CN111800569A - 拍照处理方法、装置、存储介质及电子设备 - Google Patents
拍照处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111800569A CN111800569A CN201910282456.4A CN201910282456A CN111800569A CN 111800569 A CN111800569 A CN 111800569A CN 201910282456 A CN201910282456 A CN 201910282456A CN 111800569 A CN111800569 A CN 111800569A
- Authority
- CN
- China
- Prior art keywords
- data
- photographing
- matrix
- image
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/698—Control of cameras or camera modules for achieving an enlarged field of view, e.g. panoramic image capture
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Studio Devices (AREA)
Abstract
本申请实施例公开了一种拍照处理方法、装置、存储介质及电子设备,其中,本申请实施例在检测到拍照操作时,采集全景数据生成全景特征向量;并获取历史拍照数据生成历史特征向量;根据历史特征向量和全景特征向量生成用户特征矩阵;获取拍照操作得到的原始图像,根据原始图像、用户特征矩阵和预先训练好的分类模型,获取图像调整参数;根据图像调整参数调整原始图像。本申请的方案实时地通过照片内容,并参照用户历史拍照数据获取个性化图像调整参数,为用户提供细粒度照片优化方案,实现了有针对性的为用户提供照片处理方案。
Description
技术领域
本申请涉及终端技术领域,具体涉及一种拍照处理方法、装置、存储介质及电子设备。
背景技术
手机、平板电脑等终端对于拍摄的照片主要有如下两种优化方案。第一种是使用相机预设的滤镜功能,用户选择了拍照模式之后,终端会使用该模式下预设的默认滤镜方案对拍摄得到的原始照片进行处理,例如,用户选择了美颜模式,则选择默认的美颜滤镜对照片进行美化。第二种方式是使用神经网络对当前拍摄的内容进行检测,直接为用户提供一个与检测到的内容匹配的默认滤镜,同时在终端显示其他的滤镜预览效果以供用户选择。
上述两种方案都是通过终端内置的几种特定滤镜实现的,对于智能拍照的优化方案粒度较粗,无法针对用户的拍照习惯和偏好,提供有针对性的照片处理方案。
发明内容
本申请实施例提供了一种拍照处理方法、装置、存储介质及电子设备,能够结合用户的拍照习惯和偏好,有针对性的为用户提供照片处理方案。
第一方面,本申请实施例了提供了的一种拍照处理方法,包括:
当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;
获取历史拍照数据,根据所述拍照数据生成历史特征向量;
根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;
当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;
根据所述图像调整参数调整所述原始图像。
第二方面,本申请实施例了提供了的一种拍照处理装置,包括:
第一特征提取模块,用于当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;
第二特征提取模块,用于获取历史拍照数据,根据所述拍照数据生成历史特征向量;
特征融合模块,用于根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;
参数获取模块,用于当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;
图像调整模块,用于根据所述图像调整参数调整所述原始图像。
第三方面,本申请实施例提供的存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请任一实施例提供的拍照处理方法。
第四方面,本申请实施例提供了一种电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请任一实施例提供的拍照处理方法。
本申请实施例提供的技术方案,在检测到拍照操作时,采集全景数据,根据全景数据生成全景特征向量,然后获取该用户的历史拍照数据,根据拍照数据生成历史特征向量,根据历史特征向量和全景特征向量生成用户特征矩阵,然后获取拍照操作得到的图像,根据该图像、用户特征矩阵和预先训练好的分类模型,获取图像调整参数,根据图像调整参数调整所述原始图像。本方案结合用户拍照时采集到的全景数据、用户历史拍照习惯以及拍摄得到的照片实时的获取到用户特征矩阵,该特征向量不仅能够体现用户当前所处情景,而且结合了用户的拍照习惯和偏好,根据该特征向量确定图像调整参数,能够实现有针对性的为用户照片处理方案。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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。
图1为本申请实施例提供的拍照处理方法的全景感知架构示意图。
图2为本申请实施例提供的拍照处理方法的第一种流程示意图。
图3为本申请实施例提供的拍照处理方法的第二种流程示意图。
图4为本申请实施例提供的拍照处理方法的第三种流程示意图。
图5为本申请实施例提供的拍照处理方法的图像展示方式示意图。
图6为本申请实施例提供的拍照处理装置的结构示意图。
图7为本申请实施例提供的电子设备的第一种结构示意图。
图8为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、***、产品或设备没有限定于已列出的步骤或模块,而是某些实施例还包括没有列出的步骤或模块,或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1,图1为本申请实施例提供的拍照处理方法的全景感知架构示意图。所述拍照处理方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述拍照处理方法的硬件和软件的集成。
