本发明的实施例总体上涉及信息处理领域，并且特别涉及用于图像处理的方法和装置。
背景技术：
随着技术的发展，生物识别技术开始逐渐成为热点。生物识别技术具有方便和精准的特点，被越来越多的应用在安全领域。
由于虹膜本身具有的独特的结构特征，在生物识别技术中，虹膜识别技术的精准和方便得到了业界普遍的认可。但是虹膜识别技术的发展和使用中，由于虹膜图像的采集条件可能受限，例如采集当时的光照、摄像头的分辨率等多种干扰因素都会影响到所采集的虹膜图像，导致采集图像的视觉质量不高。这样的图像很明显不利于虹膜识别技术后期的对于虹膜特征的提取和进一步的识别处理。
技术实现要素：
总体上，本发明的实施例提出一种用于图像处理的技术方案。
在一个方面，本发明的实施例提供一种用于图像处理的方法。所述方法包括：接收第一图像，该第一图像具有第一清晰度；将该第一图像输入第一结构；以及从该第一结构的输出端得到对应于该第一图像的第二图像。在本发明实施例中，该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构，该第二图像具有第二清晰度，且该第二清晰度大于该第一清晰度，该第二清晰度与该第一清晰度之间具有第一对应关系。
在另一方面，本发明的实施例提供一种用于图像处理的装置。所述装置包括：接收模块，被配置为接收第一图像，该第一图像具有第一清晰度；处理模块，被配置为将该第一图像输入第一结构，其中该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及获取模块，被配置为从该第一结构的输出端得到对应于该第一图像的第二图像，其中该第二图像具有第二清晰度，第二清晰度大于第一清晰度，且第二清晰度与所述第一清晰度具有第一对应关系。
在又一方面，本发明的实施例提供一种用于图像处理的计算机系统，该系统包括：处理器、计算机可读介质以及存储在该计算机可读介质上的用于由该处理器中的至少一个执行的计算机程序指令。该计算机程序指令包括：用于接收第一图像的计算机程序指令，该第一图像具有第一清晰度；用于将该第一图像输入第一结构的计算机程序指令，其中该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及用于从该第一结构的输出端得到对应于该第一图像的第二图像的计算机程序指令，其中第二图像具有第二清晰度，该第二清晰度大于第一清晰度，且第二清晰度与第一清晰度具有第一对应关系。
在再一方面，本发明的实施例提供一种用于图像处理的计算机可读的存储介质，该计算机可读存储介质上存储有至少一个可执行的计算机程序指令，所述计算机程序指令包括用于执行上述方法实施例中描述的各步骤。
根据本发明的实施例，可以将模糊的图像变得清晰，提高采集图像的视觉质量，从而方便后续处理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中：
图1示出了适于用来实现本发明实施例的环境；
图2示出了适于用来实现本发明实施例的另一环境；
图3示出了根据本发明实施例的一种用于图像处理的方法的示意性流程图；
图4示出了根据本发明的实施例的一种训练第一结构的方法的示意性流程图；
图5示出了根据本发明实施例的卷积-解卷积深度学习网络的示意性结构图；
图6示出了根据本发明实施例的一种用于图像处理的方法的示意性流程图；
图7示出了根据本发明实施例的一种用于图像处理的方法的示意性流程图；以及
图8示出了根据本发明实施例的一种用于图像处理的装置的示意性的结构框图。
在附图中，相同或相似的标号被用来表示相同或相似的元素。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，本发明还可以以其他各种形式实现而不应限制在下面描述的具体的实施方式。在此提供这些具体的实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境可以是一个具有简单计算能力的终端100，也可以是具有复杂计算能力的节点100。
该环境例如包括计算机可读介质101。计算机可读介质例如可以是易失性和非易失性介质，也可以是可移动的和不可移动的介质，只要能够供具有计算能力的节点访问即可。
该环境例如还可以包括一个或多个程序模块103，这些程序模块103通常用于执行本发明所述描述的实施例中的功能和/或方法。
该环境例如还可以包括一个或多个具有计算能力的模块105。
