图像重建方法及装置、电子设备和存储介质与流程

本公开涉及计算机视觉技术领域，尤其涉及一种图像重建方法及装置、电子设备和存储介质。

背景技术：

图像重建任务是底层视觉领域的重要问题。图像重建指的是将有噪声的，模糊的低质量图像重建成清晰无噪的高质量图像，比如可以实现视频图像去噪、视频超分，或者视频去模糊等。与单一的图像重建的任务不同，如何有效的利用视频的时间信息(视频帧间信息)是重建视频质量的关键。

技术实现要素：

本公开提出了一种图像处理的技术方案。

根据本公开的一方面，提供了一种图像重建方法，其包括：

获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征；

对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征；

根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征；

利用所述融合特征对所述第一图像执行图像重建处理，得到所述图像对应的重建图像。

在一些可能的实施方式中，所述获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征，包括：

获取与所述第一图像直接相邻和/或间隔相邻的至少一帧第二图像；

分别对所述第一图像和所述第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

在一些可能的实施方式中，所述对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征，包括：

对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，其中，所述第一融合特征融合有所述第二图像的特征信息，所述第二融合特征融合有所述第一图像的特征信息；

利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征。

在一些可能的实施方式中，所述对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，包括：

连接所述第一图像的图像特征和所述第二图像的图像特征，得到第一连接特征；

利用第一残差模块对所述第一连接特征执行优化处理，得到第三优化特征；

利用两个卷积层分别对所述第三优化特征执行卷积处理，得到所述第一融合特征和第二融合特征。

在一些可能的实施方式中，所述利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征，包括：

对所述第一图像的图像特征与第一融合特征执行加和处理，得到第一加和特征；

对所述第二图像的图像特征与第二融合特征执行加和处理，得到第二加和特征；

利用第二残差模块分别对所述第一加和特征和所述第二加和特征执行优化处理，得到所述第一优化特征和第二优化特征。

在一些可能的实施方式中，所述根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征，包括：

获取所述第一优化特征和第二优化特征之间的关联矩阵；

对所述第一优化特征和第二优化特征进行连接，得到第二连接特征；

基于所述关联矩阵和所述第二连接特征得到所述融合特征。

在一些可能的实施方式中，所述获取所述第一优化特征和第二优化特征之间的关联矩阵，包括：

将所述第一优化特征和所述第二优化特征输入到图卷积神经网络，通过所述图卷积神经网络得到所述关联矩阵。

在一些可能的实施方式中，所述基于所述关联矩阵和所述第二连接特征得到所述融合特征，包括：

利用激活函数对所述关联矩阵进行激活处理，并利用激活处理后的关联矩阵与所述第二连接特征之间的乘积，得到所述融合特征。

在一些可能的实施方式中，所述利用所述融合特征对所述第一图像执行图像重建处理，得到所述第一图像对应的重建图像，包括：

对所述第一图像的图像特征和所述融合特征执行加和处理，得到所述重建图像的图像特征；

利用所述重建图像的图像特征，得到所述第一图像对应的重建图像。

在一些可能的实施方式中，所述图像重建方法用于实现图像去燥处理、图像超分处理以及图像去模糊处理中的至少一种。

在一些可能的实施方式中，在所述图像重建方法用于实现图像超分处理的情况下，所述获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征，包括：

对所述第一图像和所述第二图像执行上采样处理；

对上采样处理后的所述第一图像和第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

根据本公开的第二方面，提供了一种图像重建装置，其包括：

获取模块，用于获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征；

优化模块，用于对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征；

关联模块，用于根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征；

重建模块，用于利用所述融合特征对所述第一图像执行图像重建处理，得到所述图像对应的重建图像。

在一些可能的实施方式中，所述获取模块还用于获取与所述第一图像直接相邻和/或间隔相邻的至少一帧第二图像；

分别对所述第一图像和所述第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

在一些可能的实施方式中，所述优化模块包括：

多帧融合单元，用于对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，其中，所述第一融合特征融合有所述第二图像的特征信息，所述第二融合特征融合有所述第一图像的特征信息；

