图像数据处理方法、装置、设备及介质

技术领域

本发明涉及计算机领域，尤其涉及一种图像数据处理方法、装置、设备及介质。

背景技术

深度学习使得很多计算机视觉任务的性能达到了一个前所未有的高度。复杂的深度学习模型固然具有好的性能，但是高额的存储空间、计算资源消耗使其难以有效的应用在各硬件平台上。

模型压缩是目前深度学习模型的业务部署服务中常用的一种提升手段，能够大幅度的提升模型的推理速度。但是由于不同业务场景的平台不同，在不同的硬件平台上的模型压缩表达方式并不相同。目前常用的模型压缩表达方法大多针对单一硬件平台或为了适用多个硬件平台而大幅度降低模型的精度，并不能得到高精度且适用于多个硬件平台的压缩模型。

因此，若利用目前的模型压缩方法所得到的深度学习模型对图像数据进行处理，不能实现在具有多硬件平台适用性的基础上提高图像数据处理的精度。

发明内容

本发明实施例提供一种图像数据处理方法，能够实现在具有多硬件平台适用性的基础上提高图像数据处理精度。

第一方面，本发明实施例提供一种图像数据处理方法，该方法包括：

接收待处理图像；

利用图像处理卷积神经网络处理待处理图像，得到待处理图像的处理结果；

其中，图像处理卷积神经网络是基于至少一个定点张量中的每个定点张量以及每个定点张量对应的缩放向量对原始卷积神经网络更新后的网络；

对于每个定点张量，该定点张量以及该定点张量对应的缩放向量是对权值张量的多个第一子张量中的每个第一子张量分别量化后得到的，该权值张量是获取的原始卷积神经网络的、且与该定点张量对应的一个张量；

多个第一子张量是沿预定维度对权值张量分解后得到的，定点张量包括与每个第一子张量对应的定点子张量，缩放向量包括与每个定点子张量对应的定点权值缩放系数。

在一个实施例中，利用图像处理卷积神经网络处理待处理图像，得到待处理图像的处理结果，包括：

利用图像处理卷积神经网络的每个定点张量分别获取待处理图像的不同的特征信息；

基于待处理图像的不同的特征信息，得到待处理图像的处理结果。

在一个实施例中，待处理图像为待处理人脸图像，图像处理卷积神经网络为人脸识别卷积神经网络；

或，

待处理图像为待处理行人图像，图像处理卷积神经网络为行人检测卷积神经网络。

在一个实施例中，图像数据处理方法应用于现场可编程门阵列(Field－Programmable Gate Array，FPGA)、神经网络处理器(Neural-network Processing Unit，NPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)或中央处理器(Central Processing Unit，CPU)。

在一个实施例中，图像处理卷积神经网络是基于每个定点张量更新与每个定点张量对应的权值张量、且基于每个定点子张量的最终缩放系数更新每个定点子张量对应的第一子张量的初始缩放系数后得到的网络；

其中，对于每个定点子张量，定点子张量的最终缩放系数是基于定点子张量对应的定点权值缩放系数得到的。

在一个实施例中，对于原始卷积神经网络的任一权值张量，权值张量的任一第一子张量的量化方法基于该第一子张量的数据离散程度确定。

在一个实施例中，权值张量W的量化结果利用Q点乘alpha表示，Q为定点张量，alpha为缩放向量。

在一个实施例中，原始卷积神经网络包括至少一个卷积层和至少一个全连接层；

至少一个定点张量包括每个卷积层的权值张量对应的定点张量和每个全连接层的权值张量对应的定点张量。

第二方面，本发明实施例提供一种图像数据处理装置，装置包括：

图像接收模块，用于接收待处理图像；

图像处理模块，用于利用图像处理卷积神经网络处理待处理图像，得到待处理图像的处理结果；

其中，图像处理卷积神经网络是基于至少一个定点张量中的每个定点张量以及每个定点张量对应的缩放向量对原始卷积神经网络更新后的网络；

对于每个定点张量，该定点张量以及该定点张量对应的缩放向量是对权值张量的多个第一子张量中的每个第一子张量分别量化后得到的，该权值张量是获取的原始卷积神经网络的、且与该定点张量对应的一个张量；

