图像处理方法、装置、设备、介质及程序产品与流程

1.本公开涉及计算机技术领域，尤其涉及一种图像处理方法、装置、设备、介质及程序产品。


背景技术：

2.图像处理中常常需要对图像进行分类，而图像可以从不同的维度进行分类。现有的分类方法一般采用直接分类或回归的方式，然而得到多个不同维度的分类结果并不准确。


技术实现要素：

3.本公开提出一种图像处理方法、装置、设备、存储介质及程序产品，以在一定程度上解决图像处理的分类结果准确度不高的技术问题。
4.本公开第一方面，提供了一种图像处理方法，包括：
5.获取待处理图像；
6.基于图像处理模型的多模态特征网络对所述待处理图像进行多模态特征提取，得到多模态特征；
7.基于图像处理模型的多维度分类网络对所述多模态特征进行分类，得到基于多个维度的分类结果。
8.本公开第二方面，提供了一种图像处理装置，包括：
9.获取模块，用于获取待处理图像；
10.图像处理模型，用于基于图像处理模型的多模态特征网络对所述待处理图像进行多模态特征提取，得到多模态特征；以及基于图像处理模型的多维度分类网络对所述多模态特征进行分类，得到基于多个维度的分类结果。
11.本公开第三方面，提供了一种电子设备，其特征在于，包括一个或者多个处理器、存储器；和一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行根据第一方面或第二方面所述的方法的指令。
12.本公开第四方面，提供了一种包含计算机程序的非易失性计算机可读存储介质，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行第一方面或第二方面所述的方法。
13.本公开第五方面，提供了一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行第一方面所述的方法。
14.从上面所述可以看出，本公开提供的一种图像处理方法、装置、设备、介质及程序产品，通过对待处理图像进行多模态特征提取，并基于该多模态特征进行多维度分类，能够充分利用待处理图像自身的数据信息进行不同维度的分类，提高了多维度分类的准确度。
附图说明
15.为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述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公开的实施例，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他的附图。
16.图1为本公开实施例的图像处理架构的示意图。
17.图2为本公开实施例的示例性电子设备的硬件结构示意图。
18.图3为本公开实施例的图像处理方法的示意性流程图。
19.图4为本公开实施例的图像处理模型的示意性原理图
20.图5为本公开实施例的子分类网络的示意性原理图。
21.图6为本公开实施例的子分类网络的示意性原理图
22.图7为本公开实施例的图像处理装置的示意图。
具体实施方式
23.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
24.需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
25.有序分类是指所分类别之间存在顺序关系的任务，例如基于图像清晰度进行分类可以包括低清、一般、高清，低清、一般、高清之间存在一定的顺序关系，即清晰度由低到高。然而分类对象可以从不同的维度来分类，每个维度有对应的类别。多维度有序分类则是指同时基于多个维度对待分类对象进行分类，如同时对图像进行画风(例如分为下沉、一般、优质)、适用年龄段(例如分为年轻、中年、老年)、清晰度(例如分为清、一般、高清)三个类别进行分类。
26.针对有序分类问题，现有技术通常直接采用分类或回归的方式解决。采用分类方式通常认为任意两个类别之间都是等间距的，忽略了所分类别之间存在的顺序关系，从而导致次优的结果。采用回归方式虽然考虑了类别之间的顺序关系，但是其目标是直接令神经网络拟合连续值，这相较于分类任务难度更大，从而导致训练的效果不佳。对于上述问题，现有技术通常对每个子维度单独采用一个神经网络进行拟合，这种方式首先会导致训练成本增加n倍，其次会导致部署成本增加n倍，并且这种方式也没有考虑各维度间的相互关系，从而导致不能达到最佳的分类效果。因此，如何提高图像的多维度分类的准确度成为了亟需解决的技术问题。
27.鉴于此，本公开实施例提供了一种图像处理方法、装置、设备、存储介质及程序产
品。通过对待处理图像进行多模态特征提取，并基于该多模态特征进行多维度分类，能够充分利用待处理图像自身的数据信息进行不同维度的分类，提高了多维度分类的准确度。
