本发明涉及计算机技术领域，具体涉及一种视频渲染方法、装置、电子设备和计算机可读存储介质。
背景技术：
随着电子设备的功能的日益增多，通过电子设备播放视频的功能也越来越完善，例如，对指定视频的播放或者网络直播等，用户在播放相应的视频时，为了使得视频的展示效果更好，在播放视频前会对视频进行渲染处理，但是现有技术中，会对所有视频均进行渲染处理，则有些视频经过渲染处理后效果会更好，而有些视频经过渲染处理后效果反而还不如原视频，所以现有技术中的这种对视频进行统一渲染处理的方案并不能适用于所有视频，进而无法达到是视频的展示效果更好的目的。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的视频渲染方法、装置、电子设备和计算机可读存储介质。
根据本发明的一个方面，提供了一种视频渲染方法，其中，该方法包括：
对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息；
将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习；
将指定视频的各帧图像的相关数据输入到所述机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息；
根据所述机器学习模型输出的所述指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。
可选地，
所述渲染效果信息为：渲染后效果好，或者渲染后效果不好；
所述根据所述机器学习模型输出的所述指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染包括：当所述指定视频的各帧中渲染后效果好的帧数占总帧数的比例大于预设阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
可选地，
所述样本图像的相关数据为：所述样本图像的直方图；所述指定视频的各帧图像的相关数据为：指定视频的各帧图像的直方图；
或者，
所述样本图像的相关数据为：所述样本图像的原图；所述指定视频的各帧图像的相关数据为：指定视频的各帧图像的原图。
可选地，该方法进一步包括：
将是否对该指定视频进行渲染的确定结果保存到该指定视频的配置文件中；
将所述指定视频和对应的配置文件下发到客户端。
可选地，
所述对一定数量的样本图像进行渲染包括：按照指定渲染方式对一定数量的样本图像进行渲染；
所述根据所述机器学习模型输出的所述指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染包括：确定是否按照指定渲染方式对该指定视频进行渲染。
根据本发明的另一方面，提供了一种视频渲染装置，其中，该装置包括：
样本图像标记单元，适于对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息；
机器学习单元，适于将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习；
渲染效果信息获取单元，适于将指定视频的各帧图像的相关数据输入到所述机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息；
渲染确定单元，适于根据所述机器学习模型输出的所述指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。
可选地，
所述渲染效果信息为：渲染后效果好，或者渲染后效果不好；
所述渲染确定单元，适于当所述指定视频的各帧中渲染后效果好的帧数占总帧数的比例大于预设阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
可选地，
所述样本图像的相关数据为：所述样本图像的直方图；所述指定视频的各帧图像的相关数据为：指定视频的各帧图像的直方图；
或者，
所述样本图像的相关数据为：所述样本图像的原图；所述指定视频的各帧图像的相关数据为：指定视频的各帧图像的原图。
可选地，该装置进一步包括：
确定结果配置单元，适于将是否对该指定视频进行渲染的确定结果保存到该指定视频的配置文件中；将所述指定视频和对应的配置文件下发到客户端。
可选地，
所述样本图像标记单元，适于按照指定渲染方式对一定数量的样本图像进行渲染；
所述渲染确定单元，适于确定是否按照指定渲染方式对该指定视频进行渲染。
根据本发明的又一方面，提供了一种电子设备，其中，该电子设备包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据前述的方法。
根据本发明的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现前述的方法。
