屏912发送电信号。触摸屏912检测触摸屏上的接触，显示控制器9091将检测到的接触转换为与显示在触摸屏912上的用户界面对象的交互，即实现人机交互，显示在触摸屏912上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。rf电路905，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，rf电路905接收并发送rf信号，rf信号也称为电磁信号，rf电路905将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。rf电路905可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、rf收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec(coder-decoder，编译码器)芯片组、用户标识模块(subscriberidentitymodule，sim)等等。音频电路906，主要用于从外设接口903接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器911。扬声器911，用于将手机通过rf电路905从无线网络接收的语音信号，还原为声音并向用户播放该声音。电源管理芯片908，用于为cpu902、i/o子系统及外设接口所连接的硬件进行供电及电源管理。上述实施例中提供的图像处理装置、存储介质及终端可执行本申请任意实施例所提供的图像处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的图像处理方法。注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。当前第1页12当前第1页12