图像处理、图像分辨率处理参数的生成方法及装置与流程

本申请涉及计算机图像处理
技术领域：
，具体涉及一种图像处理方法及装置、本申请同时涉及一种图像分辨率处理参数的生成方法及装置，以及一种电子设备。
背景技术：
：由于图像采集设备硬件的限制或者拍摄条件的影响，导致采集到的图像尺寸有限，产生的视觉效果不够理想。如果对图像进行分辨率处理，则会改善图像的视觉效果。此外，在视频直播或者短视频应用领域，通常需要较大的流量开销。如果对图像进行分辨率处理，则可以节省流量开销。因此，在某些场景下，存在对图像进行分辨率处理的需求。技术实现要素：本申请提供一种图像处理方法，以满足对图像进行分辨率处理的需求。本申请提供一种图像处理方法，所述方法包括：确定待处理图像包括的对象类别及对象类别对应的第一图像块；评估待处理图像的质量；根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数，其中，所述深度学习模型参数为利用深度学习模型对图像块进行分辨率处理时使用的参数；根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块。可选的，所述方法还包括：将所述第一图像块分割为多个第一子图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一子图像块进行分辨率处理，得到与第一子图像块分辨率不同的多个第二子图像块；将所述多个第二子图像块合并，得到所述第二图像块。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：分别根据深度学习模型参数、利用深度学习模型对每个第一图像块进行分辨率处理，得到与每个第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一图像块中的一部分第一图像块进行分辨率处理，分别得到与所述一部分第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块及所述多个第一图像块中未被处理的所有第一图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述对象类别为物体类别。可选的，所述对象类别对应的第一图像块为显示一个完整物体的图像块，或者为显示物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为利用卷积网络模型对图像块进行分辨率处理时使用的参数。可选的，所述第二图像块的分辨率高于所述第一图像块的分辨率。可选的，所述第二子图像块的分辨率高于所述第一子图像块的分辨率。本申请还提供一种图像分辨率处理参数的生成方法，所述方法包括：确定第一图像包括的对象类别；将所述第一图像转码为不同质量的第二图像；将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像；按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块；利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。可选的，所述得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数，包括：建立所述对象类别、图像质量与深度学习模型参数之间的对应关系。可选的，所述下采样处理所采用的下采样系数与利用所述深度学习模型进行图像超分辨率处理的超分辨率系数相关。可选的，所述对象类别为物体类别。可选的，所述图像块为包括一个完整物体的图像块，或者为包括物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为卷积网络模型参数。本申请另外提供一种图像处理装置，所述装置包括：第一图像块确定单元，用于确定待处理图像包括的对象类别及对象类别对应的第一图像块；图像质量评估单元，用于评估待处理图像的质量；模型参数确定单元，用于根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数，其中，所述深度学习模型参数为利用深度学习模型对图像块进行分辨率处理时使用的参数；第二图像块获取单元，用于根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块。本申请另外提供一种图像分辨率处理参数的生成装置，所述装置包括：对象类别确定单元，用于确定第一图像包括的对象类别；图像转码单元，用于将所述第一图像转码为不同质量的第二图像；第三图像生成单元，用于将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像；图像块生成单元，用于按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块；模型参数生成单元，用于利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。