图像处理方法、计算机装置及存储介质与流程

1.本技术涉及图像处理领域，尤其涉及一种图像处理方法、计算机装置及存储介质。


背景技术：

2.由于目前的工业生产过程中良率较高，所以较难取得大量的有瑕疵的印字图像样本，用以作为训练样本对瑕疵检测模型进行训练。现有的人工进行合成有瑕疵样本的方法，在生成仿真数据后还需要人工对其中的有瑕疵数据进行标记，或是训练另一个深度学习模型来加以分类，耗费较多人力和时间，并且人工标记过程中还容易出现错漏。如何在保证准确率的前提下，高效解决训练数据不足的问题，一直是深度学习在应用上的一大课题。


技术实现要素：

3.鉴于以上内容，有必要提供一种图像处理方法、计算机装置及存储介质，能够自动生成大量有瑕疵的印字图像，降低人工合成以及标记的成本。
4.所述图像处理方法包括：获取无瑕疵图像，确定所述无瑕疵图像的文字区与背景区，并确定所述文字区中每个文字的位置；根据所述每个文字的位置对所述文字区进行分割，获得每个文字的第一图像；对所述每个文字的第一图像去除背景，获得每个文字的第二图像；根据预设的第一图像处理方法处理所述每个文字的第二图像，获得每个文字的第三图像；根据预设的第二图像处理方法处理所述每个文字的第二图像，获得每个文字的n幅第四图像和n幅第五图像，所述每个文字的n幅第四图像和所述n幅第五图像一一对应，n为大于1的正整数；计算所述每个文字的n幅第五图像中的每幅第五图像与所述每个文字的第三图像之间的相似性度量，获得每个文字对应的n个相似性度量，并将每个文字的n幅第五图像与所述每个文字对应的n个相似性度量分别建立关联，根据所述文字区的所有文字分别对应的n个相似性度量确定一个瑕疵阈值；比较每个文字对应的n个相似性度量中的每个相似性度量与所述瑕疵阈值的大小，其中，当任一文字对应的任意一个相似性度量大于所述瑕疵阈值时，确定与所述任意一个相似性度量关联的第五图像对应的第四图像为有瑕疵图像；当任意一幅第四图像被确定为有瑕疵图像时，从所述背景区中截取一幅背景图像，所述截取的背景图像的大小等于所述有瑕疵图像的大小；及对所截取的背景图像进行明暗度处理，合成所述有瑕疵图像和经过明暗度处理后的所述背景图像，获得合成图像。
5.可选地，所述第一图像处理方法包括图像二值化、轮廓提取；所述第二图像处理方法包括擦除处理、图像二值化、轮廓提取。
6.可选地，所述对所述每个文字的第一图像去除背景，获得每个文字的第二图像包括方法一：利用大津算法确定所述第一图像的第一阈值，根据所述第一阈值获取所述第一图像的掩膜，并将所述掩膜与所述第一图像进行按位与运算，获得所述第一图像的前景文字图像；及利用高斯模糊技术对所述前景文字图像进行柔化边缘处理，获得所述第二图像。
7.可选地，所述对所述每个文字的第一图像去除背景，获得每个文字的第二图像包括方法二：利用傅里叶变换去除所述第一图像中的网点，对去除网点后的所述第一图像进
行二值化；及利用高斯模糊技术对二值化后的所述第一图像进行柔化边缘处理，获得所述第二图像。
8.可选地，所述第一图像处理方法以及所述第二图像处理方法根据所述第一阈值进行图像二值化，以及利用傅里叶描述子算法或不变矩算法进行轮廓提取。
9.可选地，所述根据预设的第二图像处理方法处理所述每个文字的第二图像，获得每个文字的n幅第四图像和n幅第五图像，所述每个文字的n幅第四图像和所述n幅第五图像一一对应，包括：对所述每个文字的第二图像进行n次随机擦除，获得每个文字的n幅第四图像；对所述每个文字的n幅第四图像执行图像二值化，获得n幅黑白图像；对所述n幅黑白图像进行轮廓提取，获得所述n幅第五图像。
10.可选地，所述相似性度量是指所述每个文字的每幅第五图像与所述每个文字的第三图像之间的欧氏距离；其中，所述根据所述文字区的所有文字分别对应的n个相似性度量确定一个瑕疵阈值包括：根据每个所述相似性度量的值对应的所述第五图像的图像个数，制作所述相似性度量与所述图像个数的折线关系图；及将所述折线关系图中所述相似性度量的第一个局部最小值作为所述瑕疵阈值。
11.可选地，所述对所截取的背景图像进行明暗度处理，合成所述有瑕疵图像和经过明暗度处理后的所述背景图像，获得合成图像包括：对所截取的背景图像进行多次明暗度调整，获得多幅调整图像，将所述多幅调整图像分别与所述有瑕疵图像进行合成处理，获得多幅合成图像。
12.所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述图像处理方法。
13.所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述图像处理方法。
14.相较于现有技术，所述图像处理方法、计算机装置及存储介质，能够自动生成大量有瑕疵的印字图像，不需要训练额外的深度学习模型即可对其中的训练样本进行自动标记，降低人工合成以及标记的成本。