单帧优化单元，用于利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征。

在一些可能的实施方式中，所述多帧融合单元还用于连接所述第一图像的图像特征和所述第二图像的图像特征，得到第一连接特征；

利用第一残差模块对所述第一连接特征执行优化处理，得到第三优化特征；

利用两个卷积层分别对所述第三优化特征执行卷积处理，得到所述第一融合特征和第二融合特征。

在一些可能的实施方式中，所述单帧优化单元还用于对所述第一图像的图像特征与第一融合特征执行加和处理，得到第一加和特征；

对所述第二图像的图像特征与第二融合特征执行加和处理，得到第二加和特征；

利用第二残差模块分别对所述第一加和特征和所述第二加和特征执行优化处理，得到所述第一优化特征和第二优化特征。

在一些可能的实施方式中，所述关联模块包括：

关联单元，用于获取所述第一优化特征和第二优化特征之间的关联矩阵；

连接单元，用于对所述第一优化特征和第二优化特征进行连接，得到第二连接特征；

融合单元，用于基于所述关联矩阵和所述第二连接特征得到所述融合特征。

在一些可能的实施方式中，所述关联单元还用于将所述第一优化特征和所述第二优化特征输入到图卷积神经网络，通过所述图卷积神经网络得到所述关联矩阵。

在一些可能的实施方式中，所述融合单元还用于利用激活函数对所述关联矩阵进行激活处理，并利用激活处理后的关联矩阵与所述第二连接特征之间的乘积，得到所述融合特征。

在一些可能的实施方式中，所述重建单元还用于对所述第一图像的图像特征和所述融合特征执行加和处理，得到所述重建图像的图像特征；

利用所述重建图像的图像特征，得到所述第一图像对应的重建图像。

在一些可能的实施方式中，所述图像重建装置用于实现图像去燥处理、图像超分处理以及图像去模糊处理中的至少一种。

在一些可能的实施方式中，所述获取模块还用于在所述图像重建装置用于实现图像超分处理的情况下，对所述第一图像和所述第二图像执行上采样处理；

对上采样处理后的所述第一图像和第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

根据本公开的第三方面，提供了一种电子设备，其包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中任意一项所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

在本公开实施例中，可以通过视频数据中第一图像的图像特征和第二图像的图像特征的优化处理，得到第一图像对应的第一优化特征以及第二图像对应的第二优化特征，并利用第一优化特征和第二优化特征之间的关联矩阵，执行第一优化特征和第二优化特征之间的特征融合，利用得到的融合特征对第一图像进行重建得到重建图像。其中，通过第一优化特征和第二优化特征得到的关联矩阵可以表示第一优化特征和第二优化特征中相同位置的特征信息之间的关联性，在通过关联特征执行上述特征融合过程时，可以使得帧间信息根据相同位置的不同特征的相关性进行融合，进而得到的重建图像效果更好。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种图像重建方法的流程图；

图2示出根据本公开实施例的一种图像重建方法中步骤s10的流程图；

图3示出根据本公开实施例的一种图像重建方法中步骤s20的流程图；

图4示出根据本公开实施例的一种图像重建方法中步骤s21的流程图；

图5示出根据本公开实施例的一种图像重建方法中步骤s22的流程图；

图6示出根据本公开实施例的一种图像重建方法中步骤s30的流程图；

图7示出实现本公开实施例的一种图像重建方法的神经网络的结构示意图；

图8示出根据本公开实施例的一种图像重建装置的框图；

图9示出根据本公开实施例的一种电子设备的框图；

图10示出根据本公开实施例的另一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例的图像重建方法的执行主体可以是任意的图像处理装置，例如，图像重建方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以包括本地服务器或者云端服务器。在一些可能的实现方式中，该图像重建方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

图1示出根据本公开实施例的一种图像重建方法的流程图，如图1所示，所述图像重建方法包括：

s10：获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征；

在一些可能的实施方式中，视频数据可以为任意的采集设备采集的视频信息，其中可以包括至少两帧图像。本公开实施例可以对视频中的图像执行图像重建处理，例如该图像重建可以包括对图像进行去噪、超分或者去模糊处理中的至少一种，可以提高视频图像的图像质量。本公开实施例可以将待执行重建的图像称之为第一图像，以及用于优化第一图像的图像称之为第二图像。其中第一图像和第二图像可以为相邻图像，本公开实施例中的相邻可以包括直接相邻，或者也可以包括间隔相邻。第一图像和第二图像直接相邻是指第一图像和第二图像为视频中时间帧相差为1的两个图像，例如第一图像为第t帧图像，第二图像可以为t-1或者t+1帧图像，t为大于或者等于1的整数。第一图像和第二图像间隔相邻是指第一图像和第二图像是视频中时间帧相差大于1的两个图像，例如第一图像为第t帧图像，第二图像为t+a帧图像，或者为t-a帧图像，a为大于1的整数。