多个第一子张量是沿预定维度对权值张量分解后得到的，定点张量包括与每个第一子张量对应的定点子张量，缩放向量包括与每个定点子张量对应的定点权值缩放系数。

第三方面，本发明实施例提供一种图像数据处理设备，设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如本发明实施例提供的图像数据处理方法。

在一个实施例中，处理器为FPGA、NPU、ASIC或CPU。

第四方面，本发明实施例提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如本发明实施例提供的图像数据处理方法。

在本发明实施例中的图像数据处理方法中，由于图像处理卷积神经网络中的定点张量以及该定点张量对应的缩放向量是对该定点张量对应的权值张量的每个第一子张量分别量化后得到的，因此可以降低原始卷积神经网络中权值张量的精度损失，从而得到高精度的图像处理卷积神经网络。通过利用高精度的图像处理卷积神经网络处理待处理图像，可以提高图像处理的精度。并且原始卷积神经网络的权值张量的量化过程中没有涉及偏移量，则图像处理卷积神经网络可部署在不同的硬件平台上，因此可以提高图像数据处理方法在多硬件平台的广泛适用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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。

图1为本发明实施例提供的图像数据处理方法的流程示意图；

图2为本发明实施例提供的权值张量和定点张量的结构示意图；

图3为本发明实施例提供的图像数据处理装置的结构示意图；

图4为本发明实施例的图像数据处理设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在对深度学习模型进行训练时，需要保证前后向传播，每次梯度的更新是很微小的，这个时候需要相对较高的精度，因此一般使用浮点型数据进行模型训练。但是，在深度学习模型的部署阶段，即将深度学习模型部署在硬件平台的阶段时，为了满足深度学习模型对数据处理的实时性要求，需要对训练后的深度学习模型进行模型压缩再部署到硬件中。但利用目前的模型压缩方法不能得到高精度且适用于多种硬件平台的深度学习模型，从而导致在利用压缩后的图像处理模型进行图像处理时，不能实现在具有多硬件平台适用性的基础上提高图像数据处理的精度。

基于此，本发明实施例提供一种图像数据处理方法。如图1所示，本发明实施例提供的图像数据处理方法100包括：

S110，接收待处理图像。

S120，利用图像处理卷积神经网络处理待处理图像，得到待处理图像的处理结果。

其中，图像处理卷积神经网络是基于至少一个定点张量中的每个定点张量以及每个定点张量对应的缩放向量对原始卷积神经网络更新后的网络。

对于每个定点张量，该定点张量以及该定点张量对应的缩放向量是对权值张量的多个第一子张量中的每个第一子张量分别量化后得到的，该权值张量是获取的原始卷积神经网络的、且与该定点张量对应的一个张量。

多个第一子张量是沿预定维度对权值张量分解后得到的，定点张量包括与每个第一子张量对应的定点子张量，缩放向量包括与每个定点子张量对应的定点权值缩放系数。

其中，原始卷积神经网络是已经训练完成的用于图像处理的但未进行参数更新的卷积神经网络，原始卷积神经网络的权值张量的数据类型一般为浮点型数据。

在本发明实施例提供的图像数据处理方法中，由于图像处理卷积神经网络中的定点张量以及该定点张量对应的缩放向量是对该定点张量对应的权值张量的每个第一子张量分别量化后得到的，因此可以降低原始卷积神经网络中权值张量的数据精度损失，从而得到高精度的图像处理卷积神经网络。通过利用高精度的图像处理卷积神经网络处理待处理图像，可以提高图像处理的精度。

并且，原始卷积神经网络的权值张量的量化过程中没有涉及偏移量，因此图像处理卷积神经网络可以部署在不同的硬件平台上，因此提高了图像数据处理方法在多个硬件平台上的广泛适用性，即在多硬件平台适用性的基础上也提高了图像数据处理的精度。

本发明实施例提供的图像处理卷积神经网络可以部署在FPGA、NPU、ASIC或CPU等不同的硬件平台上。因此，本发明实施例提供的图像数据处理方法具有在不同硬件平台上的广泛应用性。

