基于图像提取的深度信息计算方法、装置及电子设备与流程

本发明涉及数据处理技术领域，尤其涉及基于图像提取的深度信息计算技术。

背景技术：

科学在不断发展，前沿技术也在不断更新进步。目前，双摄系统已经成为市场主流，得到了普遍推广与应用。电子移动设备向着更加小型化、智能化发展。这对当前移动设备既是挑战也是机遇。利用双摄像头系统进行拍照并获取视差及物体深度，以实现变焦，背景虚化，深度测量等得到了广泛的应用。而近两年，机器学习也获得了较快的发展，利用卷积网络来获取想要的特征信息，与传统基于图像提取的深度信息计算相比，通用性更广，鲁棒性更强，且不需要增加图像去噪，图像滤波，图像增强等预处理模块，不会破坏原本图片记录的信息，降低了图像的损失，去除了图像预处理的冗余。

景深，即能够在像平面上清晰成像的物空间深度。在获取场景深度后，可以任意去定义想要的景深，这在视觉系统中具有重要的应用。视差，在同一深度不同视角，对同一场景或物体进行信息记录时所产生的差异。这两个词语在应用中息息相关，互相影响，有广泛的应用。根据立体视觉理论，在从不同视角获取同一场景的信息后，进一步地可以获取场景中同一物点在两幅图片上位置的差异。根据这个差异，结合获取这些信息所使用的光学系统的一些固有参数，可以计算出场景中任一物点的深度，进而可以实现图像虚化，物体测距等应用。

视差计算是立体视觉的第一步，也是最关键的一步，视差的精度决定了后续所有步骤的精度。而计算视差的首要步骤就是进行立体匹配。当前图像匹配方法大体上分为三大类：局部的特征点匹配，全局的特征点匹配以及半全局的特征点匹配。由于对速度，硬件等的要求，全局和半全局并未在实践中得到广泛应用。相比单纯的局部算法，全局和半全局精度可能更高，但速度较慢。更多的，是放在了局部算法上。因此产生了很多对局部算法的预处理、优化等的方法以保证精度来进行产品应用。

当前对于局部算法的优化，有诸多方式。如双次校验(double-check)，不仅增加了计算量和时间消耗，而且对于一些处于边缘的点并不起作用。有一些加入了图像分割算法，如k均值(k-means),均值漂移(mean-shift)等，效果有改善，计算量较大，而且一旦分割出现较大误差，也会导致最终的深度计算错误。还有的利用一些边缘算子如sobel，canny等提取边缘点作为特征点，采用这种方法提取的特征点有的时候过分多，有的时候不够具有代表性，导致计算错误。这些都会给最终效果带来误差，同时增加额外成本。全局和半全局的算法由于计算量巨大，很难应用到一些移动终端中。而局部的算法也因为各种算子的缺陷，如误差较大、效果不显著等，给最终的深度计算带来误差，给实际应用带来诸多影响。

针对上述问题，亟需一种全新的基于图像提取的深度信息计算技术。

技术实现要素：

有鉴于此，本发明实施例提供一种基于图像提取的深度信息计算方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，至少部分的解决现有技术中存在的问题。