其中,全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如,所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中,距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器,可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如,数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中,数据清理是指对信息感知层获取到的大量数据进行清理,以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度,以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等,以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下,最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取,以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中,特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤,以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起,以构建一种更加高效、更加准确的特征提取方法,用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型,所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如,情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如,智能服务层可以为用户提供基础应用服务,可以为电子设备进行***智能优化,还可以为用户提供个性化智能服务。
此外,全景感知架构中还可以包括多种算法,每一种算法都可以用于对数据进行分析处理,所述多种算法可以构成算法库。例如,所述算法库中可以包括马尔科夫算法、隐形狄利克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
基于上述全景感知架构,电子设备在检测到拍照操作时,信息感知层采集全景数据,特征抽取层根据全景数据生成全景特征向量,然后获取该用户的历史拍照数据,特征抽取层根据拍照数据生成历史特征向量,根据历史特征向量和全景特征向量生成用户特征矩阵,然后智能服务层获取拍照操作得到的图像,根据该图像、用户特征矩阵和预先训练好的分类模型,获取图像调整参数,根据图像调整参数调整所述原始图像。本方案结合用户拍照时采集到的全景数据、用户历史拍照习惯以及拍摄得到的照片实时的获取到用户特征矩阵,该特征向量不仅能够体现用户当前所处情景,而且结合了用户的拍照习惯和偏好,为用户提供细粒度照片优化方案,生成个性化的图像调整参数,能够实现有针对性的为用户照片处理方案。
本申请实施例提供一种拍照处理方法,该拍照处理方法的执行主体可以是本申请实施例提供的拍照处理装置,或者集成了该拍照处理装置的电子设备,其中该拍照处理装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
请参照图2,图2为本申请实施例提供的拍照处理方法的第一种流程示意图。本申请实施例提供的拍照处理方法的具体流程可以如下:
步骤101、当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量。
本申请实施例中,电子设备可以对拍照操作进行实时监测,例如,通过检测电子设备的相机模块是否被启动来检测是否启动拍照操作。比如,检测到用户通过电子设备自带的相机APP(Application,应用)进行拍照,或者,检测到用户通过第三方APP触发拍照操作。或者,通过对用户指令进行实时监测,当接收到图像拍摄请求时,判定检测到拍照操作。
当电子设备检测到拍照操作时,开始采集全景数据。其中,全景数据包括但不限于如下数据:终端状态数据和传感器状态数据。终端运行数据包括电子设备在各时间区间内所处的运行模式,其中运行模式包括游戏模式、娱乐模式、影音模式等,可以根据当前运行的应用程序的类型确定电子设备所处的运行模式,当前运行的应用程序的类型可以直接从应用程序安装包的分类信息中获得;或者,终端运行数据还可以包括电子设备的剩余电量、显示模式、网络状态、熄屏/锁屏状态等。
传感器状态数据包括电子设备上的各传感器采集到的数据,例如,电子设备上包括如下传感器:距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。获取电子设备在检测到拍照操作时的传感器状态数据,或者获取电子设备在检测到拍照操作前的一段时间的传感器状态数据。在一些实施例中,可以有针对性的获取部分传感器的状态数据。例如,获取位置传感器和光线传感器采集到的数据,其中,根据位置传感器采集到的数据可以确定电子设备当前的位置信息,光线传感器可以采集到的电子设备当前所处环境的光线强度。
请参照图3,图3为本申请实施例提供的拍照处理方法的第二种流程示意图。在一些实施例中,步骤101、当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量可以包括:
步骤1011、当检测到拍照操作时,获取当前的终端状态数据和传感器状态数据;
步骤1012、根据所述终端状态数据生成终端状态特征,并根据所述传感器状态数据生成终端情景特征;
步骤1013、融合所述终端状态特征和所述终端情景特征,生成所述全景特征向量。
根据终端状态数据生成终端状态特征ys1;根据传感器的状态数据,例如,获取磁力计、加速度计、陀螺仪的状态数据,通过卡尔曼滤波算法对获取的三个传感器的状态数据进行处理获得四维的终端姿态特征ys2~ys5;通过气压计采集的数据获取气压特征ys6;通过网络模块确定WIFI连接状态ys7;通过位置传感采集的数据进行定位,得到用户当前的位置属性(如商场、家里、公司、公园等),生成特征ys8;还可以进一步的结合磁力计、加速度传感器、陀螺仪、气压计10轴信息使用滤波算法或者主成分分析算法得到新的多维数据,生成对应的特征ys9。对于上述特征中的非数字形式的特征,可以采用建立索引号的方式,将其转换为数字表示,例如,对于当前***终端状态的运行模式这一特征,使用索引号代表当前的状态模式,比如1是游戏模式,2是娱乐模式,3是影音模式。若当前运行模式为游戏模式,则确定当前***状态ys1=1。在获取到全部数字表示的特征后,融合上述特征数据得到一个长向量,将该长向量归一化处理,得到全景特征向量s1:
s1={ys1,ys2,…,ysn}
其中,采集的全景数据的种类越多,则生成的全景特征向量s1的长度越长,n的值越大。上文中的ys1-ys9只是举例说明,本申请中并不局限于这些特征,可以根据实际需要获取更多维度的特征。
步骤102、获取历史拍照数据,根据所述拍照数据生成历史特征向量。
电子设备对用户的历史拍照数据进行记录并定时更新,其中,历史拍照数据包括历史编辑照片方案、调用第三方拍照APP信息、调用***自带拍照APP信息、分享图片信息等。第三方拍照APP信息有助于挖掘用户喜欢的修图类型,因为市面上的第三方拍照APP细分化程度已经非常高,例如,萌拍相机主要是对自拍头像进行处理,Prime主要是对风景图像或者人物图像进行风格迁移,因此,通过调用***自带拍照APP信息可以获知用户的修图偏好。一般情况下,第三方拍照APP的安装包信息有多层,其中包括该APP所属的修图软件类型,获取调用第三方拍照APP信息,进而根据该信息获取调用的APP所属的修图软件类型,修图软件类型体现用户的修图偏好。