附图说明
15.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
16.图1是本技术实施例提供的图像处理方法的流程图。
17.图2是本技术实施例提供的计算机装置的架构图。
18.图3a是本技术实施例提供的步骤s1和步骤s2的示例图。
19.图3b是本技术实施例提供的获得第二图像的过程的示例图。
20.图4是本技术实施例提供的获得有瑕疵图像的过程的示例图。
21.图5是本技术实施例提供的折线关系图的示例图。
22.图6是本技术实施例提供的获得合成图像的过程的示例图。
23.主要元件符号说明
24.计算机装置3图像处理系统30存储器31处理器32
25.如下具体实施方式将结合上述附图进一步说明本技术。
具体实施方式
26.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
27.在下面的描述中阐述了很多具体细节以便于充分理解本技术，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
28.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
29.参阅图1所示，为本技术较佳实施例的图像处理方法的流程图。
30.在本实施例中，所述图像处理方法可以应用于计算机装置(例如图2所示的计算机装置3)中，对于需要进行图像处理的计算机装置，可以直接在计算机装置上集成本技术的方法所提供的用于图像处理的功能，或者以软件开发工具包(software development kit，sdk)的形式运行在计算机装置上。
31.如图1所示，所述图像处理方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
32.步骤s1，计算机装置获取无瑕疵图像，确定所述无瑕疵图像的文字区与背景区，并确定所述文字区中每个文字的位置。
33.在一个实施例中，计算机装置可以响应用户输入获取一幅无瑕疵图像。所述无瑕疵图像还可以预先存储在计算机装置的存储器中，或者预先存储在与计算机装置通讯连接的其他设备中。本实施例中，所述无瑕疵图像可以是工厂生产的印刷品的标准样本(golden sample)图像，所述无瑕疵图像中包含文字(例如，汉字、数字、英文字母等)。需要说明的是，标准样本图像的位置不需要校正，其中文字的排列方向也不需要校正。
34.在一个实施例中，计算机装置可以利用光学字符识别(optical character recognition，ocr)技术识别所述无瑕疵图像的文字，进而确认所述无瑕疵图像的文字区与背景区，并确定所述文字区中每个文字的位置。所述文字区是指包含文字的区域，计算机装置可以利用感兴趣区域技术(region of interest，roi)，勾勒出所述文字区，例如图3a所示，沿文字的排列方向用外围的大矩形框(实线)将所有文字框在其内，框出所述文字区，需要说明的是，图3a中大矩形框外围的虚线框仅用于指示所述大矩形框；所述背景区是指不包含文字的区域，即所述无瑕疵图像中所述文字区之外的区域，例如图3a所示阴影表示的区域。
35.步骤s2，计算机装置根据所述每个文字的位置对所述文字区进行分割，获得每个
文字的第一图像。
36.在一个实施例中，计算机装置可以使用ocr软件的字符切割功能对所述文字区进行分割，分割出每个文字所在的区域，获得每个文字的第一图像，所述每个文字的第一图像中包含该文字的完整文字轮廓的图像。举例而言，可以对图3a中的大矩形框(实线)进行分割，根据图3a中的小矩形框(实线)，分割出文字“0”所在区域的矩形图像，获得如图3b中所示的文字“0”的第一图像3b1，需要说明的是，图3a中小矩形框外围的虚线框仅用于指示所述小矩形框。
37.步骤s3，计算机装置对所述每个文字的第一图像去除背景，获得每个文字的第二图像。
38.在一个实施例中，所述对所述每个文字的第一图像去除背景，获得每个文字的第二图像包括方法一：计算机装置利用大津算法(otsu thresholding)确定所述第一图像的第一阈值，根据所述第一阈值获取所述第一图像的掩膜(mask)，并将所述掩膜与所述第一图像进行按位与(bitwise and)运算，获得所述第一图像的前景文字图像；及利用高斯模糊技术(gaussian blur)对所述前景文字图像进行柔化边缘(soft edge)处理，获得所述第二图像。
