图像渲染方法、装置、终端及计算机可读存储介质与流程

本申请实施例涉及电子设备应用技术，尤其涉及一种图像渲染方法、装置、终端及计算机可读存储介质。

背景技术：

随着智能终端的发展，智能终端上的拍照功能被用户广为使用。目前相机的拍照功能中嵌套有渲染功能。渲染功能用于对图片的温色进行调节，进而使照片出现复古、黑白、怀旧等风格。相关技术中图片的渲染功能由用户人工选择，即由用户选择其所需要的渲染色调。但是，对于新用户其并不了解不同名称的渲染功能对应的照片风格，甚至在多测尝试不同风格的渲染后仍然无法找到合适的渲染方式，不仅浪费时间且用户多次无法找到合适的渲染方式将会放弃渲染功能，导致渲染功能的利用率低。

技术实现要素：

本申请提供一种图像渲染方法、装置、终端及计算机可读存储介质，可以提高渲染功能的渲染效率，提高渲染功能的利用率。

第一方面，本申请实施例提供了一种图像渲染方法，包括：

根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

根据所述目标渲染方式对所述目标图像进行渲染；

输出渲染后的目标图像。

第二方面，本申请实施例还提供了一种图像渲染装置，包括：

机器学习模块，用于根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

渲染模块，用于根据所述机器学习模块得到的所述目标渲染方式对所述目标图像进行渲染；

输出模块，用于输出所述渲染模块渲染后的目标图像。

第三方面，本申请实施例还提供了一种终端，所述终端包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

数据收发器，用于与服务器进行数据交互；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所示的图像渲染方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所示的图像渲染方法。

本申请实施例提供的图像渲染方法，首先根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；然后根据所述目标渲染方式对所述目标图像进行渲染；最后输出渲染后的目标图像，能够提高渲染功能的渲染效率，提高渲染功能的利用率。

附图说明

图1是本申请实施例中的一种图像渲染方法的流程图；

图2是本申请实施例中的另一种图像渲染方法的流程图；

图3是本申请实施例中的另一种图像渲染方法的流程图；

图4是本申请实施例中的另一种图像渲染方法的流程图；

图5是本申请实施例中的另一种图像渲染方法的流程图；

图6是本申请实施例中的一种图像渲染装置的结构示意图；

图7是本申请实施例中的另一种图像渲染装置的结构示意图；

图8是本申请实施例中的一种终端的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

目前，终端中的相机功能或者图像处理应用均能够对图片进行渲染，但是以何种的渲染方式对图像进行渲染需要由用户人工选择。但是用户通常并不清楚当前场景最为合适的渲染方式，因此用户需要多次尝试不同的渲染方式，费时费力。或者用户只使用一种自己习惯的渲染方式，进而忽略了其他更优的渲染方式。本申请提供一中结合机器学习的图像自动渲染方式，为用户提供适合的图像渲染，提高渲染功能的渲染效率和图像渲染功能的利用率。

图1为本申请实施例提供的一种图像渲染方法的流程图，该方法应用于终端，终端可以为智能手机、可穿戴设备、平板电脑、笔记本电脑等具有拍照功能或者具有图像处理功能的电子设备。该方法适用于为拍照得到的图像进行渲染的情况，具体包括下述步骤：

步骤110、根据机器学习模型获取目标图像的目标渲染方式。

其中，目标图像为拍照功能得到的图像。可选的，在用户输入拍照指令时，终端生成目标图像，在得到目标图像时根据机器学习模型获取目标图像的目标渲染方式。可选的，在根据用户输入的拍照指令生成目标图像后，将目标图像存储到相册。当用户浏览相册中的图像或者使用其他包含有图像渲染功能的图像处理应用浏览图像时，可对图像进行渲染操作。当用户启动渲染功能时，根据机器学习模型获取目标图像的目标渲染方式。

机器学习模型可以选择人工神经网络(artificialneuralnetworks，anns)。可以首先获取多个用户对图像进行渲染的方式，然后通过对机器学习对人工神经网络进行优化。

在一种实现方式中，对目标图像进行图像分析，得到目标图像的属性信息。将目标图像的属性信息和用户选择的渲染方式输入到人工神经网络。其中，属性信息可以包括下述信息中的一种或多种：图像方向、图像色温、图像亮度、图像像素或图像主体。在对目标图像进行渲染时，对目标图像进行图像分析，得到目标图像的属性信息，然后将目标图像的属性信息输入得到的人工神经网络，得到目标图像的属性信息对应的目标渲染方式。