此外,现在的一些电子设备,其***自带的拍照APP也具有修图功能,故也可以对调用***自带拍照APP信息进行记录。并且,用户不同的照片分享习惯也能够体现用户偏好的照片风格。例如,如果用户将照片分享到Instagram(一款用于图片分享的社交应用),说明该用户偏向于欧美风格的图片,如果用户将照片分享到QQ空间,说明该用户偏向于年轻化风格的图片,因此可以将用户分享图片信息作为一种历史拍照数据。
再者,当用户手动调节照片的亮度、对比度、锐度、饱和度、色温等参数改变照片的显示效果时,记录这些参数,作为历史编辑照片方案,例如,用户平时拍完食物照片之后,一般会手动地去增加其照片的对比度(+10)和饱和度(+5),使得图片更具有亮丽的色彩但是不至于色彩过饱和,则记录对比度(+10)和饱和度(+5)这样的参数作为历史编辑照片方案。上述历史编辑照片方案、调用第三方拍照APP信息、调用***自带拍照APP信息、分享图片信息等都是在检测到用户相应的操作时进行记录并存储在预设路径中的历史数据,并且,随着用户使用电子设备的时间越久,则记录的历史数据越多,这些数据的可参考性就越强。
在获取到上述数据之后,根据这些数据历史拍照数据生成历史特征向量s2:
s2={ya1,ya2,…,yam}
步骤103、根据所述历史特征向量和所述全景特征向量生成用户特征矩阵。
根据步骤101中生成的全景特征向量s1和步骤102中生成的历史特征向量s2,对两个特征向量进行融合,生成用户特征矩阵。其中,关于特征向量的融合方式可以有多种。例如,方式一,将s1和s2相加,生成一个长度为m+n的长向量,即一个m+n列、1行的矩阵。则用户特征矩阵如下:
{ys1,ys2,…,ysn,ya1,ya2,…,yam}。
方式二,根据所述历史特征向量和所述全景特征向量生成用户特征矩阵的步骤包括:对所述历史特征向量和所述全景特征向量进行矩阵叠加处理,生成用户特征矩阵。即将s1和s2叠加,生成m(或n)列、2行的矩阵。若n<m,则采用补零的方式,将全景特征向量s1的长度延伸为m。若n>m,则采用补零的方式,将历史特征向量s2的长度延伸为n。如下所示,为n>m时,经过叠加得到的用户特征矩阵:
步骤104、当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数。
在拍照操作完成并得到原始图像后,结合获取的用户特征向量,原始图像以及预先训练好的分类模型,生成适用于当前原始图像的图像调整参数。参照图4所示,图4为本申请实施例提供的拍照处理方法的第三种流程示意图。在一些实施例中,步骤104、当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数包括如下细化步骤:
步骤1041、按照预设长度和预设宽度压缩所述图像,根据压缩后的图像生成像素矩阵;
步骤1042、将所述用户特征矩阵转换为第一特征矩阵,所述第一特征矩阵的行数与所述预设宽度匹配;
步骤1043、合并所述像素矩阵和所述第一特征矩阵,生成第二特征矩阵;
步骤1044、根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数。
其中,在一可选的实施方式中,步骤1043、合并所述像素矩阵和所述第一特征矩阵,生成第二特征矩阵可以包括如下细化步骤:根据希尔伯特矩阵将所述第一特征矩阵转换为第三特征矩阵;合并所述像素矩阵和所述第三特征矩阵,生成所述第二特征矩阵。希尔伯特矩阵是一种数学变换矩阵,正定、且高度病态。也就是说,任何一个元素发生一点变动,整个矩阵的行列式的值和逆矩阵都会发生巨大变化,其病态程度和阶数相关,乘以希尔伯特矩阵可以发现数据中较为特殊的特征和规律。因此,这里使用希尔伯特矩阵对第一特征矩阵进行转换后再进行合并,有助于分类模型更好的发现数据中的特征。
由于电子设备的摄像头拍摄到的图像一般比较高清,即像素点数较多,若将图像信息直接与用户特征向量融合,会导致数据量较多,计算速度慢。因此,要先对图像进行压缩处理。其中,预设长度和预设宽度可以根据预先设置,预设长度一般大于或等于用户特征矩阵的列数。
例如,假设预设长度等于200像素点,预设宽度等于100像素点。例如通过摄像头获得的图像尺寸为2736*3648,则使用图像压缩技术把图像压缩为100*200大小。假设用户特征矩阵的列数为50,行数为2,则用户特征矩阵的大小为50*2,接下来通过矩阵的自身横向叠加两次和纵向叠加五十次,将向量转换为第一特征矩阵,第一特征矩阵的大小为100*100,如下所示:
接下来,根据希尔伯特矩阵将第一特征矩阵转换为第三特征矩阵,其中,希尔伯特矩阵中的元素将大小为100*200的原始图像的像素矩阵和大小为100*100的第一特征矩阵进行组合得到一个100*300大小的特征矩阵,作为第二特征矩阵。该二维矩阵中既包含原始图像的特征数据,也包含有从全景数据中的提取的特征,这些特征能够体现电子设备当前所处的情景状态,此外,还包括有用户的历史拍照数据中提取出的特征,这些特征能够体现用户对于照片风格的偏好。
将上述二维的特征矩阵作为预先训练好的分类模型的输入数据,获取图像调整参数。在一些实施例中,步骤1045、根据所述第特征矩阵和预先训练好的分类模型,获取图像调整参数包括:根据所述第二特征矩阵和预设的卷积神经网络模型,获取图像调整参数。
其中,本申请实施例中采用卷积神经网络构建分类模型,预先采集大量的样本数据对该卷积神经网络模型进行训练。例如,采集测试用户在各种特定情境下拍摄照片,记录全景数据,并获取测试用户的历史拍照数据,通过人工打标签的方式为这些数据添加图像调整参数作为标签。按照上述步骤101至步骤104同样的方式,根据样本数据提取特征矩阵,这些特征矩阵具有对应的图像中的标签,将这些具有标签的样本数据的特征矩阵输入预设的卷积神经网络模型中进行训练,得到权重参数,完成卷积神经网络模型的训练,训练得到的模型是一种分类模型,其最后一个层可以是全连接层,全连接层有多个节点,每个节点对应一种图像调节参数方案。将步骤1044中得到的第二特征矩阵输入至训练好的卷积神经网络模型中,即可获取对应的图像调节参数。
其中,在另一个可选的实施方式中,分类模型可以采用SVM(Support VectorMachine,支持向量机)分类模型替代卷积神经网络模型。
步骤105、根据所述图像调整参数调整所述原始图像。
在一个可选的实施方式中,图像调整参数包括滤波参数,步骤105、根据所述图像调整参数调整所述原始图像可以包括:基于所述滤波参数生成提示信息,显示所述原始图像和所述提示信息;当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像,并显示调整后的图像。
其中,滤波参数包括亮度参数、饱和度参数、对比度参数、锐度参数、色温参数等。此外,可以理解的是,电子设备在开启拍照后,取景框中会显示当前摄像头捕获到的画面,在用户点击拍照指令时,会生成拍摄得到的照片并显示。因此,本申请实施例中,电子设备采集全景数据和历史拍照数据生成用户特征矩阵的过程,与摄像头捕获图像的过程是同步进行的。因此,在获取到拍照操作得到的原始图像后,在显示界面上显示原始图像,同时基于获取的滤波参数生成提示信息,由用户选择是否使用***生成的滤波参数调整原始图像,若检测到用户基于提示信息触发了确认指令,则根据滤波参数调整所述原始图像,并显示调整后的图像。