该环境可以独立执行本发明实施方式中所描述的方法和/或功能个，也可以与外部设备107通信以协作完成相应的方法和/或功能。
当然，本领域技术人员可以理解，该终端100或计算节点100例如可以是服务器或者计算机，也可以是智能终端，例如电子锁、智能手机、智能平板等，本发明并不加以限制。
图2示出了适于用来实现本发明实施方式的示例性环境的方框图。该环境包括终端201和计算节点203。该环境例如可以是一个云环境，此时计算节点203例如为云服务器。该环境例如还可以是其他通信系统，此时计算节点203例如为具有计算能力的移动终端，例如智能手机、智能平板、个人计算机等。
下面将具体描述本发明实施例的机制和原理。除非特别声明，在下文和权利要求中使用的术语“基于”表示“至少部分地基于”。术语“包括”表示开放性包括，即“包括但不限于”。术语“多个”表示“两个或更多”。术语“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。其他术语的定义将在下文描述中给出。
图3示出了根据本发明的一个示例性实施例的用于图像处理的方法300的示意性流程图。下面结合图3详细描述方法300中包括的各步骤。
在步骤301，接收具有第一清晰度的第一图像。本领域技术人员可以理解，结合图1所示的应用场景，步骤301例如是从计算节点100内部的其他功能模块接收到的。本领域技术人员可以理解，结合图2所示的应用场景，步骤301例如是从计算节点203内部的其他功能模块接收到的，也可以是从终端201接收到的。本领域技术人员可以理解，清晰度既可以是量化的，也可以是视觉感受上的，也即图像是否清晰。
在步骤303，将接收到的第一图像输入第一结构。在本实施例中，第一结构例如为端到端学习结构。在本发明另一实施例中，可以通过一定方法对该第一结构进行训练，具体的训练方法描述在如图4所示的实施例中。端到端的学习结构能够学习输入和输出之间的映射和/或变化关系。并且，通过合适的训练可以使得这样的端到端结构学习较为复杂的映射和/或变化关系。
在步骤305，从该第一结构的输出端得到对应于该第一图像的第二图像。本实施例中，第二图像具有第二清晰度，并且该第二清晰度大于该第一清晰度。该第二清晰度与该第一清晰度具有第一对应关系。
通过图3所描述的方法300，通过端到端学习结构的应用，可以将模糊的图像变得清晰，从而提高视觉质量。这样能够方便随后的对于该图像的进一步处理，尤其是应用在虹膜识别领域，尤其有利于后续的特征提取和识别等。
该方法300不仅仅限于应用在虹膜识别技术中，还可以应用在其他需要将模糊图像变得清晰的场景中。在具体应用在虹膜识别场景中时，这样的对虹膜图像进行识别前的预先处理可以提高图像质量，一方面有利于降低后续虹膜识别模块的设计难度，另一方面也有利于提高虹膜识别的效率和准确率。
在本发明的另一实施例中，该第一图像和该第二图像的分辨率相同。也就是说，本发明实施例可以在分辨率不变的情况下将输入的图像的清晰度提高，增强图像质量。
在本发明的另一实施例中，该第一结构例如可以是神经网络。
在本发明的另一实施例中，该第一结构例如可以是深度学习网络。可以采用现有技术中的深度学习网络来作为端到端学习结构，将来发展的深度学习网络也可以用来作为端到端学习网络，只要这样的网络能够学习输入和输出之间的变化和/或映射。
在本发明的另一实施例中，该第一结构例如可以是同时具有编码层/编码器和解码层/解码器的深度学习网络，这样的网络能够更好的学习图像之间的变化和/或映射关系，得到更好的图像处理效果。
在本发明的另一实施例中，该第一结构例如包括编码器/编码层、解码器/解码层和位于编码器/编码层与解码器/解码层之间的非线性映射。
在本发明的另一实施例中，该第一结构例如可以是卷积-解卷积深度学习网络。在本发明的一个实施例中，卷积-解卷积深度学习网络例如可以包括卷积层和解卷积层。本领域技术人员可以理解，上述的卷积-解卷积深度学习网络例如还可以包括全连接层，该全连接层位于卷积层和解卷积层之间。当然作为编码-解码的深度学习网络的一种示例，卷积-解卷积深度学习网络还可以包括更多的层，例如池化层等。本发明并不对此加以限制。并且，本领域技术人员还可以理解，上述各层中还可以包括多个层，例如卷积层可以包括卷积层1、卷积层2和卷积层3。解卷积层可以包括解卷积层1、解卷积层2和解卷积层3。当然编码和解码的层的层数并不一定要完全一致。图5示出了一种卷积-解卷积深度学习网络500的示例。该网络500包括卷积网络510和解卷积网络520。也可以将该网络500分为编码器530，非线性映射540和解码器550。具体的，编码器530例如包括卷积层501、503和505；非线性映射540例如包括全连接层507和509以及解码器550包括解卷积层511、513和515。
