图像生成方法及装置、电子设备和存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种图像生成方法及装置、电子设备和存储介质。


背景技术：

2.神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。神经网络在训练过程中需要大规模的训练数据。如何大规模地获取具有较高真实度的训练数据，成为目前一个亟待解决的问题。


技术实现要素：

3.本公开提出了一种图像生成的技术方案。
4.根据本公开的一方面，提供了一种图像生成方法，包括：
5.对真实场景中的目标对象进行图像采集，得到包含所述目标对象的第一目标图像；基于所述第一目标图像中所述目标对象的颜色信息，从所述第一目标图像中提取所述目标对象；将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像，其中，所述第三目标图像用于训练目标神经网络。
6.在本公开实施例中，通过对真实场景中的目标对象进行图像采集以得到第一目标图像，并基于第一目标图像中目标对象的颜色信息来提取目标对象，从而将目标对象与预设的第二目标图像进行融合，来得到用于训练目标神经网络的第三目标图像，通过本公开实施例，可以利用第一目标图像中目标对象的颜色信息，来提取真实场景中的目标对象的图像，从而将提取的目标对象与不同的第二目标图像进行融合来得到多种真实的第三目标图像，一方面便于批量生成第三目标图像来训练目标神经网络，降低生成第三目标图像的成本，另一方面由于融合的目标对象是从真实场景中通过图像采集所得到的，因此可以提高第三目标图像的真实性，继而提升训练效果。
7.在一种可能的实现方式中，在所述基于所述第一目标图像中所述目标对象的颜色信息，从所述第一目标图像中提取所述目标对象之前，所述方法还包括：对所述第一目标图像进行图像分割，得到所述目标对象的分割结果；根据所述分割结果，确定所述第一目标图像中所述目标对象的颜色信息。
8.通过本公开实施例，可以利用初步的图像分割来确定第一目标图像中目标对象的颜色信息，从而便于后续精确地从第一目标图像中提取目标对象，提升生成的第三目标图像的效果，继而提升训练的精度；而且由于图像分割是为了获取第一目标图像中目标对象的颜色信息，因此对图像分割的精度要求较低，降低图像生成方法的整体成本。
9.在一种可能的实现方式中，所述根据所述分割结果，确定所述第一目标图像中所述目标对象的颜色信息，包括：统计所述分割结果包含的多个第一像素点的目标像素值，得到统计结果，其中，所述目标像素值为所述第一像素点中目标通道的像素值；根据所述统计结果，确定所述目标对象的颜色信息。
10.通过本公开实施例，可以利用分割结果中第一像素点在某个或某些目标通道上的目标像素值，来确定目标对象的颜色信息，一方面减小了获取颜色信息过程中所需处理的数据量，提升方法的整体效率；另一方面也可以利用某些有代表性的颜色通道上的像素值来确定第一目标图像中属于目标对象的像素点的大致颜色分布，提升后续提取对象的准确性，从而提升生成的第三目标图像的效果，继而提升目标神经网络的训练精度。
11.在一种可能的实现方式中，所述基于所述第一目标图像中所述目标对象的颜色信息，从所述第一目标图像中提取所述目标对象，包括：根据所述颜色信息，以及所述第一目标图像包含的多个第二像素点的像素值，从所述第一目标图像中提取所述目标对象。
12.通过本公开实施例，可以利用颜色信息以及第一目标图像中各第二像素点的像素值，来实现目标对象的提取，这种提取方式便于实现且计算量较小，大大提升图像生成方法的整体速度和便捷程度，同时由于颜色信息可以通过图像分割等方式进行获取，因此提取得到的对象结果也较为准确，从而提升第三目标图像的精度，也提升目标神经网络的训练精度。
13.在一种可能的实现方式中，所述第一目标图像包括绿色背景；所述基于所述第一目标图像中所述目标对象的颜色信息，从所述第一目标图像中提取所述目标对象，包括：根据所述颜色信息，确定绿色通道的筛选阈值；获取所述第一目标图像包含的多个第二像素点的绿色通道像素值；在所述绿色通道像素值小于所述筛选阈值的情况下，确定所述第二像素点属于所述目标对象；在所述绿色通道像素值不小于所述筛选阈值的情况下，确定所述第二像素点属于所述绿色背景。
14.通过本公开实施例，可以利用第一目标图像中各第二像素点在绿色通道上的像素值，来较为容易地从包含绿色背景的第一目标图像中，区分对象和绿色背景，降低提取目标对象的成本，提高提取目标对象的准确性，从而利用较低的成本生成更为真实的第三目标图像，继而降低训练目标神经网络的成本，提升训练目标神经网络的精度。
15.在一种可能的实现方式中，所述将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像，包括：根据所述目标对象的融合强度，将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像。
16.通过本公开实施例，可以将目标对象与第二目标图像按照融合强度来进行融合，从而提升融合后得到的第三目标图像的真实程度，继而提升目标神经网络的训练精度。
17.在一种可能的实现方式中，所述将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像，包括：对所述目标对象的边缘进行优化，得到优化对象以及所述优化对象的融合强度；根据所述优化对象的融合强度，将所述优化对象与预设的第二目标图像进行融合，得到第三目标图像。