在一些可能的实施方式中，用于重建第一图像的第二图像可以至少为1个。也就是说，第二图像可以是一个，也可以为多个，本公开对此不作具体限定。本公开实施例中，确定用于重建第一图像的第二图像的方式可以根据预先设定的规则确定第二图像，该预先设定的规则可以包括第二图像的数量，以及与所述第一图像之间的间隔的帧数，其中该间隔的帧数可以为正数也可以为负数，在为正数时，表示第二图像的时间帧的数值大于第一图像的时间帧的数值，以及在间隔帧数为负数时，表示第一图像的时间帧的数值大于第二图像的时间帧的数值。

在一些可能的实施方式中，在确定第一图像以及第二图像的情况下，可以得到第一图像和第二图像的图像特征。其中，可以直接将第一图像和第二图像中各像素点对应的像素值作为图像特征，或者也可以通过对第一图像和第二图像执行特征提取处理，分别得到第一图像和第二图像的图像特征。

s20：对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征；

在一些可能的实施方式中，可以通过分别对第一图像的图像特征和第二图像的图像特征执行卷积处理，实现对各图像特征的分别优化，通过该优化可以增加更为细节的特征信息，提高特征的丰富性。其中，通过对第一图像和第二图像的图像特征执行优化处理，可以分别得到对应的第一优化特征和第二优化特征。或者也可以将第一图像和第二图像的图像特征连接得到连接特征，并对连接特征执行特征处理，使得第一图像和第二图像的图像特征能够相互融合，同时还能够提高特征精度，进而分别通过两个卷积层对得到的特征分别进行卷积，对应的得到第一优化特征和第二优化特征。

s30：根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征；

在一些可能的实施方式中，在得到第一优化特征和第二优化特征的情况下，可以进一步获得第一优化特征和第二优化特征之间的关联矩阵，关联矩阵中的元素标识第一优化特征和第二优化特征中相同位置的特征值之间的关联度。

在一些可能的实施方式中，可以利用得到的关联特征执行第一优化特征和第二优化特征之间的特征融合处理，得到融合特征。通过该融合处理，可以有效的将第二图像的图像特征和第一图像中的图像特征进行融合，有利于第一图像的重建。

s40：利用所述融合特征对所述第一图像执行图像重建处理，得到所述图像对应的重建图像。

在一些可能的实施方式中，在得到融合特征的情况下，可以利用融合特征对第一图像进行图像重建，例如可以将融合特征和第一图像的图像特征进行相加处理，得到重建的图像特征，该重建的图像特征对应的图像即为重建图像。

在此需要说明的是，本公开实施例可以通过神经网络实现，也可以通过与本申请所限定的算法实现，只要是包括在本申请所保护的技术方案的范围内，就可以作为本公开实施例。

基于上述配置，本公开实施例可以通过第一图像和第二图像分别对应的第一优化特征和第二优化特征得到的关联矩阵，通过该关联矩阵表示第一优化特征和第二优化特征中相同位置的特征信息之间的关联性，在通过关联矩阵执行上述优化特征融合过程时，可以使得第一图像和第二图像之间的帧间信息根据相同位置的不同特征的相关性进行融合，进而提高重建图像效果。

下面结合附图对本公开实施例进行详细说明。图2示出根据本公开实施例的一种图像重建方法中步骤s10的流程图。其中，所述获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征，可以包括：

s11：获取与所述第一图像直接相邻和/或间隔相邻的至少一帧第二图像；

在一些可能的实施方式中，可以获取视频数据中待重建的第一图像，以及用于重建第一图像的至少一帧第二图像，其中，可以按照预先设定的规则选择出第二图像，或者也可以随机的从第一图像相邻的图像中选择出至少一个图像作为第二图像，本公开对此不作具体限定。

