一种图像处理方法、智能终端及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、智能终端及存储介质。

背景技术

图像处理任务是计算机视觉领域研究的热门领域，目前图像处理方法已经逐渐由传统方法逐渐过渡到深度学习方法。而现有的基于深度学习的图像处理方法中，往往采用比较固定的方式来进行，在对图像进行处理的神经网络中，使用的卷积核通过训练得到，而一旦训练完成，在实际处理时对于图像的任意区域都是采用同样的卷积核进行处理，而不能根据输入图像的不同来进行动态改变，对于多种不同的图像的兼容性较差。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种图像处理方法、智能终端及存储介质，旨在解决现有技术中不能根据输入图像的不同来动态改变卷积核，对于多种图像的兼容性较差的问题。

本发明的技术方案如下：

本发明的第一方面，提供了一种图像处理方法，所述图像处理方法包括：

获取待处理图像，根据所述待处理图像获取所述待处理图像对应的卷积核；

根据图像处理要求获取待生成的目标图像的各个第二像素点在所述待处理图像中对应的各个第一像素点；

根据所述卷积核获取所述待处理图像中的所述各个第一像素点对应的卷积值，并根据所述卷积值获取所述各个第二像素点的像素数据，生成所述目标图像。

所述的图像处理方法，其中，所述根据所述待处理图像获取所述待处理图像对应的卷积核具体包括：

将所述待处理图像输入至预先训练完成的卷积核生成神经网络，获取所述卷积核生成神经网络输出的所述卷积核。

所述的图像处理方法，其中，所述卷积核生成神经网络是根据数据集训练而成的，所述数据集有多组训练样本，每组训练样本包括第一样本图像、样本卷积核、根据所述样本卷积核对所述第一样本图像进行处理生成的第二样本图像以及对所述第二样本图像的评价数据。

所述的图像处理方法，其中，所述根据图像处理要求获取待生成的目标图像中的各个第二像素点在所述待处理图像中对应的各个第一像素点具体包括：

根据所述图像处理要求获取所述目标图像的第二分辨率；

根据所述第二分辨率获取所述目标图像中所述各个第二像素点分别念对应的第二坐标；

根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点。

所述的图像处理方法，其中，所述根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点具体包括：

获取所述待处理图像的第一分辨率，根据所述第一分辨率和所述第二分辨率获取所述目标图像相对于所述待处理图像的倍率；

将所述各个第二坐标的坐标值分别除以所述倍率后进行下取整获得所述各个第二像素点分别对应的各个第三坐标值；

获取所述各个第三坐标值在所述待处理图像中分别对应的所述各个第一像素点。

所述的图像处理方法，其中，所述根据所述卷积核获取所述待处理图像中的各个第一像素点对应的卷积值具体包括：

根据所述卷积核尺寸获取所述各个第一像素点分别对应的各个卷积区域；

根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积，获得所述各个第一像素点对应的卷积值。

所述的图像处理方法，其中，所述卷积核为所述待处理图像整体对应的全局卷积核，所述卷积区域的尺寸等于所述全局卷积核尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体包括：

根据所述全局卷积核对所述各个卷积区域内所有所述像素点的像素数据进行卷积。

所述的图像处理方法，其中，所述卷积核为所述待处理图像的所述各个卷积区域分别对应的区域卷积核，所述各个卷积区域的尺寸等于所述各个卷积区域对应的所述区域卷积核的尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体包括：

获取所述卷积区域对应的所述区域卷积核；

根据所述各个卷积区域对应的所述区域卷积核分别对所述各个卷积区域内的所有像素点的像素数据进行卷积。

本发明的第二方面，提供了一种智能终端，其中，所述智能终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的图像处理方法。

本发明的第三方面，提供了一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述任意一项所述的图像处理方法。

本发明的技术效果：本发明提供的图像处理方法，通过根据待处理图像获取所述待处理图像对应的卷积核，利用所述卷积核对待处理图像中的像素数据进行卷积生成目标图像的像素数据，从而实现将待处理图像转换为目标图像，针对不同的待处理图像，利用不同的卷积核来进行卷积，实现了卷积核根据待处理图像的不同而动态变化，提升了图像处理方法对各种待处理图像的兼容性。