18.通过本公开实施例，可以进一步提升融合的目标对象的边缘精度，从而使得融合后的第三目标图像具有更高的精度和真实性，继而提升目标神经网络的训练精度。
19.在一种可能的实现方式中，所述对所述目标对象的边缘进行优化，得到优化对象以及所述优化对象的融合强度，包括：根据第三像素点与所述目标对象之间的所属关系，对多个所述第三像素点进行分类，得到分类结果，其中，所述第三像素点为所述目标对象中的像素点，所述分类结果包括：属于目标对象的第三像素点、属于目标对象以外的第三像素点以及属于目标对象边缘的像素点；基于所述分类结果，对所述目标对象进行抠图处理，得到
优化对象以及所述优化对象的融合强度。
20.通过本公开实施例，可以利用提取出的目标对象中像素点与目标对象之间的所属关系，对目标对象的边缘进行进一步优化，一方面可以得到具有更高精度边缘的优化对象，另一方面还可以确定优化对象与第二目标图像之间的融合强度，从而进一步提升得到的第三目标图像的真实度和精度，继而提升目标神经网络的训练精度。
21.在一种可能的实现方式中，所述根据第三像素点与所述目标对象之间的所属关系，对多个所述第三像素点进行分类，得到分类结果，包括：对所述目标对象进行腐蚀处理和/或膨胀处理，得到处理结果；基于所述处理结果，确定所述分类结果。
22.通过本公开实施例，可以利用腐蚀和/或膨胀等形态学的基本操作，对目标对象中的第三像素点进行较为准确的分类，从而提升优化对象的精度，继而提升第三目标图像以及目标神经网络的训练精度。
23.根据本公开的一方面，提供了一种图像生成装置，包括：
24.采集模块，用于对真实场景中的目标对象进行图像采集，得到包含所述目标对象的第一目标图像；提取模块，用于基于所述第一目标图像中所述目标对象的颜色信息，从所述第一目标图像中提取所述目标对象；融合模块，用于将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像，其中，所述第三目标图像用于训练目标神经网络。
25.在一种可能的实现方式中，在所述提取模块之前，所述装置还包括分割模块，所述分割模块用于：对所述第一目标图像进行图像分割，得到所述目标对象的分割结果；根据所述分割结果，确定所述第一目标图像中所述目标对象的颜色信息。
26.在一种可能的实现方式中，在一种可能的实现方式中，所述分割模块进一步用于：
27.统计所述分割结果包含的多个第一像素点的目标像素值，得到统计结果，其中，所述目标像素值为所述第一像素点中目标通道的像素值；根据所述统计结果，确定所述目标对象的颜色信息。
28.在一种可能的实现方式中，所述提取模块用于：根据所述颜色信息，以及所述第一目标图像包含的多个第二像素点的像素值，从所述第一目标图像中提取所述目标对象。
29.在一种可能的实现方式中，所述第一目标图像包括绿色背景；所述提取模块用于：根据所述颜色信息，确定绿色通道的筛选阈值；获取所述第一目标图像包含的多个第二像素点的绿色通道像素值；在所述绿色通道像素值小于所述筛选阈值的情况下，确定所述第二像素点属于所述目标对象；在所述绿色通道像素值不小于所述筛选阈值的情况下，确定所述第二像素点属于所述绿色背景。
30.在一种可能的实现方式中，所述融合模块用于：根据所述目标对象的融合强度，将所述目标对象与预设的第二目标图像进行融合，得到第三目标图像。
31.在一种可能的实现方式中，所述融合模块用于：对所述目标对象的边缘进行优化，得到优化对象以及所述优化对象的融合强度；根据所述优化对象的融合强度，将所述优化对象与预设的第二目标图像进行融合，得到第三目标图像。
32.在一种可能的实现方式中，所述融合模块进一步用于：根据第三像素点与所述目标对象之间的所属关系，对多个所述第三像素点进行分类，得到分类结果，其中，所述第三像素点为所述目标对象中的像素点，所述分类结果包括：属于目标对象的第三像素点、属于目标对象以外的第三像素点以及属于目标对象边缘的像素点；基于所述分类结果，对所述
目标对象进行抠图处理，得到优化对象以及所述优化对象的融合强度。
33.在一种可能的实现方式中，所述融合模块进一步用于：对所述目标对象进行腐蚀处理和/或膨胀处理，得到处理结果；基于所述处理结果，确定所述分类结果。
34.根据本公开的一方面，提供了一种电子设备，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调用所述存储器存储的指令，以执行上述方法。
35.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
36.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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
38.图1示出根据本公开实施例的图像生成方法的流程图。
39.图2示出根据本公开实施例的图像生成方法的流程图。
40.图3示出根据本公开实施例的图像生成方法的流程图。
41.图4示出根据本公开实施例的图像生成方法的流程图。
42.图5示出根据本公开实施例的图像生成装置的框图。
43.图6示出根据本公开实施例的电子设备的框图。
44.图7示出根据本公开实施例的电子设备的框图。
具体实施方式
45.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
46.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