步骤120、根据所述目标渲染方式对所述目标图像进行渲染。

渲染方式包括单色、色调、黑白、褪色、铬黄、冲印、岁月或怀旧等风格，每种风格用于对目标图像进行色彩、饱和度以及色温上的调节。

步骤130、输出渲染后的目标图像。

可选的，在拍照得到目标图像时，对图像进行渲染，并将渲染后的目标图像显示给用户。可选的，在拍照得到目标图像时，对图像进行渲染，并将渲染的图片进行存储。当用户通过相册浏览目标图像时，显示渲染后目标图像。

进一步的，在步骤130之后，还包括：接收用户对目标图像的反馈信息；根据反馈信息对机器学习模型进行调整。

在显示渲染后的目标图像后，接收用户对渲染结果的反馈信息。反馈信息可以为保存、删除或更换渲染方式。将反馈信息输入到机器学习模型中，机器学习模型可根据输入的反馈信息调整渲染方式的确定策略。

本实施例提供的图像渲染方法，根据机器学习模型获取目标图像的目标渲染方式，目标图像为拍照功能得到的图像；根据目标渲染方式对目标图像进行渲染；输出渲染后的目标图像。由于机器学习能够根据当前用户或其他用户的历史渲染方式为确定目标图像的目标渲染方式，避免用户盲目的尝试多种渲染方式，提高渲染功能的渲染效率和图像渲染功能的利用率。

图2为本申请实施例提供的一种图像渲染方法的流程图，作为上述实施例的进一步说明，包括：

步骤210、获取多个第一用户在拍摄第一图像时的第一位置信息以及第一图像的渲染方式。

其中，第一用户包括当前用户或出当前用户以外的其他用户。第一图像为第一用户拍照得到的任意一张图像。在根据用户输入的拍照指令得到第一图像时，获取第一图像对应的第一位置信息。第一位置信息可以为通过全球定位系统(globalpositioningsystem，gps)获取的坐标信息。或者，第一位置信息还可以为当前所在景点标识，或者当前所在商铺标识。当第一用用户对第一图像的渲染方式进行反馈时记录第一位置信息与第一图像的对应关系。

进一步的，判断第一图像中是否存在人物特征区域。如果第一图像中存在人物特征区域，则对多个第一用户对应的第一位置信息和渲染方式进行机器学习，得到第一机器学习模型。如果第一图像中不存在人物特征区域，则取消将第一用户对应的第一位置信息和渲染方式进行机器学习。

判断第一图像中是否存在人脸区域，或者人物身体区域，如果存在，则第一图像中存在人物特征区域。将具有人物特征区域的图片的渲染方式进行机器学习，得到第一机器学习模型，使第一机器学习模型能够够对人物图像进行更加精确的渲染推荐。

步骤220、对多个第一用户对应的第一位置信息和渲染方式进行机器学习，得到第一机器学习模型。

第一用户可以为任意一个其他用户，也可以为与当前用户属性相近的其他用户。用户属性包括年龄、性别或兴趣中的任意一种。将第一用户对应的第一位置信息和渲染方式进行机器学习，得到的第一机器学习模型能够根据位置信息确定合适的渲染方式。

在一种使用场景中，用户在某个景点进行留念时，对于不同的景点需要进行不同样式的渲染。例如，与远处山峰进行合影时，使用渲染方式a；拍着某件文物或藏品时，使用渲染方式b。因此，通常景区中一个位置可以看到的景点是唯一的，因此该位置使用的渲染方式也是唯一的。通过第一用户在相同位置选择的渲染方式，可确定该位置对应的渲染方式。

步骤230、获取当前位置信息，将当前位置信息代入到第一机器学习模型中，得到当前位置对应的目标渲染方式。

当当前用户触发拍照指令时，获取当前位置信息。将当前位置信息输入(又称代入)到第一机器学习模型中，得到当前位置信息对应的目标渲染方式。

步骤240、根据目标渲染方式对目标图像进行渲染。

步骤240与步骤120相同，可参照步骤120的说明。

步骤250、输出渲染后的目标图像。

步骤250与步骤130相同，可参照步骤130的说明。

本实施例提供的图像渲染方法能够根据用户的位置确定当前位置适合的目标渲染方式，并根据该目标渲染方式对目标图像进行渲染，实现根据用户位置和机器学习模型确定渲染方式，使得渲染方式更加准确，提高渲染效率。