附图说明

图1是本发明提供的图像处理方法的实施例一的流程图；

图2是本发明提供的图像处理方法的效果对比图；

图3是本发明提供的一种智能终端的功能原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

发明人发现，在现有技术中，基于深度学习的图像处理方法中，是预先通过大量的图像进行训练，获取对图像进行处理时的卷积核，而一旦训练完成，在实际处理时，都是根据训练得到的一个卷积核对图像进行处理，那么根据训练好的卷积核对图像进行处理时，就会受到该卷积核的限制。实际上，不同的图像有不同的特性，而不同的特性对应有不同的处理效果较好的卷积核，例如，对于平滑的图像，采用较为均匀的卷积核进行卷积的处理效果较好，而对于不平滑的图像，采用双边滤波的卷积核进行卷积的处理效果较好，对于多种不同的图像，使用同样的卷积核进行处理，必然会导致对具有某些特性的图像的处理效果不佳，也就是说，现有技术中的图像处理方法对多种图像的处理兼容性较差。

针对现有技术的上述缺陷，本发明提供了一种图像处理方法以对现有技术中的上述缺陷进行改进，所述图像处理方法可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central Processing Unit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(Video Processing Unit，VPU)等中的至少一种。

实施例一

请参阅图1，图1是本发明提供的图像处理方法的较佳实施例的流程简图。

在实施例一中，所述图像处理方法用于将待处理图像转换为目标图像，所述图像处理方法包括：

S100、获取待处理图像，根据所述待处理图像获取所述待处理图像对应的卷积核。

所述卷积核是在基于深度学习的图像处理领域中的常用工具，其直接影响对图像处理的效果，而本发明是对于不同的待处理图像，是获取所述待处理图像对应的卷积核来进行图像处理，所述待处理图像对应的所述卷积核是适于处理所述待处理图像，也就是说，根据所述待处理图像的特性选择适于处理所述待处理图像的所述卷积核，实现了对于不同的待处理图像，自动生成适合的所述卷积核，使得对不同的待处理图像，都能取得最适合的处理效果，提升图像处理方法的兼容性。

在本实施例中，是先训练完成一个卷积核生成神经网络，在获取到所述待处理图像后，将所述待处理图像输入至预先训练完成的所述卷积核生成神经网络，获取所述卷积核生成神经网络输出的与所述待处理图像对应的所述卷积核。具体地，所述卷积核生成神经网络是根据数据集训练而成的，所述数据集有多组训练样本，每组训练样本包括第一样本图像、样本卷积核、根据所述样本卷积核对所述第一样本图像进行处理生成的第二样本图像以及对所述第二样本图像的评价数据。在对所述卷积核生成神经网络进行训练时，是对所述卷积核生成神经网络根据样本图像生成的卷积核进行评价，并将评价反馈至所述卷积核生成神经网络，进而使得所述卷积核生成神经网络能够通过深度学习实现根据输入的图像生成适当的卷积核的目的。具体地，在训练所述卷积核生成神经网络时，是将每组训练样本中的第一样本图像输入至所述卷积核生成神经网络，所述卷积核生成神经网络根据所述第一样本图像生成样本卷积核，终端可以获取所述样本卷积核，并根据所述样本卷积核按照预设的图像处理要求对所述第一样本图像进行处理生成第二样本图像，再对所述第二样本图像进行评价，可以是人工评价，也可以是由及其自动评价，生成对所述第二样本图像的评价数据，所述评价数据反映了所述第二样本图像的图像质量，即，反映了根据所述样本卷积核对所述第一样本图像进行处理的适合程度。在获取所述评价数据后，将所述样本卷积核以及所述评价数据卷积反馈至所述卷积核生成神经网络，使得所述卷积核生成神经网络学习到根据所述样本卷积核对所述样本图像进行处理的适合程度。通过大量的训练样按照上述步骤对所述卷积核生成神经网络进行训练，最终实现所述卷积核生成神经网络能够根据输入的图像生成适于处理输入的图像的卷积核。

S200、根据图像处理要求获取待生成的目标图像的各个第二像素点在所述待处理图像中对应的各个第一像素点。

图像处理方法是根据所述待处理图像生成与所述待处理图像对应的目标图像，具体地，所述待处理图像对应的待生成的所述目标图像中的像素点与所述待处理图像中的像素点存在对应关系，为了便于说明，下面将所述目标图像中的像素点称为第二像素点，待处理图像中与所述目第二像素点存在对应关系的像素点称为第一像素点。