在本发明的实施例中，由于定点张量的数据类型为定点数据，例如整型数据。因此在对待处理图像进行处理的过程中，图像处理卷积神经网络采用定点计算，从而在提高图像处理精度的同时也提高了图像处理的速度。

在本发明的一些实施例中，待处理图像可以为待处理人脸图像，图像处理卷积神经网络为人脸识别卷积神经网络。在另一些实施例中，待处理图像为待处理行人图像，图像处理卷积神经网络为行人检测卷积神经网络。其中，图像处理卷积神经网络不限于上述两个卷积神经网络模型。

下面以人脸识别卷积神经网络为例，详细介绍精度较高且硬件使用范围较广的人脸识别卷积神经网络的更新过程。

首先利用浮点型的数据训练用于人脸识别的第一原始卷积神经网络。由于在对第一原始卷积神经网络的训练过程中使用的一般是浮点型数据，因此训练完成的第一原始卷积神经网络的权值张量为浮点型数据。为了提高第一原始卷积神经网络的推理速度，满足数据处理的实时性要求，需要对第一原始卷积神经网络进行更新，以得到高精度且硬件平台适用范围广的人脸识别卷积神经网络。

在本发明的实施例中，对第一原始卷积神经网络进行更新，即是将第一原始卷积神经网络的模型参数的数据类型从浮点型转换为定点型，即将第一原始卷积神经网络的权值张量转化为定点张量。

在本发明的实施例中，在对第一原始卷积神经网络进行更新之前，首先需要从存储器中获取已经训练完成的第一原始卷积神经网络的至少一个权值张量。第一原始卷积神经网络的每个权值张量，分别用于提取人脸图像的不同层次的特征信息。若第一原始卷积神经网络的权值张量已经存储在存储器中，则可以直接从存储器获取该第一原始卷积神经网络的至少一个权值张量。

在本发明的实施例中，张量是一个有组织的多维数组。例如，标量是0维张量，矢量是1维张量，矩阵是2维张量，矩阵数组是3维张量。张量是为了把向量和矩阵推向更高的维度。

在本发明的实施例中，卷积神经网络是一类包含卷积计算且具有深度结构的神经网络。卷积神经网络一般包括输入层、隐含层和输出层。其中，隐含层一般包括卷积层、池化层和全连接层。

在本发明的实施例中，第一原始卷积神经网络的权值张量即是训练完成的第一原始卷积神经网络的模型参数，是浮点型数据的张量。作为一个示例，第一原始卷积神经网络包括至少一个卷积层和至少一个全连接层。则第一原始卷积神经网络的所有权值张量包括每个卷积层对应的权值张量和每个全连接层对应的权值张量。

其中，每一个卷积层均对应一组卷积核，每个卷积核中包括多个权重值。对于每一个卷积层，该卷积层对应的所有卷积核共同组成该卷积层的权值张量。其中，全连接层可以看做是特殊的卷积层。

在本发明的实施例中，第一原始卷积神经网络的权值张量可以被表示为四维张量。作为一个示例，第一原始卷积神经网络的卷积层对应的权值张量的维度可以用(N，C，H，W)表示，N代表该卷积层中卷积核的个数(该卷积层输出的人脸特征图的通道数)，C代表输入该卷积层的人脸图像的通道数量)，H和W分别表示卷积核的高度和宽度。

作为一个示例，第一原始卷积神经网络的一个卷积层包括64个卷积核，每个卷积核的尺寸为3*3*3，则该卷积层的权值张量的维度可以表示为(64，3，3，3)。其中，NCHW代表第一原始卷积神经网络的卷积层的权值张量中权重值的个数。也就是说，上述示例中卷积层的权值张量中的权重值的数目为64*3*3*3。

在本发明的实施例中，由于卷积神经网络中卷积层和全连接层中涉及的运算量比较大，因此在更新卷积神经网络时，主要是对卷积层的权值张量和全连接层的权值张量进行量化，以压缩卷积神经网络。