第一方面，本发明实施例提供了一种基于图像提取的深度信息计算方法，包括：

对双摄设备获取到的目标图像进行区域提取，所述目标图像包括第一图像和第二图像，所述第一图像和所述第二图像分别由所述双摄设备的不同摄像头采集得到；

在区域提取之后的图像上的不同区域进行特征点检测；

基于所述第一图像和所述第二图像，查找所述特征点相关的对应点；

利用所述对应点，生成所述目标图像的深度信息，所述深度信息用于生成与所述目标图像对应的深度图像。

根据本发明实施例的一种具体实现方式，所述利用所述对应点，生成所述目标图像的深度信息之后，所述方法还包括：

判断所述深度图像相邻的两个区域的视差是否小于预设阈值；

若是，则对所述两个相邻区域执行合并操作。

根据本发明实施例的一种具体实现方式，所述对双摄设备获取到的目标图像进行区域提取，包括：

从所述目标图像中选取所述第一图像作为参考图；

利用构建的神经网络对所述参考图进行特征提取，得到所述参考图的特征图；

基于所述特征图来对所述目标区域进行区域提取。

根据本发明实施例的一种具体实现方式，所述基于所述特征图来对所述目标区域进行区域提取，包括：

利用所述神经网络的全连接层确定所述特征图中的不同区域；

基于所述不同区域对所述特征图执行分块操作。

根据本发明实施例的一种具体实现方式，所述在区域提取之后的图像上的不同区域进行特征点检测，包括：

利用高斯差分图像计算出区域提取之后的图像上的极值点；

基于所述极值点来确定所述区域提取之后的图像上的不同区域的特征点。

根据本发明实施例的一种具体实现方式，所述在区域提取之后的图像上的不同区域进行特征点检测，还包括：

计算所述特征点的偏移量；

判断所述特征点的偏移量是否小于预设值；

若是，则将该特征点从特征点集合中删除。

根据本发明实施例的一种具体实现方式，所述基于所述第一图像和所述第二图像，查找所述特征点相关的对应点，包括：

利用所述特征点，从所述第一图像和所述第二图像中查找相差最小的像素点，将相差最小的像素点作为所述特征点相关的对应点。

根据本发明实施例的一种具体实现方式，所述利用所述对应点，生成所述目标图像的深度信息，包括：

查找所述对应点对应的相差值以及所述双摄设备的基线参数；

基于所述相差值和所述基线参数，确定所述目标图像的深度信息。

第二方面，本发明实施例还提供了一种基于图像提取的深度信息计算装置，包括：

提取模块，用于对双摄设备获取到的目标图像进行区域提取，所述目标图像包括第一图像和第二图像，所述第一图像和所述第二图像分别由所述双摄设备的不同摄像头采集得到；

检测模块，用于在区域提取之后的图像上的不同区域进行特征点检测；

查找模块，用于基于所述第一图像和所述第二图像，查找所述特征点相关的对应点；

生成模块，用于利用所述对应点，生成所述目标图像的深度信息，所述深度信息用于生成与所述目标图像对应的深度图像。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式所述的基于图像提取的深度信息计算方法。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行前述第一方面或第一方面的任一实现方式所述的基于图像提取的深度信息计算方法。

第五方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行前述第一方面或第一方面的任一实现方式所述的基于图像提取的深度信息计算方法。

本发明实施例提供的基于图像提取的深度信息计算方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，包括对双摄设备获取到的目标图像进行区域提取，所述目标图像包括第一图像和第二图像，所述第一图像和所述第二图像分别由所述双摄设备的不同摄像头采集得到；在区域提取之后的图像上的不同区域进行特征点检测；基于所述第一图像和所述第二图像，查找所述特征点相关的对应点；利用所述对应点，生成所述目标图像的深度信息，所述深度信息用于生成与所述目标图像对应的深度图像。本申请的方案，引入卷积神经网络，提高了系统的鲁棒性，利用泰勒展开式，对特征点进行筛选计算，不仅能提高最终准确度，一定程度上也降低了计算量；同时增加深度图后处理步骤，进一步提升系统的准确度，扩展了应用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种基于图像提取的深度信息计算流程示意图；

图2为本发明实施例提供的另一种基于图像提取的深度信息计算流程示意图；

图3为本发明实施例提供的一种基于图像提取的深度信息计算装置结构示意图；

图4为本发明实施例提供的一种电子设备结构示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种基于图像提取的深度信息计算方法。本实施例提供的基于图像提取的深度信息计算方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种基于图像提取的深度信息计算方法，包括如下步骤：

s101，对双摄设备获取到的目标图像进行区域提取，所述目标图像包括第一图像和第二图像，所述第一图像和所述第二图像分别由所述双摄设备的不同摄像头采集得到。

双摄设备为存在2个摄像头的设备，通过双摄设备，能够在同一时间内获得两张图片(第一图像和第二图像)，在实施的过程中，可以对拍摄获取的2张图片中任意一张图作为参考图，利用卷积神经网络进行图像提取并进行分块。