所述图像处理要求可能是对所述待处理图像进行缩放，得到分辨率不同的所述目标图像，也可能是对所述待处理图像进行处理得到分辨率相同，但是更清晰的所述待处理图像或者其他目的，无论图像处理的目的如何，都是将所述待处理图像中的所述第一像素点的像素数据进行处理后获得新的像素数据，并将新的像素数据赋值于所述目标图像中的所述第二像素点，从而生成所述目标图像。

所述根据图像处理要求获取待生成的目标图像的各个第二像素点在所述待处理图像中对应的各个第一像素点具体包括：

当所述目标图像和所述待处理图像的分辨率相同时，所述第一所述第一像素点和所述第二像素点是一一对应的关系，也就是说，在所述待处理图像中坐标为(i，j)的像素点与所述目标图像中坐标也为(i，j)的像素点相对应，此时，所述第一像素点的个数等于所述第二像素点的个数，并且等于所述待处理图像中的全部像素点的个数。

当所述目标图像和所述待处理图像的分辨率不同时，所述第一像素点和所述第二像素点而可能是一对多的关系。例如，当所述目标图像的分辨率大于所述待处理图像的分辨率时，所述目标图像中的所述第二像素点的个数大于所述待处理图像中的全部像素点的个数，此时，一个所述第一像素点可能同时与多个所述第二像素点存在对应关系。当所述目标图像的分辨率小于所述待处理图像的分辨率时，所述目标图像中的所述第二像素点的个数小于所述待处理图像中的全部像素点的个数，此时，一个所述第二像素点对应一个所述第一像素点，但是所述第一像素点的个数少于所述待处理图像中全部像素点的个数，也就是说，所述第二像素点和所述第一像素点的坐标不一致。

在现有技术中，进行图像处理时，所述第二像素点和所述第一像素点的对应关系往往是固定的，也就是说，在所述目标图像中坐标为(i，j)的像素点对应所述待处理图像中坐标为(i1，j1)的像素点，这就导致了现有的图像处理方法不能实现多种分辨率相对关系的所述待处理图像和所述目标图像的处理。

而本实施例提供了获取所述第二像素点对应的所述第一像素点的方法，使得本实施例提供的图像处理方法可以适应多种分辨率相对关系的图像处理，具体地，所述根据图像处理要求获取待生成的目标图像的各个第二像素点在所述待处理图像中对应的各个第一像素点具体包括：

S210、根据所述图像处理要求获取所述目标图像的第二分辨率。

具体地，所述图像处理要求中包括了需要将所述待处理图像处理处理为具有何种分辨率的图像，例如，所述图像处理要求为将所述待处理图像处理为分辨率为a*b的图像，那么，获取所述目标图像的所述第二分辨率为a*b。

S220、根据所述第二分辨率获取所述目标图像中所述各个第二像素点分别对应的第二坐标；

在获取到所述目标图像的所述第二分辨率后，可以根据所述第二分辨率获取到所述目标图像中的各个所述第二像素点分别对应的所述第二坐标。具体地，分辨率是(图像在宽度方向的像素数量)*(图像在高度方向上的像素数量)，那么，当所述目标图像的所述第二分辨率为a*b时，所述目标图像中的所述各个第二像素点为(i，j)，其中i∈[0,a)，j∈[0,b)，i，j均为正整数。

S230、根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点。

在获取到所述第二坐标后，可以根据所述第二坐标获取所述各个第二像素点在所述待处理图像中对应的所述各个第一像素点。具体地，所述根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点包括：

S231、获取所述待处理图像的第一分辨率，根据所述第一分辨率和所述第二分辨率获取所述目标图像相对于所述待处理图像的倍率。

具体地，前面已经说明，分辨率是(图像在宽度方向的像素数量)*(图像在高度方向上的像素数量)，那么，所述倍率包括在宽度上的倍率和在高度上的倍率。例如，若所述目标图像的分辨率为320*240，所述待处理图像的分辨率为640*480，则在宽度上的倍率和在高度上的倍率均为0.4，若所述目标图像的分辨率为800*480，所述待处理图像的分辨率为640*480，则在宽度上的倍率为1.25，在高度上的倍率为1。