或者,在另一个可选的实施方式中,图像调整参数包括滤波参数,使用所述图像调整参数调整所述原始图像的步骤可以包括:
根据所述滤波参数调整所述原始图像;显示所述原始图像和调整后的图像。
在这个实施方式中,在显示界面上同步显示原始图像和调整后的图像,以供用户自行选择。参照图5所示,图5为本申请实施例提供的拍照处理方法中图像展示方式示意图。
或者,在另一个可选的实施方式中,可以直接按照图像调整参数调整原始图像,并显示调整后的图像。由于获取用户特征矩阵的过程与摄像头捕获并生成原始图像的过程是同步进行的,在拍照完成后,已获取到图像调整参数,此时可以缓存原始图像,并直接使用图像调整参数在显示界面对原始图像进行渲染并显示。同时,可以在显示界面显示恢复原始图像的控件,若检测到用户基于该控件触发相应的指令,则可以恢复显示原始图像。
可选地,在一实施例中,图像调整参数还包括3A参数,其中,3A参数还包括:AF(Auto Focus,自动聚焦)参数、AE(Auto Exposure,自动曝光)参数和AWB(Auto WhiteBalance,自动白平衡)参数。3A参数获取后,该参数并不用于直接调整图像的显示效果,而是可以通过设置电子设备***底层的camera pipeline(影像通道)的参数,进行改善用户拍照成像质量。这样,用户下次使用相机时,可以改善图像成像质量。
由上可知,本申请实施例提出的拍照处理方法,在检测到拍照操作时,采集全景数据,根据全景数据生成全景特征向量,然后获取该用户的历史拍照数据,根据拍照数据生成历史特征向量,根据历史特征向量和全景特征向量生成用户特征矩阵,然后获取拍照操作得到的图像,根据该图像、用户特征矩阵和预先训练好的分类模型,获取图像调整参数,根据图像调整参数调整所述原始图像。本方案结合用户拍照时采集到的全景数据、用户历史拍照习惯以及拍摄得到的照片实时的获取到用户特征矩阵,该特征向量不仅能够体现用户当前所处情景,而且结合了用户的拍照习惯和偏好,为用户提供细粒度照片优化方案,生成个性化的图像调整参数,能够实现有针对性的为用户照片处理方案。
在一实施例中还提供了一种拍照处理装置。请参阅图6,图6为本申请实施例提供的拍照处理装置400的结构示意图。其中该拍照处理装置400应用于电子设备,该拍照处理装置400包括第一特征提取模块401、第二特征提取模块402、特征融合模块403、参数获取模块404以及图像调整模块405,如下:
第一特征提取模块401,用于当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量。
本申请实施例中,电子设备可以对拍照操作进行实时监测,例如,通过检测电子设备的相机模块是否被启动来检测是否启动拍照操作。比如,检测到用户通过电子设备自带的相机APP(Application,应用)进行拍照,或者,检测到用户通过第三方APP触发拍照操作。或者,通过对用户指令进行实时监测,当接收到图像拍摄请求时,判定检测到拍照操作,第一特征提取模块401开始采集全景数据。
当电子设备检测到拍照操作时,开始采集全景数据。其中,全景数据包括但不限于如下数据:终端状态数据和传感器状态数据。终端运行数据包括电子设备在各时间区间内所处的运行模式,其中运行模式包括游戏模式、娱乐模式、影音模式等,可以根据当前运行的应用程序的类型确定电子设备所处的运行模式,当前运行的应用程序的类型可以直接从应用程序安装包的分类信息中获得;或者,终端运行数据还可以包括电子设备的剩余电量、显示模式、网络状态、熄屏/锁屏状态等。
传感器状态数据包括电子设备上的各传感器采集到的数据,例如,电子设备上包括如下传感器:距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。获取电子设备在接收到用户指令时的传感器状态数据,或者获取电子设备在接收到用户指令前的一段时间的传感器状态数据。在一些实施例中,可以有针对性的获取部分传感器的状态数据。例如,获取位置传感器和光线传感器采集到的数据,其中,根据位置传感器采集到的数据可以确定电子设备当前的位置信息,光线传感器可以采集到的电子设备当前所处环境的光线强度。
在一些实施例中,第一特征提取模块401还用于:获取当前的终端状态数据和传感器状态数据;根据所述终端状态数据生成终端状态特征,并根据所述传感器状态数据生成终端情景特征;融合所述终端状态特征和所述终端情景特征,生成所述全景特征向量。
根据终端状态数据生成终端状态特征ys1;根据传感器的状态数据,例如,获取磁力计、加速度计、陀螺仪的状态数据,通过卡尔曼滤波算法对获取的三个传感器的状态数据进行处理获得四维的终端姿态特征ys2~ys5;通过气压计采集的数据获取气压特征ys6;通过网络模块确定WIFI连接状态ys7;通过位置传感采集的数据进行定位,得到用户当前的位置属性(如商场、家里、公司、公园等),生成特征ys8;还可以进一步的结合磁力计、加速度传感器、陀螺仪、气压计10轴信息使用滤波算法或者主成分分析算法得到新的多维数据,生成对应的特征ys9。对于上述特征中的非数字形式的特征,可以采用建立索引号的方式,将其转换为数字表示,例如,对于当前***终端状态的运行模式这一特征,使用索引号代表当前的状态模式,比如1是游戏模式,2是娱乐模式,3是影音模式。若当前运行模式为游戏模式,则确定当前***状态ys1=1。在获取到全部数字表示的特征后,融合上述特征数据得到一个长向量,将该长向量归一化处理,得到全景特征向量s1:
s1={ys1,ys2,…,ysn}
其中,第一特征提取模块401采集的全景数据的种类越多,则生成的全景特征向量s1的长度越长,n的值越大。上文中的ys1-ys9只是举例说明,本申请中并不局限于这些特征,可以根据实际需要获取更多维度的特征。
第二特征提取模块402,用于获取历史拍照数据,根据所述拍照数据生成历史特征向量。
电子设备对用户的历史拍照数据进行记录并定时更新,其中,历史拍照数据包括历史编辑照片方案、调用第三方拍照APP信息、调用***自带拍照APP信息、分享图片信息等。第三方拍照APP信息有助于挖掘用户喜欢的修图类型,因为市面上的第三方拍照APP细分化程度已经非常高,例如,萌拍相机主要是对自拍头像进行处理,Prime主要是对风景图像或者人物图像进行风格迁移,因此,通过调用***自带拍照APP信息可以获知用户的修图偏好。一般情况下,第三方拍照APP的安装包信息有多层,其中包括该APP所属的修图软件类型,获取调用第三方拍照APP信息,进而根据该信息获取调用的APP所属的修图软件类型,修图软件类型体现用户的修图偏好。
此外,现在的一些电子设备,其***自带的拍照APP也具有修图功能,故也可以对调用***自带拍照APP信息进行记录。并且,用户不同的照片分享习惯也能够体现用户偏好的照片风格。例如,如果用户将照片分享到Instagram(一款用于图片分享的社交应用),说明该用户偏向于欧美风格的图片,如果用户将照片分享到QQ空间,说明该用户偏向于年轻化风格的图片,因此可以将用户分享图片信息作为一种历史拍照数据。
再者,当用户手动调节照片的亮度、对比度、锐度、饱和度、色温等参数改变照片的显示效果时,记录这些参数,作为历史编辑照片方案,例如,用户平时拍完食物照片之后,一般会手动地去增加其照片的对比度(+10)和饱和度(+5),使得图片更具有亮丽的色彩但是不至于色彩过饱和,则记录对比度(+10)和饱和度(+5)这样的参数作为历史编辑照片方案。上述历史编辑照片方案、调用第三方拍照APP信息、调用***自带拍照APP信息、分享图片信息等都是在检测到用户相应的操作时进行记录并存储在预设路径中的历史数据,并且,随着用户使用电子设备的时间越久,则记录的历史数据越多,这些数据的可参考性就越强。
