图像处理方法、装置、终端设备及计算机可读存储介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种图像处理方法、装置、终端设备及计算机可读存储介质。


背景技术：

2.近些年，ai技术不仅为人们的生活提供了各种便利，同时还丰富着我们的生活乐趣，ai与艺术的结合也给我们带来了奇妙的体验。例如，在绘画应用场景中，用户只需输入简单的线条，即可通过ai技术获得一张层次丰富、风格独特的绘画作品。
3.现有技术中，通常将用户输入的线条拆解为独立的笔画，然后根据各个独立的笔画生成绘画作品。这种方式往往忽略了线条之间的关联性，导致生成的绘画作品内容突变，风格不一致。可见，现有的ai绘画技术智能化程度较低，无法满足用户的绘画需求。


技术实现要素：

4.本技术实施例提供了一种图像处理方法、装置、终端设备及计算机可读存储介质，可以有效提高ai绘画的智能化程度。
5.第一方面，本技术实施例提供了一种图像处理方法，包括：
6.根据第一线条生成第一生成图像，所述第一线条为第t时刻输入图像中存在的线条，所述t为正整数；
7.根据所述第一生成图像和第二线条生成第二生成图像，其中，所述第二线条为第t+1时刻所述输入图像中存在的线条，所述第一生成图像和所述第二生成图像的图像风格相同。
8.本技术实施例中，当前时刻生成的图像，融合了上一时刻生成的图像以及当前时刻新增的线条；相当于将图像生成的过程转化为一个随着时间节点/笔画节点自回归的生成过程；这种自回归的生成过程能够增强图像生成过程中各个线条之间的相关性，使得生成的图像保持内容一致，进而有效提高ai绘画的智能化程度。
9.在第一方面的一种可能的实现方式中，所述根据所述第一生成图像和第二线条生成第二生成图像，包括：
10.根据随机噪声数据生成第一噪声图像；
11.根据所述第一生成图像、所述第二线条和所述第一噪声图像生成所述第二生成图像。
12.在第一方面的一种可能的实现方式中，所述根据所述第一生成图像和第二线条生成第二生成图像，包括：
13.将所述第一生成图像和所述第二线条输入训练后的生成模型中，输出所述第二生成图像；
14.其中，所述生成模型包括依次连接的第一网络、第二网络和第三网络，所述第一网络用于根据输入数据生成结构特征，所述第二网络用于根据所述第一网络层输出的结构特
征生成表示绘画风格的风格特征，所述第三网络用于根据所述第二网络输出的所述风格特征生成所述第二生成图像。
15.在第一方面的一种可能的实现方式中，所述方法还包括：
16.根据多组训练图像训练所述生成模型，获得训练后的所述生成模型，其中，每组训练图像中包括一张参考图像和一张与所述参考图像相匹配的样本图像，所述样本图像为线条图像，所述参考图像为具有预设绘画风格的图像。
17.在第一方面的一种可能的实现方式中，所述样本图像中包括依次绘制的m个笔画，所述m为正整数，根据每组训练图像训练所述生成模型的过程包括：
18.将所述训练图像中的参考图像输入到所述第二网络中，输出第一特征；
19.将第一组笔画输入到所述第一网络，得到第二特征，其中，所述第一组笔画中包含所述训练图像中的所述样本图像的第1个笔画到第m个笔画，所述m为不大于m的正整数；
20.将所述第一特征和所述第二特征输入所述第三网络，输出第三生成图像；
21.根据预设的判别器获取所述第三生成图像的第一判别结果，所述第一判别结果用于表示所述第三生成图像和所述参考图像之间的相似度；
22.根据所述第一判别结果更新所述生成模型的参数和所述判别器的参数，获得更新后的所述生成模型和更新后的所述判别器。
23.在第一方面的一种可能的实现方式中，在根据所述第一判别结果更新所述生成模型的参数和所述判别器的参数，获得更新后的所述生成模型和更新后的所述判别器之后，所述方法还包括：
24.若m不等于m，则将第二组笔画输入到更新后的所述第一网络，得到第三特征，其中，所述第二组笔画中包含所述训练图像中的样本图像的第m+1个笔画到第n个笔画，所述n为正整数，且m+1《n≤m；
25.将所述第一特征、所述第三特征和所述第三生成图像输入所述第三网络，输出第四生成图像；
26.根据更新后的所述判别器获取所述第四生成图像的第二判别结果，所述第二判别结果用于表示所述第四生成图像和参考图像之间的相似度；
27.根据所述第二判别结果更新所述生成模型的参数和所述判别器的参数，直到所述样本图像中所有的笔画均已参与训练，获得训练后的所述生成模型。
28.第二方面，本技术实施例提供了一种图像处理装置，包括：
29.第一生成单元，用于根据第一线条生成第一生成图像，所述第一线条为第t时刻输入图像中存在的线条，所述t为正整数；
30.第二生成单元，用于根据所述第一生成图像和第二线条生成第二生成图像，其中，所述第二线条为第t+1时刻所述输入图像中存在的线条，所述第一生成图像和所述第二生成图像的图像风格相同。
31.第三方面，本技术实施例提供了一种终端设备，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，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的图像处理方法。