在一个示例中，预先设定的规则可以包括第二图像的数量，以及与所述第一图像之间的间隔的帧数，通过上述帧数和数量既可以确定出对应的第二图像。例如预先设定的规则可以包括第二图像的数量为1，且与第一图像之间的间隔帧数为+1，即表示第二图像为第一图像之后的一帧图像，例如第一图像为第t帧图像，则第二图像为t+1帧图像。上述仅为示例性说明，在其他实施方式中也可以通过其他方式确定第二图像。

s12：分别对所述第一图像和所述第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

在一些可能的实施方式中，可以直接将第一图像和第二图像对应的像素值确定为图像特征，或者也可以利用特征提取神经网络分别对第一图像和第二图像执行特征提取处理，得到相应的图像特征。通过特征提取神经网络执行特征提取处理可以提高图像特征的精确度。其中，特征提取神经网络可以为卷积神经网络，例如可以为残差网络、特征金字塔网络，或者也可以为其他任意能够实现特征提取的神经网络，本公开也可以通过其他方法实现特征提取处理，对此不作具体限定。

在得到第一图像的图像特征以及第二图像的图像特征的情况下，可以对第一图像和第二图像进行特征优化处理，分别对应的得到第一图像的第一优化特征以及第二图像的第二优化特征。其中，本公开实施例可以分别执行第一图像和第二图像的特征优化处理，得到对应的第一优化特征和第二优化特征。例如可以利用残差网络分别对第一图像的图像特征和第二图像的图像特征进行处理，得到第一图像的第一优化特征以及第二图像的第二优化特征。或者，还可以继续对残差网络输出的优化特征执行进一步的卷积处理(如至少一层卷积处理)，得到第一优化特征以及第二优化特征。

在一些可能的实施方式中，还可以通过第一图像的图像特征和第二图像的图像特征的融合的方式，执行各图像特征的优化，得到相应的第一优化特征和第二优化特征。图3示出根据本公开实施例的一种图像重建方法中步骤s20的流程图。

如图3所示，所述对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征，可以包括：

s21：对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，其中，所述第一融合特征融合有所述第二图像的特征信息，所述第二融合特征融合有所述第一图像的特征信息；

在一些可能的实施方式中，可以通过第一图像的图像特征和第二图像的图像特征之间的多帧信息融合，分别得到第一图像对应的第一融合特征以及第二图像对应的第二融合特征。通过多帧信息融合处理可以使得第一图像和第二图像的图像特征之间相互融合，进而使得得到第一融合特征和第二融合特征中都分别包括第一图像和第二图像的特征信息。

s22：利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征。

在一些可能的实施方式中，在得到第一图像的第一融合特征以及第二图像的第二融合特征的情况下，可以利用第一融合特征对第一图像的图像特征执行单帧图像的特征融合(即单帧优化处理)，以及利用第二融合特征对第二图像的图像特征执行单帧图像的特征融合，分别对应的得到第一优化特征以及第二优化特征。其中，通过单帧优化处理可以在第一融合特征和第二融合特征的基础上，进一步加强各自的图像特征，使得得到的第一优化特征在具有第一图像的图像特征的基础上还同时融合第二图像的特征信息，以及使得得到的第二优化特征在具有第二图像的图像特征的基础上还同时融合第一图像的特征信息。

另外，本公开实施例中，可以执行至少一次上述优化处理的过程，即执行至少一次多帧信息融合以及单帧优化处理。其中，第一次优化处理可以直接将第一图像和第二图像的图像特征作为优化处理的对象，在包括多次优化处理过程时，第n+1次的优化处理的对象为第n次优化处理输出的优化特征，也就是说可以对第n次优化处理得到的两个优化特征继续执行多帧信息融合和单帧优化处理，得到最终的优化特征(第一优化特征和第二优化特征)。通过多次优化处理可以进一步提高得到的特征信息的准确性以及特征的丰富性。