本申请还提供一种电子设备，其特征在于，包括：处理器；以及存储器，用于图像处理方法的程序，该设备通电并通过所述处理器运行该图像处理方法的程序后，执行下述步骤：确定待处理图像包括的对象类别及对象类别对应的第一图像块；评估待处理图像的质量；根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数；根据深度学习模型参数、利用深度学习模型对所述第一图像块进行处理，得到与所述第一图像块分辨率不同的第二图像块。本申请另外提供一种电子设备，其特征在于，包括：处理器；以及存储器，用于图像分辨率处理参数的生成方法的程序，该设备通电并通过所述处理器运行该图像分辨率处理参数的生成方法的程序后，执行下述步骤：确定第一图像包括的对象类别；将所述第一图像转码为不同质量的第二图像；将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像；按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块；利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。与现有技术相比，本申请具有以下优点：本申请提供的图像处理方法、图像处理装置以及对应的电子设备，通过将待处理图像按照对象类别分割为图像块，并且根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数，根据深度学习模型参数确定深度学习模型，采用确定的深度学习模型对第一图像块进行处理，能够得到与第一图像块分辨率不同的第二图像块，满足了对图像进行分辨率处理的需求。本申请提供的图像分辨率处理参数的生成方法、图像分辨率处理参数的生成装置以及对应的电子设备，通过将第一图像和其对应的分辨率不同的第三图像分割为对象类别对应的不同分辨率的图像块，再利用深度学习模型将上述图像块进行训练，生成与所述对象类别、图像质量对应的深度学习模型参数，从而可以利用深度学习模型参数对图像进行分辨率处理，以满足对图像进行分辨率处理的需求。附图说明图1是本申请第一实施例提供的一种图像处理方法的流程图。图2是本申请第一实施例提供的超分辨率图像的生成示意图。图3是本申请第二实施例提供的一种图像分辨率处理参数的生成方法的流程图。图4是本申请第二实施例提供的一种图像分辨率处理参数的生成示意图。图5是本申请第三实施例提供的一种图像处理装置的示意图。图6是本申请第四实施例提供的一种图像分辨率处理参数的生成装置的示意图。图7是本申请第五实施例提供了的一种电子设备的示意图。图8是本申请第六实施例提供了的另一种电子设备的示意图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。本申请第一实施例提供了一种图像处理方法。请参考图1、图2，图1示出了根据本申请的实施例提供的一种图像处理方法的流程图。图2示出了本申请第一实施例提供的超分辨率图像的生成示意图。以下结合图1、图2进行详细说明。需要说明的是，本申请第一实施例采用本申请提供的图像处理方法将低分辨率图像转换为高分辨率图像，本申请第一实施例还可以在一些应用领域中用于将分辨率较高的图像转换为分辨率较低的图像。如图1所示，在步骤s101中，确定待处理图像包括的对象类别及对象类别对应的第一图像块。待处理图像可以是采用硬件配置较低的相机进行图像的拍摄时采集的图像，由于这些图像尺寸有限，分辨率较低，导致产生的视觉效果不够理想，所以需要对其进行超分辨率处理，将其转换为分辨率较高的图像。待处理图像也可以是通过配置较低的摄像机采集的视频帧。待处理图像还可以指视频直播中传输的分辨率较低的图像。在其他实施例中，待处理图像也可以指分辨率较高的图像。所述对象类别，可以指物体类别，物体类别指物体的分类，例如，汽车、飞机、牛等。待处理图像中可能包括一个对象类别，也可能包括多个对象类别。所述待处理图像包括的对象类别，可以指待处理图像包括的物体类别。例如，如果待处理图像中包括汽车、自行车、牛，则待处理图像包括的对象类别为汽车、自行车、牛。当待处理图像包括的对象类别为物体类别时，所述对象类别对应的第一图像块可以为显示一个完整物体的图像块，也可以为显示物体部分区域的图像块。例如，图像块可以为包括一辆汽车或者只包括汽车车轮的图像块。所述对象类别对应的第一图像块，可以是一个图像块或者多个图像块。如果待处理对象被分割为多个图像块，则第一图像块的数量可以是多个，如果待处理对象被分割为一个图像块，则第一图像块的数量可以是一个。如图1所示，在步骤s102中，评估待处理图像的质量。具体的，可以利用sobel边缘算子计算待处理图像的边缘丰富程度，图像边缘越丰富质量越高。本申请第一实施例中可将待处理图像的质量分为几个等级：90-100分、80-90分、70-80分、70分以下。