根据本发明的技术方案，对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息；将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习；将指定视频的各帧图像的相关数据输入到机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息；根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。可见，通过本技术方案，在对视频进行渲染前，先利用机器学习模型判断该视频是否适合进行渲染，防止盲目的对视频进行渲染处理而导致的视频效果更差的情况，保证视频渲染处理后的视频质量，用户观看到经过渲染处理后的视频是效果更好的视频，增强用户的使用体验。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的视频渲染方法的流程示意图；
图2示出了根据本发明另一个实施例的视频渲染方法的流程示意图；
图3示出了根据本发明一个实施例的视频渲染装置的结构示意图；
图4示出了根据本发明一个实施例的电子设备的结构示意图；
图5示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的视频渲染方法的流程示意图。如图1所示，该方法包括：
步骤S110，对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息。
步骤S120，将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习。
本实施例中，对样本图像以及对应的渲染效果信息进行训练学习后，就会学习到对应不同的渲染效果信息的样本图像的相关数据的特征。
步骤S130，将指定视频的各帧图像的相关数据输入到机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息。
当对指定视频进行渲染前，将指定视频的各帧图像的相关数据输入到上述的机器学习模型中，基于对训练数据的学习结果，通过对该指定视频的各帧图像的相关数据的特征的确定，就会获得指定视频中的各帧图像对应的渲染效果信息。
步骤S140，根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。
考虑到现有技术中为了获得效果更好的视频，会统一对所有视频进行渲染处理，例如调节饱和度、对比度或亮度等，但是在对每个视频进行渲染处理时，均采用统一的渲染方式，例如，对将所有视频的对比度均调节成一个值，这样就会使得有些视频渲染处理后效果好，有些视频渲染后效果不好。
那么，通过本实施例，根据获得的各帧图像的渲染效果信息，就可以确定该指定视频是否适合渲染，如果适合，则对该指定视频进行渲染后在进行播放，如果不适合，则不对该指定视频进行播放，避免出现上述现有技术中的问题，防止盲目的对视频进行渲染处理而导致的视频效果更差的情况，保证视频渲染处理后的视频质量，用户观看到经过渲染处理后的视频是效果更好的视频，增强用户的使用体验。
在本发明的一个实施例中，上述的渲染效果信息为：渲染后效果好，或者渲染后效果不好。
那么上述实施例中的样本图像进行渲染后会获得正样本图像和负样本图像，其中，正样本图像是渲染后效果好的图像，负样本图像是渲染后效果不好的图像，将正样本图像和负样本图像及其渲染效果信息作为训练数据经过机器学习后，当再次将指定视频的各帧各帧图像输入到该机器学习模型中后，就可以确定该指定视频的各帧图像渲染后效果好还是不好。
步骤S140中的根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染包括：当指定视频的各帧中渲染后效果好的帧数占总帧数的比例大于预设阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
本实施例中，经过机器学习模型会获得指定视频中的各帧图像渲染后效果好还是不好的信息，当指定视频中的渲染后效果好的图像个数达到一定比例时，就确定该指定视频可以进行渲染，这是因为如果渲染后效果不好的比例太大，再对该指定视频进行渲染后，渲染效果不好的效果会更突出，用户的视觉感知会更强烈，会降低用户观看体验，因此渲染后效果好的图像个数达到一定比例时，才可以确定对该指定视频进行渲染。具体地，本实施例中，是通过设定预设阈值的方式实现的，例如，设定预设阈值是85％，在一个指定视频中有100帧图像，其中90帧图像是渲染后效果好的，10帧图像是渲染后效果不好的，则渲染后效果好的帧数占总帧数的比例是90％，大于85％，则确定可以对该指定视频进行渲染。如果其中80帧图像是渲染后效果好的，20帧图像是渲染后效果不好的，则渲染后效果好的帧数占总帧数的比例是80％，小于85％，则确定不对该指定视频进行渲染。