39.在一个实施例中，所述方法一适用于背景复杂度较低的所述第一图像的，例如，所述第一图像为丝网印刷(silk screen process printing)图像。所述大津算法可以确定所述第一图像的所述第一阈值，所述第一阈值包括所述第一图像的图像二值化(thresholding)最佳分割阈值(例如，30)；并按照所述第一阈值对所述第一图像进行二值化，获得所述第一图像的所述掩膜。例如图3b中，利用大津算法获得第一图像3b1的掩膜图像3b2。
40.在一个实施例中，所述按位与运算可以将所述第一图像中的前景文字轮廓图像与不包含文字轮廓的背景分离，获得所述第一图像的前景文字图像和背景图像，所述前景文字图像的背景为透明。例如图3b中，根据图像3b2获得图像3b1的前景文字图像3b3和背景图像3b4。
41.在一个实施例中，如图3b中前景文字图像3b3所示，由于所述前景文字图像会包含锯齿状边缘，所以可以利用高斯模糊技术对其进行柔化边缘处理，获得的所述第二图像如图3b中第二图像3b5所示。
42.在一个实施例中，所述对所述每个文字的第一图像去除背景，获得每个文字的第二图像包括方法二：计算机装置利用傅里叶变换(fourier transform)去除所述第一图像中的网点，对去除网点后的所述第一图像进行二值化；及利用高斯模糊技术对二值化后的所述第一图像进行柔化边缘处理，获得所述第二图像。
43.在一个实施例中，所述方法二适用于含有网点(例如，方形网点、圆形网点等)的背景复杂度较高的所述第一图像，例如，所述第一图像为套色印刷图像。所述傅里叶变换可以改变所述第一图像的频率(frequency)，从而达到去除网点的效果；对去除网点后的所述第一图像进行的所述二值化可以是所述方法一中的所述大津算法；所述高斯模糊技术与所述方法一中所使用的技术相同。
44.步骤s4，计算机装置根据预设的第一图像处理方法处理所述每个文字的第二图像，获得每个文字的第三图像。
45.在一个实施例中，所述第一图像处理方法包括图像二值化、轮廓提取。计算机装置根据所述第一阈值对所述第二图像进行图像二值化，例如，当所述第二图像中任一位置处的像素(pixel)值大于或等于所述第一阈值时，将该任一位置处的像素二值化为255；当所述第二图像中任一位置处的像素值小于所述第一阈值时，将该任一位置处的像素二值化为0。例如图4所示，对第二图像3b5进行图像二值化后获得图像4a1。
46.在一个实施例中，计算机装置利用傅里叶描述子(fourier descriptors)算法或不变矩(invariant moments)算法，对图像二值化后的所述第二图像中的文字进行轮廓提取；所述傅里叶描述子算法可以识别图像二值化后的所述第二图像中文字轮廓的闭合边缘，并对其进行重建，从而提取所述文字轮廓；所述不变矩算法利用平移不变形、比例不变性和旋转不变性等性质，描述图像二值化后的所述第二图像的整体特征，从而提取图像二值化后的所述第二图像中的文字轮廓。例如图4所示，对图像4a1进行轮廓提取后得到文字“0”的第三图像4a2。需要说明的是，所述无瑕疵图像中每个文字都有与之一一对应的第三图像，当所述无瑕疵图像中包含m个文字时，共获得m幅所述第三图像，其中m表示大于0的正整数。
47.步骤s5，计算机装置根据预设的第二图像处理方法处理所述每个文字的第二图像，获得每个文字的n幅第四图像和n幅第五图像，所述每个文字的n幅第四图像和n幅第五图像一一对应，n为大于1的正整数。
48.在一个实施例中，计算机装置可以使用图像擦除工具(例如，photoshop中的橡皮擦工具)对所述每个文字的第二图像进行n次随机擦除，获得每个文字的n幅第四图像，例如图4所示，对文字“0”的第二图像3b5进行2次随机擦除后，获得文字“0”的2幅第四图像：第四图像4b1和第四图像4c1。
49.在一个实施例中，计算机装置对所述每个文字的n幅第四图像执行图像二值化，获得n幅黑白图像，所述图像二值化与步骤s4中所使用的方法相同，例如图4所示，对第四图像4b1进行图像二值化后获得图像4b2，对第四图像4c1进行图像二值化后获得图像4c2。
50.在一个实施例中，计算机装置对所述n幅黑白图像进行轮廓提取，获得所述n幅第五图像，所述轮廓提取与步骤s4中所使用的方法相同，例如图4所示，对图像4b2进行轮廓提取后获得文字“0”的第五图像4b3；对图像4c2进行轮廓提取后获得文字“0”的第五图像4c3。
51.需要说明的是，当所述无瑕疵图像中包含m个文字时，获得每个文字的n幅第四图像后，共获得所有文字的m*n幅第四图像，也就会获得m*n幅第五图像。
52.步骤s6，计算机装置计算所述每个文字的n幅第五图像中的每幅第五图像与所述每个文字的第三图像之间的相似性度量(similarity measurement)，获得每个文字对应的n个相似性度量，并将每个文字的n幅第五图像与所述每个文字对应的n个相似性度量分别建立关联，根据所述文字区的所有文字分别对应的n个相似性度量确定一个瑕疵阈值。