下面分别对多帧信息融合和单帧优化处理分别进行说明。图4示出根据本公开实施例的一种图像重建方法中步骤s21的流程图。如图4所示，所述对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，可以包括：

s211：连接所述第一图像的图像特征和所述第二图像的图像特征，得到第一连接特征；

在一些可能的实施方式中，在执行多帧信息融合的过程中，可以首先对第一图像的图像特征和第二图像的图像特征进行连接，例如在通道方向上进行连接，得到第一连接特征。例如可以利用concat函数(连接函数)对第一图像的图像特征和第二图像的图像特征进行连接，使得两帧图像信息进行简单的融合。

s212：利用第一残差模块对所述第一连接特征执行优化处理，得到第三优化特征；

在一些可能的实施方式中，在得到第一连接特征的情况下，可以进一步对该第一连接特征进行优化处理。本公开实施例中可以利用残差网络执行该特征优化处理。其中可以将第一连接特征输入到第一残差模块(residualblock)执行特征优化，得到第三优化特征。通过第一残差模块的处理可以使得第一连接特征中的特征信息进一步融合且提高了特征信息的精度，即第三优化特征中进一步精确的融合了第一图像和第二图像中的特征信息。

s213：利用两个卷积层分别对所述第三优化特征执行卷积处理，得到所述第一融合特征和第二融合特征。

在一些可能的实施方式中，在得到第三优化特征的情况下，可以分别利用不同的卷积层对该第三优化特征执行卷积处理。例如，可以利用两个卷积层分别对第三优化特征执行卷积处理，分别得到第一融合特征和第二融合特征。其中该两个卷积层可以但不限于为1*1的卷积核。其中第一融合特征中包括有第二图像的特征信息，第二融合特征中也包括有第一图像的特征信息，即第一融合特征和第二融合特征中均相互包括两个图像的特征信息。

通过上述配置，可以实现第一图像和第二图像的多帧图像的特征信息的融合，可以通过帧间信息融合的方式提高图像的重建精度。

在执行多帧图像的帧间信息融合处理之后，可以进一步执行单帧图像的特征优化处理。图5示出根据本公开实施例的一种图像重建方法中步骤s22的流程图。所述利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征，包括：

s221：对所述第一图像的图像特征与第一融合特征执行加和处理，得到第一加和特征，以及对所述第二图像的图像特征与第二融合特征执行加和处理，得到第二加和特征；

在一些可能的实施方式中，在得到第一融合特征的情况下，可以利用第一融合特征执行第一图像的单帧信息的优化处理，本公开实施例可以利用第一图像的图像特征和第一融合特征加和的方式执行该优化处理，该加和可以包括第一融合特征和第一图像的图像特征的直接相加，也可以包括第一融合特征和第一图像的图像特征的加权相加，即第一融合特征和第一图像的图像特征分别与对应的加权系数相乘再做加和运算，其中加权系数可以为预先设定的数值，也可以为神经网络学习的数值，本公开对此不作具体限定。

同理，在得到第二融合特征的情况下，可以利用第二融合特征执行第二图像的单帧信息的优化处理，本公开实施例可以利用第二图像的图像特征和第二融合特征加和的方式执行该优化处理，该加和可以包括第二融合特征和第二图像的图像特征的直接相加，也可以包括第二融合特征和第二图像的图像特征的加权相加，即第二融合特征和第二图像的图像特征分别与对应的加权系数相乘再做加和运算，其中加权系数可以为预先设定的数值，也可以为神经网络学习的数值，本公开对此不作具体限定。

在此需要说明的是，本公开实施例对第一图像的图像特征与第一融合特征执行加和处理的时间，以及对第二图像的图像特征与第二融合特征执行加和处理的时间不做具体限定，二者可以分别执行，也可以同时执行。