在本发明的实施例中，为了降低量化过程中权值张量中数据精度的损失，当获取到第一原始卷积神经网络的至少一个权值张量之后，对于每个权值张量，由处理器对该权值张量的多个第一子张量中的每个第一子张量分别进行量化，得到定点张量以及与该定点张量对应的缩放向量。

其中，多个第一子张量是沿预定维度对权值张量分解后得到的，定点张量包括与每个第一子张量对应的定点子张量，缩放向量包括与每个定点子张量对应的定点权值缩放系数。

也就是说，若第一原始卷积神经网络的所有权值张量包括每个卷积层的权值张量和每个全连接层的权值张量，则量化后得到的至少一个定点张量包括每个卷积层的权值张量对应的定点张量和每个全连接层的权值张量对应的定点张量。

以第一原始卷积神经网络中的卷积层为例，上述预定维度可以为卷积核维度，即按照卷积核对该卷积层的权值张量进行分解。也就是说，将卷积层中的一个卷积核作为一个第一子张量。作为一个示例，图2示出一个包括5个卷积核的卷积层的四维权值张量的示意图。图2中的权值张量包括5个三维的第一子张量，每个第一子张量对应一个8*3*3的卷积核，图2中左侧的每一个立方体均代表一个第一子张量。

对于第一原始卷积神经网络的一个卷积层而言，该卷积层中的一个卷积核(即第一子张量)用于关注输入该卷积层的人脸图像的特定局部特征信息，每个卷积核关注的局部特征信息不同。当该卷积层对输入的人脸图像进行卷积时，每个卷积核分别对输入的人脸图像进行卷积，以获取人脸图像的不同的局部特征信息。例如，第一个卷积核用于提取人脸图像的纹理特征，第二个卷积核用于提取人脸图像的轮廓特征，第三个卷积核用于提取人脸图像中的姿态特征等等。

也就是说，第一原始卷积神经网络的卷积层的权值张量的不同第一子张量用于提取输入的人脸图像的不同局部特征信息。若第一原始卷积神经网络的卷积层利用M个卷积核对输入的人脸图像进行卷积计算后，可以输出M个人脸的特征图像，也就是说该卷积层输出的人脸特征图的通道数与卷积核的个数相同。因此也可以将第一原始卷积神经网络的卷积层的权值张量的一个第一子张量看做该权值张量的一个通道。

其中，第一原始卷积神经网络的下一层卷积层是对上一层卷积层提取的人脸图像的特征信息进行抽象组合，得到更高层次的特征信息。也就是说，第一原始卷积神经网络的每个权值张量用于提取人脸图像的不同层次的特征信息。

需要说明的是，权值张量中的数据类型是浮点型数据，定点张量中的数据类型可以为整型数据，例如int8数据。

在本发明的实施例中，对于第一原始卷积神经网络中任意一个权值张量，通过对该权值张量的不同第一子张量进行分别量化，可以得到每个第一子张量对应的定点子张量和该定点子张量对应的定点权值缩放系数。

继续参见图2，图2中的每一个第一子张量分别经过量化后，得到与该第一子张量对应的定点子张量。图2中右侧的每个立方体代表一个定点子张量。并且，每个定点子张量具有对应的定点权值缩放系数(图2中未示出)。其中，定点子张量的维度与其对应的第一子张量的维度相同，不同的是数据类型。

在本发明的实施例中，对于第一原始卷积神经网络的权值张量W的量化结果可以利用Q点乘alpha进行表示，Q为与该权值张量W对应的定点张量，alpha为与该定点张量Q对应的缩放向量。

其中，权值张量W包括m个第一子张量，定点张量Q包括与每个第一子张量对应的定点子张量，缩放向量alpha包括与每个定点子张量对应的定点权值缩放系数，m为正整数。在本发明的实施例中，将权值张量W分解为Q点乘alpha即是对权值张量W的量化。

在本发明的实施例中，通过对权值张量的不同子张量分别进行量化，可以使Q点乘alpha更好地表达W。也就是可以使W与Q点乘alpha的结果之间的差值变得更小，即可以降低权值张量的精度损失，从而得到高精度的人脸识别卷积神经网络。并且，在对权值张量的每个第一子张量进行量化过程中没有偏移量，只是将权值张量表达为定点张量和缩放向量的乘积，因此可以应用在不同的硬件平台上，应用范围更广。