53.在一个实施例中，所述相似性度量是指所述每个文字的每幅第五图像与所述每个文字的第三图像之间的欧氏距离(euclidean distance)。计算机装置通过计算每个文字的每幅所述第五图像与所述每个文字的第三图像之间的欧氏距离，由此获得与每个文字的每幅所述第五图像对应的相似性度量的值。举例而言，如图4所示，对于有两幅第五图像的文字“0”而言，文字“0”的第五图像4b3与第三图像4a2之间的欧式距离为0.76，文字“0”的第五图像4c3与第三图像4a2之间的欧式距离为0.23。需要说明的是，当所述无瑕疵图像中包含m
个文字时，获得每个文字的n幅第四图像后，共获得所有文字的m*n幅第四图像，也就会获得m*n幅第五图像，进而获得m*n个相似性度量的值。
54.在一个实施例中，所述根据所述文字区的所有文字分别对应的n个相似性度量确定一个瑕疵阈值包括：根据每个所述相似性度量的值对应的所述第五图像的图像个数，制作所述相似性度量与所述图像个数的折线关系图。
55.具体而言，当所述无瑕疵图像中包含m个文字时，计算机装置在获得m*n个相似性度量的值之后，会统计每个相似性度量的值对应的第五图像的个数，并以所述相似性度量为横轴，所述第五图像的个数为纵轴，制作所述折线关系图。例如，与相似性度量的值为0.01对应的第五图像的个数为36，与相似性度量的值为0.35对应的第五图像的个数为0，与相似性度量的值为0.82对应的第五图像的个数为52等，制作得到的折线关系图如图5所示。
56.在一个实施例中，计算机装置将所述折线关系图中所述相似性度量的第一个局部最小值(local minimum)作为所述瑕疵阈值。举例而言，如图5所示，所述折线关系图中所述相似性度量的第一个局部最小值为0.35，那么所述瑕疵阈值为0.35，需要说明的是，图5中的虚线仅用于示例第一个局部最小值为0.35。
57.步骤s7，计算机装置比较每个文字对应的n个相似性度量中的每个相似性度量与所述瑕疵阈值的大小，当任一文字对应的任意一个相似性度量小于或等于所述瑕疵阈值时，执行步骤s8，当任一文字对应的任意一个相似性度量大于所述瑕疵阈值时，执行步骤s9。
58.步骤s8，计算机装置确定与所述任意一个相似性度量关联的所述第五图像对应的第四图像为无瑕疵图像。
59.举例而言，文字“0”的第五图像4c3与第三图像4a2之间的欧式距离为0.23，小于所述瑕疵阈值0.35，计算机装置可以将第四图像4c1标记为无瑕疵图像。
60.步骤s9，计算机装置确定与所述任意一个相似性度量关联的所述第五图像对应的第四图像为有瑕疵图像；当任意一幅所述第四图像被确定为为有瑕疵图像时，从所述背景区中截取一幅背景图像，所述截取的背景图像的大小等于所述有瑕疵图像的大小；及对所截取的背景图像进行明暗度处理，合成所述有瑕疵图像和经过明暗度处理后的所述背景图像，获得合成图像。
61.举例而言，如图4所示，文字“0”的第五图像4b3与第三图像4a2之间的欧式距离为0.76，大于所述瑕疵阈值0.35，计算机装置可以将第四图像4b1标记为有瑕疵图像4b1。
62.在一个实施例中，由于所述文字区与所述背景区的明暗度可能会有些许不同，所以可以对背景图像进行多次(例如，4次)明暗度的调整，以增加对环境光源的容错性，获得多幅经过明暗度调后的图像(为清楚说明本发明，这里将经过明暗度调整后的图像称为“调整图像”)；将该多幅调整图像分别与所述有瑕疵图像进行合成处理，获得多幅合成图像。例如图6所示，计算机装置从所述背景区中截取一幅和有瑕疵图像4b1大小一致的背景图像6a，对背景图像6a进行4次明暗度的调整，将所述有瑕疵图像4b1和经过每次明暗度处理后的所述背景图像6a合成，获得合成图像6b、合成图像6c、合成图像6d、合成图像6e。
63.在一个实施例中，可以利用所述合成图像作为有瑕疵样本训练神经网络，获得瑕疵检测模型；在获得任一文字的合成图像后，可以重复步骤s5至步骤s9，以获得该任一文字的较多的(例如，80个)有瑕疵样本。
64.在一个实施例中，当所述无瑕疵图像中包含m个文字时，计算机装置获得每个文字的n幅第四图像后，共获得m*n幅第四图像；计算机装置确定m*n幅第四图像中的k幅第四图像为有瑕疵图像，并从所述背景区中截取k幅与每幅所述有瑕疵图像一一对应的背景图像；计算机装置对每幅图像进行l次明暗度调整，再将每幅明暗度调整后的背景图像和与之对应的有瑕疵图像进行合成，获得k*l幅合成图像，其中，k是小于m*n的正整数，l是大于一的正整数。
65.步骤s10，计算机装置确定所述合成图像的个数与预设的第二阈值的大小关系，当所述合成图像的个数小于所述预设的第二阈值时，执行步骤s1；当所述合成图像的个数大于或等于所述预设的第二阈值时，执行步骤s11。