通过上述加和处理，可以在融合特征的基础上进一步增加原始图像的特征信息。单帧信息的优化，可以实现在网络的每个阶段保留单帧图像的特征信息，进而可以根据已经优化的多帧信息来优化单帧信息。另外，本公开实施例可以直接将上述第一加和特征和第二加和特征作为第一优化特征和第二优化特征，也可以执行后续的优化处理，进一步提高特征精度。

s222：利用第二残差模块分别对所述第一加和特征和所述第二加和特征执行优化处理，得到所述第一优化特征和第二优化特征。

在一些可能的实施方式中，在得到第一加和特征和第二加和特征的情况下，可以进一步对第一加和特征和第二加和特征执行优化处理，例如可以分别对第一加和特征和第二加和特征执行卷积处理，得到第一优化特征和第二优化特征。本公开实施例为了有效的提高特征信息的融合以及精确度，通过残差网络分别执行第一加和特征和第二加和特征的优化处理，这里的残差网络被称之为第二残差模块。通过第二残差模块分别对第一加和特征和第二加和特征执行编码卷积、解码卷积等处理，实现第一加和特征和第二加和特征中的特征信息的进一步优化和融合，分别得到与第一加和特征对应的第一优化特征，以及与第二加和特征对应的第二优化特征。

通过上述实施方式，可以实现第一图像和第二图像中多帧信息的融合以及单帧信息的优化处理，在提高第一图像的特征信息的精确度的基础上，还能够融合其余图像的特征信息，通过帧间信息的融合，提高重建图像的精确度。

再执行图像特征的优化之后，可以新一步得到优化特征之间的关联性，根据该关联性进一步重建图像。图6示出根据本公开实施例的一种图像重建方法中步骤s30的流程图。

如图6所示，所述根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征，包括：

s31：获取所述第一优化特征和第二优化特征之间的关联矩阵；

在一些可能的实施方式中，在获得第一图像对应的第一优化特征以及第二图像对应的第二优化特征的情况下，可以进一步获得第一优化特征和第二优化特征之间的关联矩阵，关联矩阵可以表示第一优化特征和第二优化特征中相同位置对应的特征信息之间的关联度。该关联度可以反映出第一图像以及第二图像中针对相同物体或者人物对象的变化情况。本公开实施例中，第一图像以及第二图像的尺度可以相同，对应的得到的各第一优化特征和第二优化特征的尺度也相同。

即使在在得到的第一优化特征以及第二优化特征，或者上述第一融合特征和第二融合特征、第一加和特征和第二加和特征、第一图像的图像特征和第二图像的图像特征的尺度不同的情况下，也可以将上述对应的特征调整为相同尺度，例如通过池化处理执行该尺度调整的操作。

另外，本公开实施例可以通过图卷积神经网络得到第一优化特征和第二优化特征之间的关联矩阵，即可以将第一优化特征和第二优化特征输入到图卷积神经网络中，通过图卷积神经网络对第一优化特征和第二优化特征执行处理，得到二者之间的关联矩阵。

s32：对所述第一优化特征和第二优化特征进行连接，得到第二连接特征；

在一些可能的实施方式中，在对第一优化特征和第二优化特征执行融合处理的过程中，可以连接第一优化特征和第二优化特征，如在通道方向上连接第一优化特征和第二优化特征。本公开实施例可以通过concat函数执行该连接过程，得到第二连接特征。

另外，本公开实施例对步骤s31和s32的执行步骤可以不做限定，该两个步骤可以同时执行，也可以分别执行。

s33：基于所述关联矩阵和所述第二连接特征得到所述融合特征。

在一些可能的实施方式中，在得到关联矩阵以及第二连接特征的情况下，可以利用激活函数对关联矩阵执行处理，该激活函数可以为softmax函数，其中可以将关联矩阵中的各关联度作为输入参数，进而利用激活函数对各输入参数执行处理，输出处理后的关联矩阵。

进一步地，本公开实施例可以利用激活函数激活处理后的关联矩阵与第二连接特征之间的乘积得到融合特征。

基于上述实施例，可以通过关联矩阵执行多帧图像相同位置处的特征信息的融合。

在得到融合特征的情况下，可以进一步利用该融合特征执行第一图像的重建处理，其中可以对第一图像的图像特征和融合特征执行加和处理，得到所述重建图像对应的图像特征，进而根据该重建图像的图像特征可以确定重建图像。其中该加和处理可以为直接相加，也可以为利用加权系数执行加权相加，本公开对此不作具体限定。其中，重建图像的图像特征可以直接对应于重建图像各像素点的像素值，因此可以直接利用重建图像的图像特征对应的得到重建图像。另外，也可以对重建图像的图像特征进一步执行卷积处理，进一步融合特征信息，同时提高特征精度，而后根据卷积处理得到的特征确定重建图像。

