图像处理方法、装置、终端及存储介质与流程

本申请实施例涉及终端
技术领域：
，特别涉及一种图像处理方法、装置、终端及存储介质。
背景技术：
：目前，大部分的终端具有拍摄功能，当用户存在拍摄图像的需求时，开启终端中的拍摄功能后即可进行图像拍摄。在相关技术中，终端在开启拍摄功能之后，采集取景框中的图像，当接收到图像拍摄指令时，对采集的图像进行拍摄，得到目标图像。技术实现要素：本申请实施例提供了一种图像处理方法、装置、终端及存储介质，可以用于解决拍摄高质量图像的操作难度较大的问题。所述技术方案如下：根据本申请实施例的第一方面，提供了一种图像处理方法，所述方法包括：在拍摄功能开启之后，持续拍摄第一视频；从所述第一视频中提取m帧图像，所述m帧图像为从不同角度拍摄的所述目标对象的图像，所述m为正整数；获取所述m帧图像各自对应的质量评分，所述质量评分用于指示所述图像的图像质量；根据所述m帧图像各自对应的质量评分，从所述m帧图像中选取并显示n个候选图像，所述候选图像是所述质量评分高于预定阈值的图像，所述n为正整数。根据本申请实施例的第二方面，提供了一种图像处理装置，所述装置包括：拍摄模块，用于在拍摄功能开启之后，持续拍摄第一视频；提取模块，用于从所述第一视频中提取m帧图像，所述m帧图像为从不同角度拍摄的所述目标对象的图像，所述m为正整数；获取模块，用于获取所述m帧图像各自对应的质量评分，所述质量评分用于指示所述图像的图像质量；显示模块，用于根据所述m帧图像各自对应的质量评分，从所述m帧图像中选取并显示n个候选图像，所述候选图像是所述质量评分高于预定阈值的图像，所述n为正整数。根据本申请实施例的第三方面，提供了一种终端，所述终端包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现如本申请第一方面及其可选实施例任一所述的图像处理方法。根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如本申请第一方面及其可选实施例任一所述的图像处理方法。本申请实施例提供的技术方案带来的有益效果是：通过持续拍摄第一视频，从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像。终端根据m帧图像各自对应的质量评分，从m帧图像中选取并显示质量评分高于预定阈值的n个候选图像，使得终端能够自动输出n个包括目标对象且高质量的候选图像，进而使得后续用户能够在显示的n个候选图像中选择出满足预期的图像，避免了用户每次在拍摄图像时需要手动调整拍摄参数的情况，大大降低了拍摄高质量图像的操作难度。附图说明图1是本申请一个示例性实施例提供的终端的结构示意图；图2是本申请一个实施例提供的图像处理方法的流程图；图3是本申请一个实施例提供的图像处理方法涉及的界面示意图；图4是本申请一个实施例提供的图像处理方法涉及的模型训练方法的流程图；图5是本申请另一个实施例提供的图像处理方法的流程图；图6是本申请另一个实施例提供的图像处理方法涉及的原理示意图；图7是本申请另一个实施例提供的图像处理方法涉及的界面示意图；图8是本申请一个实施例提供的图像处理装置的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。首先，对本申请涉及到的名词进行介绍。图像评价模型：是一种用于根据输入的数据确定图像的质量评分的数学模型。可选的，图像评价模型包括但不限于：卷积神经网络(ConvolutionalNeuralNetwork，CNN)模型、深度神经网络(DeepNeuralNetwork，DNN)模型、循环神经网络(RecurrentNeuralNetworks，RNN)模型、嵌入(embedding)模型、梯度提升决策树(GradientBoostingDecisionTree，GBDT)模型、逻辑回归(LogisticRegression，LR)模型中的至少一种。DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称，中间层)和输出层。可选的，输入层、至少一层隐层(或称，中间层)和输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选的，不同层之间的神经元的数量可以相同；或者，也可以不同。RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入，除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体，三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。比如：小张的爸爸是大张，则通过三元组实例表示为(小张，爸爸，大张)。GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值，以年龄为例，预测值为属于年龄对应的节点的所有人年龄的平均值。LR模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。目前，当用户存在拍摄图像的需求时，首先寻找合适的拍摄对象，而后调整拍摄高度、拍摄方向和拍摄距离等拍摄参数，当终端的取景框中所显示的图像符合预期时，点击拍摄按钮，触发终端进行图像拍摄。但是，在上述方法中，终端所拍摄的图像的质量依赖于用户手动调整的拍摄参数，即图像的质量受拍摄高度、拍摄方向和拍摄距离等多方面因素的影响，无法保证拍摄出的图像的质量。为此，本申请提供了一种图像处理方法、装置、终端及存储介质，以解决上述相关技术中存在的问题。本申请提供的技术方案中，通过持续拍摄第一视频，从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像。终端根据m帧图像各自对应的质量评分，从m帧图像中选取并显示质量评分高于预定阈值的n个候选图像，使得终端能够自动输出n个包括目标对象且高质量的候选图像，进而使得后续用户能够在显示的n个候选图像中选择出满足预期的图像，避免了用户每次在拍摄图像时需要手动调整拍摄参数的情况，大大降低了拍摄高质量图像的操作难度。下面采用示意性的实施例进行说明。在对本申请实施例进行解释说明之前，先对本申请实施例的应用场景进行说明。图1示出了本申请一个示例性实施例所提供的终端100的结构示意图。终端100也称为便携式终端100，该终端100可以是手机、MP3播放器(MovingPictureExpertsGroupAudioLayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExpertsGroupAudioLayerIV，动态影像专家压缩标准音频层面4)播放器等设备。终端100中配备有摄像头，具有图像拍摄的功能。可选的，终端100中存储有图像评价模型，该图像评价模型是采用样本图像对CNN进行训练得到的模型。可选的，该终端100包括一个或多个如下部件：处理器110和存储器120。处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个电梯调度设备内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行电梯调度设备的各种功能和处理数据。可选的，处理器110可以采用数字信号处理(DigitalSignalProcessing，DSP)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)、可编程逻辑阵列(ProgrammableLogicArray，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessingUnit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块芯片进行实现。