47.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
48.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
49.图1示出根据本公开实施例的图像生成方法的流程图。该方法可以由图像生成装置执行，图像生成装置可以是终端设备或服务器等电子设备，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理
(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可以通过服务器执行该方法。如图1所示，该方法可以包括：
50.步骤s11，对真实场景中的目标对象进行图像采集，得到包含目标对象的第一目标图像。
51.步骤s12，基于第一目标图像中目标对象的颜色信息，从第一目标图像中提取目标对象。
52.步骤s13，将目标对象与预设的第二目标图像进行融合，得到第三目标图像，其中，第三目标图像用于训练目标神经网络。
53.其中，第一目标图像可以是包含目标对象的任意图像，目标对象的种类可以根据实际情况灵活决定。在一种可能的实现方式中，可以根据步骤s13中目标神经网络的功能，来确定目标对象的种类，比如在目标神经网络为人体分割神经网络的情况下，目标对象可以为人物对象，在目标神经网络为物体检测神经网络的情况下，目标对象可以为桌子、椅子或是窗户等各类物体对象等。
54.在一些可能的实现方式中，目标对象可以是真实场景中的目标对象，比如真实拍照环境中的人体对象，或是真实环境空间中的物体对象等，从而可以提升第一目标图像和基于第一目标图像所得到的第三目标图像的真实性，继而提升目标神经网络的训练效果和精度。
55.对真实场景中的目标对象进行图像采集的方式同样可以根据实际情况灵活选择，比如直接拍摄目标对象的图像，或是在绿幕下拍摄目标对象的图像等；在一些可能的实现方式中，也可以通过读取包含目标对象的图像数据库等方式来获取第一目标图像，该图像数据库中的图像可以均为从真实场景中采集到的包含目标对象的图像。第一目标图像中包含的目标对象数量在本公开实施例中同样不做限制，可以为一个，也可以为多个。
56.根据获取的第一目标图像，可以进一步基于第一目标图像中目标对象的颜色信息，从第一目标图像中提取目标对象。
57.其中，第一目标图像中目标对象的颜色信息，包含的信息内容可以根据实际情况灵活决定，不局限于下述各实施例。在一些可能的实现方式中，该颜色信息可以是第一目标图像中属于目标对象的像素点的颜色分布情况；在一些可能的实现方式中，该颜色信息也可以是第一目标图像中属于目标对象的像素点在某个通道或某些通道上的颜色分布情况等；在一些可能的实现方式中，该颜色信息也可以是第一目标图像中属于目标对象的各像素点的颜色值等。
58.随着颜色信息包含的信息内容的不同，从第一目标图像中提取目标对象的方式也可以灵活发生变化，比如可以基于多个像素点在某个通道的颜色值，对第一目标图像中的各像素点进行筛选，或是基于颜色分布的情况，从第一目标图像中进行目标对象的分割等。步骤s12的各种实现方式可以详见下述各公开实施例，在此先不做展开。
59.从第一目标图像中提取的目标对象可以与第二目标图像进行融合，以得到第三目标图像。其中，第二目标图像的实现方式可以根据实际情况灵活决定，在一些可能的实现方式中，第二目标图像可以是不包含对象的任意预设图像，比如可以是包含风景背景、室内背景或是纯色背景等任意背景或真实背景的图像等。在一些可能的实现方式中，第二目标图
像也可以是包含其他目标对象的图像，在这种情况下，将目标对象与第二目标图像融合后得到的第三目标图像中可以包含多个目标对象。
60.第二目标图像的获取方式在本公开实施例中也不做限制，可以从图像库中读取，也可以通过图像采集等方式进行获取。
61.将目标对象与第二目标图像进行融合的方式在本公开实施例中不做限制，比如可以直接将目标对象与第二目标图像进行叠加以实现融合，或是将目标对象与第二目标图像以预设的强度或是透明度进行融合等，详见下述各公开实施例，在此先不做展开。
62.随着融合方式的不同，得到的第三目标图像的实现方式也将会灵活发生变化，在本公开实施例中不做限制。在一些可能的实现方式中，可以将单个目标对象与第二目标图像融合，在这种情况下，第三目标图像中可以包括单个目标对象；在一些可能的实现方式中，也可以将多个目标对象与第二目标图像融合，在这种情况下，第三目标图像也可以包括多个目标对象。
63.第三目标图像可以用于训练目标神经网络，其中，目标神经网络可以是任意神经网络，比如可以是人体分割神经网络、物体检测神经网络、行人识别神经网络或是其他各类用于提取目标对象的神经网络等，在本公开实施例中不做限制。由于第三目标图像可以通过将目标对象和第二目标图像进行融合所得到，因此在融合的过程中，第三目标图像中可以自动标注融合的对象的位置，以便于后续对目标神经网络的训练。
64.在本公开实施例中，通过对真实场景中的目标对象进行图像采集以得到第一目标图像，并基于第一目标图像中目标对象的颜色信息来提取目标对象，从而将目标对象与预设的第二目标图像进行融合，来得到用于训练目标神经网络的第三目标图像，通过本公开实施例，可以利用第一目标图像中目标对象的颜色信息，来提取真实场景中的目标对象的图像，从而将提取的目标对象与不同的第二目标图像进行融合来得到多种真实的第三目标图像，一方面便于批量生成第三目标图像来训练目标神经网络，降低生成第三目标图像的成本，另一方面由于融合的目标对象是从真实场景中通过图像采集所得到的，因此可以提高第三目标图像的真实性，继而提升训练效果。
