图像处理方法、装置、电子设备和存储介质与流程

本公开实施例涉及信息处理技术领域，尤其涉及一种图像处理方法、装置、电子设备和存储介质。

背景技术：

随着互联网、人工智能和融媒体技术的不断发展，数字图像数量呈指数级增长，如何从海量的数字图像库中检索出相关图像成为一个函待解决的关键问题。基于语义文本的图像检索技术，利用匹配关键字的方法进行图像检索，准确率较高，然而随着图像数量的不断增加，图像标注工作量日益增大，难以在工业领域实现高效快速推广。基于内容的图像检索方法，利用图像处理算法提取图像视觉特征进行图像检索，效率较高，且完全自动化，更加适用于海量图像检索工程。然而传统图像处理算法的得到的图像特征，如颜色、纹理、形状、轮廓等特征，不具备普适性，只能进行多特征组合，完成特定的图像检索任务，导致难以在不同的领域进行推广。

随着深度学习相关技术的飞速发展及成熟，在语音识别、自然语言处理、计算机视觉、人脸识别等领域得到了广泛应用，获得了前所未有的成功，也为解决以上难题提供了契机。基于深度学习的图像检索主要使用卷积神经网络来提取图片的高层抽象特征。深度卷积神经网络通过对输入图像进行多卷积网络层处理，得到了融合颜色、形状、轮廓、局部、全局等信息的深度特征。深度特征的全面性和准确性决定了整个图像检索的精度，其高层抽象特性决定了深度特征的高纬度属性。因此，相对基于传统特征的图像检索，基于深度特征的图像检索存在计算量过大、计算速度慢、占用内存大的问题，对计算资源具有极高的要求。

为解决阻碍深度图像检索技术发展的这一重大瓶颈，研究者们提出了一些解决方案。一些现有解决方案试图更改深度卷积神经网络，通过添加网络层，对深度特征进行简化处理，形成哈希特征输出；然后直接将哈希特征应用于图像检索中。然而深度哈希编码的维度设定会影响深度卷积神经网络的训练，并且深度哈希编码与深度图像特征存在一定误差，因此会影响最终的检索结果。

技术实现要素：

本公开实施例提供了一种图像处理技术方案，以有效地节省计算资源并提升图像检索效率。

根据本公开的第一方面，提供一种图像处理方法，包括：提取图像的具有第一维度的第一特征数据；对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值；根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码；将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串。

可选地，通过主成分分析法、线性判别分析法、流形学习方法、拉普拉斯变换法和小波变换方法之一，对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据。

可选地，所述方法还包括：对所述编码字符串的各个字符进行索引，将各个所述字符与其对应的索引的值关联存储。

可选地，通过深度神经网络模型执行所述方法，其中，所述深度神经网络模型包括特征提取器和与所述特征提取器连接的编码计算层，在所述特征提取器和编码计算层的输出端分别设有输出分支。

可选地，通过所述特征提取器，提取图像的具有第一维度的第一特征数据；通过所述编码计算层，对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值；通过所述编码计算层，根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码；通过所述编码计算层，将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串。

可选地，所述特征提取器具有特征提取层和网络优化层，特征提取层用于从所述图像提取第三维度的第三特征数据，所述网络优化层用于对所述第三特征数据进行最大池化处理，获取所述第一维度的第一特征数据，所述第三维度的值大于所述第一维度的值。

根据本公开的第二方面，提供一种图像特征库的构建方法，包括：通过任一前述图像处理方法，获取待存档图像的第一特征数据和编码字符串；将所述待存档图像与所述第一特征数据和编码字符串存储到图像特征库中。

根据本公开的第三方面，提供一种图像检索方法，包括：通过任一前述图像处理方法，获取待检图像的第一特征数据和编码字符串；从存有存档图像的第一图像特征数据及其编码字符串的图像特征库，筛选出与所述待检图像的编码字符串的相关度高于预设相关度阈值的第一图像特征数据；将所述待检图像的第一图像特征数据和各个所述筛选出的第一图像特征数据进行特征相似度计算，并且根据计算出的相似度的值，确定与所述待检图像匹配的存档图像。

根据本公开的第四方面，提供一种电子设备，包括：处理器和存储器；所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行任一前述图像处理方法的步骤。

根据本公开的第五方面，提供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可执行指令，所述可执行指令使所述处理器执行任一前述图像处理方法的步骤。

根据本公开的第六方面，提供一种图像处理装置，包括：特征提取模块，用于提取图像的具有第一维度的第一特征数据；特征降维模块，用于对所述特征提取模块提取的第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值；第一编码模块，用于根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码；第二编码模块，用于将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串。