可选的，处理器110执行存储器120中的程序指令时实现下面各个方法实施例提供的图像处理方法。存储器120可以包括随机存储器(RandomAccessMemory，RAM)，也可以包括只读存储器(Read-OnlyMemory)。可选的，该存储器120包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现下面各个方法实施例的指令等；存储数据区可存储下面各个方法实施例中涉及到的数据等。请参考图2，其示出了本申请一个实施例提供的图像处理方法的流程图。本申请实施例以该图像处理方法应用于图1所提供的终端100来举例说明。该图像处理方法包括：步骤201，在拍摄功能开启之后，持续拍摄第一视频。拍摄功能是指终端拍摄图像或者视频的功能。在拍摄功能开启之后，终端采用高清模式持续拍摄第一视频。高清模式是指拍摄的图像的清晰度高于预设清晰度的拍摄模式，预设清晰度是预先设定的数值。本实施例对此不加以限定。可选的，终端持续拍摄第一视频，包括：终端以目标对象为中心，进行多角度视频录制，得到第一视频。可选的，目标对象的对象类型包括人物、动物、静物和风景中的一种。示意性的，如图3所示，终端100显示拍摄界面30。拍摄界面30中包括拍摄控件31和取景框32。用户点击拍摄控件31。相应地，终端100开始采用高清模式持续拍摄第一视频，该取景框32中包括目标对象33。用户可以通过拍摄界面中的拍摄控件开启拍摄功能，也可以通过点击物理按键组合来开启拍摄功能，还可以通过语音控制来开启拍摄功能。对于开启拍摄功能的方式，本申请实施例不做限定。步骤202，从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像，m为正整数。终端从第一视频中提取m帧图像，包括但不限于以下两种可能的提取方式。在第一种可能的提取方式中，在第一视频的拍摄过程中，终端每隔预设时间间隔获取从该第一视频中提取m帧图像。在第二种可能的提取方式中，当拍摄功能结束之后，终端获取该第一视频，从该第一视频中提取m帧图像。下面仅以第二种可能的提取方式为例进行说明。步骤203，获取m帧图像各自对应的质量评分，质量评分用于指示图像的图像质量。终端获取图像评价模型，对于每帧图像，终端采用图像评价模型计算图像的质量评分。其中，图像评价模型是采用样本图像对CNN进行训练得到的模型。可选的，终端中存储有图像评价模型，该图像评价模型是根据至少一组样本数据组训练得到的，每组所述样本数据组包括：样本图像和预先标注的样本质量分数。其中，图像评价模型的训练过程可参考下面的实施例中的相关描述，在此先不介绍。质量评分用于指示图像的图像质量，图像质量包括图像逼真度和图像可懂度。其中，图像逼真度为提取的图像和实际图像之间的偏离程度，图像可懂度为人或机器从图像中抽取到特征信息的程度。可选的，质量评分用于指示图像的图像质量，即用于指示图像的构图比例、色彩对比度、色彩饱和度和明暗对比度。比如，图像的质量评分越高，则表示该图像的图像质量越好，即图像的构图比例、色彩对比度、色彩饱和度和明暗对比度所对应的效果越好。步骤204，根据m帧图像各自对应的质量评分，从m帧图像中选取并显示n个候选图像，候选图像是质量评分高于预定阈值的图像，n为正整数。终端根据m帧图像各自对应的质量评分，从m帧图像中选取质量评分高于预定阈值的n个图像，将这n个图像确定为n个候选图像，并以预设显示方式显示n个候选图像。可选的，预设显示形式包括平铺图片形式和/或视频形式。根据展示位置的不同，n个候选图像的显示方式包括但不限于以下两种的显示方式：在第一种可能的显示方式中，终端在界面的全局区域中以预设显示形式显示n个候选图像。在第二种可能的显示方式中，终端在界面的预设局部区域中以预设显示形式显示n个候选图像。根据表现形式的不同，n个候选图像的显示方式包括但不限于以下两种的显示方式：在第三种可能的显示方式中，终端在界面中以预设显示形式同时展示n个候选图像。