图3为本申请实施例提供的一种图像渲染方法的流程图，作为上述实施例的进一步说明，包括：

步骤310、获取多个第一用户在拍摄第一图像时的第一位置信息以及第一图像的渲染方式。

步骤320、获取多个第一用户在拍摄第一图像时的拍照时间。

拍照时间包括拍照时间段或拍照的具体时间。拍照时间段可以为上午、下午或晚上。拍照的具体时间为年-月-日-时-分-秒。可以通过系统时钟获取拍照时间的具体时间。根据具体时间确定拍照时间段。

步骤330、对多个第一用户对应的第一位置信息、拍照时间以及渲染方式进行机器学习，得到第二机器学习模型。

第二机器学习模型能够根据拍照位置和拍照时间确定合适的渲染方式。比如同一个景点，上午拍摄时需要用渲染方式a，下午拍摄时需要用渲染方式b。

步骤340、获取当前位置信息和当前时间信息，将当前位置信息和当前时间信息代入到第二机器学习模型中，得到当前位置和当前时间信息对应的目标渲染方式。

通过gps和系统时钟获取当前位置和当前时间信息。然后使用得到的第二机器学习模型得出当前位置信息和当前时间信息对应的目标渲染方式。

步骤350、根据目标渲染方式对目标图像进行渲染。

步骤350与步骤120相同，可参照步骤120的说明。

步骤360、输出渲染后的目标图像。

步骤360与步骤130相同，可参照步骤130的说明。

本实施例提供的图像渲染方法能够将拍摄位置和拍摄时间进行结合，生成第二机器学习模型。当用户拍摄照片时，根据第二机器学习模型确定当前时间和当前位置适用的目标渲染方式，并根据目标渲染方式对目标图像进行渲染，使得渲染方式更加准确，提高渲染效率。

图4为本申请实施例提供的一种图像渲染方法的流程图，作为上述实施例的进一步说明，包括：

步骤410、获取多个第一用户在拍摄第一图像时的位置信息以及第一图像的渲染方式。

步骤420、获取多个第一用户在拍摄第一图像时的天气信息。

天气信息可通过天气应用或网络侧的天气服务器进行获取。天气信息包括气温信息、日照信息或风力信息。温度信息包括最高气温、最低气温以及实时气温。日照信息包括日出时间、日落时间、日照强度。风力信息包括风向信息、风强度信息。天气信息还包括阴天、晴天、多云、阵雨、小雨、中雨、大雨等。

步骤430、对多个第一用户对应的第一位置信息、天气信息以及渲染方式进行机器学习，得到第三机器学习模型。

第三机器学习模型能够根据拍照位置和拍照天气确定合适的渲染方式。进一步的，还可以将位置信息、天气信息、时间信息以及渲染方式输入到机器学习模型，得到第三机器学习模型。第三机器学习模型能够基于拍照时间、拍照地点以及拍照时的天气信息，确定合适的渲染方式。

步骤440、获取当前位置信息和当前天气信息，将当前位置信息和当前天气信息代入到第三机器学习模型中，得到当前位置和当前天气信息对应的目标渲染方式。

步骤450、根据目标渲染方式对目标图像进行渲染。

步骤450与步骤120相同，可参照步骤120的说明。

步骤460、输出渲染后的目标图像。

步骤460与步骤130相同，可参照步骤130的说明。

本实施例提供的图像渲染方法，能够根据天气信息以及位置信息确定第三机器学习模型。当用户拍摄照片时，根据第三机器学习模型确定当前天气信息和当前位置适用的目标渲染方式，并根据目标渲染方式对目标图像进行渲染，使得渲染方式更加准确，提高渲染效率。

图5为本申请实施例提供的一种图像渲染方法的流程图，作为上述实施例的进一步说明，包括：

步骤510、获取多个第一用户的人物属性信息和多个第一用户的渲染方式。

其中，人物属性信息包括下述属性信息中的至少一个或多个：年龄信息、性别信息、职业信息或兴趣信息。

第一用户的人物属性可以相同也可以不同。年龄信息可以为具体年龄也可以为年龄段。年龄段可以为少年、青年、成年、中年或老年。性别信息包括男性或女性。职业信息可以为艺术类、文职、户外等。兴趣信息可以包括：运动、文艺或政治等。