如图1所示，在步骤s103中，根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数。其中，所述深度学习模型参数为利用深度学习模型对图像块进行分辨率处理时使用的参数。关于对象类别、图像质量与深度学习模型参数之间的对应关系的生成过程，请参照本申请第二实施例的介绍。在实际应用中，深度学习模型可以是卷积网络模型，深度学习模型参数可以是利用卷积网络模型对图像块进行分辨率处理时使用的参数。如图2所示，在卷积网络中，conv为卷积层，prelu(parametricrectifiedlinearunit)为非线性激活函数层，deconv为反卷积层(实现分辨率的放大)。总体的网络结构为：conv(5,d,1)-prelu-conv(1,s,d)-prelu-conv(3,s,s)-conv(3,s,s)-conv(3,s,s)-conv(3,s,s)-prelu-conv(1,d,s)-prelu-deconv(9,1,d)。其中，conv(f,n,c)和deconv(f,n,c)中的f表示卷积核的大小，n表示卷积核的个数，c表示输出的通道数。其中，d和s的设置可以根据计算复杂度和效果进行折中选择，越大的d和s表示越好的超分图像效果，同时对应越大的计算复杂度。表1示出了一种对象类别、图像质量与卷积网络模型参数之间的对应关系的实施例。序号物体类别图像质量卷积网络模型参数1牛90-100分参数1-180-90分参数1-270-80分参数1-370分以下参数1-42汽车90-100分参数2-180-90分参数2-270-80分参数2-370分以下参数2-4表1以一个图像的对象类别为汽车、图像质量为80-90分为例，可以根据表1所示的对应关系，确定对象类别为汽车、图像质量为80-90分时对应的深度学习模型参数为参数2-2。如图1所示，在步骤s104中，根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块。作为一个实施例，第二图像块的分辨率可以高于第一图像块的分辨率，此种情况下，是对第一图像块进行了超分辨率处理。所述超分辨率处理是指，将低分辨率(lowresolution,lr)的图像通过一定的算法提升到高分辨率(highresolution,hr)。高分辨率图像具有更高的像素密度，更多的细节信息，更细腻的画质。在步骤s104中，根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，实现了低分辨率图像到高分辨率图像的转换。需要说明的是，作为另一个实施例，第二图像块的分辨率也可以低于所述第一图像块的分辨率，此时本申请第一实施例实现了高分辨率图像到低分辨率图像的转换。优选的，所述待处理图像可以被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：分别根据深度学习模型参数、利用深度学习模型对每个第一图像块进行分辨率处理，得到与每个第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块进行合并，得到与所述待处理图像分辨率不同的图像。例如，将待处理图像分成4个第一图像块，分别为第一图像块a、第一图像块b、第一图像块c、第一图像块d，分别根据深度学习模型参数、利用深度学习模型对第一图像块a、b、c、d进行分辨率处理，得到与第一图像块a、b、c、d对应的且分辨率不同的第二图像块a1、b1、c1、d1，再将第二图像块a1、b1、c1、d1合并，得到与所述待处理图像分辨率不同的图像。在具体实施时，某些情况下，待处理图像被分割出的多个第一图像块中，只需对部分第一图像块进行分辨率的转换，另外一些第一图像块不需要进行分辨率的转换。优选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一图像块中的一部分第一图像块进行分辨率处理，分别得到与所述一部分第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块及所述多个第一图像块中未被处理的所有第一图像块进行合并，得到与所述待处理图像分辨率不同的图像。例如，将待处理图像分成4个第一图像块，分别为第一图像块a、第一图像块b、第一图像块c、第一图像块d，其中，第一图像块a和第一图像块c需要进行分辨率处理，第一图像块b和第一图像块d不需要进行分辨率处理，则将根据深度学习模型参数、利用深度学习模型对所述第一图像块a、c进行分辨率处理，得到分辨率不同的第二图像块a1、c1，再将第二图像块a1、c1、与第一图像块b、d合并，得到与所述待处理图像分辨率不同的图像。除了将第一图像块作为一个整体进行处理，得到与所述第一图像块分辨率不同的第二图像块外，还可以将所述第一图像块分割为多个第一子图像块，分别对每个第一子图像块进行处理得到对应的分辨率不同的第二子图像块，再将多个第二子图像块合并，得到所述第二图像块。