在第四种可能的显示方式中，终端在界面中以预设显示形式依次展示n个候选图像，每次展示的候选图像包括一个候选图像。在第五种可能的显示方式中，终端在界面中以预设显示形式分批展示n个候选图像，每个批次展示的候选图像包括至少两个候选图像。需要说明的是，上述前两种可能的显示方式中的任意一种可以与后三种可能的显示方式中的任意一种两两结合实施，此乃本领域技术人员根据上述各个显示方式所易于思及的，本发明实施例不对这几种显示方式结合实施的方式一一重复赘述。候选图像的显示顺序是随机的，或者是终端设置的。可选的，目标终端采用循环展示的形式展示n个候选图像。综上所述，本申请实施例通过持续拍摄第一视频，从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像。终端根据m帧图像各自对应的质量评分，从m帧图像中选取并显示质量评分高于预定阈值的n个候选图像，使得终端能够自动输出n个包括目标对象且高质量的候选图像，进而使得后续用户能够在显示的n个候选图像中选择出满足预期的图像，避免了用户每次在拍摄图像时需要手动调整拍摄参数的情况，大大降低了拍摄高质量图像的操作难度。需要说明的是，在终端获取图像评价模型之前，终端需要对图像进行训练得到图像评价模型。可选的，图像评价模型的训练过程包括：终端获取训练样本集，训练样本集包括至少一组历史数据组，根据至少一组历史数据组，采用误差反向传播算法对原始参数模型进行训练，得到图像评价模型。其中，每组样本数据组包括：样本图像和预先标注的样本质量分数。示意性的，终端根据至少一组样本数据组，采用误差反向传播算法对原始参数模型进行训练，得到图像评价模型，包括但不限于以下几个步骤，请参考图4：步骤401，对于至少一组样本数据组中的每组样本数据组，从样本图像中提取样本图像特征。终端根据预设图像处理算法，从样本图像中提取样本图像特征。可选的，预设图像处理算法为感知哈希算法(Perceptualhashalgorithm，pHash算法)。终端通过pHash算法计算样本图像对应的感知哈希值，将计算得到的感知哈希值确定为样本图像特征。步骤402，将样本图像特征输入原始参数模型，得到训练结果。终端将样本图像特征输入原始参数模型，得到训练结果。可选的，原始参数模型是根据神经网络模型建立的，比如：原始参数模型是根据CNN模型、DNN模型和RNN模型中的一种建立的。示意性的，对于每组历史数据组，终端创建该组历史数据组对应的输入输出对，输入输出对的输入参数为该组历史数据组中的样本图像特征，输出参数为该组历史数据组中的样本质量分数；终端将输入参数输入预测模型，得到训练结果。比如，样本图像特征为“样本图像特征1”，样本质量分数为“样本质量分数1”，终端创建的输入输出对为：(样本图像特征1)->(样本质量分数1)；其中，(样本图像特征1)为输入参数，(样本质量分数1)为输出参数。可选的，输入输出对通过特征向量表示。步骤403，将训练结果与样本质量分数进行比较，得到计算损失，计算损失用于指示训练结果与样本质量分数之间的误差。可选的，计算损失通过交叉熵(cross-entropy)来表示，可选的，终端通过下述公式计算得到计算损失H(p，q)：其中，p(x)和q(x)是长度相等的离散分布向量，p(x)表示表示训练结果；q(x)表示输出参数；x为训练结果或输出参数中的一个向量。步骤404，根据至少一组样本数据组各自对应的计算损失，采用误差反向传播算法训练得到图像评价模型。可选的，终端通过反向传播算法根据计算损失确定图像评价模型的梯度方向，从图像评价模型的输出层逐层向前更新图像评价模型中的模型参数。基于上述训练得到图像评价模型，请参考图5，其示出了本申请另一个实施例提供的图像处理方法的流程图。本实施例以该图像处理方法应用于图1所示出的终端100中来举例说明。该图像处理方法包括：步骤501，在拍摄功能开启之后，持续拍摄第一视频。终端在拍摄功能开启之后，持续拍摄第一视频。