第二特征提取模块402在获取到上述数据之后,根据这些数据历史拍照数据生成历史特征向量s2:
s2={ya1,ya2,…,yam}
特征融合模块403,用于根据所述历史特征向量和所述全景特征向量生成用户特征矩阵。
基于第一特征提取模块401生成的全景特征向量s1和第二特征提取模块402生成的历史特征向量s2,特征融合模块403对两个特征向量进行融合,生成用户特征矩阵。其中,关于特征向量的融合方式可以有多种。例如,方式一,将s1和s2相加,生成一个长度为m+n的长向量,即一个m+n列、1行的矩阵。则用户特征矩阵如下:
{ys1,ys2,…,ysn,ya1,ya2,…,yam}。
方式二,第二特征提取模块402还用于:对所述历史特征向量和所述全景特征向量进行矩阵叠加处理,生成用户特征矩阵。即将s1和s2叠加,生成m(或n)列、2行的矩阵,若n<m,则采用补零的方式,将全景特征向量s1的长度延伸为m。,若n>m,则采用补零的方式,将历史特征向量s2的长度延伸为n。如下所示,为n>m时,经过叠加得到的用户特征矩阵:
参数获取模块404,用于当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数。
在拍照操作完成并得到原始图像后,结合获取的用户特征向量,原始图像以及预先训练好的分类模型,生成适用于当前原始图像的图像调整参数。在一些实施例中,参数获取模块404还用于:按照预设长度和预设宽度压缩所述图像,根据压缩后的图像生成像素矩阵;将所述用户特征矩阵转换为第一特征矩阵,所述第一特征矩阵的行数与所述预设宽度匹配;合并所述像素矩阵和所述第一特征矩阵,生成第二特征矩阵;根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数。
其中,在一可选的实施方式中,参数获取模块404还用于:根据希尔伯特矩阵将所述第一特征矩阵转换为第三特征矩阵;合并所述像素矩阵和所述第三特征矩阵,生成所述第二特征矩阵。希尔伯特矩阵是一种数学变换矩阵,正定、且高度病态。也就是说,任何一个元素发生一点变动,整个矩阵的行列式的值和逆矩阵都会发生巨大变化,其病态程度和阶数相关,乘以希尔伯特矩阵可以发现数据中较为特殊的特征和规律。因此,这里使用希尔伯特矩阵对第一特征矩阵进行转换后再进行合并,有助于分类模型更好的发现数据中的特征。
由于电子设备的摄像头拍摄到的图像一般比较高清,即像素点数较多,若将图像信息直接与用户特征向量融合,会导致数据量较多,计算速度慢。因此,要先对图像进行压缩处理。其中,预设长度和预设宽度可以根据预先设置,预设长度一般大于或等于用户特征矩阵的列数。
例如,假设预设长度等于200像素点,预设宽度等于100像素点。例如通过摄像头获得的图像尺寸为2736*3648,则使用图像压缩技术把图像压缩为100*200大小。假设用户特征矩阵的列数为50,行数为2,则用户特征矩阵的大小为50*2,接下来通过矩阵的自身横向叠加两次和纵向叠加五十次,将向量转换为第一特征矩阵,第一特征矩阵的大小为100*100,如下所示:
接下来,根据希尔伯特矩阵将第一特征矩阵转换为第三特征矩阵,其中,希尔伯特矩阵中的元素将大小为100*200的原始图像的像素矩阵和大小为100*100的第一特征矩阵进行组合得到一个100*300大小的特征矩阵,作为第二特征矩阵。该二维矩阵中既包含原始图像的特征数据,也包含有从全景数据中的提取的特征,这些特征能够体现电子设备当前所处的情景状态,此外,还包括有用户的历史拍照数据中提取出的特征,这些特征能够体现用户对于照片风格的偏好。
将上述二维的特征矩阵作为预先训练好的分类模型的输入数据,获取图像调整参数。在一些实施例中,参数获取模块404还用于:根据所述第二特征矩阵和预设的卷积神经网络模型,获取图像调整参数。
其中,本申请实施例中采用卷积神经网络构建分类模型,预先采集大量的样本数据对该卷积神经网络模型进行训练。例如,采集测试用户在各种特定情境下拍摄照片,记录全景数据,并获取测试用户的历史拍照数据,通过人工打标签的方式为这些数据添加图像调整参数作为标签。根据样本数据提取特征矩阵,这些特征矩阵具有对应的图像中的标签,将这些具有标签的样本数据的特征矩阵输入预设的卷积神经网络模型中进行训练,得到权重参数,完成卷积神经网络模型的训练,训练得到的模型是一种分类模型,其最后一个层可以是全连接层,全连接层有多个节点,每个节点对应一种图像调节参数方案。将第二特征矩阵输入至训练好的卷积神经网络模型中,即可获取对应的图像调节参数。
其中,在另一个可选的实施方式中,分类模型可以采用SVM(Support VectorMachine,支持向量机)分类模型替代卷积神经网络模型。
图像调整模块405,用于根据所述图像调整参数调整所述原始图像。
在一个可选的实施方式中,图像调整参数包括滤波参数,图像调整模块405还用于:基于所述滤波参数生成提示信息,显示所述原始图像和所述提示信息;当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像,并显示调整后的图像。
其中,滤波参数包括亮度参数、饱和度参数、对比度参数、锐度参数、色温参数等。此外,可以理解的是,电子设备在开启拍照后,取景框中会显示当前摄像头捕获到的画面,在用户点击拍照指令时,会生成拍摄得到的照片并显示。因此,本申请实施例中,电子设备采集全景数据和历史拍照数据生成用户特征矩阵的过程,与摄像头捕获图像的过程是同步进行的。因此,在获取到拍照操作得到的原始图像后,在显示界面上显示原始图像,同时图像调整模块405基于获取的滤波参数生成提示信息,由用户选择是否使用***生成的滤波参数调整原始图像,若检测到用户基于提示信息触发了确认指令,则根据滤波参数调整所述原始图像,并显示调整后的图像。
或者,在另一个可选的实施方式中,图像调整参数包括滤波参数,图像调整模块405还用于:根据所述滤波参数调整所述原始图像;显示所述原始图像和调整后的图像。
在这个实施方式中,在显示界面上同步显示原始图像和调整后的图像,以供用户自行选择。
或者,在另一个可选的实施方式中,图像调整模块405可以直接按照图像调整参数调整原始图像,并显示调整后的图像。由于获取用户特征矩阵的过程与摄像头捕获并生成原始图像的过程是同步进行的,在拍照完成后,已获取到图像调整参数,此时可以缓存原始图像,并直接使用图像调整参数在显示界面对原始图像进行渲染并显示。同时,可以在显示界面显示恢复原始图像的控件,若检测到用户基于该控件触发相应的指令,则可以恢复显示原始图像。
可选地,在一实施例中,图像调整参数还包括3A参数,其中,3A参数还包括:AF(Auto Focus,自动聚焦)参数、AE(Auto Exposure,自动曝光)参数和AWB(Auto WhiteBalance,自动白平衡)参数。3A参数获取后,该参数并不用于直接调整图像的显示效果,而是可以通过设置电子设备***底层的camera pipeline(影像通道)的参数,进行改善用户拍照成像质量。这样,用户下次使用相机时,可以改善图像成像质量。