66.在一个实施例中，所述预设的第二阈值可以是100000。
67.步骤s11，计算机装置利用所述合成图像训练神经网络，获得瑕疵检测模型。
68.上述图1详细介绍了本技术的图像处理方法，下面结合图2，对实现所述图像处理方法的硬件装置架构进行介绍。
69.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
70.参阅图2所示，为本技术较佳实施例提供的计算机装置的结构示意图。在本技术较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32。本领域技术人员应该了解，图2示出的计算机装置的结构并不构成本技术实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
71.在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
72.需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
73.在一些实施例中，所述存储器31用于存储程序代码和各种数据。例如，所述存储器31可以用于存储无瑕疵图像，还可以存储安装在所述计算机装置3中的图像处理系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
74.在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(control unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以
执行计算机装置3的各种功能和处理数据，例如执行图像处理的功能。
75.在一些实施例中，所述图像处理系统30运行于计算机装置3中。所述图像处理系统30可以包括多个由程序代码段所组成的功能模块。所述图像处理系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中，并由至少一个处理器32所执行，以实现图1所示的图像处理的功能。
76.本实施例中，所述图像处理系统30根据其所执行的功能，可以被划分为多个功能模块。本技术所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
77.尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
78.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
79.上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本技术各个实施例所述方法的部分。
80.在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述计算机装置3的操作系统以及安装的各类应用程序(如所述的图像处理系统30)、程序代码等，例如，上述的各个模块。
81.所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。存储在所述存储器31中的程序代码可以由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到图像处理的目的。
82.在本技术的一个实施例中，所述存储器31存储一个或多个指令(即至少一个指令)，所述至少一个指令被所述至少一个处理器32所执行以实现图1所示的图像处理的目的。
83.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
84.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
85.另外，在本技术各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
86.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论
从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
87.最后所应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照以上较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。