本发明另一实施例中，上述实施例中的第一图像还可以是提取自原始图像的多个图像块。在该实施例中，原始图像仅为相对于本发明处理后的图像而言，并非特指某一状态的图像。以虹膜识别应用场景为例，该原始图像例如可以是摄像头采集直接得到的图像，也可以是经过简单处理的图像，例如滤波处理等。在本实施例中，将原始图像分割为多个图像块进行处理，可以简化系统的复杂度，使得设计更为简单，系统的性能更鲁棒。本领域技术人员可以采用现有技术中的图像块提取技术实现本实施例中的提取。本领域技术人员可以理解，在如图1所示的应用环境中，本实施例中的提取可以由计算节点100本身执行；在如图2所示的应用环境中，本实施例中的提取例如可以由终端201执行传输到计算节点203，也可以由计算节点203执行。相应的，在本实施例中，第二图像可以为用于合成后期图像的多个图像块。本领域技术人员可以采用当前通用的图像合成技术将多个图像块合成为后期图像。该后期图像比原始图像更为清晰。
本发明另一实施例中，该提取自原始图像的多个图像块可以是部分重叠的图像块。相应的用于合成后期图像的图像块也是部分重叠的图像块。由于图像块之间存在重叠的部分，提供了冗余数据，可以用于进一步的校验和纠错，进一步的增加了系统的鲁棒性。
本发明一实施例中，还可以通过如图6所述的方法，进一步的提高虹膜识别系统中采集的虹膜图像的分辨率，以获得更高质量的图像。下面结合图6详细说明本发明实施例提供的一种示例性的用于图像处理的方法600。
方法600始于步骤601，获取原始图像。如同之前实施例所提到的，原始图像并非一定是摄像头采集直接得到的图像，还可以是经过处理的图像。原始图像仅是针对本发明实施例的处理前的图像。
在步骤603，将该原始图像放大至设定的分辨率，得到放大后的原始图像。在本实施例中，原始图像的分辨率和放大后的原始图像的分辨率的比例关系为第一倍率。本领域技术人员可以理解，第一倍率是用来表示原始图像的分辨率和放大后的原始图像的分辨率的比例关系，且原始图像的分辨率小于放大后的原始图像的分辨率。所以第一倍率既可以是2倍、3倍、4倍这样的倍率，也可以是二分之一、三分之一、四分之一这样的倍率，具体的表达依赖于将原始图像的分辨率和放大后的原始图像的分辨率中的哪一个作为分母。本发明并不限制具体的第一倍率的数值，该数值既可以是整数也可以是非整数，既可以是奇数也可以是偶数。下面的示例中，为了表述方便，以第一倍率为4倍为例进行描述，也即放大后的原始图像的分辨率为原始图像的分辨率的4倍。
在步骤605，从放大后的原始图像提取多个部分重叠的图像块。本领域技术人员可以采用多种现有技术来从放大后的原始图像中提取多个部分重叠的图像块。正如之前的实施例中所描述的，提取的图像块可以是部分重叠的，也可以是彼此之间没有重叠的，本发明并不加以限制。本示例中，提取多个部分重叠的图像块能够增加系统的鲁棒性。并且，应当理解，本示例中，若不执行步骤605也可以实现提高原始图像分辨率的目的。只是将放大后的原始图像分割为多个图像块或者分割为多个重叠的图像块可以减少系统设计的复杂度，降低设计难度，减少系统成本，也使得整个的系统更加的简单易用，更加鲁棒。
步骤607，将该多个重叠的图像块作为第一结构的输入。本领域技术人员可以理解，其他实施例中，对于第一结构的表述都可以应用在本示例中。并且若未执行步骤605，则直接将步骤603得到的放大后的原始图像作为该第一结构的输入。
步骤609，得到从该第一结构输出的多个重叠的图像块。本领域技术人员可以理解，若步骤605中提取的是多个重叠的图像块，则步骤609中得到的就是多个重叠的图像块；若步骤605中提取的是多个不重叠的图像块，则步骤609中得到的就是多个不重叠的图像块。若未执行步骤605，则步骤609中得到的就是本示例最后希望得到的分辨率高于原始图像的最终图像。
步骤611，合并步骤609中得到的多个图像块，得到最终图像。本领域技术人员可以理解，最终图像只是本示例中最后希望得到的高分辨率的清晰图像，而并不意味着该最终图像不会再经过其他进一步的处理。结合之前的实施例，针对于放大后的图像的分辨率，最终图像的分辨率可以等于该放大后的图像的分辨率，也即为原始图像分辨率的4倍。由此可见，本实施例提供的方法不但可以利用第一结构得到更为清晰的图像，还可以得到分辨率高于原始图像的最终图像，进一步的提高图像质量，方便后续的处理。