28.图1示出了本公开实施例的图像处理架构的示意图。参考图1，该图像处理架构100可以包括服务器110、终端120以及提供通信链路的网络130。服务器110和终端120之间可通过有线或无线的网络130连接。其中，服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、安全服务、cdn等基础云计算服务的云服务器。
29.终端120可以是硬件或软件实现。例如，终端120为硬件实现时，可以是具有显示屏并且支持页面显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。终端120设备为软件实现时，可以安装在上述所列举的电子设备中；其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块，在此不做具体限定。
30.需要说明的是，本技术实施例所提供的图像处理方法可以由终端120来执行，也可以由服务器110来执行。应了解，图1中的终端、网络和服务器的数目仅为示意，并不旨在对其进行限制。根据实现需要，可以具有任意数目的终端、网络和服务器。
31.图2示出了本公开实施例所提供的示例性电子设备200的硬件结构示意图。如图2所示，电子设备200可以包括：处理器202、存储器204、网络模块206、外围接口208和总线210。其中，处理器202、存储器204、网络模块206和外围接口208通过总线210实现彼此之间在电子设备200的内部的通信连接。
32.处理器202可以是中央处理器(central processing unit，cpu)、图像处理器、神经网络处理器(npu)、微控制器(mcu)、可编程逻辑器件、数字信号处理器(dsp)、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路。处理器202可以用于执行与本公开描述的技术相关的功能。在一些实施例中，处理器202还可以包括集成为单一逻辑组件的多个处理器。例如，如图2所示，处理器202可以包括多个处理器202a、202b和202c。
33.存储器204可以配置为存储数据(例如，指令、计算机代码等)。如图2所示，存储器204存储的数据可以包括程序指令(例如，用于实现本公开实施例的图像处理方法的程序指令)以及要处理的数据(例如，存储器可以存储其他模块的配置文件等)。处理器202也可以访问存储器204存储的程序指令和数据，并且执行程序指令以对要处理的数据进行操作。存储器204可以包括易失性存储装置或非易失性存储装置。在一些实施例中，存储器204可以包括随机访问存储器(ram)、只读存储器(rom)、光盘、磁盘、硬盘、固态硬盘(ssd)、闪存、存储棒等。
34.网络模块206可以配置为经由网络向电子设备200提供与其他外部设备的通信。该网络可以是能够传输和接收数据的任何有线或无线的网络。例如，该网络可以是有线网络、本地无线网络(例如，蓝牙、wifi、近场通信(nfc)等)、蜂窝网络、因特网、或上述的组合。可以理解的是，网络的类型不限于上述具体示例。在一些实施例中，网络模块306可以包括任意数量的网络接口控制器(nic)、射频模块、接收发器、调制解调器、路由器、网关、适配器、蜂窝网络芯片等的任意组合。
35.外围接口208可以配置为将电子设备200与一个或多个外围装置连接，以实现信息输入及输出。例如，外围装置可以包括键盘、鼠标、触摸板、触摸屏、麦克风、各类传感器等输入设备以及显示器、扬声器、振动器、指示灯等输出设备。
36.总线210可以被配置为在电子设备200的各个组件(例如处理器202、存储器204、网络模块206和外围接口208)之间传输信息，诸如内部总线(例如，处理器-存储器总线)、外部总线(usb端口、pci-e总线)等。
37.需要说明的是，尽管上述电子设备200的架构仅示出了处理器202、存储器204、网络模块206、外围接口208和总线210，但是在具体实施过程中，该电子设备200的架构还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述电子设备200的架构中也可以仅包含实现本公开实施例方案所必需的组件，而不必包含图中所示的全部组件。
38.参见图3，图3示出了根据本公开实施例的图像处理方法的示意性流程图。图3中，图像处理方法300可以具体包括如下步骤。
39.在步骤s310，获取待处理图像。
40.其中，待处理图像可以包括图像信息，还可以包括文字内容，例如待处理图像a可以包括与该图像相关联的文字内容，该文字内容可以是用于描述该图像中的对象。
41.在步骤s320，基于图像处理模型的多模态特征网络对所述待处理图像进行多模态特征提取，得到多模态特征。
42.其中，多模态可以指多种模态的信息，例如图像、文字等。利用图像本身相关度较高的多模态信息进行分类，有利于提高分类的准确度。
43.在一些实施例中，基于图像处理模型的多模态特征网络对所述待处理图像进行多模态特征提取，得到多模态特征，包括：
44.获取与所述待处理图像相关的文本信息；
45.基于所述多模态特征网络对所述待处理图像进行特征提取得到第一模态特征，以及对所述文本信息进行特征提取得到第二模态特征；