65.在一些可能的实现方式中，在步骤s12之前，本公开实施例提出的方法还可以包括：
66.对第一目标图像进行图像分割，得到目标对象的分割结果；
67.根据分割结果，确定第一目标图像中目标对象的颜色信息。
68.其中，对第一目标图像进行的图像分割，可以是将目标对象与第一目标图像中的背景部分进行区分，以从第一目标图像中分割出目标对象。得到的分割结果的形式可以根据实际情况灵活选择，可以是第一目标图像中各像素点是否属于目标对象的结论，也可以是第一目标图像中各像素点属于目标对象的概率等。
69.对第一目标图像进行图像分割的方式在本公开实施例中不做限制，不局限于下述各公开实施例。在一些可能的实现方式中，可以通过图像分割的相关算法，比如基于阈值的分割方法、基于区域的分割方法或是基于边缘的分割方法等，来对第一目标图像进行图像分割；在一些可能的实现方式中，还可以通过具有图像分割功能的神经网络，来对第一目标图像进行图像分割，其中，具有图像分割功能的神经网络可以是任意神经网络，在一些可能的实现方式中，该具有图像分割功能的神经网络可以是与目标神经网络不同且训练完成后
的其他神经网络，在一些可能的实现方式中，该具有图像分割功能的神经网络可以是未经过训练的目标神经网络，或是通过某些训练图像进行初步训练后的目标神经网络等。
70.基于得到的分割结果，可以初步确定第一目标图像中哪些像素点可能属于目标对象，因此可以根据该分割结果进一步确定第一目标图像中目标对象的颜色信息。如上述各公开实施例所述，颜色信息的实现方式可以根据实际情况灵活决定，因此在一些可能的实现方式中，可以根据分割结果，确定第一目标图像中属于目标对象的各像素点的颜色值分布情况；在一些可能的实现方式中，也可以根据分割结果，确定第一目标图像中属于目标对象的像素点在某个或某些通道上的颜色值分布情况等。
71.通过本公开实施例，可以利用初步的图像分割来确定第一目标图像中目标对象的颜色信息，从而便于后续精确地从第一目标图像中提取目标对象，提升生成的第三目标图像的效果，继而提升训练的精度；而且由于图像分割是为了获取第一目标图像中目标对象的颜色信息，因此对图像分割的精度要求较低，降低图像生成方法的整体成本。
72.在一种可能的实现方式中，根据分割结果，确定第一目标图像中目标对象的颜色信息，可以包括：
73.统计分割结果包含的多个第一像素点的目标像素值，得到统计结果，其中，目标像素值为第一像素点中目标通道的像素值；
74.根据统计结果，确定目标对象的颜色信息。
75.其中，由于分割结果可以初步反映第一目标图像中哪些像素点属于目标对象，因此，第一像素点可以为分割结果中属于目标对象的像素点。
76.目标像素值可以为第一像素点中目标通道的像素值，其中，目标通道包含哪个或哪些颜色通道可以根据实际情况灵活设定，在一些可能的实现方式中，目标通道可以包含所有颜色通道，在这种情况下，第一像素点的目标像素值可以直接为第一像素点的颜色值；在一些可能的实现方式中，目标通道也可以仅包含单个通道或两个通道，在一个示例中，目标通道可以为绿色通道(g通道)。
77.得到的统计结果可以是第一像素点的目标像素值的分布情况，也可以是各第一像素点的具体目标像素值，统计结果可以直接作为目标对象的颜色信息，也可以经过一定处理，比如归一化处理或是其他处理方式等，来作为目标对象的颜色信息等。
78.通过本公开实施例，可以利用分割结果中第一像素点在某个或某些目标通道上的目标像素值，来确定目标对象的颜色信息，一方面减小了获取颜色信息过程中所需处理的数据量，提升方法的整体效率；另一方面也可以利用某些有代表性的颜色通道上的像素值来确定第一目标图像中属于目标对象的像素点的大致颜色分布，提升后续提取对象的准确性，从而提升生成的第三目标图像的效果，继而提升目标神经网络的训练精度。
79.在一种可能的实现方式中，步骤s12可以包括：
80.根据颜色信息，以及第一目标图像包含的多个第二像素点的像素值，从第一目标图像中提取目标对象。
81.其中，第二像素点可以是第一目标图像中的像素点。需要注意的是，本公开实施例中第一像素点、第二像素点中的“第一”、“第二”等，仅用于区分像素点的所属情况，而不限制像素点的顺序或是实现方式，在一些可能的实现方式中，有些像素点可以既属于第一像素点，也属于第二像素点；在一些可能的实现方式中，有些像素点可以仅属于第一像素点或
第二像素点等；后续出现的其他关于像素点的编号同理。
82.根据颜色信息，以及第二像素点的像素值，来从第一目标图像中提取目标对象的方式在本公开实施例中不做限制。在一些可能的实现方式中，可以根据颜色信息来确定第一目标图像中属于目标对象的像素点的像素值所属范围，并通过将第二像素点的像素值与所属范围进行比较，来确定第二像素点是否属于对象的像素点，继而实现目标对象的提取；在一些可能的实现方式中，也可以基于颜色信息确定第一目标图像中属于目标对象的像素点的大致位置，再从这一位置中基于第二像素点的像素值进行目标对象的提取等。
83.通过本公开实施例，可以利用颜色信息以及第一目标图像中各第二像素点的像素值，来实现目标对象的提取，这种提取方式便于实现且计算量较小，大大提升图像生成方法的整体速度和便捷程度，同时由于颜色信息可以通过图像分割等方式进行获取，因此提取得到的对象结果也较为准确，从而提升第三目标图像的精度，也提升目标神经网络的训练精度。