下面结合图4对前述实施例中提到的第一结构的训练进行详细的描述。
步骤401，获取图像a，图像a的清晰度为x1，分辨率为y1。本领域技术人员可以理解，获取图像a的方式有很多，例如可以直接通过实验室环境下的高分辨率摄像头进行采集，或者直接使用现有数据库中的图像，或者还可以通过其他图像构造/变换的方式得到，本发明并不加以限制。
步骤403，对图像a进行模糊化处理得到图像b，图像b的清晰度为x2，分辨率为y2。其中，x2小于x1，也即图像b比图像a模糊，或者说图像a比图像b清晰。图像a与图像b的清晰度具有第一对应关系。图3所示的方法中的第一对应关系受到训练第一结构时使用的图像对的清晰模糊关系的影响。在一个示例中，图像a和b的分辨率例如为相同的，也即y1＝y2。
在本发明的一个实施例中，模糊化处理例如包括：将图像a以第一倍率缩小为图像c，并将图像c放大得到图像b。本领域技术人员可以理解，可以采用现有技术中各种通用的技术将图像a缩小为图像c，此时图像c的分辨率会降低。再将图像c放大得到图像b时，也可以利用本领域通用的图像放大技术，例如插值法来进行放大，从而得到更高分辨率的更模糊的图像，也即图像b比图像c的分辨率高，但是图像b比图像c更模糊。在一个示例中，插值法例如包括：最邻近插值(nearestneighborinterpolation)、双线性插值(bilinearinterpolation)、双三次插值(bicubicinterpolation)、距离倒数乘方法、克里金法、最小曲率法、多元回归法、径向基本函数法、谢别德法、自然邻点插值法等。本发明的一个实施例中，例如采用双三次插值法来实现对图像的放大，从而简化系统的设计，使得系统更鲁棒。本领域技术人员可以理解，本示例中的第一倍率例如可以和前述实施例中的第一倍率相同。
步骤405，将图像a和图像b作为清晰-模糊图像对，对第一结构进行训练，在训练中，将图像b作为输入，将图像a作为输出。本领域技术人员可以采用现有的各种技术利用上述方法得到的清晰-模糊图像对训练第一结构。本发明一实施例中，例如可以采用反向传播(bp)算法来对第一结构进行训练。当然本领域技术人员可以理解，采用优化或者变形的反向传播算法以及其他算法也可以对第一结构进行训练，本发明并不加以限制。
根据上述描述的训练方法，本领域技术人员可以理解，为了更好的训练第一结构，还可以构建多个类似于图像a和图像b的清晰-模糊图像对来对第一结构进行训练。当采用各清晰-模糊图像对时，并不要求所有的清晰图像具有相同的分辨率和/或清晰度，而是构建的清晰-模糊图像对的清晰度的对应关系相同。
在本发明另一实施例中，为了进一步的简化系统设计的复杂度，可以采用前述实施例中提到的方法，分别从清晰-模糊图像对中的清晰图像和模糊图像中提取多个图像块，构成清晰-模糊图像块对，并用清晰-模糊图像块对来训练第一结构。在本示例中，提取的多个图像块例如可以是不重叠的图像块，也可以是部分重叠的图像块。在一个示例中，例如可以从清晰图像和对应的模糊图像中分别提取部分重叠的、大小为28×28的图像块，构成清晰-模糊图像块对。
可以理解，图3和/或图6所示的方法例如和图4所示的方法具有关联，也即在利用图3和/或图6所示的方法对图像进行处理时，具体的第一对应关系和/或第一倍率与对应的图4所示方法中的第一对应关系和/或第一倍率相同。
在本发明一示例中，第一倍率能够影响第一对应关系。在本发明一示例中，以第一倍率缩小时，得到的缩小后的图像越小，则放大至原分辨率的图像越模糊，也即清晰-模糊图像对的清晰度差距越大。另一方面，第一对应关系会决定原始图像的分辨率能够提高多少。也就是说第一对应关系的清晰度的差距越大，则原始图像的分辨率能够被提高的更多。
本发明上述各实施例之间可以彼此参考和结合，从而得到更多的实施例。例如如图7所示，为上述各实施例彼此参考、结合得到的实施例。下面结合图7，对本发明一实施例提供的用于图像处理的方法进行详细的描述。
步骤701，获取多个图像a1……an，其中n为大于1的自然数。图像a1……an的清晰度分别为x1……xn，分辨率分别为y1……yn。本实施例中，x1……xn之间彼此可以相同也可以不同，同样的，y1……yn之间彼此可以相同也可以不同。
步骤703，对于图像a1……an中的每个，提取多个部分重叠的、大小为32×32的图像块。