46.将所述第一模态特征与所述第二模态特征融合得到多模态特征。
47.其中，与待处理图像相关联的文本信息可以指描述该待处理图像的文字内容，该文字内容可以是待处理图像中本身所具有的，例如待处理图像中的地理位置标识等；也可以是展示待处理图像时，对待处理图像进行介绍的文字内容，例如待处理图像的标题、简介等。第一模态特征可以是基于图像信息的图像特征，第二模态特征可以是基于文本信息的文本特征。进一步地，由于文本信息具有语义特性，所以，第二模态特征中也相应地具有语义特征。将该第一模态特征和第二模态特征融合所得到的多模态特征，能够兼具图像特征的纹理特征和文本信息中的语义特征，有利于准确地确定多个维度的类别之间的关联度，以及提高分类的准确度。
48.在一些实施例中，获取与所述待处理图像相关联的文本信息，包括：对所述待处理图像中的文字内容进行文字识别得到所述文本信息。
49.其中，可以从待处理图像中进行文字识别从而得到待处理图像中本身所具有的文本信息。
50.在步骤s330，基于图像处理模型的多维度分类网络对所述多模态特征进行分类，
得到基于多个维度的分类结果。
51.在一些实施例中，所述多维度分类网络包括多个子分类网络。其中，不同的子分类网络可以对应不同的维度，子分类网络对应于一个维度。子分类网络的分类类别数量可以为多个。例如，多维度分类网络可以包括基于维度a的子分类网络a、基于维度b的子分类网络b、基于维度c的子分类网络c，子分类网络a具有n1个分类类别、子分类网络b具有n2个分类类别、子分类网络c具有n3个分类类别，n1-n3可以为大于1的正整数。
52.在一些实施例中，所述多维度分类网络包括基于第一维度的第一子分类网络和基于第二维度的第二子分类网络；所述基于多个维度的分类结果包括基于所述第一维度的第一分类结果和基于所述第二维度的第二分类结果。
53.在一些实施例中，基于图像处理模型的多维度分类网络对所述多模态特征进行分类，得到基于多个维度的分类结果，包括：
54.基于所述第一子分类网络对所述多模态特征进行第一分类，得到所述第一分类结果；
55.基于所述第二子分类网络对所述多模态特征进行第二分类，得到所述第二分类结果。
56.具体地，参见图4，图4示出了根据本公开实施例的图像处理模型的示意性原理图。图4中，图像处理模型400可以包括多模态特征网络410和多维度分类网络420。其中，多模态特征网络410可以包括视觉骨干网络411和文本骨干网络422。多维度分类网络420可以包括子分类网络421、子分类网络422、
……
、子分类网络n。
57.具体地，可以将待处理图像image输入视觉骨干网络411提取图像特征得到图像特征，即第一模态特征feature1。还可以将待处理图像image相关的文本信息(例如标题，或对待处理图像image进行文字识别(例如采用ocr方法)得到的信息)输入文本骨干网络提取文本特征，即第二模态特征feature2。第一模态特征feature1和第二模态特征feature2融合为多模态特征feature3，再将该多模态特征feature3作为多维度分类网络420的输入特征，即n个子分类网络的输入特征，分别得到对应的n个分类结果，例如子分类网络421的分类结果r1、子分类网络422的分类结果r2、
……
、子分类网络n的分类结果rn。其中视觉骨干网络可以采用resnet、vision transformer、swin transformer等结构，文本骨干网络可以采用bert、albert、roberta等结构，多模态特征融合时可以采用多层全连接层、transformer等结构。子分类网络可以采用多层全连接层。
58.在一些实施例中，所述图像处理模型基于训练样本对神经网络进行训练得到。进一步地，所述训练样本包括训练图像和所述训练图像对应的多个维度的类别标签。例如，多维度分类网络具有m个维度，则训练图像sample可以具有基于第一维度a的第一维度标签sa、
……
、基于第二维度m的第二维度标签sm，m可以是大于1的正整数。
59.在一些实施例中，所述多模态特征网络可以基于所述训练样本进行训练。具体地，可以基于训练图像sample及其对应的图像特征feature_image对视觉骨干网络进行训练，以及基于训练图像sample的文本信息及其对应的文本特征feature_text对文本骨干网络进行训练，从而得到训练好的视觉骨干网络和文本骨干网络。进一步地，在一些实施例中，视觉骨干网络和文本骨干网络具有不同的训练权重，该训练权重可以根据实际需求进行设置。
60.在一些实施例中，所述图像处理模型基于训练样本对神经网络进行训练得到，包括：
61.针对所述子分类网络，
62.基于所述训练样本得到所述子分类网络的子分类损失函数、子回归损失函数和排序损失函数；
63.基于所述子分类损失函数、所述子回归损失函数和所述排序损失函数之和得到所述子分类网络的子损失函数；
64.基于所述子损失函数调整所述子分类网络的子网络参数以使所述子损失函数最小化。