S232、获取所述各个第二像素点分别对应的各个第二坐标，将所述各个第二坐标的坐标值分别除以所述倍率后进行下取整获得所述各个第二像素点分别对应的各个第三坐标值。

在获取到所述倍率后，将所述各个第二像素点的所述第二坐标的坐标值处于对应的所述倍率，具体地，是将宽度方向上的坐标值处于宽度方向上的倍率后进行下取整，将高度方向上的坐标值除以高度方向的倍率后进行下取整，例如，所述第二像素点的坐标为(i，j)，其中，i为所述第二像素点在图像宽度方向上的坐标，j为所述第二像素点在图像高度方向上的坐标，所述目标图像相对于所述待处理图像在宽度方向上的倍率为1.25，在高度方向上的倍率为1，那么，获取所述第二像素点对应的所述第三坐标值为

S233、获取所述各个第三坐标值在所述待处理图像中分别对应的所述各个第一像素点。

可以看出，在对所述第二像素点对应的所述第二坐标进行处理后的到所述第三坐标值均为整数，那么，在所述待处理图像中坐标值为所述第三坐标值的像素点即为所述第二像素点对应的所述第一像素点。

本实施例通过对所述目标图像中的所述第二像素点的坐标根据分辨率倍率进行运算后向下取整，使得所述目标图像中的所述第二像素点均能对应到所述待处理图像中的所述第一像素点，可以实现多种分辨率相对关系的图像处理。

S300、根据所述卷积核获取所述待处理图像中的各个第一像素点对应的卷积值，并根据所述卷积值获取所述各个第二像素点的像素数据，生成所述目标图像。

在获取到所述卷积核和所述第一像素点后，可以根据所述卷积核对所述待处理图像中各个所述第一像素点进行处理，以生成所述目标图像。具体地，是先根据所述卷积核获取所述待处理图像中的各个所述第一像素点对应的卷积值，再根据所述卷积值获取所述各个第二像素点的像素数据，生成所述目标图像。

所述获取所述待处理图像中的各个第一像素点对应的卷积值是对以所述各个第一像素点为中心的卷积区域内的所有像素点的像素数据进行卷积，得到所述各个第一像素点对应的所述卷积值，具体包括：

S310、根据所述卷积核尺寸获取所述各个第一像素点分别对应的各个卷积区域；

S320、根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积，获得所述各个第一像素点对应的卷积值。

具体的，所述卷积核尺寸是指所述卷积核的长x宽，在获取所述所述卷积核之后，可以获取到所述卷积核尺寸。

在获取所述各个第一像素点分别对应的卷积值时，是对以所述第一像素点为中心的特定区域内的所有像素点的像素数据进行卷积的，这个特定区域即为所述卷积区域。所述卷积区域的尺寸与所述卷积核尺寸相等，例如，所述卷积核尺寸为k*k，那么，所述卷积区域就是以所述第一像素点为中心，尺寸为k*k大小的区域。在获取到所述第一像素点对应的卷积区域后，将所述卷积区域内的包含的所有像素点的像素数据与所述卷积核进行运算，获取所述第一像素点对应的所述卷积值。如图2所示，在获取O像素点对应的卷积值时，所述卷积核尺寸为3*3，那么O像素点对应的卷积区域即为图2所示出的区域，可以看到，O像素点对应的卷积区域内包含3*3＝9个像素点，将这9个像素点的像素数据组成的矩阵与所述卷积核进行运算，得到的值作为O像素点的卷积值。

具体地，对所述各个卷积区域内包含的所有像素点的像素数据进行卷积的运算方式可以根据所述图像处理方法采用的卷积的种类不同而不同，例如，当采用标准卷积时，对所述各个卷积区域内包含的所有像素点的像素数据进行卷积的公式可以为：

具体地，所述待处理图像可以包括多个通道，例如RGB图像包括3个通道，所述待处理图像的所述第一像素点的像素数据的组数与所述待处理图像的通道数相同，例如，对于RGB图像，其上的每一个像素点的像素数据包括分别在R、G、B通道上的数据，共有3组。在采用标准卷积时，所述对所述待处理图像进行处理的目标可能是将所述待处理图像处理为不同通道数的图像，即，所述目标图像的通道数与所述待处理图像的通道数不同，此时，所述卷积核的参数为C

而本领域技术人员可以选择其他的卷积方式获取所述卷积值，例如，还可以采用深度卷积获取所述卷积值，当采用深度卷积时，对所述各个卷积区域内包含的所有像素点的像素数据进行卷积的公式可以为：