步骤705，将图像a1……an中的每个，缩小为原来的二分之一，再采用双三次插值法放大回缩小前的分辨率，得到图像b1……bn。图像b1……bn的清晰度分别为m1……mn，分辨率分别为n1……nn。其中，yi＝ni，xi和mi具有第一对应关系，i的取值范围为从1到n的自然数。
步骤707，对于图像b1……bn中的每个，提取多个部分重叠的、大小为32×32的图像块。本领域技术人员可以理解，上述步骤之间没有特定的执行顺序，可以先后执行也可以同时执行，只要步骤701执行在703和705之前，步骤705执行在步骤707之前。
步骤709，用得到的清晰-模糊图像块对，采用反向传播算法对卷积-解卷积深度学习网络进行训练。其中，清晰-模糊图像块对，由从a1……an和从b1……bn中提取的图像块构成。本领域技术人员可以理解，可以反复的执行步骤701-709，以便更好的训练卷积-解卷积深度学习网络。
步骤711，获取图像c，图像c的分辨率为z。
步骤713，采用双三次插值法将图像c放大2倍，得到图像d，图像d的分辨率为2z。
步骤715，从图像d提取多个部分重叠的、大小为32×32的图像块。
步骤717，将提取的图像块输入训练后的卷积-解卷积深度学习网络。
步骤719，将步骤717得到的卷积-解卷积深度学习网络输出的多个图像块进行合成，得到图像e。图像e的分辨率为2z。本领域技术人员可以理解，在步骤701-709执行完或者反复执行完得到训练好的卷积-解卷积深度学习网络后，步骤711-719也可以反复执行，以实现对多个图像c的处理。
根据本实施例提供的方法，显然可以完成图像的预先处理，提高图像的分辨率。特别是应用在虹膜识别技术中，可以降低后续虹膜特征提取的系统设计难度，以及后续识别的系统设计难度，提高识别精度和准度，并且能够加快处理速度，很大程度上的推进了虹膜识别技术的应用。
本领域技术人员可以理解，如图7所示的实施例中的步骤可以执行在不同的阶段，例如步骤701至步骤709可以执行在实验室或者出厂前的训练阶段，或者可以执行在远端的服务器上。步骤711至步骤719可以执行在测试阶段也可以执行在用户使用阶段。
本领域技术人员可以理解，如图7所示的实施例中的步骤可以由不同的执行主体完成。以采用虹膜识别技术的智能锁为例。例如，训练阶段的步骤可以在测试机或者设计机上完成，并将训练完的卷积-解卷积深度学习网络载入智能锁。后续阶段的步骤可以在智能锁上执行。例如，训练阶段的步骤可以在测试机或者设计机上完成，并将训练完的卷积-解卷积深度学习网络载入远端服务器或者智能手机，智能锁执行步骤711-715，并在步骤717将提取的图像块传送到远端服务器或者智能手机。随后远端服务器或者智能手机将步骤719得到的图像e发送回智能锁。当然，本领域技术人员完全可以通过上述描述得到其他实施方式，例如仅步骤711在智能锁完成，智能锁将获得的低分辨率图像直接传输到载有训练好的卷积-解卷积深度学习网络的服务器上，服务器完成所有的虹膜识别过程，并将最后是否开锁的指示传递回智能锁。
图8示出了根据本发明实施例提供的一种用于图像处理的装置800的示意性框图。该装置800包括：接收模块801，被配置为接收第一图像，该第一图像具有第一清晰度；处理模块803，被配置为将该第一图像输入第一结构，其中该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及获取模块805，被配置为从该第一结构的输出端得到对应于该第一图像的第二图像，其中该第二图像具有第二清晰度，第二清晰度大于第一清晰度，且第二清晰度与所述第一清晰度具有第一对应关系。
结合上述方法实施例的描述，本领域技术人员可以得到相应的装置800的实现方式。
例如，对于装置800，第一图像和第二图像的分辨率相同。
例如，对于装置800，第一结构为深度学习网络。
例如，对于装置800，第一结构包括编码器、解码器以及位于编码器和解码器之间的非线性映射。
例如，对于装置800，第一结构为卷积-解卷积深度学习网络，所述卷积-解卷积深度学习网络包括卷积层、解卷积层和位于卷积层与解卷积层之间的全连接层。
例如，对于装置800，第一结构经历图像对训练，所述图像对包括第三图像，以及通过对所述第三图像进行模糊化处理得到的第四图像；所述图像对训练包括将所述第四图像作为输入，将所述第三图像作为输出对所述第一结构进行训练，其中所述第三图像具有第三清晰度，第四图像具有第四清晰度，且所述第三清晰度与第四清晰度具有所述第一对应关系。