终端持续拍摄第一视频的过程可参考上述实施例中的相关描述，在此不再赘述。步骤502，从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像，m为正整数。终端从第一视频中提取m帧图像。终端从第一视频中提取m帧图像的过程可参考上述实施例中的相关描述，在此不再赘述。步骤503，获取图像评价模型，图像评价模型是采用样本图像对卷积神经网络CNN进行训练得到的模型。可选的，终端获取图像评价模型，包括：获取第一视频中目标对象的对象类型，对象类型包括人物、动物、静物和风景中的至少一种；根据预设对应关系，获取与目标对象的对象类型对应的图像评价模型，预设对应关系包括对象类型与图像评价模型之间的对应关系。终端根据预设的视频处理算法，对拍摄得到的第一视频进行分析，计算得到第一视频中目标对象的类型标识，该类型标识用于唯一标识对象类型。终端根据计算得到的类型标识，确定与该类型标识对应的对象类型。在一种可能的实现方式中，终端中存储预设对应关系，该预设对应关系如表一所示。在表一中，对象类型为“人物”时，对应的图像评价模型为“图像评价模型1”；对象类型为“动物”时，对应的图像评价模型为“图像评价模型2”；对象类型为“静物”时，对应的图像评价模型为“图像评价模型3”；对象类型为“风景”时，对应的图像评价模型为“图像评价模型4”。表一对象类型图像评价模型人物图像评价模型1动物图像评价模型2静物图像评价模型3风景图像评价模型4示意性的，基于表一提供的预设对应关系，当终端获取到的目标对象的对象类型为“人物”时，获取与目标对象的对象类型“人物”对应的图像评价模型“图像评价模型1”。步骤504，对于每帧图像，采用图像评价模型计算图像的质量评分。可选的，对于每帧图像，终端采用图像评价模型计算图像的质量评分，包括：终端从图像中提取图像特征，将图像特征输入至图像评价模型中，计算得到图像的质量评分。其中，图像评价模型是根据至少一组样本数据组训练得到的，每组样本数据组包括：样本图像和预先标注的样本质量分数。可选的，终端通过pHash算法计算图像对应的感知哈希值，将计算得到的感知哈希值确定为该图像的图像特征。步骤505，根据m帧图像各自对应的质量评分，从m帧图像中选取并显示n个候选图像，候选图像是质量评分高于预定阈值的图像，n为正整数。终端根据m帧图像各自对应的质量评分，从m帧图像中选取并显示n个候选图像，包括但不限于以下两种可能的实现方式。在第一种可能的实现方式中，终端获取预设阈值，将m帧图像各自对应的质量评分依次与预设阈值进行比较，将质量评分高于预定阈值的图像确定为候选图像，并显示n帧候选图像。比如，终端获取25帧图像各自对应的质量评分，预定阈值为“70分”，则终端确定25帧图像中质量评分高于预定阈值“70分”为8个图像，将这8个图像确定为8个候选图像，显示这8个候选图像。在第二种可能的实现方式中，终端将m帧图像按照质量评分从高到低的顺序进行排序，得到排序队列；将位于排序队列中前n个的图像确定为n个候选图像；根据质量评分从高到低的顺序，显示n个候选图像。本实施例对此不加以限定，下面仅以第二种可能的实现方式为例进行说明。比如，终端获取25帧图像各自对应的质量评分，将这25帧图像按照质量评分从高到低的顺序进行排序，得到排序队列，将位于排序队列中前3个的图像确定为3个候选图像。终端根据质量评分从高到低的顺序，显示这3个候选图像，显示顺序依次为：候选图像A7(质量评分为：88分)、候选图像A17(质量评分为：85分)、候选图像A5(质量评分为：80分)。需要说明的是，终端在确定出图像的质量分数后，可以将候选图像和质量分数添加至训练样本集，得到更新后的训练样本集；根据更新后的训练样本集对图像评价模型进行训练，得到更新后的图像评价模型。可选的，终端将候选图像和质量分数添加至训练样本集，包括：将候选图像确定为样本候选图像，将质量分数确定为样本质量分数，将确定出的样本候选图像和样本质量分数作为一组历史数据组添加至训练样本集。