具体地，当采用深度卷积时，所述待处理图像和所述目标图像的通道数相等并一一对应，因此，此时，所述卷积核参数为C

不难看出，所述卷积核的参数与所述图像处理方法选择的卷积方式有关，本发明并不限于上述的卷积公式以及卷积核参数，本领域技术人员可以选择其他的卷积方式例如组卷积、全卷积、深度分离卷积等，并根据对应的卷积方式选择适应的卷积公式以及卷积核参数。

相应地，由于所述卷积核是所述卷积核生成神经网络根据所述待处理图像输出的，因此，在对所述卷积核生成神经网络进行训练时，是根据卷积方式来确定所述训练样本中的图像对应的卷积核的卷积核参数，从而使得所述卷积核生成神经网络根据所述待处理图像输出的所述卷积核的卷积核参数与所述图像处理方法采用的卷积方式相对应。

在一种可能的实现方式中，所述卷积核可以是所述待处理图像整体对应的全局卷积核，当使用所述全局卷积核对所述待处理图像进行处理时，所述各个第一像素点对应的所述卷积区域的尺寸都等于所述全局卷积核尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体是根据所述全局卷积核对所述各个卷积区域内所有像素点的像素数据进行卷积。对于所述待处理图像的所述第一像素点来说，在获取所述卷积值时，每个所述卷积区域在单个通道上的卷积核都为所述全局卷积核，也就是说，所述待处理图像的一个通道对应一个所述全局卷积核。

当本实施例提供的图像处理方法中采用的是标准卷积时，所述待处理图像的各个通道对应的所述全局卷积核都相同，也就是说，所述待处理图像只对应一个所述全局卷积核。

当本实施例提供的图像处理方法中采用的是深度卷积时，所述待处理图像的各个通道对应的所述全局卷积核不相同，也就是说，所述待处理图像对应的所述全局卷积核有多个，所述全局卷积核的个数等于所述待处理图像的通道数。

通过上述实现方式，可以实现根据不同的待处理图像的整体特性，生成对应的适用处理所述待处理图像的所述卷积核，而进一步地，在同一个所述待处理图像中，不同的区域也可能存在不同的特性，例如，一幅图像的部分区域是平滑的，部分区域是非平滑的，那么，针对具有不同特性的区域，采用与该区域的特性相对应的适于处理该区域的卷积核，会进一步大幅提高对所述待处理图像进行处理的处理质量。

因此，在本发明另一种可能的实现方式中，所述卷积核为所述待处理图像的所述各个卷积区域分别对应的区域卷积核。当使用所述区域卷积核对所述待处理图像进行处理时，所述各个第一像素点对应的所述卷积区域的尺寸都等于所述区域卷积核尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体是根据所述区域卷积核对所述各个卷积区域内所有像素点的像素数据进行卷积。也就是说，每个所述卷积区域都对应有一个所述区域卷积核，在获取所述各个第一像素点的卷积值时，是根据所述各个第一像素点对应的所述各个卷积区域对应的所述区域卷积核对所述各个卷积区域内包括的所有像素点的像素数据进行卷积。

当所述待处理图像的尺寸为C

如图2所示，图2是通过本实施例提供的图像处理方法，当所述卷积核为所述区域卷积核时的图像处理效果，图2左为待处理图像，图2中为利用本实施例提供的图像处理方法，当所述卷积核为所述区域卷积核生成的目标图像，图2右为现有技术的图像处理方法生成的目标图像。可以看出相对于现有技术在部分区域，例如文字区域的处理效果不佳的效果，本实施例提供的图像处理方法在各个区域的处理效果都较好。

当本实施例提供的图像处理方法中采用的是标准卷积时，每个所述卷积区域在各所述待处理图像上各个通道上对应的所述区域卷积核是相同的，也就是说，所述待处理图像共有H

当本实施例提供的图像处理方法中采用的是深度卷积时，每个所述卷积区域在各所述待处理图像上各个通道上对应的所述区域卷积核不相同，也就是说，所述待处理图像的每个通道，有H

相应地，由于所述卷积核是所述卷积核生成神经网络根据所述待处理图像输出的，因此，在对所述卷积核生成神经网络进行训练时，是根据所述图像处理方法中采用的卷积核是全局卷积核还是区域卷积核来相应训练的，也就是说，当所述卷积核为所述全局卷积核时，那么，所述卷积核生成神经网络的所述训练样本中的图像对应的所述卷积核为全局卷积核，所述全局卷积核适于处理该图像对应的通道，例如标准卷积时，一张图像对应有一个所述全局卷积核，深度卷积时，一张图像对应有该图像的通道数个所述全局卷积核；当所述卷积核为所述区域卷积核时，所述卷积核生成神经网络的所述训练样本中的图像对应的所述卷积核为所述区域卷积核，所述区域卷积核适于处理该图像对应的所述卷积区域，例如标准卷积时，所述样本中的一张图像对应有H