在本发明的实施例中，对于浮点型的权值张量的每个第一子张量的量化方法可以相同，也可以不同。对于具体的量化方法，本发明实施例不做具体限定。例如，可以采用最邻近法对权值张量的第一子张量进行量化。

在本发明的实施例中，对于第一原始卷积神经网络的任一权值张量，可以根据该权值张量的每个第一子张量的数据离散程度选择不同的量化方法，以计算出每个第一子张量对应的定点权值缩放系数。通过利用第一子张量的数据分布的均匀性，配置合适的量化方法，从而更精确地表达卷积神经网络的权值张量，进一步降低权值张量的数据精度的损失。

在本发明的实施例中，当获取到第一原始卷积神经网络的每个权值张量分别对应的定点张量和缩放向量之后，利用每个定点张量和每个缩放向量对第一原始卷积神经网络进行更新，得到人脸识别卷积神经网络。

在本发明的实施例中，人脸识别卷积神经网络是基于每个定点张量更新与每个定点张量对应的权值张量、且基于每个定点子张量的最终缩放系数更新每个定点子张量对应的第一子张量的初始缩放系数后得到的网络。

其中，对于每个定点子张量，该定点子张量的最终缩放系数是基于该定点子张量对应的定点权值缩放系数得到的。

在本发明的实施例中，对于第一原始卷积神经网络的任一权值张量，该权值张量的每个第一子张量均具有对应的原始缩放参数。作为一个示例，第一原始卷积神经网络的每个卷积层之后均连接有一个缩放层(scale层)。对于每个scale层，该scale层的通道数与其对应的卷积层中卷积核的个数相同，即与该卷积层的权值张量的第一子张量的个数相同，该scale层的每个通道用于对该卷积层输出的每个人脸特征图一一进行缩放。由于该卷积层输出的每个人脸特征图均具有各自对应的卷积核，即均具有对应的第一子张量，也就是说该卷积层的权值张量的每个第一子张量均具有对应的原始缩放参数。其中，每个卷积层后连接的缩放层的通道与该卷积层的权值张量的通道一一对应。

具体地，对于任一定点张量中的每个定点子张量，由处理器将该定点子张量对应的定点权值缩放系数和获取的与该定点子张量对应的第一子张量的初始缩放参数的乘积，作为该定点子张量对应的最终缩放参数。

需要说明的是，第一子张量对应的初始缩放系数即为与该第一子张量对应的定点子张量对应的初始缩放系数，该初始缩放系数可以从存储器预先获取。

也就是说，当对第一原始卷积神经网络的权值张量的每个第一子张量分别进行量化后，将定点张量替换对应的权值张量。然后按照缩放层的通道与权值张量的通道之间的对应关系，对于每个定点子张量，将该定点子张量对应的定点权值缩放系数与该定点子张量对应的初始缩放参数先做乘积以进行合并优化，以使更新第一原始卷积神经网络后所得到的人脸识别卷积神经网络部署至硬件平台后，可以减少计算量，提高人脸识别卷积神经网络的推理速度。

其中，对于任一定点子张量，该定点子张量对应的最终缩放系数用于对利用该定点子张量进行卷积计算后所输出的人脸特征图进行缩放。

当得到人脸识别卷积神经网络之后，可以将人脸卷积神经网络部署到多个不同的硬件平台。作为一个示例，硬件平台可以为以下硬件中的任意一种：ASIC、FPGA、NPU和CPU。

当部署了人脸识别卷积神经网络的硬件平台接收了待处理人脸图像之后，可以利用部署的人脸识别卷积神经网络处理待处理人脸图像，以得到人脸图像的人脸识别结果。

在人脸识别卷积神经网络对接收的待处理人脸图像进行处理的过程中，人脸识别卷积神经网络中的每个定点张量用于获取待处理人脸图像的不同层次的特征信息。通过利用待处理人脸图像的不同层次的特征信息，可以得到待处理人脸图像的人脸识别结果。