通过本公开实施例的图像重建方法可以用于实现图像的去噪、超分以及去模糊中的至少一种，通过图像重建可以在不同程度上提高图像质量。其中，在执行图像的超分处理的情况下，获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征，可以包括：

对所述第一图像和所述第二图像执行上采样处理；

对上采样处理后的所述第一图像和第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

也就是说，本公开实施例中在执行图像重建的过程中，可以首先对第一图像和第二图像执行上采样处理，如可以通过至少一次卷积处理执行该上采样处理，或者插值拟合的方式执行上采样。通过上采样处理，可以进一步丰富图像中的特征信息。另外，在对第一图像和第二图像执行上采样处理之后，可以利用本公开实施例的图像重建方法对上采样后的第一图像和第二图像执行特征优化处理、以及后续的特征融合和图像重建处理。通过上述配置可以进一步提高重建图像的图像精度。

另外，为了清楚的体现本公开实施例，下面举例说明。其中，本公开实施例实现视频中图像的重建过程可以包括以下过程：

1、多帧信息融合路径(mixingpath)。先利用连接(concat)的方式来简单融合多帧信息，然后经过卷积层优化后，变换到单帧信息的空间上输出。

图7示出实现本公开实施例的一种图像重建方法的神经网络的结构示意图。其中，如图7所示，首先获得视频数据中的第t帧图像以及第t+1帧图像。其中神经网络中的网络部分a对应的用于实现图像特征的特征优化处理，网络部分b用于实现特征融处理和图像重建处理。

神经网络的输入：可以为t帧的特征信息(图像特征)f1和t+1帧的特征信息(图像特征)f2，或者也可以直接为第t帧图像以及第t+1帧图像；

输出：与t帧图像对应的优化后的多帧融合信息(第一融合特征)，与t+1帧对应的优化后的多帧融合信息(第二融合特征)；

融合方法：

先利用concat函数对两帧图像的图像特征信息进行简单的连接融合，然后经过残差模块(residualblock)对融合信息进行优化，然后对优化后的融合信息，分别应用两个1*1的卷积层来得到分别对应两帧各自的优化信息。

2、单帧信息优化路径(self-refiningpath)。在网络的每个阶段保留单帧的特征信息，然后根据已经优化的多帧信息来优化单帧信息。

以t帧为例，把上个阶段t帧的信息(图像特征)与对应的优化后的融合信息(第一融合特征)进行加和后，再经过残差模块(residualblock)进行优化，得到第一优化特征f3。对于t+1帧执行相同的处理过程，得到第二优化特征f4。

3.像素关联模块。在整个模型的最后一个阶段(b部分)，利用像素关联模块来计算多帧之间的关联矩阵，然后根据关联矩阵来融合多帧信息。

基于图卷积神经网络，计算t帧的第一优化特征与t+1帧的第二优化特征之间的关联矩阵(adjacencymatrix)，然后利用这个关联矩阵来融合t帧的特征信息与t+1帧的特征信息，并得到优化的融合了t帧信息和t+1帧信息的融合特征。

本公开实施例将两帧特征信息(第一优化特征和第二优化特征)的concatenation连接结果(第二连接特征)输入1dconvolutionallayer(1维卷积层)来计算关联矩阵。然后对关联矩阵做softmax操作之后与两帧特征信息的concatenation结果相乘，来得到两帧的优化信息(融合特征)f5。

4.跳过连接(skipconnection)。在网络的最后，利用一个skipconnection把网络输入的当前帧t帧与优化后的特征信息进行加和得到最后的重建图像。

即可以将融合特征f5和t帧图像的图像特征f1进行相加处理，得到重建图像的图像特征f，继而可以直接对应的得到重建图像。

综上所述，在本公开实施例中，可以通过视频数据中第一图像的图像特征和第二图像的图像特征的优化处理，得到第一图像对应的第一优化特征以及第二图像对应的第二优化特征，并利用第一优化特征和第二优化特征之间的关联矩阵，执行第一优化特征和第二优化特征之间的特征融合，利用得到的融合特征对第一图像进行重建得到重建图像。其中，通过第一优化特征和第二优化特征得到的关联矩阵可以表示第一优化特征和第二优化特征中相同位置的特征信息之间的关联性，在通过关联特征执行上述特征融合过程时，可以使得帧间信息根据相同位置的不同特征的相关性进行融合，进而得到的重建图像效果更好。本公开实施例不仅有效的保留了单帧的信息，并且还充分利用多次融合的帧间信息。