具体的，可以输入图片质神经网络中，神经网络包括卷积层、采样层、全连接层，输入的参考图经过卷积(convolution)层、采样层降采样(pooling)、神经网络的激活函数(relu)之后，能够获得特征图，最后经过全连接层来获取图中不同的区域。

s102，在区域提取之后的图像上的不同区域进行特征点检测。

可以对提取图像后的不同区块进行特征点检测，为此，可以利用高斯差分图像初步确定出极值点。img(x,y)为输入图像，gaussian(x,y,σ)为高斯核函数

m(x,y,σ)＝img(x,y)*gaussian(x,y,σ)

高斯差分图像为

diff(x,y,σ)＝m(x,y,kσ)-m(x,y,σ)

将图像的高斯差分图像diff(x,y,σ)利用泰勒方程式展开,其中对x(y和σ同理)的展开式如下：

令diff(x)＝0，求解的即为特征点的偏移量。再将偏移量带入diff(x)，计算的值。若的绝对值小于某一阈值，则不将其视作特征点。

s103，基于所述第一图像和所述第二图像，查找所述特征点相关的对应点。

具体的，可以根据公式

来求解出相差最小的点，即为对应点。其中，correspondpoint为相关点，win_img1为第一图像，win_img2为第二图像，argmin()为相差最小值求解函数。

s104，利用所述对应点，生成所述目标图像的深度信息，所述深度信息用于生成与所述目标图像对应的深度图像。

根据视差与深度的关系，结合双摄本身固有的参数，进行深度计算。

其中，depth为对应点的深度值，baseline为双摄设备的基线参数，disparity为相关点的相差值。

通过步骤s101-s104中的方法，通过引入卷积神经网络，提高了系统的鲁棒性；增加泰勒展开式，对特征点进行筛选，计算，不仅能提高最终准确度，一定程度上也降低了计算量；同时增加深度图后处理步骤，进一步提升系统的准确度，扩展了应用。

根据本发明实施例的一种具体实现方式，利用所述对应点，生成所述目标图像的深度信息之后，本发明的方法还包括：判断所述深度图像相邻的两个区域的视差是否小于预设阈值；若是，则对所述两个相邻区域执行合并操作。即，相邻区域可能存在计算出的视差相同或者相差并不大的情况，为了简化系统，可将这些区域进行合并。当某相邻区域视差小于某一阈值时，对其进行区域合并。如下公式所示：

abs(region1disparity-region2disparity)＜threshold

其中，region1disparity和region2disparity为相邻区域，threshold为阈值。

参见图2，根据本发明实施例的一种具体实现方式，所述对双摄设备获取到的目标图像进行区域提取，包括：

s201，从所述目标图像中选取所述第一图像作为参考图。

双摄设备为存在2个摄像头的设备，通过双摄设备，能够在同一时间内获得两张图片(第一图像和第二图像)，在实施的过程中，可以对拍摄获取的2张图片中任意一张图(第一图像)作为参考图。

s202，利用构建的神经网络对所述参考图进行特征提取，得到所述参考图的特征图。

利用卷积神经网络进行图像提取并进行分块。具体的，可以输入图片质神经网络中，神经网络包括卷积层、采样层、全连接层，输入的参考图经过卷积(convolution)层、采样层降采样(pooling)、神经网络的激活函数(relu)之后，能够获得特征图。

s203，基于所述特征图来对所述目标区域进行区域提取。

可以通过该神经网络中的全连接层来获取图中不同的区域。例如，可以利用所述神经网络的全连接层确定所述特征图中的不同区域，基于所述不同区域对所述特征图执行分块操作。

根据本发明实施例的一种可选实现方式，所述在区域提取之后的图像上的不同区域进行特征点检测，包括：利用高斯差分图像计算出区域提取之后的图像上的极值点；基于所述极值点来确定所述区域提取之后的图像上的不同区域的特征点。

根据本发明实施例的一种可选实现方式，所述在区域提取之后的图像上的不同区域进行特征点检测，还包括：计算所述特征点的偏移量，判断所述特征点的偏移量是否小于预设值，若是，则将该特征点从特征点集合中删除。