步骤520、对多个第一用户对应的人物属性信息和渲染方式进行机器学习，得到第四机器学习模型。

第四机器学习模型通过训练，可以根据输入的属性信息确定其对应的渲染方式。

步骤530、获取当前用户的目标属性信息，将目标属性信息代入到第四机器学习模型中，得到目标属性信息对应的目标渲染方式。

步骤540、根据目标渲染方式对目标图像进行渲染。

步骤540与步骤120相同，可参照步骤120的说明。

步骤550、输出渲染后的目标图像。

步骤550与步骤130相同，可参照步骤130的说明。

本实施例提供的图像渲染方法能够根据用户自身的属性信息确定渲染方式，使得渲染方式更加准确，提高渲染效率。

图6为本申请实施例提供的一种图像渲染装置的结构示意图，该装置用于实现上述实施例上述的方法，该装置位于移动终端中，包括：

机器学习模块610，用于根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

渲染模块620，用于根据所述机器学习模块610得到的所述目标渲染方式对所述目标图像进行渲染；

输出模块630，用于输出所述渲染模块620渲染后的目标图像。

进一步的，机器学习模块610还用于：

获取多个第一用户在拍摄第一图像时的第一位置信息以及所述第一图像的渲染方式；

对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型；

获取当前位置信息，将所述当前位置信息代入到所述第一机器学习模型中，得到所述当前位置对应的目标渲染方式。

进一步的，机器学习模块610还用于：获取多个第一用户在拍摄第一图像时的拍照时间；

对所述多个第一用户对应的所述第一位置信息、所述拍照时间以及所述渲染方式进行机器学习，得到第二机器学习模型；

获取当前位置信息和当前时间信息，将所述当前位置信息和所述当前时间信息代入到所述第二机器学习模型中，得到所述当前位置和所述当前时间信息对应的目标渲染方式。

进一步的，机器学习模块610还用于：判断所述第一图像中是否存在人物特征区域；

如果第一图像中存在人物特征区域，则对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型。

进一步的，机器学习模块610还用于：获取多个第一用户在拍摄第一图像时的天气信息；

对所述多个第一用户对应的所述第一位置信息、所述天气信息以及所述渲染方式进行机器学习，得到第三机器学习模型；

获取当前位置信息和当前天气信息，将所述当前位置信息和所述当前天气信息代入到所述第三机器学习模型中，得到所述当前位置和所述当前天气信息对应的目标渲染方式。

进一步的，机器学习模块610还用于：获取多个第一用户的人物属性信息和所述多个第一用户的渲染方式，所述人物属性信息包括下述属性信息中的至少一个或多个：年龄信息、性别信息、职业信息或兴趣信息；

对所述多个第一用户对应的人物属性信息和所述渲染方式进行机器学习，得到第四机器学习模型；

获取当前用户的目标属性信息，将所述目标属性信息代入到所述第四机器学习模型中，得到所述目标属性信息对应的目标渲染方式。

进一步的，如图7所示，还包括反馈模块710，所述反馈模块710用于：

接收用户对所述目标图像的反馈信息；

根据所述反馈信息对所述机器学习模型进行调整。

本实施例提供的图像渲染装置，机器学习模块610根据机器学习模型获取目标图像的目标渲染方式，目标图像为拍照功能得到的图像；渲染模块620根据目标渲染方式对目标图像进行渲染；输出模块630输出渲染后的目标图像。由于机器学习能够根据当前用户或其他用户的历史渲染方式为确定目标图像的目标渲染方式，避免用户盲目的尝试多种渲染方式，提高渲染功能的渲染效率和图像渲染功能的利用率。