优选的，所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一子图像块进行分辨率处理，得到与第一子图像块分辨率不同的多个第二子图像块；将所述多个第二子图像块合并，得到所述第二图像块。例如，将第一图像块分成4个第一子图像块，分别为第一子图像块a、第一子图像块b、第一子图像块c、第一子图像块d，根据深度学习模型参数、利用深度学习模型对所述第一子图像块a、b、c、d进行分辨率处理，得到不同分辨率的第二子图像块a1、b1、c1、d1，再将第二子图像块a1、b1、c1、d1合并，得到第二图像块。需要说明的是，步骤s101与s102的顺序不受限制，在具体实施时，也可以先执行步骤s102，再执行步骤s101。下面以图2为例介绍采用本申请第一实施例将图像从低分辨率图像转换为高分辨率图像的过程，图2示出了本申请第一实施例提供的超分辨率图像的生成示意图。如图2所示，在步骤s201中，对需要超分的图像21(待处理图像)进行图像物体分类，生成第一图像块。在步骤s202中，对需要超分的图像21进行图像质量评估；之后，从数据模型库22中获得物体分类、图像质量分类与卷积网络模型参数之间的对应关系，确定物体类别和图像质量对应的卷积网络模型参数；最后，根据卷积网络模型参数、利用卷积网络模型23对所述第一图像块进行处理，生成分辨率高于第一图像块的第二图像块(输出的超分辨率图像24)。本申请第二实施例提供了一种图像分辨率处理参数的生成方法。请参考图3和图4，图3示出了根据本申请第二实施例提供的一种图像分辨率处理参数的生成方法的流程图。图4示出了根据本申请第二实施例提供的一种图像分辨率处理参数的生成示意图。以下结合图3和图4进行详细说明。如图3所示，在步骤s301中，确定第一图像包括的对象类别。所述第一图像，可以为高分辨率(高质量/无损编码)图像。图4中的原始高分辨率图像可以称为为第一图像。所述对象类别，通常指物体类别，物体类别指物体的分类，例如，汽车、飞机、牛等。第一图像中可能包括一个对象类别，也可能包括多个对象类别。所述第一图像包括的对象类别，可以指第一图像包括的物体类别。例如，如果第一图像中包括汽车、自行车、牛，则第一图像包括的对象类别为汽车、自行车、牛。确定第一图像包括的对象类别，可以通过对第一图像进行检测和分割，确定图像中包含的对象类别，在具体实施中，可以采用faster-rcnn局部卷积网络模型确定第一图像中包含的对象类别，也可以采用其他的方法确定第一图像中包含的对象类别。如图3所示，在步骤s302中，将所述第一图像转码为不同质量的第二图像。本申请第二实施例中将待处理图像的质量根据图像质量的高低分为几个等级：90-100分、80-90分、70-80分、70分以下。在具体实施时，除了本实施例采用的质量划分等级方式外，可以采用其他质量等级划分方式进行图像质量的划分。如图3所示，在步骤s303中，将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像。下采样，也可以称为降采样或缩小图像。对于一幅n*m的图像而言，如果降采样系数为k，则即是在n*m的图像中每行每列每隔k个点取一个点组成一幅图像。下采样处理所采用的下采样系数可以与利用所述深度学习模型进行图像超分辨率处理的超分辨率系数相关。例如，如果深度学习模型进行图像超分辨率处理的超分辨率系数为2，即对图像进行2倍的超分辨率处理，则下采样系数可以为2。如图3所示，在步骤s304中，按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块。所述对象类别为物体类别时，所述对象类别对应的图像块可以为显示一个完整物体的图像块，也可以为显示物体部分区域的图像块。例如，图像块可以为显示一辆完整的汽车或者只显示汽车车轮的图像块。例如，如果第一图像包括的对象类别为物体类别a、物体类别b、物体类别c、物体类别d，每一类别对应一个图像块，则按照物体类别，将第一图像进行分割，得到图像块a1、b1、c1、d1，如果第三图像为不同质量第二图像下采样得到的4个不同分辨率的第三图像，第三图像分别为第三图像3-1、3-2、3-3、3-4，则将4个第三图像中的每一个第三图像分别分割为与a1、b1、c1、d1对应的图像块a3-1、b3-1、c3-1、d3-1；a3-2、b3-2、c3-2、d3-2；a3-3、b3-3、c3-3、d3-3；a3-4、b3-4、c3-4、d3-4。如图3所示，在步骤s205中，利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。所述得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数，包括：建立所述对象类别、图像质量与深度学习模型参数之间的对应关系。所述深度学习模型为卷积网络模型，所述深度学习模型参数为卷积网络模型参数。