优选地，步骤S140中的根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染包括：当指定视频的各帧中渲染后效果好的帧数/渲染后效果不好的帧数大于预设比例阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
例如，设定预设比例阈值是8，在一个指定视频中有100帧图像，其中90帧图像是渲染后效果好的，10帧图像是渲染后效果不好的，则渲染后效果好的帧数与渲染后效果不好的帧数的比例是9，大于8，则确定可以对该指定视频进行渲染。如果其中80帧图像是渲染后效果好的，20帧图像是渲染后效果不好的，则渲染后效果好的帧数与渲染后效果不好的帧数的比例是4，小于8，则确定不对该指定视频进行渲染。
在本发明的一个实施例中，上述的样本图像的相关数据为：样本图像的直方图；上述的指定视频的各帧图像的相关数据为：指定视频的各帧图像的直方图；或者，上述的样本图像的相关数据为：样本图像的原图；上述的指定视频的各帧图像的相关数据为：指定视频的各帧图像的原图。
在本实施例中，根据样本图像渲染后的直方图或者渲染后的图像信息标记该样本图像的渲染效果信息，然后将样本图像的直方图或原图以及对应的渲染效果信息进行机器学习，就可以获取到渲染后效果好的样本图像的直方图的特征或者样本图像的原图的特征。
本实施例中，可以利用样本图像的直方图数据进行机器学习，对应的在获取指定视频的各帧图像的渲染效果信息时，也需要将指定视频的各帧图像的直方图输入机器学习模型中。考虑到直方图是描述视频中图像的曝光特征或者颜色特征的图谱，可以反映视频中的色彩、光线等特征，对视频进行盲目的渲染后会造成暗度过暗或者曝光过度的情况，这些情况均可以在直方图中进行体现。例如，光线暗的画面调色后加深暗色，且丢失细节，在直方图上的曲线左方出现峰值和切断，中间区域数值较小；光线较强、大面积白、蓝红背景下的画面引起的曝光过度细节丢失现象，直方图上的曲线基本在直方图的右方出现峰值和切断，中间区域数值较小；而处理效果较好的画面中大部分颜色值居中显示，且直方图的曲线较平缓。这样，根据渲染后的直方图的特点就可以为每个样本图像标记渲染效果信息，然后机器学习时就可以根据渲染后效果不好的样本图像的直方图和对应的渲染效果信息确定渲染后效果不好的图像的直方图的特征是什么样的，以及根据渲染后效果好的样本图像的直方图和对应的渲染效果信息确定渲染效果好的图像的直方图的特征是什么样的。当将指定视频的各帧图像的直方图输入到机器学习模型中后，就可以根据各帧图像的直方图的特征确定该图像渲染后效果是好还是不好。
或者，本实施例中，可以利用样本图像的原图数据进行机器学习，对应的在获取指定视频的各帧图像的渲染效果信息时，也需要将指定视频的各帧图像的原图输入机器学习模型中。本实施例中还可以根据样本图像的原图信息和对应的渲染效果信息进行机器学习。根据样本图像渲染后的图像效果标记该样本图像的渲染效果信息，然后机器学习时就可以根据渲染后效果不好的样本图像的原图和对应的渲染效果信息确定渲染后效果不好的图像的特征是什么样的，以及根据渲染后效果好的样本图像的原图和对应的渲染效果信息确定渲染后效果好的图像的特征是什么样的。当将指定视频的各帧图像的原图输入到机器学习模型中后，就可以根据各帧图像的原图的特征确定该图像渲染后效果是好还是不好。
在本发明的一个实施例中，图1所示的方法进一步包括：将是否对该指定视频进行渲染的确定结果保存到该指定视频的配置文件中；将指定视频和对应的配置文件下发到客户端。
上述各实施例是从服务器侧对本方案进行说明，当服务器获取该指定视频的确定结果后，为了实现对该指定视频的渲染，服务器将是否对该指定视频进行渲染的确定结果(可以进行渲染，或不进行渲染)保存到该指定视频的配置文件中，然后将指定视频和对应的配置文件下发给客户端，客户端根据指定视频的配置文件中的信息，就可以确定是否对该指定视频进行渲染，如果确定对该指定视频进行渲染，则客户端对指定视频进行渲染后再播放，如果确定不对该指定视频进行渲染，则直接播放该指定视频的原始视频图像，或者对该指定视频进行其他指定处理后在进行播放。
这样就实现了在服务器解码视频，逐帧分析视频内容，判断该视频是否可以通过渲染(例如调节饱和度、对比度或亮度)来提升视频质量，然后通过配置文件的形式将判断结果下发至客户端，在客户端完成视频渲染。
在本方的一个实施例中，图1所示的步骤S110中的对一定数量的样本图像进行渲染包括：按照指定渲染方式对一定数量的样本图像进行渲染。
则步骤S140中的根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染包括：确定是否按照指定渲染方式对该指定视频进行渲染。