上述装置可执行本申请前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请前述所有实施例所提供的方法。

图8为本申请实施例提供的一种终端的结构示意图。如图4所示，该终端可以包括：壳体(图中未示出)、第一存储器801、第一中央处理器(centralprocessingunit，cpu)802(又称第一处理器，以下简称cpu)、存储在第一存储器801上并可在第一处理器802上运行的计算机程序、电路板(图中未示出)和电源电路(图中未示出)。上述电路板安置在上述壳体围成的空间内部；上述cpu802和上述第一存储器801设置在上述电路板上；上述电源电路，用于为上述终端的各个电路或器件供电；上述第一存储器801，用于存储可执行程序代码；上述cpu802通过读取上述第一存储器801中存储的可执行程序代码来运行与上述可执行程序代码对应的程序，以用于执行：

根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

根据所述目标渲染方式对所述目标图像进行渲染；

输出渲染后的目标图像。

上述终端还包括：外设接口803、rf(radiofrequency，射频)电路805、音频电路806、扬声器811、电源管理芯片808、输入/输出(i/o)子系统809、触摸屏812、其他输入/控制设备810以及外部端口804，这些部件通过一个或多个通信总线或信号线807来通信。

此外，终端还包括摄像头和rgb光线传感器。rgb光线传感器位于摄像头旁边，可以与摄像头相邻设置。摄像头可以为前置摄像头也可以为后置摄像头。rgb光线传感器还可以与摄像头分离配置，例如配置在终端侧边的窄边上等。

应该理解的是，图示终端800仅仅是终端的一个范例，并且终端800可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的终端进行详细的描述，该终端以智能手机为例。

第一存储器801，上述第一存储器801可以被cpu802、外设接口803等访问，上述第一存储器801可以包括高速随机存取第一存储器，还可以包括非易失性第一存储器，例如一个或多个磁盘第一存储器件、闪存器件、或其他易失性固态第一存储器件。

外设接口803，上述外设接口803可以将设备的输入和输出外设连接到cpu802和第一存储器801。

i/o子系统809，上述i/o子系统809可以将设备上的输入输出外设，例如触摸屏812和其他输入/控制设备810，连接到外设接口803。i/o子系统809可以包括显示控制器8091和用于控制其他输入/控制设备810的一个或多个输入控制器8092。其中，一个或多个输入控制器8092从其他输入/控制设备810接收电信号或者向其他输入/控制设备810发送电信号，其他输入/控制设备810可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器8092可以与以下任一个连接：键盘、红外端口、usb接口以及诸如鼠标的指示设备。此外，其他输入/控制设备810还可以包括摄像头、指纹传感器和陀螺仪等。

其中，按照触摸屏的工作原理和传输信息的介质分类，触摸屏812可以为电阻式、电容感应式、红外线式或表面声波式。按照安装方式分类，触摸屏812可以为：外挂式、内置式或整体式。按照技术原理分类，触摸屏812可以为：矢量压力传感技术触摸屏、电阻技术触摸屏、电容技术触摸屏、红外线技术触摸屏或表面声波技术触摸屏。

触摸屏812，上述触摸屏812是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。可选的，触摸屏812将用户在触屏幕上触发的电信号(如接触面的电信号)，发送给第一处理器802。

i/o子系统809中的显示控制器8091从触摸屏812接收电信号或者向触摸屏812发送电信号。触摸屏812检测触摸屏上的接触，显示控制器8091将检测到的接触转换为与显示在触摸屏812上的用户界面对象的交互，即实现人机交互，显示在触摸屏812上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

rf电路805，主要用于建立智能音箱与无线网络(即网络侧)的通信，实现智能音箱与无线网络的数据接收和发送。例如收发短信息、电子邮件等。

音频电路806，主要用于从外设接口803接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器811。

扬声器811，用于将智能音箱通过rf电路805从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片808，用于为cpu802、i/o子系统及外设接口所连接的硬件进行供电及电源管理。