其中，根据更新后的训练样本集对图像评价模型进行训练，得到更新后的图像评价模型的过程可类比参考上述实施例中图像评价模型的训练过程，在此不再赘述。步骤506，当接收对应于候选图像的预设选择操作时，将候选图像确定为目标图像，目标图像为n个候选图像中的一个候选图像。终端显示n个候选图像之后，终端实时检测是否接收到对应于候选图像的预设选择操作，若接收对应于候选图像的预设选择操作，则将该预设选择操作对应的候选图像确定为目标图像。预设选择操作包括点击操作、滑动操作、按压操作、长按操作中的任意一种或多种的组合。在其它可能的实现方式中，预设选择操作也可以语音形式实现。比如，用户在终端中以语音形式输入候选图像的预设信息，终端获取到语音信号之后，对该语音信号进行解析获取语音内容，当语音内容中存在与候选图像的预设信息相匹配的关键字词时，即终端确定该候选图像被选择。步骤507，获取目标图像的目标拍摄信息，目标拍摄信息包括目标图像的目标拍摄高度、目标拍摄方向和目标拍摄距离中的至少一个。可选的，终端在拍摄第一视频时，对第一视频中的每帧图像的拍摄信息进行记录，终端存储第一视频中m帧图像各自对应的拍摄信息。图像对应的拍摄信息也称为拍摄角度信息，该拍摄信息包括该图像的拍摄高度、拍摄方向和拍摄距离中的至少一个。可选的，拍摄高度为终端拍摄该图像时该终端与地面的垂直距离；拍摄方向包括终端拍摄该图像时终端相对于目标对象的角度，该拍摄方向用于指示终端的机身姿态；拍摄距离包括终端拍摄该图像时终端相对于目标对象的距离，拍摄距离用于指示终端与目标对象的相对位置。示意性的，拍摄距离包括终端与目标对象之间的水平距离或者括终端与目标对象之间的直线距离。在一种可能的实现方式中，按照粗粒度划分，图像的拍摄高度包括平拍、俯拍和仰拍这三种拍摄高度，拍摄方向包括正面角度、侧面角度、斜侧角度、背面角度等等，拍摄距离包括特写距离、近景距离、中景距离、全景距离和远景距离等等。在另一种可能的实现方式中，按照细粒度划分，图像的拍摄高度包括0至H米，拍摄方向包括0-360度，拍摄距离包括0至D米，k和r均为正整数。在一种可能的实现方式中，3帧图像各自对应的拍摄信息如表二所示。表二比如，终端确定的目标图像为“图像2”，则终端确定“图像2”对应的拍摄信息，将拍摄高度“1.7米”确定为目标拍摄高度，将拍摄方向“45°”确定为目标拍摄方向，将拍摄距离“0.8米”确定为目标拍摄距离，从而得到目标图像“图像2”的目标拍摄信息。步骤508，根据目标图像的目标拍摄信息，显示第一提示信息，第一提示信息用于提示对终端的拍摄参数进行调整。可选的，终端获取终端的实时拍摄参数，该实时拍摄参数包括终端的拍摄高度、拍摄方向和拍摄距离中的至少一种。终端根据终端的实时拍摄参数和目标拍摄信息，计算得到相对值，该相对值用于指示实时拍摄参数与目标拍摄信息之间的误差。终端根据相对值生成第一提示信息，该第一提示信息包括该相对值。在一个示意性的例子中，如图6所示，终端持续拍摄第一视频，从第一视频中提取30帧图像，30帧图像为从不同角度拍摄的用户A的图像。终端根据30帧图像各自对应的质量评分，从30帧图像中选取并显示质量评分高于预定阈值的5个候选图像，分别为候选图像61、候选图像62、候选图像63、候选图像64和候选图像65。当终端接收对应于候选图像63的预设选择操作时，将候选图像63确定为目标图像，获取目标图像63的目标拍摄信息，目标拍摄信息包括目标图像63的目标拍摄高度“1.7米”、目标拍摄方向“45°”和目标拍摄距离“0.8米”。终端的实时拍摄参数包括终端的拍摄高度“1.2米”、拍摄方向“30°”和拍摄距离“1米”，则终端计算得到的相对值包括拍摄高度对应的相对值“0.5米”、拍摄方向对应的相对值“15°”和拍摄距离“-0.2米”，上述目标拍摄信息、实时拍摄参数和相对值之间的对应关系如三所示。基于图6提供的相对值，如图7所示，终端根据该相对值生成第一提示信息71，在界面中显示该第一提示信息“请将手机向上提高0.5米，向内再倾斜15°，并将手机远离自己0.2米”。