在本实施例中，在为每个样本图像标记渲染效果信息时，并非是盲目标记，而且在对样本图像进行渲染后的渲染结果标记的，也就是说，需要对样本图像进行渲染，在进行渲染时，是采用指定的渲染方式，例如，是通过调节饱和度、对比度或亮度的渲染方式，和/或，采用一定参数进行饱和度、对比度或亮度的调节。
因此样本数据的渲染效果信息是针对该指定渲染方式来说的，由此得到，机器学习模型学习的结果也是针对该指定渲染方式来说的，那么，在得到指定视频的各帧图像的渲染效果信息时，应该是该指定视频的各帧图像是否适合该指定渲染方式的渲染。所以，在确定是否对该指定视频进行渲染时，是确定是否按照指定渲染方式对该指定视频进行渲染。
优选地，在上述的将所述指定视频和对应的配置文件下发到客户端时，还可以将该指定渲染方式下发至客户端，以便客户端按照该指定渲染方式对指定视频进行渲染，这样防止采用其他的渲染方式与是否对该指定视频进行渲染的确定结果不匹配，反而使得适合渲染的指定视频进行渲染后反而效果还是不好。
图2示出了根据本发明另一个实施例的视频渲染方法的流程示意图。入图2所示，开始对指定视频进行检测，因为需要对指定视频一帧一帧的检测，在开始对指定视频进行检测时，步骤S210，解码下一帧图像(刚开始时是解码第一帧图像)；步骤S220，将帧数据转换成直方图数据；步骤S230，通过机器学习算法分析该直方图数据；步骤S240，记录分析结果，通过机器学习模型分析会得到该帧图像的渲染效果好或者坏的分析结果；步骤S250，判断是否已遍历视频的所有帧；如果否，则步骤S210，解码下一帧图像；如果是，则步骤S260，根据记录的视频的各帧图像的分析结果，对渲染结果好的图像进行计数，判断各帧图像中渲染结果好的帧数占视频总帧数的比例是否大于预设阈值；如果是，则步骤2,70，将该视频标记为可渲染视频，即可以进行渲染的视频；如果否，则步骤S280，将该视频标记为不可渲染视频，即不进行渲染的视频；步骤S290，结束检测。
例如，对于一个包含100帧图像的指定视频开始检测，,解码第1帧图像，将该帧图像转成直方图，通过机器学习算法分析第1帧图像的直方图，得到第1帧图像的分析结果是渲染结果好，则记录该帧的分析结果是好；判断是否分析了100帧图像，判断为否，解码第2帧图像，将该帧图像转成直方图，通过机器学习算法分析第2帧图像的直方图，得到第2帧图像是渲染结果好，则记录该帧的分析结果是好；判断是否分析了100帧图像，判断为否，解码第3帧图像，将该帧图像转成直方图，通过机器学习算法分析第3帧图像的直方图，得到第3帧图像的分析结果是渲染结果不好，则记录该帧的分析结果是不好；判断是否分析了100帧图像，判断为否，解码第4帧图像，将该帧图像转成直方图，通过机器学习算法分析第4帧图像的直方图，得到第4帧图像的分析结果是渲染结果不好，则记录该帧的分析结果是不好；以此类推，直至判断分析了100帧图像，然后计算好的帧数/100的值是否大于预设阈值，判断为是，则该视频可以渲染，标记可渲染，若判断为否，则该视频不进行渲染，标记为不进行渲染，检测结束。
在本实施例中，记录分析结果时，也可以直接采用计数的方式进行，例如，第1帧图像分析结果是好，则将表示好的参数的值加1，第2帧图像分析结果是好，则将表示好的参数的值累加1，则好的帧数累计是2；第3帧图像分析结果是不好，则将表示不好的参数的值加1，第4帧图像分析结果是不好，则将表示不好的参数的值累加1，则不好的帧数累计是2。在进行判断时直接判断好的参数的值/总帧数的结果是否大于预设阈值。
图3示出了根据本发明一个实施例的视频渲染装置的结构示意图。如图3所示，该视频渲染装置300包括：
样本图像标记单元310，适于对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息。
机器学习单元320，适于将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习。
本实施例中，对样本图像以及对应的渲染效果信息进行训练学习后，就会学习到对应不同的渲染效果信息的样本图像的相关数据的特征。
渲染效果信息获取单元330，适于将指定视频的各帧图像的相关数据输入到机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息。
当对指定视频进行渲染前，将指定视频的各帧图像的相关数据输入到上述的机器学习模型中，基于对训练数据的学习结果，通过对该指定视频的各帧图像的相关数据的特征的确定，就会获得指定视频中的各帧图像对应的渲染效果信息。
渲染确定单元340，适于根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。
考虑到现有技术中为了获得效果更好的视频，会统一对所有视频进行渲染处理，例如调节饱和度、对比度或亮度等，但是在对每个视频进行渲染处理时，均采用统一的渲染方式，例如，对将所有视频的对比度均调节成一个值，这样就会使得有些视频渲染处理后效果好，有些视频渲染后效果不好。