在本实施例中，中央第一处理器802用于：

根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

根据所述目标渲染方式对所述目标图像进行渲染；

输出渲染后的目标图像。

进一步的，所述根据机器学习模型获取目标图像的目标渲染方式，包括：

获取多个第一用户在拍摄第一图像时的第一位置信息以及所述第一图像的渲染方式；

对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型；

获取当前位置信息，将所述当前位置信息代入到所述第一机器学习模型中，得到所述当前位置对应的目标渲染方式。

进一步的，在获取多个第一用户在拍摄第一图像时的位置信息以及第一图像的渲染方式之后，还包括：

获取多个第一用户在拍摄第一图像时的拍照时间；

对所述多个第一用户对应的所述第一位置信息、所述拍照时间以及所述渲染方式进行机器学习，得到第二机器学习模型；

获取当前位置信息和当前时间信息，将所述当前位置信息和所述当前时间信息代入到所述第二机器学习模型中，得到所述当前位置和所述当前时间信息对应的目标渲染方式。

进一步的，所述对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型，包括：

判断所述第一图像中是否存在人物特征区域；

如果第一图像中存在人物特征区域，则对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型。

进一步的，在获取多个第一用户在拍摄第一图像时的位置信息以及第一图像的渲染方式之后，还包括：

获取多个第一用户在拍摄第一图像时的天气信息；

对所述多个第一用户对应的所述第一位置信息、所述天气信息以及所述渲染方式进行机器学习，得到第三机器学习模型；

获取当前位置信息和当前天气信息，将所述当前位置信息和所述当前天气信息代入到所述第三机器学习模型中，得到所述当前位置和所述当前天气信息对应的目标渲染方式。

进一步的，所述根据机器学习模型获取目标图像的目标渲染方式，包括：

获取多个第一用户的人物属性信息和所述多个第一用户的渲染方式，所述人物属性信息包括下述属性信息中的至少一个或多个：年龄信息、性别信息、职业信息或兴趣信息；

对所述多个第一用户对应的人物属性信息和所述渲染方式进行机器学习，得到第四机器学习模型；

获取当前用户的目标属性信息，将所述目标属性信息代入到所述第四机器学习模型中，得到所述目标属性信息对应的目标渲染方式。

进一步的，在输出渲染后的目标图像之后，还包括：

接收用户对所述目标图像的反馈信息；

根据所述反馈信息对所述机器学习模型进行调整。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现如下步骤：

根据机器学习模型获取目标图像的目标渲染方式，所述目标图像为拍照功能得到的图像；

根据所述目标渲染方式对所述目标图像进行渲染；

输出渲染后的目标图像。

进一步的，所述根据机器学习模型获取目标图像的目标渲染方式，包括：

获取多个第一用户在拍摄第一图像时的第一位置信息以及所述第一图像的渲染方式；

对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型；

获取当前位置信息，将所述当前位置信息代入到所述第一机器学习模型中，得到所述当前位置对应的目标渲染方式。

进一步的，在获取多个第一用户在拍摄第一图像时的位置信息以及第一图像的渲染方式之后，还包括：

获取多个第一用户在拍摄第一图像时的拍照时间；

对所述多个第一用户对应的所述第一位置信息、所述拍照时间以及所述渲染方式进行机器学习，得到第二机器学习模型；

获取当前位置信息和当前时间信息，将所述当前位置信息和所述当前时间信息代入到所述第二机器学习模型中，得到所述当前位置和所述当前时间信息对应的目标渲染方式。

进一步的，所述对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型，包括：

判断所述第一图像中是否存在人物特征区域；

如果第一图像中存在人物特征区域，则对所述多个第一用户对应的所述第一位置信息和所述渲染方式进行机器学习，得到第一机器学习模型。

进一步的，在获取多个第一用户在拍摄第一图像时的位置信息以及第一图像的渲染方式之后，还包括：

获取多个第一用户在拍摄第一图像时的天气信息；

对所述多个第一用户对应的所述第一位置信息、所述天气信息以及所述渲染方式进行机器学习，得到第三机器学习模型；

获取当前位置信息和当前天气信息，将所述当前位置信息和所述当前天气信息代入到所述第三机器学习模型中，得到所述当前位置和所述当前天气信息对应的目标渲染方式。

进一步的，所述根据机器学习模型获取目标图像的目标渲染方式，包括：

获取多个第一用户的人物属性信息和所述多个第一用户的渲染方式，所述人物属性信息包括下述属性信息中的至少一个或多个：年龄信息、性别信息、职业信息或兴趣信息；

对所述多个第一用户对应的人物属性信息和所述渲染方式进行机器学习，得到第四机器学习模型；

获取当前用户的目标属性信息，将所述目标属性信息代入到所述第四机器学习模型中，得到所述目标属性信息对应的目标渲染方式。

进一步的，在输出渲染后的目标图像之后，还包括：

接收用户对所述目标图像的反馈信息；

根据所述反馈信息对所述机器学习模型进行调整。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、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)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码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)。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里上述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。