32.第四方面，本技术实施例提供了一种计算机可读存储介质，本技术实施例提供了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，所述计算机程序
被处理器执行时实现如上述第一方面中任一项所述的图像处理方法。
33.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像处理方法。
34.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
35.为了更清楚地说明本技术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技术的一些实施例，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。
36.图1是本技术实施例提供的生成模型的示意图；
37.图2是本技术实施例提供的模型训练过程的示意图；
38.图3是本技术实施例提供的图像处理方法的流程示意图；
39.图4是本技术实施例提供的图像生成过程示意图；
40.图5是本技术实施例提供的图像处理装置的结构框图；
41.图6是本技术实施例提供的终端设备的结构示意图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
43.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
44.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
45.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0046]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0047]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0048]
在一些应用场景中，用户输入简单的线条，即可通过ai技术获得一张层次丰富、风格独特的绘画作品。现有技术中，通常将用户输入的线条拆解为独立的笔画，然后根据各个独立的笔画生成绘画作品。这种方式往往忽略了线条之间的关联性，导致生成的绘画作品内容突变，风格不一致。
[0049]
一种解决方式是，通过内容填充的方式生成图像。这类方法中，输入为语义分割图像，用户需要指定整个画面的每一个像素所代表的语义信息。例如，输入图像中包含一棵树，用户还需要定义输入图像中这棵树对应的每个像素点的标签为树。这类方法输入过于复杂，增加了用户的工作量。
[0050]
另一种解决方式是，通过素描转化的方式生成图像。这类方法中，输入为较为复杂的线条，用户需要绘制笔画结构较为细致的图像。例如，绘制山脉或石头，不仅要勾勒简单的外轮廓，还需要画出具体的脉络；绘制树不仅需要画出树的轮廓，还需要画出稠密的枝叶结构。这类方法对用户的绘画功底要求较高，绘制过于复杂，影响用户体验。
[0051]
因此，如何根据用户输入的简单线条，生成内容具体、风格一致的图像，是本技术实施例需要解决的问题。
[0052]
本技术实施例提供了一种图像处理方法，该方法中，预先训练生成模型，再利用训练后的生成模型绘制图像。该生成模型能够根据用户的绘画过程连续、顺滑地生成相应的图像，对输入内容鲁棒性较高，根据简单的线条即可生成内容具体、风格一致的图像。
[0053]
首先介绍生成模型的结构。
[0054]
本技术实施例中的生成模型包括依次连接的第一网络、第二网络和第三网络，所述第一网络用于根据输入数据生成结构特征，所述第二网络用于根据所述第一网络层输出的结构特征生成表示绘画风格的风格特征，所述第三网络用于根据所述第二网络输出的所述风格特征生成所述第二生成图像。
[0055]
在一些实施例中，参见图1，是本技术实施例提供的生成模型的示意图。如图1所示，生成模型可以包括转换模型(根据编码器e的模型参数ef进行转换)和gan网络中的生成器g。转换模型的输入为生成器g中第i层的输出，转换模型的输出为生成器g中第i+1层的输入。相应的，生成器g中第1层到第i层为第一网络，转换模型为第二网络，生成器g中第i+1层到最后一层为第三网络。
[0056]
可以根据需要设定i的取值，即第二网络的位置。需要说明的是，第二网络越靠近生成器的输入端，生成器对输入图像的结构特征提取越不完全，可能导致生成的图像的结构不准确；而第二网络越靠近生成器的输出端，结构特征和风格特征融合的时机越晚，可能导致生成的图像的风格不准确。因此，可选的，为了保证结构特征和风格特征的结合时机的准确性，可以将第i层设置为生成器的中间层。
[0057]
上述实施例中，生成器可以用于训练绘图结构，编码器可以用于训练绘图风格。这样相当于将生成模型的输入解耦为结构信息和风格信息，整个图像生成过程就变成风格信息逐步调制结构信息的过程。通过上述模型，对于用户输入的简单线条，可以在不同的绘画风格之间随意切换，提高了模型的鲁棒性。
[0058]
下面介绍模型训练过程。
[0059]