由上可知,本申请实施例提出的拍照处理装置,第一特征提取模块401在检测到拍照操作时,采集全景数据,根据全景数据生成全景特征向量,然后第二特征提取模块402获取该用户的历史拍照数据,根据拍照数据生成历史特征向量,特征融合模块403根据历史特征向量和全景特征向量生成用户特征矩阵,然后参数获取模块404获取拍照操作得到的图像,根据该图像、用户特征矩阵和预先训练好的分类模型,获取图像调整参数,图像调整模块405根据图像调整参数调整所述原始图像。本方案结合用户拍照时采集到的全景数据、用户历史拍照习惯以及拍摄得到的照片实时的获取到用户特征矩阵,该特征向量不仅能够体现用户当前所处情景,而且结合了用户的拍照习惯和偏好,为用户提供细粒度照片优化方案,生成个性化的图像调整参数,能够实现有针对性的为用户照片处理方案。
本申请实施例还提供一种电子设备。所述电子设备可以是智能手机、平板电脑等设备。如图7所示,图7为本申请实施例提供的电子设备的第一种结构示意图。电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:
当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;
获取历史拍照数据,根据所述拍照数据生成历史特征向量;
根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;
当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;
根据所述图像调整参数调整所述原始图像。
在一些实施例中,所述全景数据包括终端状态数据和传感器状态数据;采集全景数据,并根据所述全景数据生成全景特征向量时,处理器301执行如下步骤:
获取当前的终端状态数据和传感器状态数据;
根据所述终端状态数据生成终端状态特征,并根据所述传感器状态数据生成终端情景特征;
融合所述终端状态特征和所述终端情景特征,生成所述全景特征向量。
在一些实施例中,根据所述历史特征向量和所述全景特征向量生成用户特征矩阵时,处理器301执行如下步骤:
对所述历史特征向量和所述全景特征向量进行矩阵叠加处理,生成用户特征矩阵。
在一些实施例中,根据所述图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数时,处理器301执行如下步骤:
按照预设长度和预设宽度压缩所述图像,根据压缩后的图像生成像素矩阵;
将所述用户特征矩阵转换为第一特征矩阵,所述第一特征矩阵的行数与所述预设宽度匹配;
根据希尔伯特矩阵将所述第一特征矩阵转换为第二特征矩阵;
合并所述像素矩阵和所述第二特征矩阵,生成第三特征矩阵;
根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数。
在一些实施例中,根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数时,处理器301执行如下步骤:
根据所述第二特征矩阵和预设的卷积神经网络模型,获取图像调整参数。
在一些实施例中,图像调整参数包括滤波参数,使用所述图像调整参数调整所述原始图像时,处理器301执行如下步骤:
基于所述滤波参数生成提示信息,显示所述原始图像和所述提示信息;
当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像,并显示调整后的图像。
在一些实施例中,当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像的步骤之后,处理器301执行如下步骤:
根据所述滤波参数更新所述历史拍照数据。
在一些实施例中,所述图像调整参数还包括3A参数,使用所述图像调整参数调整所述原始图像的步骤之后,处理器301执行如下步骤:
根据所述3A参数重设影像通道参数。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
在一些实施例中,如图8所示,图8为本申请实施例提供的电子设备的第二种结构示意图。电子设备300还包括:射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309。其中,处理器301分别与射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309电性连接。
射频电路303用于收发射频信号,以通过无线通信与网络设备或其他电子设备进行通信。
显示屏304可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路305与显示屏304电性连接,用于控制显示屏304显示信息。
输入单元306可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中,输入单元306可以包括指纹识别模组。
音频电路307可通过扬声器、传声器提供用户与电子设备之间的音频接口。其中,音频电路307包括麦克风。所述麦克风与所述处理器301电性连接。所述麦克风用于接收用户输入的语音信息。
传感器308用于采集外部环境信息。传感器308可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
电源309用于给电子设备300的各个部件供电。在一些实施例中,电源309可以通过电源管理***与处理器301逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出,电子设备300还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供了一种电子设备,所述电子设备检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;获取历史拍照数据,根据所述拍照数据生成历史特征向量;根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;根据所述图像调整参数调整所述原始图像。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的拍照处理方法。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的拍照处理方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种拍照处理方法,其特征在于,包括:
当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;
获取历史拍照数据,根据所述拍照数据生成历史特征向量;
根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;
当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;
根据所述图像调整参数调整所述原始图像。
2.如权利要求1所述的拍照处理方法,其特征在于,所述全景数据包括终端状态数据和传感器状态数据;采集全景数据,并根据所述全景数据生成全景特征向量,包括:
获取当前的终端状态数据和传感器状态数据;