在获取到所述各个第一像素点的对应的卷积值后，可以根据所述卷积值获取所述各个像素点的像素数据，生成所述目标图像。具体地，所述根据所述卷积值获取所述各个第二像素点的像素数据，生成所述目标图像具体是指获取所述各个第一像素点在所述目标图像的各个通道上的卷积值作为所述第二像素点在各个通道上的像素数据，获取到了所述目标图像上的各个像素点在各个通道上的像素数据，就可以获取到所述目标图像上的各个像素点的总像素数据，从而生成了所述目标图像。

由以上实施例可以看出，本发明提供的一种图像处理方法，是通过卷积核生成神经网络根据待处理图像获取所述待处理图像对应的卷积核，利用所述卷积核对待处理图像进行卷积生成目标图像的像素数据，从而实现将待处理图像转换为目标图像，针对不同的待处理图像，利用不同的卷积核来进行卷积，实现了卷积核根据待处理图像的不同而动态变化，提升了图像处理方法对各种待处理图像的兼容性。

实施例二

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的当前运行温度。

本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：

获取待处理图像，根据所述待处理图像获取所述待处理图像对应的卷积核；

根据图像处理要求获取待生成的目标图像中的各个第二像素点在所述待处理图像中对应的各个第一像素点；

根据所述卷积核获取所述待处理图像中的所述各个第一像素点对应的卷积值，并根据所述卷积值获取所述各个第二像素点的像素数据，生成所述目标图像。

其中，所述根据所述待处理图像获取所述待处理图像对应的卷积核具体包括：

将所述待处理图像输入至预先训练完成的卷积核生成神经网络，获取所述卷积核生成神经网络输出的所述卷积核。

其中，所述卷积核生成神经网络是根据数据集训练而成的，所述数据集有多组训练样本，每组训练样本包括第一样本图像、样本卷积核、根据所述样本卷积核对所述第一样本图像进行处理生成的第二样本图像以及对所述第二样本图像的评价数据。

其中，所述根据图像处理要求获取待生成的目标图像中的各个第二像素点在所述待处理图像中对应的各个第一像素点具体包括：

根据所述图像处理要求获取所述目标图像的第二分辨率；

根据所述第二分辨率获取所述目标图像中所述各个第二像素点分别念对应的第二坐标；

根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点。

其中，所述根据所述各个第二像素点的第二坐标获取所述各个第二像素点分别对应的所述各个第一像素点具体包括：

获取所述待处理图像的第一分辨率，根据所述第一分辨率和所述第二分辨率获取所述目标图像相对于所述待处理图像的倍率；

将所述各个第二坐标的坐标值分别除以所述倍率后进行下取整获得所述各个第二像素点分别对应的各个第三坐标值；

获取所述各个第三坐标值在所述待处理图像中分别对应的所述各个第一像素点。

其中，所述根据所述卷积核获取所述待处理图像中的各个第一像素点对应的卷积值具体包括：

根据所述卷积核尺寸获取所述各个第一像素点分别对应的各个卷积区域；

根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积，获得所述各个第一像素点对应的卷积值。

其中，所述卷积核为所述待处理图像整体对应的全局卷积核，所述卷积区域的尺寸等于所述全局卷积核尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体包括：

根据所述全局卷积核对所述各个卷积区域内所有所述像素点的像素数据进行卷积。

其中，所述卷积核为所述待处理图像的所述各个卷积区域分别对应的区域卷积核，所述各个卷积区域的尺寸等于所述各个卷积区域对应的所述区域卷积核的尺寸，所述根据所述卷积核分别对所述各个卷积区域内所有像素点的像素数据进行卷积具体包括：

获取所述卷积区域对应的所述区域卷积核；

根据所述各个卷积区域对应的所述区域卷积核分别对所述各个卷积区域内的所有像素点的像素数据进行卷积。

实施例三

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本发明提供了一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或多个程序可被一个或者多个处理器执行，以实现如实施例一所述的图像处理方法。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。