84.图2示出根据本公开实施例的图像生成方法的流程图，如图所示，在一种可能的实现方式中，第一目标图像可以包括绿色背景，步骤s12可以包括：
85.步骤s121，根据颜色信息，确定绿色通道的筛选阈值；
86.步骤s122，获取第一目标图像包含的多个第二像素点的绿色通道像素值；
87.步骤s123，在绿色通道像素值小于筛选阈值的情况下，确定第二像素点属于目标对象；
88.步骤s124，在绿色通道像素值不小于筛选阈值的情况下，确定第二像素点属于绿色背景。
89.其中，第一目标图像包括的绿色背景，可以是第一目标图像中对象以外的像素点的颜色均为绿色，在这种情况下，第一目标图像可以是目标对象在绿幕背景下所拍摄的图像。
90.绿色通道的筛选阈值，可以用于区分第一目标图像中第二像素点是属于对象还是绿色背景。绿色通道的筛选阈值的确定方式可以根据实际情况灵活决定，在一种可能的实现方式中，可以通过上述任意公开实施例中提出的方式确定颜色信息，比如通过目标对象分割来得到颜色信息等，并根据该颜色信息，确定第一目标图像中各第一像素点在g通道上的像素值，并对各第一像素点在g通道上的像素值进行平均或加权平均来得到均值结果x，并将均值结果x作为绿色通道的筛选阈值；在一种可能的实现方式中，也可以根据颜色信息，确定第一目标图像中第一像素点以外的各像素点在g通道上的像素值，并对第一像素点以外的各像素点在g通道上的像素值进行平均或加权平均来得到均值结果y，并将均值结果y作为绿色通道的筛选阈值；在一种可能的实现方式中，还可以将均值结果x和y均作为绿色通道的筛选阈值，以实现后续对第二像素点的筛选。
91.步骤s122中，获取第二像素点的绿色通道像素值的方式在本公开实施例中不做限制。在一种可能的实现方式中，可以遍历第一目标图像中包括的各第二像素点，并读取遍历到的每个第二像素点在g通道上的像素值。
92.需要注意的是，步骤s121与步骤s122的实现顺序在本公开实施例中不做限制，可以同时进行，也可以按照一定的顺序先后进行。
93.在确定筛选阈值以及多个第二像素点的绿色通道像素值的情况下，可以通过比较
筛选阈值与绿色通道像素值，来对第二像素点进行筛选。筛选的方式可以根据筛选阈值的实际情况灵活决定，在一种可能的实现方式中，在筛选阈值仅包括单个数值的情况下，比如上述公开实施例中提到的均值结果x或均值结果y等，在这种情况下，可以将绿色通道像素值不小于筛选阈值的第二像素点认为是属于绿色背景的像素点，将绿色通道像素值小于筛选阈值的第二像素点认为是属于目标对象的像素点，并统计各属于目标对象的像素点，来实现目标对象的提取。在一种可能的实现方式中，在筛选阈值包括多个数值的情况下，比如上述公开实施例中提到的均值结果x和均值结果y的情况下，可以将绿色通道像素值分别与均值结果x和均值结果y进行比较，并将绿色通道像素值不小于均值结果y的第二像素点认为是属于绿色背景的像素点，将绿色通道像素值小于均值结果x的第二像素点认为是属于目标对象的像素点，并统计各属于目标对象的像素点，来实现目标对象的提取。
94.通过本公开实施例，可以利用第一目标图像中各第二像素点在绿色通道上的像素值，来较为容易地从包含绿色背景的第一目标图像中，区分对象和绿色背景，降低提取目标对象的成本，提高提取目标对象的准确性，从而利用较低的成本生成更为真实的第三目标图像，继而降低训练目标神经网络的成本，提升训练目标神经网络的精度。
95.在一种可能的实现方式中，步骤s13可以包括：
96.根据目标对象的融合强度，将目标对象与预设的第二目标图像进行融合，得到第三目标图像。
97.其中，目标对象的融合强度可以是目标对象与第二目标图像进行融合时的融合比例，融合强度的获取方式在本公开实施例中不做限制，可以是预设的融合强度，或是通过对目标对象进行处理所得到的融合强度等。
98.在一个示例中，将目标对象与预设的第二目标图像按照融合强度进行融合以得到第三目标图像的方式，可以通过下述公式(1)进行表示：
99.i＝αf+(1
‑
α)b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
100.其中，i为融合后的第三目标图像，f为目标对象，b为第二目标图像，α为融合强度。
101.通过本公开实施例，可以将目标对象与第二目标图像按照融合强度来进行融合，从而提升融合后得到的第三目标图像的真实程度，继而提升目标神经网络的训练精度。
102.在一些可能的实现方式中，由于从第一目标图像中提取的目标对象可能存在边缘不清晰或是精度较低的情况，故还可以对目标对象进行进一步优化后，再将目标对象与第二目标图像融合。图3示出根据本公开实施例的图像生成方法的流程图，如图所示，在一种可能的实现方式中，步骤s13可以包括：
103.步骤s131，对目标对象的边缘进行优化，得到优化对象以及优化对象的融合强度。
104.步骤s132，根据优化对象的融合强度，将优化对象与预设的第二目标图像进行融合，得到第三目标图像。
105.其中，对目标对象的边缘进行优化的方式可以根据实际情况灵活选择，不局限于下述各公开实施例。在一些可能的实现方式中，可以通过锐化或是边缘提取算法等各类图像处理方式对目标对象进行处理，以实现目标对象的边缘优化。步骤s131的具体实现方式可以详见下述各公开实施例，在此先不做展开。
106.在对目标对象进行边缘优化后，可以得到优化对象，其中，优化对象的边缘相对于目标对象的边缘具有更高的精度。在一些可能的实现方式中，随着边缘优化的方式的不同，
还可能在边缘优化的过程中得到优化对象的融合强度。