根据所述终端状态数据生成终端状态特征,并根据所述传感器状态数据生成终端情景特征;
融合所述终端状态特征和所述终端情景特征,生成所述全景特征向量。
3.如权利要求1所述的拍照处理方法,其特征在于,根据所述历史特征向量和所述全景特征向量生成用户特征矩阵的步骤,包括:
对所述历史特征向量和所述全景特征向量进行矩阵叠加处理,生成用户特征矩阵。
4.如权利要求1所述的拍照处理方法,其特征在于,根据所述图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数的步骤,包括:
按照预设长度和预设宽度压缩所述图像,根据压缩后的图像生成像素矩阵;
将所述用户特征矩阵转换为第一特征矩阵,所述第一特征矩阵的行数与所述预设宽度匹配;
合并所述像素矩阵和所述第一特征矩阵,生成第二特征矩阵;
根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数。
5.如权利要求4所述的拍照处理方法,其特征在于,合并所述像素矩阵和所述第一特征矩阵,生成第二特征矩阵的步骤,包括:
根据希尔伯特矩阵将所述第一特征矩阵转换为第三特征矩阵;
合并所述像素矩阵和所述第三特征矩阵,生成所述第二特征矩阵。
6.如权利要求4所述的拍照处理方法,其特征在于,根据所述第二特征矩阵和预先训练好的分类模型,获取图像调整参数的步骤,包括:
根据所述第二特征矩阵和预设的卷积神经网络模型,获取图像调整参数。
7.如权利要求1至6任一项所述的拍照处理方法,其特征在于,图像调整参数包括滤波参数,使用所述图像调整参数调整所述原始图像的步骤,包括:
基于所述滤波参数生成提示信息,显示所述原始图像和所述提示信息;
当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像,并显示调整后的图像。
8.如权利要求7所述的拍照处理方法,其特征在于,当接收到基于所述提示信息触发的确认指令时,根据所述滤波参数调整所述原始图像的步骤之后,所述方法还包括:
根据所述滤波参数更新所述历史拍照数据。
9.如权利要求7所述的拍照处理方法,其特征在于,所述图像调整参数还包括3A参数,使用所述图像调整参数调整所述原始图像的步骤之后,所述方法还包括:
根据所述3A参数重设影像通道参数。
10.一种拍照处理装置,其特征在于,包括:
第一特征提取模块,用于当检测到拍照操作时,采集全景数据,并根据所述全景数据生成全景特征向量;
第二特征提取模块,用于获取历史拍照数据,根据所述拍照数据生成历史特征向量;
特征融合模块,用于根据所述历史特征向量和所述全景特征向量生成用户特征矩阵;
参数获取模块,用于当接收到拍照指令时,获取所述拍照操作得到的原始图像,根据所述原始图像、所述用户特征矩阵和预先训练好的分类模型,获取图像调整参数;
图像调整模块,用于根据所述图像调整参数调整所述原始图像。
11.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至9任一项所述的拍照处理方法。
12.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至9任一项所述的拍照处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282456.4A CN111800569B (zh) | 2019-04-09 | 2019-04-09 | 拍照处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282456.4A CN111800569B (zh) | 2019-04-09 | 2019-04-09 | 拍照处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111800569A true CN111800569A (zh) | 2020-10-20 |
CN111800569B CN111800569B (zh) | 2022-02-22 |
Family
ID=72805685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282456.4A Active CN111800569B (zh) | 2019-04-09 | 2019-04-09 | 拍照处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111800569B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307227A (zh) * | 2020-11-24 | 2021-02-02 | 国家电网有限公司大数据中心 | 一种数据分类方法 |
CN113329173A (zh) * | 2021-05-19 | 2021-08-31 | Tcl通讯(宁波)有限公司 | 一种影像优化方法、装置、存储介质及终端设备 |
CN113840086A (zh) * | 2021-09-06 | 2021-12-24 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN117014561A (zh) * | 2023-09-26 | 2023-11-07 | 荣耀终端有限公司 | 信息融合方法、可学习变量的训练方法及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140321747A1 (en) * | 2013-04-28 | 2014-10-30 | Tencent Technology (Shenzhen) Co., Ltd. | Method, apparatus and terminal for detecting image stability |
US20150189181A1 (en) * | 2010-07-26 | 2015-07-02 | Apple Inc. | System and Method For Contextual Digital Photography Mode Selection |
US20150310301A1 (en) * | 2011-09-24 | 2015-10-29 | Lotfi A. Zadeh | Analyzing or resolving ambiguities in an image for object or pattern recognition |
JP2018014686A (ja) * | 2016-07-22 | 2018-01-25 | 日本電信電話株式会社 | カメラキャリブレーション装置、カメラキャリブレーション方法及びカメラキャリブレーションプログラム |
CN107944035A (zh) * | 2017-12-13 | 2018-04-20 | 合肥工业大学 | 一种融合视觉特征和用户评分的图像推荐方法 |
CN108174096A (zh) * | 2017-12-29 | 2018-06-15 | 广东欧珀移动通信有限公司 | 拍摄参数设置的方法、装置、终端及存储介质 |