根据本发明实施例的一种可选实现方式，所述基于所述第一图像和所述第二图像，查找所述特征点相关的对应点，包括：利用所述特征点，从所述第一图像和所述第二图像中查找相差最小的像素点，将相差最小的像素点作为所述特征点相关的对应点。具体的，可以根据公式

来求解出相差最小的点，即为对应点。其中，correspondpoint为相关点，win_img1为第一图像，win_img2为第二图像，argmin()为相差最小值求解函数。

根据本发明实施例的一种可选实现方式，所述利用所述对应点，生成所述目标图像的深度信息，包括：查找所述对应点对应的相差值以及所述双摄设备的基线参数，基于所述相差值和所述基线参数，确定所述目标图像的深度信息。根据视差与深度的关系，结合双摄本身固有的参数，进行深度计算。

其中，depth为对应点的深度值，baseline为双摄设备的基线参数，disparity为相关点的相差值。

本发明提供的准确快速的深度计算方案，首先利用深度学习框架对图像进行分块，提取至不同区域；利用高斯差分初步提取角点，并借助泰勒展开式进行角点筛选；对最终筛选出的角点去寻找其匹配点，从而计算出视差，进而获取到深度；同时增加深度图后处理模块，进一步提高准确度。经实验测试，利用深度框架提取图像区域与一般图像分块方法相比，准确度大大提高。进一步地，使最终获取的深度图准确度更加高。同时，整个系统的运行效率也得到了大大提高。

与上面的方法实施例相对应，参见图3，本公开还提供了一种基于图像提取的深度信息计算装置30，包括：

提取模块301，用于对双摄设备获取到的目标图像进行区域提取，所述目标图像包括第一图像和第二图像，所述第一图像和所述第二图像分别由所述双摄设备的不同摄像头采集得到。

双摄设备为存在2个摄像头的设备，通过双摄设备，能够在同一时间内获得两张图片(第一图像和第二图像)，在实施的过程中，可以对拍摄获取的2张图片中任意一张图作为参考图，利用卷积神经网络进行图像提取并进行分块。

具体的，可以输入图片质神经网络中，神经网络包括卷积层、采样层、全连接层，输入的参考图经过卷积(convolution)层、采样层降采样(pooling)、神经网络的激活函数(relu)之后，能够获得特征图，最后经过全连接层来获取图中不同的区域。

检测模块302，用于在区域提取之后的图像上的不同区域进行特征点检测。

可以对提取图像后的不同区块进行特征点检测，为此，可以利用高斯差分图像初步确定出极值点。img(x,y)为输入图像，gaussian(x,y,σ)为高斯核函数

m(x,y,σ)＝img(x,y)*gaussian(x,y,σ)

高斯差分图像为

diff(x,y,σ)＝m(x,y,kσ)-m(x,y,σ)

将图像的高斯差分图像diff(x,y,σ)利用泰勒方程式展开,其中对x(y和σ同理)的展开式如下：

令diff(x)＝0，求解的即为特征点的偏移量。再将偏移量带入diff(x)，计算的值。若的绝对值小于某一阈值，则不将其视作特征点。

查找模块303，用于基于所述第一图像和所述第二图像，查找所述特征点相关的对应点。

具体的，可以根据公式

来求解出相差最小的点，即为对应点。其中，correspondpoint为相关点，win_img1为第一图像，win_img2为第二图像，argmin()为相差最小值求解函数。

生成模块304，用于利用所述对应点，生成所述目标图像的深度信息，所述深度信息用于生成与所述目标图像对应的深度图像。

根据视差与深度的关系，结合双摄本身固有的参数，进行深度计算。

其中，depth为对应点的深度值，baseline为双摄设备的基线参数，disparity为相关点的相差值。

图3所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中基于图像提取的深度信息计算方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于图像提取的深度信息计算方法。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中基于图像提取的深度信息计算方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于图像提取的深度信息计算方法。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

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公开的操作的计算机程序代码，上述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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。