模型训练过程中，根据多组训练图像训练所述生成模型，获得训练后的所述生成模型。每组训练图像中包括一张参考图像和一张与所述参考图像相匹配的样本图像，所述
样本图像为线条图像，所述参考图像为具有预设绘画风格的图像。其中，样本图像可以是用户绘制的简笔画图像，参考图像可以是用户期望生成的具有某种绘画风格的成品图像，如水墨画、卡通画、抽象风格的图画等。
[0060]
可选的，训练过程中，可以针对一种或多种绘画风格训练模型。针对每种绘画风格，根据该绘画风格对应的多组训练图像进行训练。训练后，可以获得编码器的多组模型参数，每组模型参数代表一种绘画风格。
[0061]
在一些实施例中，生成模型的训练过程可以参考gan网络的训练过程。参见图2，是本技术实施例提供的模型训练过程的示意图。如图2所示，训练过程可以包括以下步骤：
[0062]
将样本图像对应的参考图像输入编码器e中，获得风格数据；将训练图像中的样本图像和风格数据输入生成器g中，获得第五生成图像；将第五生成图像输入判别器d中，获得第二判别结果，第二判别结果用于表示第五生成图像和参考图像之间的相似度；根据第二判别结果分别更新生成器、编码器和判别器的参数；直至生成模型满足预设条件。
[0063]
其中，预设条件可以为训练次数达到预设次数，或者训练精度达到预设精度。
[0064]
上述训练方式中，将样本图像作为整体输入模型，这种方式获得的训练后的生成模型，只有在用户绘制好完整的简笔画后，才能输出较为准确地生成图像。对于用户绘制过程中的简笔画，则无法生成较为准确、完整的图像。模型的鲁棒性较差。
[0065]
另一些实施例中，可以将样本图像拆分为独立的笔画，然后按照用户绘制的顺序，将这些独立的笔画依次输入模型。这种方式获得的训练后的生成模型，忽略了笔画间的关联，导致模型生成的图像的风格不一致、内容易突变。
[0066]
为了解决上述问题，本技术实施例中，考虑前后笔画间的连续性。样本图像中包括依次绘制的m个笔画，m为正整数。相应的，根据每组训练图像训练所述生成模型的过程包括：
[0067]
将训练图像中的参考图像输入到所述第二网络中，输出第一特征；
[0068]
将第一组笔画输入到所述第一网络，得到第二特征，其中，所述第一组笔画中包含所述训练图像中的所述样本图像的第1个笔画到第m个笔画，所述m为不大于m的正整数；
[0069]
将所述第一特征和所述第二特征输入所述第三网络，输出第三生成图像；
[0070]
根据预设的判别器获取所述第三生成图像的第一判别结果，所述第一判别结果用于表示所述第三生成图像和所述参考图像之间的相似度；
[0071]
根据所述第一判别结果更新所述生成模型的参数和所述判别器的参数，获得更新后的所述生成模型和更新后的所述判别器；
[0072]
若m不等于m，则将第二组笔画输入到更新后的所述第一网络，得到第三特征，其中，所述第二组笔画中包含所述训练图像中的样本图像的第m+1个笔画到第n个笔画，所述n为正整数，且m+1《n≤m；
[0073]
将所述第一特征、所述第三特征和所述第三生成图像输入所述第三网络，输出第四生成图像；
[0074]
根据更新后的所述判别器获取所述第四生成图像的第二判别结果，所述第二判别结果用于表示所述第四生成图像和参考图像之间的相似度；
[0075]
根据所述第二判别结果更新所述生成模型的参数和所述判别器的参数，直到所述样本图像中所有的笔画均已参与训练，获得训练后的所述生成模型。
[0076]
上述方式中，可以将样本图像中任意连续的两个或多个笔画配对输入模型，由于笔画是连续的，相当于保留了笔画间的关联信息，使得生成的图像在内容和风格上具有连续性和一致性。
[0077]
另外，当前的输入包含了上一次的生成图像，相当于考虑了上一次输入的笔画的影响，提高了绘画风格和内容的一致性。同时，当前的模型训练也考虑了上一次的训练结果(即上一次的生成图像)，可以有效减少模型的训练难度。
[0078]
进一步的，m的数值可以根据需要调节，提高了模型训练的灵活性。针对同一组训练图像，还可以通过调节m，对该组训练图像进行多次训练。例如，针对一组训练图像，先将m设置为2，即将样本图像中连续的两个笔画配对输入模型，依此训练模型，当样本图像中的所有笔画均已遍历后，获得第一次训练后的生成模型；再将m设置为3，即将样本图像中连续的三个笔画配对输入模型，依此训练模型，当样本图像中的所有笔画均以遍历后，获得第二次训练后的生成模型。以此类推。通过上述方式，训练后的生成模型能够应对各种输入情况，有效提高了模型的鲁棒性。
[0079]
应用过程中，由于用户输入的简笔画内容往往过于稀疏，单纯靠模型用很少的输入信息来补全整幅画面，会增加模型的训练难度，同时这种训练模式也容易导致过拟合现象。为了克服这些问题，本技术实施例中，在模型的输入数据中添加随机噪声(如随机高斯噪声、随机白噪声等)。这样不仅可以加速模型训练的收敛速度、很好地避免模型的过拟合问题，同时还可以增加模型生成的多样性，内容的丰富多变，好像赋予了模型更多的想象空间。
[0080]
基于上述实施例，获得的训练后的生成模型，能够根据用户的绘画过程连续、顺滑地生成相应的图像，对输入内容鲁棒性较高，根据简单的线条即可生成内容具体、风格一致的图像。
[0081]