根据本公开的图像处理方法，先从图像提取相对高维度的第一特征数据，再对其进行特征降维，获得最能够体现图像特征的相对低维度的第二特征数据；然后，对第二特征数据进行二进制编码及字符映射，获得表征深度图像基因的编码字符串。这种图像特征基因编码方法快速、简单，能够使用相对少的计算资源进行计算，具有极佳的领域适用性。

在此基础上，基于该图像处理方法的图像检索过程被优化，并且用于检索的运算量也相应地被降低。

附图说明

图1是示出根据本公开一些实施例的图像处理方法的流程图；

图2是示出根据本公开另一些实施例的图像处理方法的流程图；

图3是示出根据本公开一些实施例的模型训练过程的流程图；

图4是示出根据本公开一些实施例的图像特征库的构建方法的流程图；

图5是示出根据本公开一些实施例的图像处检索方法的流程图；

图6是示出根据本公开一些实施例的图像处理装置的逻辑框图；

图7是示出根据本公开一些实施例的电子设备的结构示意图。

具体实施方式

下面结合附图(若干附图中相同的标号表示相同的元素)和实施例，对本公开实施例的具体实施方式作进一步详细说明。以下实施例用于说明本公开，但不用来限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

图1是示出根据本公开一些实施例的图像处理方法的流程图。

参照图1，在步骤s110，提取图像的具有第一维度的第一特征数据。

该图像可以是具有一定分辨率和尺寸的静态图像、合成图像或视频图像。可通过适用的图像特征提取方法，从该图像提取具有第一维度的第一特征数据，例如，512维度的特征向量、768维度的特征向量、1024维度的特征向量等。

通过步骤s110的处理获得的第一特征数据具有深度图像特征的高维度属性，以充分地融合图像的颜色、形状、轮廓、局部、全局等信息。

在步骤s120，对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值。

由于第一特征数据具有高维度属性，难以直接对其进行表征其深度基因特征的编码，因此可通过例如，但不限于，主成分分析法、线性判别分析法、流形学习方法、拉普拉斯变换法和小波变换方法等中的一种，对第一特征数据进行特征降维，获得维度小于第一维度的第二维度的第二特征数据。

例如，可通过主成分分析法(pca，principlecomponentanalysis)对768维度的第一特征数据进行特征降维，获得48维度的第二特征数据，以利于对第二特征数据进行基因编码。

以下描述使用主成分分析法进行特征降维的示例性处理。

主成分向量法的降维原理是通过构建深度图像特征的一组较低维度(第二维度，如48维)的标准正交基，然后将去均值标准化的深度图像特征映射到这组标准基空间上，最终得到第二维度的第二特征数据深度图像降维特征。

具体地，可预先使用海量图像的深度图像特征集合libx，计算均值向量means以及协方差矩阵d：

其中，m是深度图像特征集合libx的项目个数，i是深度图像特征集合的下标，j是深度图像特征的维度下标。

此后，求解协方差矩阵d，计算出特征值和特征向量；在将特征向量按照对应的特征值大小从上到下按行排列成矩阵，取前k行组成k维的标准正交基矩阵eigvecs。

在对第一维度的第一特征数据x进行特征降维的处理中，先将第一特征数据x去均值标准化，再将去均值标准化的第一特征数据x映射到标准基空间，由此得到第二维度k的第二特征数据y：

y＝(x-means)*eigvecs^t

由此，获得能够体现主要图像特征的降维的第二特征数据，以进行后续的基因编码处理。

以上仅以主成分分析法为例，描述了对第一特征数据进行特征降维的处理。需要了解，任何其他适用的降维方法均可以用于步骤s120的处理，在此不予赘述。

在步骤s130，根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码。

例如，可预先为第二特征数据y的各个维度的特征值设定相应的阈值thres。在该步骤，可对第二维度的第二特征数据y进行阈值过滤，生成具有第二维度的位数的二进制串码z。具体地，通过以下公式来构建二进制串码z：

其中，i为第二特征数据的维度下标，取值[1,k]。

由此，通过步骤s130的处理，可获得位数为k的二进制串码，该二进制串码为初步的特征基因编码。

为了进一步加强特征基因编码的不可逆性，在步骤s140，将所述二进制串码中各个对应单位位数的值映射为字符，获得表征深度图像基因的编码字符串。

例如，可以每4位作为单位位数，将二进制串码中各个4位编码值转换为十进制的数值，4位的取值范围为[0,15]；然后，对各个十进制的数值按照以下编码映射表进行映射，得到编码字符串。