那么，通过本实施例，根据获得的各帧图像的渲染效果信息，就可以确定该指定视频是否适合渲染，如果适合，则对该指定视频进行渲染后在进行播放，如果不适合，则不对该指定视频进行播放，避免出现上述现有技术中的问题，防止盲目的对视频进行渲染处理而导致的视频效果更差的情况，保证视频渲染处理后的视频质量，用户观看到经过渲染处理后的视频是效果更好的视频，增强用户的使用体验。
在本发明的一个实施例中，上述的渲染效果信息为：渲染后效果好，或者渲染后效果不好。
那么上述实施例中的样本图像进行渲染后会获得正样本图像和负样本图像，其中，正样本图像是渲染后效果好的图像，负样本图像是渲染后效果不好的图像，将正样本图像和负样本图像及其渲染效果信息作为训练数据经过机器学习后，当再次将指定视频的各帧各帧图像输入到该机器学习模型中后，就可以确定该指定视频的各帧图像渲染后效果好还是不好。
渲染确定单元340，适于当指定视频的各帧中渲染后效果好的帧数占总帧数的比例大于预设阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
本实施例中，经过机器学习模型会获得指定视频中的各帧图像渲染后效果好还是不好的信息，当指定视频中的渲染后效果好的图像个数达到一定比例时，就确定该指定视频可以进行渲染，这是因为如果渲染后效果不好的比例太大，再对该指定视频进行渲染后，渲染效果不好的效果会更突出，用户的视觉感知会更强烈，会降低用户观看体验，因此渲染后效果好的图像个数达到一定比例时，才可以确定对该指定视频进行渲染。具体地，本实施例中，是通过设定预设阈值的方式实现的，例如，设定预设阈值是85％，在一个指定视频中有100帧图像，其中90帧图像是渲染后效果好的，10帧图像是渲染后效果不好的，则渲染后效果好的帧数占总帧数的比例是90％，大于85％，则确定可以对该指定视频进行渲染。如果其中80帧图像是渲染后效果好的，20帧图像是渲染后效果不好的，则渲染后效果好的帧数占总帧数的比例是80％，小于85％，则确定不对该指定视频进行渲染。
优选地，渲染确定单元340，适于当指定视频的各帧中渲染后效果好的帧数/渲染后效果不好的帧数大于预设比例阈值时，确定对该指定视频进行渲染，反之不对该指定视频进行渲染。
例如，设定预设比例阈值是8，在一个指定视频中有100帧图像，其中90帧图像是渲染后效果好的，10帧图像是渲染后效果不好的，则渲染后效果好的帧数与渲染后效果不好的帧数的比例是9，大于8，则确定可以对该指定视频进行渲染。如果其中80帧图像是渲染后效果好的，20帧图像是渲染后效果不好的，则渲染后效果好的帧数与渲染后效果不好的帧数的比例是4，小于8，则确定不对该指定视频进行渲染。
在本发明的一个实施例中，上述的样本图像的相关数据为：样本图像的直方图；上述的指定视频的各帧图像的相关数据为：指定视频的各帧图像的直方图；或者，上述的样本图像的相关数据为：样本图像的原图；上述的指定视频的各帧图像的相关数据为：指定视频的各帧图像的原图。
在本实施例中，根据样本图像渲染后的直方图或者渲染后的图像信息标记该样本图像的渲染效果信息，然后将样本图像的直方图或原图以及对应的渲染效果信息进行机器学习，就可以获取到渲染后效果好的样本图像的直方图的特征或者样本图像的原图的特征。
本实施例中，可以利用样本图像的直方图数据进行机器学习，对应的在获取指定视频的各帧图像的渲染效果信息时，也需要将指定视频的各帧图像的直方图输入机器学习模型中。考虑到直方图是描述视频中图像的曝光特征或者颜色特征的图谱，可以反映视频中的色彩、光线等特征，对视频进行盲目的渲染后会造成暗度过暗或者曝光过度的情况，这些情况均可以在直方图中进行体现。例如，光线暗的画面调色后加深暗色，且丢失细节，在直方图上的曲线左方出现峰值和切断，中间区域数值较小；光线较强、大面积白、蓝红背景下的画面引起的曝光过度细节丢失现象，直方图上的曲线基本在直方图的右方出现峰值和切断，中间区域数值较小；而处理效果较好的画面中大部分颜色值居中显示，且直方图的曲线较平缓。这样，根据渲染后的直方图的特点就可以为每个样本图像标记渲染效果信息，然后机器学习时就可以根据渲染后效果不好的样本图像的直方图和对应的渲染效果信息确定渲染后效果不好的图像的直方图的特征是什么样的，以及根据渲染后效果好的样本图像的直方图和对应的渲染效果信息确定渲染效果好的图像的直方图的特征是什么样的。当将指定视频的各帧图像的直方图输入到机器学习模型中后，就可以根据各帧图像的直方图的特征确定该图像渲染后效果是好还是不好。