下面介绍基于上述训练后的生成模型进行图像处理的过程。参见图3，是本技术实施例提供的图像处理方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
[0082]
s301，根据第一线条生成第一生成图像，所述第一线条为第t时刻输入图像中存在的线条，所述t为正整数。
[0083]
本技术实施例中，第一线条中可以包括一个或多个线条/笔画。同理，第二线条中也可以包括一个或多个线条/笔画。
[0084]
s302，根据所述第一生成图像和第二线条生成第二生成图像，其中，所述第二线条为第t+1时刻所述输入图像中存在的线条，所述第一生成图像和所述第二生成图像的图像风格相同。
[0085]
本技术实施例中，用户可以一次性绘制好简笔画，处理器根据用户绘制各个笔画的时间顺序，依次获取简笔画中的第一线条和第二线条。当然，也可以随着用户的绘画过程，实时生成图像。
[0086]
在实时生成图像的应用场景中，上述的时刻可以指控制时刻，可以在开发过程中设定控制周期。这样，在图像处理过程中，每隔控制周期，根据当前时刻输入图像中存在的线条生成图像。
[0087]
在用户一次性绘制好简笔画的应用场景中，上述的时刻可以指绘制间隔时间。即每隔绘制间隔时间，根据当前时刻输入图像中存在的线条生成图像。
[0088]
如上实施例所述的模型训练方法，相应的，在图像处理过程中，也加入噪声数据。具体的，s302可以包括：
[0089]
根据随机噪声数据生成第一噪声图像；根据所述第一生成图像、所述第二线条和所述第一噪声图像生成所述第二生成图像。
[0090]
参见图4，是本技术实施例提供的图像生成过程示意图。如图4所示，在第1时刻，根据随机噪声生成第1张噪声图像，将第1张噪声图像和第1时刻的输入图像中存在的线条输入训练后的生成模型，输出第1时刻的生成图像；在第2时刻，根据随机噪声生成第2张噪声图像，将第2张噪声图像、第2时刻的输入图像中存在的线条(包括第1时刻输入图像中存在的线条)和第1时刻的生成图像输入训练后的生成模型，输出第2时刻的生成图像；依次类推，直至用户停止绘制，获得最终的生成图像。
[0091]
本技术实施例中，当前时刻生成的图像，融合了上一时刻生成的图像以及当前时刻新增的线条；相当于将图像生成的过程转化为一个随着时间节点/笔画节点自回归的生成过程；这种自回归的生成过程能够增强图像生成过程中各个线条之间的相关性，使得生成的图像保持内容一致，进而有效提高ai绘画的智能化程度。
[0092]
由于训练后的生成模型的第二网络，具有多组模型参数，每组模型参数代表一种绘画风格。在一些实施例中，可由用户自主选择绘画风格，相应的，将生成模型中的第二网络的参数设置为该绘画风格对应的模型参数。
[0093]
在一些应用场景中，可以在交互界面上设置绘画风格的选择按钮或选择滚动条。用户通过操作交互界面上的选择按钮或选择滚动条选择绘画风格，控制终端根据用户选择的绘画风格设置生成模型中第二网络的参数。相应的，在图像处理过程中，将用户绘制的笔画依次输入生成模型的第一网络，输出结构特征；将结构特征输入参数设置后的第二网络，由第二网络对结构特征进行风格转换，输出风格特征；将风格特征输入第三网络，输出生成图像。
[0094]
通过上述方法，用户可以自主选择绘画风格，提高了图像处理的灵活度，以及用户的体验度。
[0095]
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，而不应对本技术实施例的实施过程构成任何限定。
[0096]
对应于上文实施例所述的图像处理方法，图5是本技术实施例提供的图像处理装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0097]
参照图5，该装置包括：
[0098]
第一生成单元51，用于根据第一线条生成第一生成图像，所述第一线条为第t时刻输入图像中存在的线条，所述t为正整数。
[0099]
第二生成单元52，用于根据所述第一生成图像和第二线条生成第二生成图像，其中，所述第二线条为第t+1时刻所述输入图像中存在的线条，所述第一生成图像和所述第二生成图像的图像风格相同。
[0100]
可选的，所述第二生成单元52还用于：
[0101]
根据随机噪声数据生成第一噪声图像；
[0102]
根据所述第一生成图像、所述第二线条和所述第一噪声图像生成所述第二生成图
像。
[0103]
可选的，所述第二生成单元52还用于：
[0104]
将所述第一生成图像和所述第二线条输入训练后的生成模型中，输出所述第二生成图像；
[0105]
其中，所述生成模型包括依次连接的第一网络、第二网络和第三网络，所述第一网络用于根据输入数据生成结构特征，所述第二网络用于根据所述第一网络层输出的结构特征生成表示绘画风格的风格特征，所述第三网络用于根据所述第二网络输出的所述风格特征生成所述第二生成图像。
[0106]
可选的，装置5还包括：
[0107]
模型训练单元53，用于根据多组训练图像训练所述生成模型，获得训练后的所述生成模型，其中，每组训练图像中包括一张参考图像和一张与所述参考图像相匹配的样本图像，所述样本图像为线条图像，所述参考图像为具有预设绘画风格的图像。