如图4所示，在卷积网络中：conv表示卷积层，prelu(parametricrectifiedlinearunit)为非线性激活函数层，deconv为反卷积层，(实现分辨率的放大)。总体的网络结构汇总为：conv(5,d,1)-prelu-conv(1,s,d)-prelu-conv(3,s,s)-conv(3,s,s)-conv(3,s,s)-conv(3,s,s)-prelu-conv(1,d,s)-prelu-deconv(9,1,d)。其中，conv(f,n,c)和deconv(f,n,c)中的f表示卷积核的大小，n表示卷积核的个数，c表示输出的通道数。这里，d和s的设置可以根据计算复杂度和效果进行折中选择，越大的d和s表示越好的超分图像效果，同时对应越大的计算复杂度。下面以图4为例介绍本申请第二实施例图像分辨率处理参数的生成的过程。如图4所示，在步骤s401中，对第一图像(原始高分辨率图像41)进行物体的分类确定第一图像包括的物体类别。在步骤s402中，将第一图像转码为不同质量的第二图像(包括图像质量90-100分、80-90分、70-80分、70分以下的图像)。在步骤s403中，将所述第二图像进行下采样处理，得到分辨率低于第一图像的第三图像。之后，按照所述物体类别，分别对所述第一图像和所述第三图像进行分割，得到所述物体类别对应的不同分辨率的图像块。最后，利用卷积网络模型42对所述物体类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述物体类别、图像质量对应的卷积网络参数，将其按照索引存储到模型数据库43中。与上述提供的一种图像处理方法相对应的，本申请第三实施例还提供了一种图像处理装置。如图5所示，图像处理装置包括：第一图像块确定单元501、图像质量评估单元502、模型参数确定单元503、第二图像块获取单元504。第一图像块确定单元501，用于确定待处理图像包括的对象类别及对象类别对应的第一图像块；图像质量评估单元502，用于评估待处理图像的质量；模型参数确定单元503，用于根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数，其中，所述深度学习模型参数为利用深度学习模型对图像块进行分辨率处理时使用的参数；第二图像块获取单元504，用于根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块。可选的，所述装置还包括：第一子图像块分割单元，用于将所述第一图像块分割为多个第一子图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一子图像块进行分辨率处理，得到与第一子图像块分辨率不同的多个第二子图像块；将所述多个第二子图像块合并，得到所述第二图像块。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：分别根据深度学习模型参数、利用深度学习模型对每个第一图像块进行分辨率处理，得到与每个第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一图像块中的一部分第一图像块进行分辨率处理，分别得到与所述一部分第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块及所述多个第一图像块中未被处理的所有第一图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述对象类别为物体类别。可选的，所述对象类别对应的第一图像块为显示一个完整物体的图像块，或者为显示物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为利用卷积网络模型对图像块进行分辨率处理时使用的参数。可选的，所述第二图像块的分辨率高于所述第一图像块的分辨率。可选的，所述第二子图像块的分辨率高于所述第一子图像块的分辨率。需要说明的是，对于本申请第三实施例提供的图像处理装置的详细描述可以参考对本申请第一实施例的相关描述，这里不再赘述。与上述提供的一种图像分辨率处理参数的生成方法相对应的，本申请第四实施例还提供了图像分辨率处理参数的生成装置。如图6所示，图像分辨率处理参数的生成装置包括：对象类别确定单元601、图像转码单元602、第三图像生成单元603、图像块生成单元604、模型参数生成单元605。对象类别确定单元601，用于确定第一图像包括的对象类别；图像转码单元602，用于将所述第一图像转码为不同质量的第二图像；第三图像生成单元603，用于将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像；图像块生成单元604，用于按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块；模型参数生成单元605，用于利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。