65.其中，如图5所示，图5示出了根据本公开实施例的子分类网络的训练示意性原理图。图5中，针对子分类网络，采用三种损失函数计算子分类网络的总训练损失函数，总训练损失函数可以包括子分类损失函数、子回归损失函数、排序损失函数的加权和。例如，损失函数的权值默认为1，也可以是其他不同的权重值，在此不做限制。传统方法中通常基于分类结果得到分类损失函数，以及基于回归结果得到回归损失函数，这使得分类损失函数和回归损失函数之间相互割裂，而忽略了二者之间的关联性。根据本公开实施例，在训练过程中，考虑到分类类别之间存在顺序关系，采用子分类损失函数、子回归损失函数、排序损失函数来训练子分类网络，能够提高子分类网络的分类准确度。
66.在一些实施例中，基于所述训练样本得到所述子分类网络的子分类损失函数，包括：基于所述训练图像对应于所述子分类网络的类别标签得到所述子分类损失函数。具体地，对于子分类网络的子分类结果，可以直接根据类别标签计算子分类损失函数，例如可以采用交叉熵损失函数、类别均衡损失函数等方式计算子分类损失函数。
67.在一些实施例中，基于所述训练样本得到所述子分类网络的子回归损失函数，包括：
68.基于预设规则将所述训练图像对应的子分类结果转换为回归参数；
69.基于所述回归参数与目标回归参数得到所述子回归损失函数。
70.具体地，可以将分类结果转为回归得分，这里可以根据类别数设置平均间隔，根据所分类别乘以平均间隔得到回归得分，或者再乘上该类别的置信度，或者对所有类别置信度与间隔之间求期望的方式转为回归得分。
71.在一些实施例中，基于预设规则将所述训练图像对应的子分类结果转换为回归参数，包括：
72.基于所述子分类网络的分类类别数量设置预设间隔参数；
73.基于所述预设间隔参数、所述子分类结果和所述预设规则计算得到所述回归参数；其中，所述预设规则包括：
74.基于所述预设间隔参数和所述子分类结果计算得到所述回归参数；或，基于所述子分类结果的置信度、所述预设间隔参数和所述子分类结果计算得到所述回归参数；或，基于所述子分类结果的置信度与所述预设间隔参数计算期望得到所述回归参数。
75.具体地，子分类网络的分类类别数量为m，则预设间隔参数可以是1/m。若这m个类别包括a1,
…
,am，则可以在子分类网络中会将其映射为对应的映射参数0,
…
,m-1。对于这m个类别，子分类网络的子分类结果可以为[p0,
…
,p
(m-1)
]，其中pi为一个[0,1]之间的数值(i
＝0,1，
……
，m-1)，表示子分类网络预测当前样本属于类别i的置信度，且满足p0+
…
+p
(m-1)
＝1。
[0076]
对于基于预设间隔参数和子分类结果计算得到所述回归参数的情况，回归参数可以是与子分类结果相关的第一数值j与第一预设值(例如1)的和(j+1)与预设间隔参数的乘积(j+1)*(1/m)，其中第一数值j可以是基于子分类网络的预测结果的最大自变量函数，例如第一数值j＝argmax([p0,
…
,p
(m-1)
])。
[0077]
对于基于子分类结果的置信度、预设间隔参数和子分类结果计算得到回归参数，回归参数可以是子分类结果相关的第一数值j与第一预设值(例如1)的和(j+1)、子分类结果的置信度和预设间隔参数的乘积，例如pj*(j+1)*(1/m)。其中第一数值j可以是基于子分类网络的预测结果的最大自变量函数，例如第一数值j＝argmax([p0,
…
,p
(m-1)
])。
[0078]
对于基于所述子分类结果的置信度与所述预设间隔参数计算期望得到所述回归参数计算得到回归参数的情况，回归参数可以是子分类结果的置信度与预设间隔参数的期望函数，该期望函数可以包括子分类结果的置信度、第二数值(该第二数值可以是对应的映射参数与1之和)以及预设间隔参数的乘积之和，例如p0*1*(1/m)+
…
+pk*(k+1)*(1/m)+
…
+p
(m-1)
*m*(1/m)。
[0079]
在一些实施例中，基于所述预设间隔参数与所述子分类网络的实际类别得到所述目标回归参数。其中，回归目标参数可以用实际类别乘以平均间隔的方式得到。例如，实际类别j的目标回归参数可以是(j+1)*(1/m)。进一步地，可以将回归得分与回归目标计算损失回归损失函数，例如可以采用均方根损失、smoothl1损失等方式。
[0080]
在一些实施例中，基于所述训练样本得到所述子分类网络的排序损失函数，包括：
[0081]
对所述训练图像进行第一处理得到第一图像；
[0082]
基于所述训练图像和所述第一图像得到训练样本对；
[0083]
基于所述训练样本对的预测回归参数和所述目标回归参数得到所述排序损失函数。
[0084]
具体地，排序损失函数可以采用marginranking损失函数得到。对一个训练批量的m个训练图像进行第一处理(例如翻转等图像处理)，得到m个对应的第一图像；将训练图像和对应的第一图像作为训练样本对，则该训练批量可以得到m个训练样本对。对于每个训练样本对，根据其预测回归参数x1的大小与实际的目标回归参数x2的大小之间的对应关系计算排序损失函数，使回归目标更大的样本的预测回归得分也更大。例如，排序损失函数可以包括与回归参数相关联的数值-y*(x