或者，本实施例中，可以利用样本图像的原图数据进行机器学习，对应的在获取指定视频的各帧图像的渲染效果信息时，也需要将指定视频的各帧图像的原图输入机器学习模型中。本实施例中还可以根据样本图像的原图信息和对应的渲染效果信息进行机器学习。根据样本图像渲染后的图像效果标记该样本图像的渲染效果信息，然后机器学习时就可以根据渲染后效果不好的样本图像的原图和对应的渲染效果信息确定渲染后效果不好的图像的特征是什么样的，以及根据渲染后效果好的样本图像的原图和对应的渲染效果信息确定渲染后效果好的图像的特征是什么样的。当将指定视频的各帧图像的原图输入到机器学习模型中后，就可以根据各帧图像的原图的特征确定该图像渲染后效果是好还是不好。
在本发明的一个实施例中，图3所示的装置进一步包括：
确定结果配置单元，适于将是否对该指定视频进行渲染的确定结果保存到该指定视频的配置文件中；将指定视频和对应的配置文件下发到客户端。
上述各实施例是从服务器侧对本方案进行说明，当服务器获取该指定视频的确定结果后，为了实现对该指定视频的渲染，服务器将是否对该指定视频进行渲染的确定结果(可以进行渲染，或不进行渲染)保存到该指定视频的配置文件中，然后将指定视频和对应的配置文件下发给客户端，客户端根据指定视频的配置文件中的信息，就可以确定是否对该指定视频进行渲染，如果确定对该指定视频进行渲染，则客户端对指定视频进行渲染后再播放，如果确定不对该指定视频进行渲染，则直接播放该指定视频的原始视频图像，或者对该指定视频进行其他指定处理后在进行播放。
这样就实现了在服务器解码视频，逐帧分析视频内容，判断该视频是否可以通过渲染(例如调节饱和度、对比度或亮度)来提升视频质量，然后通过配置文件的形式将判断结果下发至客户端，在客户端完成视频渲染。
在本方的一个实施例中，样本图像标记单元310，适于按照指定渲染方式对一定数量的样本图像进行渲染。
渲染确定单元340，适于确定是否按照指定渲染方式对该指定视频进行渲染。
在本实施例中，在为每个样本图像标记渲染效果信息时，并非是盲目标记，而且在对样本图像进行渲染后的渲染结果标记的，也就是说，需要对样本图像进行渲染，在进行渲染时，是采用指定的渲染方式，例如，是通过调节饱和度、对比度或亮度的渲染方式，和/或，采用一定参数进行饱和度、对比度或亮度的调节。
因此样本数据的渲染效果信息是针对该指定渲染方式来说的，由此得到，机器学习模型学习的结果也是针对该指定渲染方式来说的，那么，在得到指定视频的各帧图像的渲染效果信息时，应该是该指定视频的各帧图像是否适合该指定渲染方式的渲染。所以，在确定是否对该指定视频进行渲染时，是确定是否按照指定渲染方式对该指定视频进行渲染。
优选地，在上述的将所述指定视频和对应的配置文件下发到客户端时，还可以将该指定渲染方式下发至客户端，以便客户端按照该指定渲染方式对指定视频进行渲染，这样防止采用其他的渲染方式与是否对该指定视频进行渲染的确定结果不匹配，反而使得适合渲染的指定视频进行渲染后反而效果还是不好。
综上所述，根据本发明的技术方案，对一定数量的样本图像进行渲染，根据渲染结果为每个样本图像标记渲染效果信息；将样本图像的相关数据和对应的渲染效果信息作为训练数据输入到机器学习模型中供该机器学习模型进行学习；将指定视频的各帧图像的相关数据输入到机器学习模型中，获取该机器学习模型输出的各帧的渲染效果信息；根据机器学习模型输出的指定视频的各帧的渲染效果信息，确定是否对该指定视频进行渲染。可见，通过本技术方案，在对视频进行渲染前，先利用机器学习模型判断该视频是否适合进行渲染，防止盲目的对视频进行渲染处理而导致的视频效果更差的情况，保证视频渲染处理后的视频质量，用户观看到经过渲染处理后的视频是效果更好的视频，增强用户的使用体验。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的视频渲染装置、电子设备和计算机可读存储介质中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图4示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备400传统上包括处理器410和被安排成存储计算机可执行指令(程序代码)的存储器420。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码440的存储空间430。例如，用于程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个程序代码440。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图5所述的计算机可读存储介质500。该计算机可读存储介质500可以具有与图4的电子设备中的存储器420类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码510，即可以由诸如410之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。