可选的，所述得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数，包括：建立所述对象类别、图像质量与深度学习模型参数之间的对应关系。可选的，所述下采样处理所采用的下采样系数与利用所述深度学习模型进行图像超分辨率处理的超分辨率系数相关。可选的，所述对象类别为物体类别。可选的，所述图像块为包括一个完整物体的图像块，或者为包括物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为卷积网络模型参数。需要说明的是，对于本申请第四实施例提供的图像分辨率处理参数的生成装置的详细描述可以参考对本申请第二实施例的相关描述，这里不再赘述。本申请第五实施例提供了一种电子设备，如图7所示，所述电子设备包括：处理器701；以及存储器702，用于图像处理方法的程序，该设备通电并通过所述处理器运行该图像处理方法的程序后，执行下述步骤：确定待处理图像包括的对象类别及对象类别对应的第一图像块；评估待处理图像的质量；根据对象类别、图像质量与深度学习模型参数之间的对应关系，确定所述对象类别、所述待处理图像的质量对应的深度学习模型参数；根据深度学习模型参数、利用深度学习模型对所述第一图像块进行处理，得到与所述第一图像块分辨率不同的第二图像块。可选的，所述电子设备还包括：将所述第一图像块分割为多个第一子图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一子图像块进行分辨率处理，得到与第一子图像块分辨率不同的多个第二子图像块；将所述多个第二子图像块合并，得到所述第二图像块。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：分别根据深度学习模型参数、利用深度学习模型对每个第一图像块进行分辨率处理，得到与每个第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述待处理图像被分割为多个第一图像块；所述根据深度学习模型参数、利用深度学习模型对所述第一图像块进行分辨率处理，得到与所述第一图像块分辨率不同的第二图像块，包括：根据深度学习模型参数、利用深度学习模型对所述多个第一图像块中的一部分第一图像块进行分辨率处理，分别得到与所述一部分第一图像块对应的且分辨率不同的第二图像块；将所有第二图像块及所述多个第一图像块中未被处理的所有第一图像块进行合并，得到与所述待处理图像分辨率不同的图像。可选的，所述对象类别为物体类别。可选的，所述对象类别对应的第一图像块为显示一个完整物体的图像块，或者为显示物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为利用卷积网络模型对图像块进行分辨率处理时使用的参数。可选的，所述第二图像块的分辨率高于所述第一图像块的分辨率。可选的，所述第二子图像块的分辨率高于所述第一子图像块的分辨率。需要说明的是，对于本申请第五实施例提供的电子设备的详细描述可以参考对本申请第一实施例的相关描述，这里不再赘述。本申请第六实施例提供了另一种电子设备，如图8所示，所述电子设备包括：处理器801；以及存储器802，用于图像分辨率处理参数的生成方法的程序，该设备通电并通过所述处理器运行该图像分辨率处理参数的生成方法的程序后，执行下述步骤：确定第一图像包括的对象类别；将所述第一图像转码为不同质量的第二图像；将所述第二图像进行下采样处理，得到与所述第一图像分辨率不同的第三图像；按照所述对象类别，分别对所述第一图像和所述第三图像进行分割，得到所述对象类别对应的不同分辨率的图像块；利用深度学习模型对所述对象类别对应的不同分辨率的图像块进行训练，得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数。可选的，所述得到用于对图像分辨率进行处理、且与所述对象类别、图像质量对应的深度学习模型参数，包括：建立所述对象类别、图像质量与深度学习模型参数之间的对应关系。可选的，所述下采样处理所采用的下采样系数与利用所述深度学习模型进行图像超分辨率处理的超分辨率系数相关。可选的，所述对象类别为物体类别。可选的，所述图像块为包括一个完整物体的图像块，或者为包括物体部分区域的图像块。可选的，所述深度学习模型为卷积网络模型，所述深度学习模型参数为卷积网络模型参数。需要说明的是，对于本申请第六实施例提供的电子设备的详细描述可以参考对本申请第二实施例的相关描述，这里不再赘述。本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。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。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。当前第1页12