当然，也可以采用多于4位或少于4位的单位位数来进行前述步骤s140的处理。

通过步骤s110～s140的图像处理，能够先从图像提取相对高维度的第一特征数据，再对其进行特征降维，获得最能够体现图像特征的相对低维度的第二特征数据；然后，对第二特征数据进行二进制编码及字符映射，获得表征深度图像基因的编码字符串。这种图像特征基因编码方法快速、简单，能够使用相对少的计算资源进行计算，具有极佳的领域适用性。

根据本公开的可选实施方式，还可对在步骤s140编码获得的编码字符串的各个字符进行索引，再将各个所述字符与其对应的索引的值关联存储，以便于在图像检索过程中，参照部分或全部的字符进行单独比对。

图2是示出根据本公开另一些实施例的图像处理方法的流程图。

根据图2示出的实施例，通过深度神经网络模型执行该图像处理方法。深度神经网络模型通常具有按照不同的方式进行组合的多个卷积层、池化层，对于分类任务，还可具有全连接层、softmax层等。此外，还可根据计算任务的需要，在该深度神经网络模型中设置定制的计算层。

用于完成本公开实施例的深度神经网络模型包括特征提取器和与所述特征提取器连接的编码计算层，并且在所述特征提取器和编码计算层的输出端分别设有输出分支。

该深度神经网络模型的特征提取器可采用深度残差网络结构，例如，但不限于，inception_resnet_v2。inception_resnet_v2模型由深度卷积神经网络和深度残差网络两个模块构成，深度卷积神经网络部分为inception架构，深度残差网络模块是resnet架构。其中，深度卷积网络结构负责拓宽深度神经网络，优化卷积尺度，离散化深度图像特征；深度残差网络模块负责加深深度神经网络，加深图像的卷积处理程度。通过以上网络结构，可以实现自动提取图像的深度特征(第一特征数据)。

参照图2，在步骤s210，通过深度神经网络模型的特征提取器，提取图像的具有第一维度的第一特征数据。

通过训练的深度神经网络模型的特征提取器，可从图像获取高维度的深度图像特征，有利于准确地对图像进行基因编码。

在步骤s220，通过所述编码计算层，对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值。

在步骤s230，通过所述编码计算层，根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征深度图像基因的二进制串码。

在步骤s240，通过所述编码计算层，将所述二进制串码中各个对应单位位数的值映射为字符，获得表征深度图像基因的编码字符串。

基于训练得到的深度神经网络模型提取的深度图像特征的质量，直接解决定了深度图像特征的性能，因此需要对深度神经网络进行优化，以期获取更符合图像检索的深度图像特征。

根据本公开的可选实施方式，所述特征提取器具有特征提取层和网络优化层。相应地，在步骤s210，通过特征提取层从所述图像提取第三维度的第三特征数据，通过网络优化层对所述第三特征数据进行最大池化处理，获取所述第一维度的第一特征数据，所述第三维度的值大于所述第一维度的值。

具体地，可先通过特征提取层获取高维度(大于第一维度的第三维度)的第三特征数据；然后，通过设置在特征提取层之后的例如最大池化层(maxpooling)对第三特征数据进行降维处理，以确保提取的特征数据的离散性，同时降低其用于图像检索处理的计算复杂度。

例如，标准特征提取层的输出特征为1*2*2*768；

在特征提取层后添加维度为2*2的最大池化层max_pool_2_2，计算公式如下；

f(x)＝max(ax),ax＝[f(x,x),f(x+1,x),f(x,x+1),f(x+1,x+1)]

最终，第一特征数据为最大池化层的输出，维度为1*1*1*768，即：768维(第一维度)。

以下将对该深度神经网络模型的训练给予示例性描述。

通过收集图像数据集合、划分数据集、模型训练和测试三部分来训练用于特征提取和图像分类的分类神经网络模型。图3示出了分类神经网络模型的示意性处理的流程图。

收集图像数据集合

含有图像分类的标签图像数据集合包含图像集合和标签文档两部分，其中每个分类标签对应的图像数量应大致相同(相差不应超过2个数量级)，分类标签数量不做限制。该图像数据集合的来源不限，可以是从互联网上采集的带标签图像集合，或是经过人工整理的常用带标签图像集合。由于模型训练效果取决于图像集合的质量及规模，因此需要保证带标签图像集合的规模至少在十万幅以上。