107.优化对象的融合强度的实现形式可以参考上述公开实施例中对象的融合强度，在此不再赘述。基于优化对象的融合强度，可以通过步骤s132将优化对象与预设的第二目标图像进行融合以得到第三目标图像。其中，步骤132的实现方式可以参考上述公开实施例中目标对象与第二目标图像的融合方式，只需将目标对象替换为优化对象即可，在此不再赘述。
108.通过本公开实施例，可以进一步提升融合的目标对象的边缘精度，从而使得融合后的第三目标图像具有更高的精度和真实性，继而提升目标神经网络的训练精度。
109.图4示出根据本公开实施例的图像生成方法的流程图，如图所示，在一种可能的实现方式中，步骤s131可以包括：
110.步骤s1311，根据第三像素点与目标对象之间的所属关系，对多个第三像素点进行分类，得到分类结果，其中，第三像素点为目标对象中的像素点，分类结果包括：属于目标对象的第三像素点、属于目标对象以外的第三像素点以及属于目标对象边缘的像素点。
111.步骤s1312，基于分类结果，对目标对象进行抠图处理，得到优化对象以及优化对象的融合强度。
112.其中，第三像素点是提取到的目标对象中所包含的像素点。由于从第一目标图像中提取目标对象的过程中，可能存在一些不属于目标对象的像素点被误提取为属于像素点，因此，可以对提取到的目标对象中的第三像素点进行进一步分类。
113.在一些可能的实现方式中，分类结果可以按照第三像素点与目标对象之间的所属关系划分为：属于目标对象的像素点以及属于目标对象以外的第三像素点，在一些可能的实现方式中，可能存在部分第三像素点，无法确定是属于目标对象还是属于目标对象以外，因此，可以将这类像素点划分为属于目标对象边缘的像素点。
114.对第三像素点进行分类的方式在本公开实施例中不做限制，可以根据实际情况灵活选择，比如可以通过具有分类功能的神经网络进行实现，或是通过其他图像处理算法来实现等，详见下述各公开实施例，在此先不做展开。
115.基于得到的分类结果，可以对目标对象进行抠图处理，以得到优化对象以及优化对象的融合强度，其中，根据分类结果对目标对象进行抠图处理的方式可以根据实际情况灵活选择，不局限于下述各公开实施例。
116.在一种可能的实现方式中，可以根据分类结果将目标对象转换为三色图(trimap)，转换的方式可以为将属于目标对象的第三像素点的颜色设置为白色，将属于目标对象以外的第三像素点的颜色设置为黑色，将属于目标对象边缘的像素点的颜色设置为灰色，以得到trimap；然后将trimap和第一目标图像作为输入，通过抠图(matting)算法进行抠图处理，来得到输出的优化对象和前景蒙版(alpha matte)。
117.其中，输出的前景蒙版可以作为优化对象的融合强度，来用于后续优化对象与第二目标图像的融合过程。而matting算法可以是图像处理中任意相关的抠图算法，其实现形式在本公开实施例中不做具体限制。
118.通过本公开实施例，可以利用提取出的目标对象中像素点与目标对象之间的所属关系，对目标对象的边缘进行进一步优化，一方面可以得到具有更高精度边缘的优化对象，另一方面还可以确定优化对象与第二目标图像之间的融合强度，从而进一步提升得到的第
三目标图像的真实度和精度，继而提升目标神经网络的训练精度。
119.在一种可能的实现方式中，步骤s1311可以包括：
120.对目标对象进行腐蚀处理和/或膨胀处理，得到处理结果；
121.基于处理结果，确定分类结果。
122.其中，腐蚀处理与膨胀处理均为形态学的基本操作，其实现形式在本公开实施例中不做详细解释。在一些可能的实现方式中，可以仅对目标对象进行腐蚀处理或膨胀处理，在一些可能的实现方式中，也可以对目标对象进行腐蚀处理以及膨胀处理，实现的顺序在本公开实施例中不做限制。通过对目标对象进行腐蚀处理和/或膨胀处理，可以对目标对象的形态实现变化来得到处理结果。
123.根据得到的处理结果，可以确定目标对象中第三像素点的分类结果，确定的方式可以根据实际情况灵活决定，在一些可能的实现方式中，可以将围绕目标对象边沿的各第三像素点划分为属于目标对象边缘的像素点，将位于边沿以内的像素点划分为属于目标对象的第三像素点，将位于边沿以外的像素点划分为属于目标对象以外的第三像素点等。
124.通过本公开实施例，可以利用腐蚀和/或膨胀等形态学的基本操作，对目标对象中的第三像素点进行较为准确的分类，从而提升优化对象的精度，继而提升第三目标图像以及目标神经网络的训练精度。
125.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
126.此外，本公开还提供了身体状况检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像生成方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
127.图5示出根据本公开实施例的图像生成装置的框图。如图5所示，装置20包括：
128.采集模块21，用于对真实场景中的目标对象进行图像采集，得到包含目标对象的第一目标图像。
129.提取模块22，用于基于第一目标图像中目标对象的颜色信息，从第一目标图像中提取目标对象。
130.融合模块23，用于将目标对象与预设的第二目标图像进行融合，得到第三目标图像，其中，第三目标图像用于训练目标神经网络。
131.在一种可能的实现方式中，在提取模块之前，装置还包括分割模块，分割模块用于：对第一目标图像进行图像分割，得到目标对象的分割结果；根据分割结果，确定第一目标图像中目标对象的颜色信息。