另外，本公开实施例可以基于图卷积的方式，利用了帧间信息的相关性来优化帧间信息，进一步提高特征精度。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像重建装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像重建方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图8示出根据本公开实施例的一种图像重建装置的框图，如图8所示，所述图像重建装置包括：

获取模块10，用于获取视频数据中的第一图像对应的图像特征以及与所述第一图像相邻的第二图像分别对应的图像特征；

优化模块20，用于对所述第一图像的图像特征和第二图像的图像特征执行特征优化处理，分别得到与所述第一图像对应的第一优化特征，以及与所述第二图像对应的第二优化特征；

关联模块30，用于根据所述第一优化特征和第二优化特征之间的关联矩阵，对所述第一优化特征和第二优化特征执行特征融合处理，得到融合特征；

重建模块40，用于利用所述融合特征对所述第一图像执行图像重建处理，得到所述图像对应的重建图像。

在一些可能的实施方式中，所述获取模块还用于获取与所述第一图像直接相邻和/或间隔相邻的至少一帧第二图像；

分别对所述第一图像和所述第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

在一些可能的实施方式中，所述优化模块包括：

多帧融合单元，用于对所述第一图像的图像特征和第二图像的图像特征执行多帧信息融合处理，得到所述第一图像对应的第一融合特征以及所述第二图像对应的第二融合特征，其中，所述第一融合特征融合有所述第二图像的特征信息，所述第二融合特征融合有所述第一图像的特征信息；

单帧优化单元，用于利用所述第一融合特征对所述第一图像的图像特征执行单帧优化处理得到所述第一优化特征，以及利用所述第二融合特征对所述第二图像的图像特征执行单帧优化处理得到所述第二优化特征。

在一些可能的实施方式中，多帧融合单元还用于连接所述第一图像的图像特征和所述第二图像的图像特征，得到第一连接特征；

利用第一残差模块对所述第一连接特征执行优化处理，得到第三优化特征；

利用两个卷积层分别对所述第三优化特征执行卷积处理，得到所述第一融合特征和第二融合特征。

在一些可能的实施方式中，所述单帧优化单元还用于对所述第一图像的图像特征与第一融合特征执行加和处理，得到第一加和特征；

对所述第二图像的图像特征与第二融合特征执行加和处理，得到第二加和特征；

利用第二残差模块分别对所述第一加和特征和所述第二加和特征执行优化处理，得到所述第一优化特征和第二优化特征。

在一些可能的实施方式中，所述关联模块包括：

关联单元，用于获取所述第一优化特征和第二优化特征之间的关联矩阵；

连接单元，用于对所述第一优化特征和第二优化特征进行连接，得到第二连接特征；

融合单元，用于基于所述关联矩阵和所述第二连接特征得到所述融合特征。

在一些可能的实施方式中，所述关联单元还用于将所述第一优化特征和所述第二优化特征输入到图卷积神经网络，通过所述图卷积神经网络得到所述关联矩阵。

在一些可能的实施方式中，利用激活函数对所述关联矩阵进行激活处理，并利用激活处理后的关联矩阵与所述第二连接特征之间的乘积，得到所述融合特征。

在一些可能的实施方式中，建单元还用于对所述第一图像的图像特征和所述融合特征执行加和处理，得到所述重建图像的图像特征；

利用所述重建图像的图像特征，得到所述第一图像对应的重建图像。

在一些可能的实施方式中，所述图像重建装置用于实现图像去燥处理、图像超分处理以及图像去模糊处理中的至少一种。

在一些可能的实施方式中，所述获取模块还用于在所述图像重建装置用于实现图像超分处理的情况下，对所述第一图像和所述第二图像执行上采样处理；

对上采样处理后的所述第一图像和第二图像执行特征提取处理，得到所述第一图像对应的图像特征以及所述第二图像对应的图像特征。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图9示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图10示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读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，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，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。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。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。