[0108]
可选的，所述样本图像中包括依次绘制的m个笔画，所述m为正整数。
[0109]
相应的，模型训练单元53还用于：
[0110]
将所述训练图像中的参考图像输入到所述第二网络中，输出第一特征；
[0111]
将第一组笔画输入到所述第一网络，得到第二特征，其中，所述第一组笔画中包含所述训练图像中的所述样本图像的第1个笔画到第m个笔画，所述m为不大于m的正整数；
[0112]
将所述第一特征和所述第二特征输入所述第三网络，输出第三生成图像；
[0113]
根据预设的判别器获取所述第三生成图像的第一判别结果，所述第一判别结果用于表示所述第三生成图像和所述参考图像之间的相似度；
[0114]
根据所述第一判别结果更新所述生成模型的参数和所述判别器的参数，获得更新后的所述生成模型和更新后的所述判别器。
[0115]
相应的，模型训练单元53还用于：
[0116]
若m不等于m，则将第二组笔画输入到更新后的所述第一网络，得到第三特征，其中，所述第二组笔画中包含所述训练图像中的样本图像的第m+1个笔画到第n个笔画，所述n为正整数，且m+1《n≤m；
[0117]
将所述第一特征、所述第三特征和所述第三生成图像输入所述第三网络，输出第四生成图像；
[0118]
根据更新后的所述判别器获取所述第四生成图像的第二判别结果，所述第二判别结果用于表示所述第四生成图像和参考图像之间的相似度；
[0119]
根据所述第二判别结果更新所述生成模型的参数和所述判别器的参数，直到所述样本图像中所有的笔画均已参与训练，获得训练后的所述生成模型。
[0120]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0121]
另外，图5所示的图像处理装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0122]
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，并不用于限制本技术的保护范围。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。
[0123]
图6是本技术实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个图像处理方法实施例中的步骤。
[0124]
所述终端设备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。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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，例如还可以包括输入输出设备、网络接入设备等。
[0125]
所称处理器60可以是中央处理单元(central processing unit，cpu)，该处理器60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。
[0126]
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6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61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0127]
本技术实施例还提供了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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0128]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0129]
所述集成的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，本技术实现上述实施例方法中的全部或部分流程，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至少可
以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0130]
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。
[0131]
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技术的范围。
[0132]
在本技术所提供的实施例中，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。
[0133]
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。
[0134]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。