1-x2)+g与第二预设值(例如0)之间的较大值。其中若预测回归参数x1》目标回归参数x2，则y可以为1；若预测回归参数x1《目标回归参数x2，则y可以为-1；若预测回归参数x1＝目标回归参数x2则，y可以为0；其中g为超参数，可以默认为0，也可根据具体情况设置为0.01，0.02等小于预设间隔参数的值。
[0085]
在一些实施例中，所述图像处理模型基于训练样本对神经网络进行训练得到，还包括：
[0086]
基于所述子分类网络之间的预设匹配关系计算所述多维度分类网络的全局损失函数；
[0087]
基于所述全局损失函数调整所述多维度分类网络的分类网络参数以使所述全局损失函数最小化。
[0088]
具体地，参见图6，图6示出了根据本公开实施例的子分类网络的示意性原理图。针对子分类网络，分别利用对应的类别标签作为监督信息，根据对应的总损失函数计算出子网络的训练损失。例如，子分类网络421对应的训练损失函数1、子分类网络422对应的训练损失函数2、
……
、子分类网络n对应的训练损失函数n。除此之外，还可以根据子维度之间的关系，得到全局损失函数，对子分类网络的分类结果进行约束，若该样本不同维度的预测结果符合预设的对应关系则全局损失函数为第三预设值(例如0)，否则全局损失函数为第四预设值(例如1)。例如，子分类网络421可以是基于画风维度、子分类网络422可以是基于年龄段维度、子分类网络n可以是基于清晰度维度进行分类，对于输入样本a，子分类网络421的分类结果为优质画风，而优质画风适用年龄段应为年轻、清晰度应为高清，那么如果子分类网络422针对该输入样本a的分类结果为年轻，则全局损失函数可以为第三预设值0；如果子分类网络422针对该输入样本a的分类结果为老年，则说明子分类网络422与子分类网络421的分类结果不匹配，全局损失函数可以为第四预设值1。所以，全局损失函数基于预设匹配条件约束n个分类子网络的预测结果，使之满足对应关系，进一步提高分类结果的准确性。
[0089]
可见，根据本公开实施例的图像处理模型，能够基于同一个神经网络实现多维度有序分类，同时考虑分类损失函数、回归损失函数、排序任务损失函数，避免了认为任意两个类别之间等距进行训练所造成的准确性降低的问题，不仅考虑到分类类别之间的顺序关系，还采用全局损失函数对子分类网络进行约束，考虑到各个维度之间的相互关系，使得各个维度之间的分类结果冲突，提高了多维度分类结果的准确性。
[0090]
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0091]
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0092]
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种图像处理装置，参见图7，所述图像处理装置包括：
[0093]
获取模块，用于获取待处理图像；
[0094]
图像处理模型，用于基于图像处理模型的多模态特征网络对所述待处理图像进行多模态特征提取，得到多模态特征；以及基于图像处理模型的多维度分类网络对所述多模态特征进行分类，得到基于多个维度的分类结果。
[0095]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0096]
上述实施例的装置用于实现前述任一实施例中相应的图像处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0097]
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂
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如上任一实施例所述的图像处理方法。
[0098]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0099]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的图像处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0100]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0101]
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0102]
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0103]
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。