表三目标拍摄信息实时拍摄参数相对值拍摄高度1.7米1.2米0.5米拍摄方向45°30°15°拍摄距离0.8米1米-0.2米步骤509，当终端的拍摄参数符合目标图像的目标拍摄信息时，进行图像拍摄。可选的，当终端显示第一提示信息时，用户根据第一提示信息对终端的拍摄参数进行调整，在终端的拍摄参数被调整之后，当终端的拍摄参数符合目标图像的目标拍摄信息时，进行图像拍摄，包括但不限于以下几种可能的实现方式。在第一种可能的实现方式中，当终端的拍摄高度与目标拍摄高度的差值绝对值小于第一预设阈值时，进行图像拍摄。可选的，终端判断当前的拍摄高度与目标拍摄高度的差值绝对值是否小于第一预设阈值，若小于第一预设阈值，则进行图像拍摄。在第二种可能的实现方式中，当终端的拍摄方向与目标拍摄方向的差值绝对值小于第二预设阈值时，进行图像拍摄。可选的，终端判断当前的拍摄方向与目标拍摄方向的差值绝对值是否小于第二预设阈值，若小于第二预设阈值，则进行图像拍摄。在第三种可能的实现方式中，当终端的拍摄距离与目标拍摄距离的差值绝对值小于第三预设阈值时，进行图像拍摄。可选的，终端判断终端的拍摄距离与目标拍摄距离的差值绝对值是否小于第三预设阈值，若小于第三预设阈值，则进行图像拍摄。需要说明的一点是，上述前三种可能的实现方式中的任意两种可以两两结合实施或者全部三种结合实施，此乃本领域技术人员根据上述各个实现方式所易于思及的，本发明实施例不对这几种显示方式结合实施的方式一一重复赘述。需要说明的另一点是，上述预设阈值(包括第一预设阈值、第二预设阈值和第三预设阈值)为终端默认设置，或者用户自定义设置的数值，本实施例对预设阈值的具体数值不加以限定。可选的，终端进行图像拍摄包括但不限于以下几种可能的实现方式。在第一种可能的实现方式中，终端显示第二提示信息，第二提示信息用于提示终端符合目标图像的拍摄角度信息。当终端接收到拍摄指令时，根据拍摄指令进行图像拍摄。可选的，终端在判断出拍摄参数符合目标图像的目标拍摄信息时，显示第二提示信息，当终端检测到对应于拍摄确认按键的预设触发操作时，确定接收到拍摄指令，根据拍摄指令进行图像拍摄。其中，拍摄确认按键是触发进行图像拍摄的可操作控件，预设触发操作包括点击操作、滑动操作、按压操作、长按操作中的任意一种或多种的组合。在第二种可能的实现方式中，终端自动进行图像拍摄。可选的，终端在判断出拍摄参数符合目标图像的目标拍摄信息时，无需用户确认，终端自动进行图像拍摄。在本申请实施例中，还通过获取第一视频中目标对象的对象类型，根据预设对应关系，获取与目标对象的对象类型对应的图像评价模型，使得终端能够根据不同的对象类型选择不同的图像评价模型，从而使得基于图像评价模型计算得到的图像的质量评分更加准确。在本申请实施例中，还通过当接收对应于候选图像的预设选择操作时，将候选图像确定为目标图像，获取目标图像的目标拍摄信息，目标拍摄信息包括目标图像的目标拍摄高度、目标拍摄方向和目标拍摄距离中的至少一个；根据目标图像的目标拍摄信息，显示第一提示信息，第一提示信息用于提示对终端的实时拍摄参数进行调整；当终端的实时拍摄参数符合目标图像的目标拍摄信息时，进行图像拍摄；使得在后续用户拍摄图像的过程中，终端能够根据提示用户对终端的实时拍摄参数进行调整，进而使得能够按照拍摄目标图像时的拍摄位置和机身姿态再次拍摄图像，提高了拍摄效率。在本申请实施例中，还通过根据更新后的训练样本集对图像评价模型进行训练，得到更新后的图像评价模型，使得终端可以根据新的训练样本不断提高图像评价模型的精度，提高终端确定图像的质量评分的准确性。下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。请参考图8，其示出了本申请一个实施例提供的图像处理装置的结构示意图。该图像处理装置可以通过专用硬件电路，或者，软硬件的结合实现成为图1中的终端100的全部或一部分，该图像处理装置包括：拍摄模块810、提取模块820、获取模块830和显示模块840。