例如，对于装置800，第一结构经历图像对训练，所述图像对包括多个第五图像和多个第六图像，其中，所述多个第五图像为提取自第三图像的多个图像块，所述第六图像为提取自对所述第三图像进行模糊化处理得到的第四图像的多个图像块；所述图像对训练包括将所述多个第六图像作为输入，将对应的多个所述第五图像作为输出对所述第一结构进行训练，其中，所述第三图像具有第三清晰度，所述第四图像具有第四清晰度，且所述第三清晰度与第四清晰度具有所述第一对应关系。
例如，对于装置800，多个第五图像为提取自所述第三图像的多个部分重叠的图像块，且所述多个第六图像为提取自所述第四图像的多个部分重叠的图像块。
例如，对于装置800，所述第三图像和所述第四图像的分辨率相同。
例如，对于装置800，对所述第一结构进行训练，包括：采用反向传播算法对所述第一结构进行训练。
例如，对装置800，模糊化处理包括：将所述第三图像以第一倍率缩小为第七图像，将所述第七图像放大得到与所述第三图像分辨率相同的所述第四图像。
例如，对于装置800，放大为利用双三次插值法进行放大。
例如，对于装置800，第一图像为提取自原始图像的多个图像块；第二图像为用于合成对应于所述原始图像的第八图像的多个图像块，所述第八图像的清晰度高于所述原始图像的清晰度。
例如，对于装置800，第一图像为提取自原始图像的多个部分重叠的图像块；第二图像为用于合成对应于所述原始图像的第八图像的多个部分重叠的图像块，所述第八图像的清晰度高于所述原始图像的清晰度。
例如，对于装置800，第一图像为放大后的原始图像，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率，所述第二图像的分辨率高于所述原始图像的分辨率。
例如，对于装置800，所述第一图像为提取自放大后的原始图像的多个图像块，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率；第二图像为用于合成对应于所述原始图像的第八图像的多个图像块，所述第八图像的分辨率高于所述原始图像的分辨率。
例如，对于装置800，所述第一图像为提取自放大后的原始图像的多个部分重叠的图像块，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率；第二图像为用于合成对应于所述原始图像的第八图像的多个部分重叠的图像块，所述第八图像的分辨率高于所述原始图像的分辨率。
例如，对于装置800，所述第一倍率能够影响所述第一对应关系。
为清晰起见，图8中没有示出装置800所包括的所有可选单元或者子单元。上述方法实施例以及通过参考和结合能够得到的实施例所描述的所有特征和操作分别适用于装置800，故在此不再赘述。
本领域技术人员可以理解，装置800中单元或子单元的划分不是限制性的而是示例性的，是为了更为方便本领域技术人员理解，从逻辑上描述其主要功能或操作。在装置800中，一个单元的功能可以由多个单元来实现；反之，多个单元也可由一个单元来实现。本发明并不对此加以限制。
同样的，本领域技术人员可以理解，可以采用各种方式来实现装置800所包含的单元，包括但不限于软件、硬件、固件或其任意组合，本发明并不对此加以限制。
本发明可以是系统、方法、计算机可读的存储介质和/或计算机程序产品。计算机可读存储介质例如可以是能够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/可执行的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，也可以通过各种通信方式下载到外部计算机或外部存储设备。本发明并不具体限制用于实现计算机可读/可执行的程序指令的具体编程语言或者指令。。
这里参照根据本发明实施例的方法、装置(系统)的流程图和/或框图描述了本发明的各个方面。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/可执行的程序指令实现。
以上已经描述了本发明的各实施例，如上描述中已经说明，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，各实施例之间彼此可以参考和结合得到更多的实施例。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。