132.在一种可能的实现方式中，在一种可能的实现方式中，分割模块进一步用于：
133.统计分割结果包含的多个第一像素点的目标像素值，得到统计结果，其中，目标像素值为第一像素点中目标通道的像素值；根据统计结果，确定目标对象的颜色信息。
134.在一种可能的实现方式中，提取模块用于：根据颜色信息，以及第一目标图像包含的多个第二像素点的像素值，从第一目标图像中提取目标对象。
135.在一种可能的实现方式中，第一目标图像包括绿色背景；提取模块用于：根据颜色
信息，确定绿色通道的筛选阈值；获取第一目标图像包含的多个第二像素点的绿色通道像素值；在绿色通道像素值小于筛选阈值的情况下，确定第二像素点属于目标对象；在绿色通道像素值不小于筛选阈值的情况下，确定第二像素点属于绿色背景。
136.在一种可能的实现方式中，融合模块用于：根据目标对象的融合强度，将目标对象与预设的第二目标图像进行融合，得到第三目标图像。
137.在一种可能的实现方式中，融合模块用于：对目标对象的边缘进行优化，得到优化对象以及优化对象的融合强度；根据优化对象的融合强度，将优化对象与预设的第二目标图像进行融合，得到第三目标图像。
138.在一种可能的实现方式中，融合模块进一步用于：根据第三像素点与目标对象之间的所属关系，对多个第三像素点进行分类，得到分类结果，其中，第三像素点为目标对象中的像素点，分类结果包括：属于目标对象的第三像素点、属于目标对象以外的第三像素点以及属于目标对象边缘的像素点；基于分类结果，对目标对象进行抠图处理，得到优化对象以及优化对象的融合强度。
139.在一种可能的实现方式中，融合模块进一步用于：对目标对象进行腐蚀处理和/或膨胀处理，得到处理结果；基于处理结果，确定分类结果。
140.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
141.应用场景示例
142.本公开应用示例提出一种图像生成方法，可以根据所需场景，较快且以较低成本得到训练目标神经网络的大量训练图像，用于改进目标神经网络的效果。
143.在一种可能的实现方式中，本公开应用示例提出的图像生成方法可以包括如下过程：
144.第一步，从第一目标图像中分离目标对象和背景：
145.在本公开应用示例中，可以以绿幕为背景拍摄目标对象的照片来作为第一目标图像，在这种情况下，第一目标图像中背景的绿色可以比较容易与目标对象的颜色分离。
146.在一个示例中，可以先将第一目标图像(即绿幕人像照片)通过预设的训练好的人像分割网络，将第一目图像中的目标对象与背景进行初步分离，得到分割结果。
147.由于人像分割网络的输出结果不是完全准确，因此可以利用第一目标图像中目标对象的颜色信息进一步优化。在一个示例中，可以根据人像分割网络输出的分割结果，确定第一目标图像中属于目标对象的像素点在g通道像素上的像素均值，将这一像素均值作为筛选阈值。遍历第一目标图像中的各第二像素点，若遍历到的第二像素点在g通道的像素值高于筛选阈值，则判断该第二像素点属于背景，若遍历到的第二像素点在g通道的像素值低于筛选阈值，则判断该第二像素点属于目标对象。
148.统计各属于目标对象的第二像素点，则可以从第一目标图像中提取出目标对象。
149.第二步，基于提取的目标对象进行抠图：
150.第一步操作可以将第一目标图像中前景的目标对象和背景分离，但是在目标对象的边缘上精细度较差，如果直接将该提取的目标对象用于生成第三目标图像，生成的图像效果较差。因此可以将提取的目标对象图像处理为三色图(trimap)，并将trimap和第一目
标图像作为输入，通过matting算法对目标对象的边缘进行优化。通过matting算法的处理，可以生成边缘精细的优化对象和前景蒙版(alpha matte)，用于下一步进行图片融合。
151.第三步，基于优化对象进行图像融合：
152.经过前两步的操作，可以基于第一目标图像(即绿幕人像照片)得到优化对象和alpha matte。为了生成真实场景的照片，可以把优化对象贴在真实场景的背景图(即第二目标图像)上。在一个示例中，可以将提前拍摄的不含人像的真实场景照片作为第二目标图像，根据上述各公开实施例中提到的公式(1)，将优化对象作为f，将第二步得到的前景蒙版作为融合强度α，来生成融合后的第三目标图像。
153.生成的第三目标图像可以作为训练数据来训练目标神经网络，其中，目标神经网络可以是某个神经网络，也可以是多个神经网络。
154.通过本公开应用示例，可以减少当前生成训练数据的过程中，训练数据标注成本高，以及生成的虚拟数据不真实导致的训练效果差的问题，基于本公开应用示例提出的方法，可以根据所需场景，较快且以低成本得到大量训练数据，继而改进神经网络的训练效果。
155.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
156.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
157.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
158.本公开实施例还提出一种电子设备，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调用所述存储器存储的指令，以执行上述方法。
159.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像生成方法的指令。
160.本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像生成方法的操作。
161.电子设备可以被提供为终端、服务器或其它形态的设备。
162.图6示出根据本公开实施例的电子设备的框图。如图6所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
163.参照图6，电子设备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。
164.处理组件802通常控制电子设备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。
165.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备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。
166.电源组件806为电子设备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，及其他与为电子设备800生成、管理和分配电力相关联的组件。
167.多媒体组件808包括在所述电子设备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。当电子设备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。
168.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)，当电子设备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。
169.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。
170.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备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，如互补金属氧化物半导体(cmos)或电荷耦合装置(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。
171.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(wifi)，第二代移动通信技术(2g)或第三代移动通信技术(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。
172.在示例性实施例中，电子设备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。
173.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
174.图7示出根据本公开实施例的电子设备的框图。如图7所示，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
175.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(windows server
tm
)，苹果公司推出的基于图形用户界面操作系统(mac os x
tm
)，多用户多进程的计算机操作系统(unix
tm
),自由和开放原代码的类unix操作系统(linux
tm
)，开放原代码的类unix操作系统(freebsd
tm
)或类似。
176.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
177.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
178.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd
‑
rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
179.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计
算机可读存储介质中。
180.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
181.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
182.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
183.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
184.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
185.该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
186.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也
不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。