从互联网采集带标签图像数据集合的流程是：

1)首先用网络爬虫从网站上下载含带分类标签的图像的页面；

2)对html页面进行标签过滤、图像检测，获取到图像-标签对；

3)将抽取的图像保存到本地，标签写入到标签文档。

数据集划分

图像数据集划分，是将图像数据集划分成训练集和测试集。训练集用于训练分类神经网络模型，测试集用于测试分类神经网络模型。训练集和测试集的划分比例为5:1，划分方式为随机划分，保证每个标签下的图像分类能够随机的划分到训练集和测试集。

模型训练/测试

首先，对基于imagenet百万数据集合的分类神经网络模型进行分类迁移；然后，展开分类神经网络模型训练。

深度神经网络迁移学习方案

深度神经网络全网络层训练方案

上表中，进度(epoch)是训练数据的处理单位，每个epoch代表遍历整个训练集一遍。

在分类神经网络模型训练的不同阶段，分别基于测试集对训练得到的分类神经网络模型进行测试，用以评估训练的模型，并适时调整优化分类神经网络模型训练方案。

将训练得到的分类神经网络模型的特征提取器作为本公开的特征提取器，然后在特征提取器的后端添加编码计算层。

训练得到的深度神经网络模型用于提取图像的深度图像特征和基因编码，提取的深度图像特征和基因编码进而可用于进行图像检索、图像匹配和渲染处理等的进一步处理。

以下将参照图4描述根据本发明一些实施例的图像检索方法的处理。

参照图4，在步骤s410，通过前述任一图像处理方法，获取待存档图像的第一特征数据和编码字符串。

在步骤s420，将所述待存档图像与所述第一特征数据和编码字符串存储到图像特征库中。

可通过对多个待存档图像进行步骤s410～s420的处理，可构建含有海量数据的图像特征库，以供查询和检索。

根据本公开的可选实施方式，在执行步骤s410之前，可对待存档图像进行标准化图像数字处理，例如去噪处理、缩放处理、分辨率调整处理及过滤单一颜色图像、简单几何图像、小尺寸图像等操作，以按照标准的方式存储图像并进行检索。

以下将参照图5描述根据本发明一些实施例的图像检索方法的处理。

参照图5，在步骤s510，通过前述任一图像处理方法，获取待检图像的第一特征数据和编码字符串。

在步骤s520，从存有存档图像的第一图像特征数据及其编码字符串的图像特征库，筛选出与所述待检图像的编码字符串的相关度高于预设相关度阈值的第一图像特征数据。

可按照图4示出的方法来构建图像特征库。在该步骤，可将存档图像的编码字符串与待检图像的编码字符串进行例如欧式距离、阈值筛选等相关度计算，来确定筛选出与所述待检图像的编码字符串的相关度高于预设相关度阈值的第一图像特征数据/存档图像。

例如，可按照以下公式来对图像特征库中的编码字符串进行筛选，获得相关度较高的第一图像特征数据/存档图像：

首先，对存档图像的编码字符串中的编码字符xi与待检图像的编码字符串yi分别进行相关度比对，获得二进制的比较值0/1，然后计算存档图像的编码字符串与待检图像的编码字符串的相关度平均值；再根据预设的相关度阈值，确定该存档图像是否与待检图像具有较高相关度，以筛选出相关度高的第一图像特征数据/存档图像。

在步骤s530，将所述待检图像的第一图像特征数据和各个所述筛选出的第一图像特征数据进行特征相似度计算，并且根据计算出的相似度的值，确定与所述待检图像匹配的存档图像。

可通过对待检图像的第一图像特征数据和各个所述筛选出的第一图像特征数据进行例如欧式距离、余弦距离等值的相似度计算来确定相应的存档图像与待检图像是否匹配，再将认定为匹配的存档图像作为检索结果。

例如，可通过以下公式来计算待检图像的第一图像特征数据和任一筛选出的第一图像特征数据之间的相似度值similar_all：

其中，ou(x,y)为待检图像的筛选出的第一图像特征数据x和第一图像特征数据y之间的欧式距离。

此后，将计算得到的各个相似度值similar_all按照由大到小的顺序进行排序，选取匹配度最高的一个或多个存档图像。

通过步骤s510～s530的处理，能够先通过对待检图像的编码字符串与各个存档图像进行运算量较小的基因编码相关度计算，初步从图像特征库中筛选出相关度较高的一些存档图像，然后再对各个筛选出的存档图像的第一特征数据与待检图像的第一特征数据逐个进行详尽的特征相似度计算，以获得匹配度最高的一个或多个存档图像作为检索结果。由此，优化了图像检索的检索过程，并且降低了用于检索的运算量。