由于浮点数的运算成本很高，并且资源也比较少，由于成本及效率的关系，人脸识别卷积神经网络在FPGA以及ASIC上面的运行都是以定点数运算的。

当部署有图像处理卷积神经网络的硬件平台接收到待处理图像之后，硬件平台上的图像处理卷积神经网络采用定点计算，因此可以在高精度的图像处理卷积神经网络的基础上提高该卷积神经网络的推理速度。

图3示出了根据本发明一实施例提供的图像数据处理装置的结构示意图。如图3所示，图像数据处理装置300包括：

图像接收模块310，用于接收待处理图像。

图像处理模块320，用于利用图像处理卷积神经网络处理待处理图像，得到待处理图像的处理结果。

其中，图像处理卷积神经网络是基于至少一个定点张量中的每个定点张量以及每个定点张量对应的缩放向量对原始卷积神经网络更新后的网络。

对于每个定点张量，该定点张量以及该定点张量对应的缩放向量是对权值张量的多个第一子张量中的每个第一子张量分别量化后得到的，该权值张量是获取的原始卷积神经网络的、且与该定点张量对应的一个张量。

多个第一子张量是沿预定维度对权值张量分解后得到的，定点张量包括与每个第一子张量对应的定点子张量，缩放向量包括与每个定点子张量对应的定点权值缩放系数。

在一个实施例中，图像处理模块320具体用于：

利用图像处理卷积神经网络的每个定点张量分别获取待处理图像的不同的特征信息；

基于待处理图像的不同的特征信息，得到待处理图像的处理结果。

在一个实施例中，待处理图像为待处理人脸图像，图像处理卷积神经网络为人脸识别卷积神经网络；

或，

待处理图像为待处理行人图像，图像处理卷积神经网络为行人检测卷积神经网络。

在一个实施例中，图像数据处理装置可应用于FPGA、NPU、ASIC或CPU。

在一个实施例中，图像处理卷积神经网络是基于每个定点张量更新与每个定点张量对应的权值张量、且基于每个定点子张量的最终缩放系数更新每个定点子张量对应的第一子张量的初始缩放系数后得到的网络；其中，对于每个定点子张量，定点子张量的最终缩放系数是基于定点子张量对应的定点权值缩放系数得到的。

在一个实施例中，对于原始卷积神经网络的任一权值张量，权值张量的任一第一子张量的量化方法基于该第一子张量的数据离散程度确定。

在一个实施例中，权值张量W的量化结果利用Q点乘alpha表示，Q为定点张量，alpha为缩放向量。

在一个实施例中，原始卷积神经网络包括至少一个卷积层和至少一个全连接层，至少一个定点张量包括每个卷积层的权值张量对应的定点张量和每个全连接层的权值张量对应的定点张量。

通过利用图像处理卷积网络处理图像数据，可以实现在具有广泛硬件平台的适用性的基础上提高图像数据的处理精度。并且，图像处理卷积神经网络可以采用定点计算处理待图像数据，因此可以在高精度的卷积神经网络的基础上提高该卷积神经网络的推理速度。

结合图1和图3描述的根据本发明实施例的图像数据处理方法和装置可以由图像数据处理设备来实现。图4是示出根据发明实施例的图像数据处理设备的硬件结构400示意图。

如图4所示，图像数据处理设备400包括输入设备401、输入接口402、中央处理器403、存储器404、输出接口405、以及输出设备406。其中，输入接口402、中央处理器403、存储器404、以及输出接口405通过总线410相互连接，输入设备401和输出设备406分别通过输入接口402和输出接口405与总线410连接，进而与图像数据处理设备400的其他组件连接。

具体地，输入设备401接收来自外部的输入信息，并通过输入接口402将输入信息传送到中央处理器403；中央处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器404中，然后通过输出接口405将输出信息传送到输出设备406；输出设备406将输出信息输出到图像数据处理设备400的外部供用户使用。

也就是说，图4所示的图像数据处理设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1和图3描述的图像数据处理方法和装置。

本发明实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的图像数据处理方法。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。