拍摄模块810，用于在拍摄功能开启之后，持续拍摄第一视频；提取模块820，用于从第一视频中提取m帧图像，m帧图像为从不同角度拍摄的目标对象的图像，m为正整数；获取模块830，用于获取m帧图像各自对应的质量评分，质量评分用于指示图像的图像质量；显示模块840，用于根据m帧图像各自对应的质量评分，从m帧图像中选取并显示n个候选图像，候选图像是质量评分高于预定阈值的图像，n为正整数。可选的，获取模块830，包括：获取单元和计算单元。获取单元，用于获取图像评价模型，图像评价模型是采用样本图像对卷积神经网络CNN进行训练得到的模型；计算单元，用于对于每帧图像，采用图像评价模型计算图像的质量评分。可选的，计算单元还用于对于每帧图像，从图像中提取图像特征；将图像特征输入至图像评价模型中，计算得到图像的质量评分；其中，图像评价模型是根据至少一组样本数据组训练得到的，每组样本数据组包括：样本图像和预先标注的样本质量分数。可选的，获取单元，还用于获取第一视频中目标对象的对象类型，对象类型包括人物、动物、静物和风景中的至少一种；根据预设对应关系，获取与目标对象的对象类型对应的图像评价模型，预设对应关系包括对象类型与图像评价模型之间的对应关系。可选的，获取模块830，还包括：训练单元。训练单元，用于获取训练样本集，训练样本集包括至少一组样本数据组；根据至少一组样本数据组，采用误差反向传播算法对原始参数模型进行训练，得到图像评价模型。可选的，训练单元，还用于对于至少一组样本数据组中的每组样本数据组，从样本图像中提取样本图像特征；将样本图像特征输入原始参数模型，得到训练结果；将训练结果与样本质量分数进行比较，得到计算损失，计算损失用于指示训练结果与样本质量分数之间的误差；根据至少一组样本数据组各自对应的计算损失，采用误差反向传播算法训练得到图像评价模型。可选的，显示模块840，用于将m帧图像按照质量评分从高到低的顺序进行排序，得到排序队列；将位于排序队列中前n个的图像确定为n个候选图像；根据质量评分从高到低的顺序，显示n个候选图像。可选的，该装置，还包括：确定模块，用于当接收对应于候选图像的预设选择操作时，将候选图像确定为目标图像，目标图像为n个候选图像中的一个候选图像；获取模块830，还用于获取目标图像的目标拍摄信息，目标拍摄信息包括目标图像的目标拍摄高度、目标拍摄方向和目标拍摄距离中的至少一个；显示模块840，还用于根据目标图像的目标拍摄信息，显示第一提示信息，第一提示信息用于提示对终端的实时拍摄参数进行调整；拍摄模块810，还用于当终端的实时拍摄参数符合目标图像的目标拍摄信息时，进行图像拍摄。可选的，拍摄模块810，还用于当终端的拍摄高度与目标拍摄高度的差值绝对值小于第一预设阈值时，进行图像拍摄；和/或，当终端的拍摄方向与目标拍摄方向的差值绝对值小于第二预设阈值时，进行图像拍摄；和/或，当终端的拍摄距离与目标拍摄距离的差值绝对值小于第三预设阈值时，进行图像拍摄。相关细节可结合参考图2至图7所示的方法实施例。其中，拍摄模块810还用于实现上述方法实施例中其他任意隐含或公开的与拍摄步骤相关的功能；提取模块820还用于实现上述方法实施例中其他任意隐含或公开的与提取步骤相关的功能；获取模块830还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能；显示模块840还用于实现上述方法实施例中其他任意隐含或公开的与显示步骤相关的功能。需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处理器执行时实现上述各个方法实施例提供的图像处理方法。本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个实施例所述的图像处理方法。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页1 2 3