同理，根据本公开的可选实施方式，可对待检图像进行与前类似的标准化图像数字处理，例如去噪处理、缩放处理、分辨率调整处理及过滤单一颜色图像、简单几何图像、小尺寸图像等操作，以按照标准的方式进行图像检索。

本公开还提供一种存储有执行前述任一图像处理方法的步骤的计算机可读存储介质。

此外，本公开还提供一种包括至少一个可执行指令的计算机程序产品，所述可执行指令被处理器执行时用于实现任一前述图像处理方法。

图6是示出根据本公开一些实施例的图像处理装置的逻辑框图。该图像处理装置可用于执行前述任一图像处理方法。

参照图6，根据本公开一些实施例的图像处理装置包括：

特征提取模块610，用于提取图像的具有第一维度的第一特征数据；

特征降维模块620，用于对特征提取模块610提取的第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值；

第一编码模块630，用于根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码；

第二编码模块640，用于将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串。

该图像处理装置具有与任一前述图像处理方法实现的有益效果，在此不予赘述。

本公开实施例还提供了一种电子设备。图7是示出根据就本公开实施例的电子设备700的结构示意图。该电子设备700可以是例如移动终端、个人计算机(pc)、平板电脑、服务器等。

如图7所示，电子设备700可以包括存储器和处理器。具体地，电子设备700包括一个或多个处理器、通信元件等，所述一个或多个处理器例如：一个或多个中央处理单元(cpu)701，和/或一个或多个图像处理器(gpu)713等，处理器可以根据存储在只读存储器(rom)702中的可执行指令或者从存储部分708加载到随机访问存储器(ram)703中的可执行指令而执行各种适当的动作和处理。通信元件包括通信组件712和/或通信接口709。其中，通信组件712可包括但不限于网卡，所述网卡可包括但不限于ib(infiniband)网卡，通信接口709包括诸如lan卡、调制解调器等的网络接口卡的通信接口，通信接口709经由诸如因特网的网络执行通信处理。

处理器可与只读存储器702和/或随机访问存储器703中通信以执行可执行指令，通过通信总线704与通信组件712相连、并经通信组件712与其他目标设备通信，从而完成本公开实施例提供的任一项图像处理方法对应的操作，例如，提取图像的具有第一维度的第一特征数据；对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据，所述第二维度的值小于第一维度的值；根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码；将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串。

此外，在ram703中，还可存储有装置操作所需的各种程序和数据。cpu701或gpu713、rom702以及ram703通过通信总线704彼此相连。在有ram703的情况下，rom702为可选模块。ram703存储可执行指令，或在运行时向rom702中写入可执行指令，可执行指令使处理器执行上述通信方法对应的操作。输入/输出(i/o)接口705也连接至通信总线704。通信组件712可以集成设置，也可以设置为具有多个子模块(例如多个ib网卡)，并在通信总线链接上。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信接口709。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

需要说明的，如图7所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图7的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如gpu和cpu可分离设置或者可将gpu集成在cpu上，通信元件可分离设置，也可集成设置在cpu或gpu上，等等。这些可替换的实施方式均落入本公开的保护范围。

本公开实施例的电子设备可以用于实现上述实施例中相应的图像处理方法，该电子设备中的各个器件可以用于执行上述方法实施例中的各个步骤，例如，上文中描述的图像处理方法可以通过电子设备的处理器调用存储器存储的相关指令来实现，为了简洁，在此不再赘述。

根据本公开实施例，上文参考流程图描述的过程可以被实现为一种计算机程序产品。例如，本公开实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本公开实施例提供的方法步骤对应的指令，例如，用于提取图像的具有第一维度的第一特征数据的指令；用于对所述第一特征数据进行特征降维，获得具有第二维度的第二特征数据的指令，所述第二维度的值小于第一维度的值；用于根据与所述第二维度的各个特征数据预设的阈值，对所述第二特征数据的各个维度的特征值进行二进制编码，生成表征图像基因的二进制串码的指令；用于将所述二进制串码中各个对应单位位数的值映射为字符，获得表征图像基因的编码字符串的指令。在这样的实施例中，该计算机程序可以通过通信元件从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器执行时，执行本公开实施例的方法中公开的功能。

可能以许多方式来实现本公开的方法和装置、电子设备和存储介质。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开实施例的方法和装置、电子设备和存储介质。用于方法的步骤的上述顺序仅是为了进行说明，本公开实施例的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开实施例的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开实施例的方法的程序的记录介质。

本公开实施例的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式，很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。