CN109299994A (zh) * | 2018-07-27 | 2019-02-01 | 北京三快在线科技有限公司 | 推荐方法、装置、设备及可读存储介质 |
CN109344314A (zh) * | 2018-08-20 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
-
2019
- 2019-04-09 CN CN201910282456.4A patent/CN111800569B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150189181A1 (en) * | 2010-07-26 | 2015-07-02 | Apple Inc. | System and Method For Contextual Digital Photography Mode Selection |
US20150310301A1 (en) * | 2011-09-24 | 2015-10-29 | Lotfi A. Zadeh | Analyzing or resolving ambiguities in an image for object or pattern recognition |
US20140321747A1 (en) * | 2013-04-28 | 2014-10-30 | Tencent Technology (Shenzhen) Co., Ltd. | Method, apparatus and terminal for detecting image stability |
JP2018014686A (ja) * | 2016-07-22 | 2018-01-25 | 日本電信電話株式会社 | カメラキャリブレーション装置、カメラキャリブレーション方法及びカメラキャリブレーションプログラム |
CN107944035A (zh) * | 2017-12-13 | 2018-04-20 | 合肥工业大学 | 一种融合视觉特征和用户评分的图像推荐方法 |
CN108174096A (zh) * | 2017-12-29 | 2018-06-15 | 广东欧珀移动通信有限公司 | 拍摄参数设置的方法、装置、终端及存储介质 |
CN109299994A (zh) * | 2018-07-27 | 2019-02-01 | 北京三快在线科技有限公司 | 推荐方法、装置、设备及可读存储介质 |
CN109344314A (zh) * | 2018-08-20 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及服务器 |
Non-Patent Citations (1)
Title |
---|
马泽龙: "《采用图像直方图特征函数的高速相机自动曝光方法》", 《光学精密工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307227A (zh) * | 2020-11-24 | 2021-02-02 | 国家电网有限公司大数据中心 | 一种数据分类方法 |
CN112307227B (zh) * | 2020-11-24 | 2023-08-29 | 国家电网有限公司大数据中心 | 一种数据分类方法 |
CN113329173A (zh) * | 2021-05-19 | 2021-08-31 | Tcl通讯(宁波)有限公司 | 一种影像优化方法、装置、存储介质及终端设备 |
CN113840086A (zh) * | 2021-09-06 | 2021-12-24 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN117014561A (zh) * | 2023-09-26 | 2023-11-07 | 荣耀终端有限公司 | 信息融合方法、可学习变量的训练方法及电子设备 |
CN117014561B (zh) * | 2023-09-26 | 2023-12-15 | 荣耀终端有限公司 | 信息融合方法、可学习变量的训练方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111800569B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11244170B2 (en) | Scene segmentation method and device, and storage medium | |
CN111800569B (zh) | 拍照处理方法、装置、存储介质及电子设备 | |
JP7058760B2 (ja) | 画像処理方法およびその、装置、端末並びにコンピュータプログラム | |
CN109087376B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
KR101727169B1 (ko) | 이미지 필터를 생성하기 위한 방법 및 장치 | |
WO2022042776A1 (zh) | 一种拍摄方法及终端 | |
WO2020151281A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN103152489A (zh) | 一种自拍图像的展现方法及装置 | |
CN112287852B (zh) | 人脸图像的处理方法、显示方法、装置及设备 | |
WO2022001806A1 (zh) | 图像变换方法和装置 | |
CN113411498B (zh) | 图像拍摄方法、移动终端及存储介质 | |
CN110290426B (zh) | 展示资源的方法、装置、设备及存储介质 | |
CN105427369A (zh) | 移动终端及其三维形象的生成方法 | |
WO2021180046A1 (zh) | 图像留色方法及设备 | |
CN114096994A (zh) | 图像对齐方法及装置、电子设备、存储介质 | |
CN112052897A (zh) | 多媒体数据拍摄方法、装置、终端、服务器及存储介质 | |
CN113810588B (zh) | 一种图像合成方法、终端及存储介质 | |
CN115115679A (zh) | 一种图像配准方法及相关设备 | |
CN114926351A (zh) | 图像处理方法、电子设备以及计算机存储介质 | |
CN113642359B (zh) | 人脸图像生成方法、装置、电子设备及存储介质 | |
KR102261544B1 (ko) | 스트리밍 서버 및 이를 이용한 다시점 동영상에서의 객체 처리 방법 | |
US20240037708A1 (en) | Image Processing Method and Electronic Device | |
CN113407774A (zh) | 封面确定方法、装置、计算机设备及存储介质 | |
CN111796928A (zh) | 终端资源优化方法、装置、存储介质及终端设备 | |
CN117014561B (zh) | 信息融合方法、可学习变量的训练方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |