CN103810504A - 一种图像处理方法和装置 - Google Patents

Abstract

本发明公开了一种图像处理方法，该方法包括：对样本图像的颜色特征和纹理特征的提取，训练多个场景分类器；提取需要处理的图像的颜色特征和纹理特征，并分别输入训练完成的各场景分类器，获得所有场景分类器投票的场景类型；将各场景分类器投票次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。基于同样的发明构思，本发明还提出一种装置，能够为不同场景下的图像实现与场景信息有关的切变特效，以增强图像浏览时的趣味性和视觉效果。

Description

一种图像处理方法和装置

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像处理方法和装置。

背景技术

在播放图像时，往往采用特殊的切变效果来达到增强视觉效果的目的，称之为幻灯片效应（slideshow effect）.

传统的图像切变特效，其效果都是事先设定好或者是由用户指定的。随着图像分析技术的进步，越来越多的图像切变效果加入了智能化的因素。通过分析图像序列的相关性，或者分析图像当中的显著性物体，一般为人脸或人体，能够实现一些根据图像内容的切变效果。

这些切变效果形式更为多变，且与图像的内容相关，与传统的切变特效方法相比，更为生动，能够提供更好的用户体验。

现有的智能化图像切变特效方法存在以下不足：

首先，主要针对有图像中特定的前景物体进行基于内容的分析，特别是人脸或人体图像，而对于图像场景缺少分析。对于图像场景的分析，可以更好的了解图像的本质信息，在此基础上能够设计更为多变的图像整体切变效果，而不是受限于特定的前景对象。

其次，真实照片中前景物体的类型较为多变，目前也缺少一种针对不同物体的自动图像分割方法，这也使得前景物体的获取和识别较为不易；事实上缺乏显著性前景物体的图像也非常多见。

最后，缺少与图像内容语义相关的智能化特效。不少特效是根据不同图像间像素块的相似程度来实现的，但仅限于几何的变化。还有少数与人脸相关的方法，可以根据人脸当前的表情等状态，通过表情合成技术来生成特效，但这些方法仅限于人脸图像，不适用于其他普通图像。

发明内容

有鉴于此，本发明提供一种图像处理方法和装置，能够为不同场景下的图像实现与场景信息有关的切变特效，以增强图像浏览时的趣味性和视觉效果。

为解决上述技术问题，本发明的技术方案是这样实现的：

一种图像处理方法，预先配置场景信息与切变特效的对应关系，所述方法包括：

获取样本图像，并根据样本图像的场景类型将各样本图像分类；

对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征；

将提取的该图像的颜色特征和纹理特征构成特征向量，并将各场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；

在特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器；其中，N为大于2的整数；

获取需要处理的图像时，提取该图像的颜色特征和纹理特征构成该图像的特征向量，并分别输入所述N个场景分类器内，获得各场景分类器输出的场景类型；

将N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；

根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

一种装置，该装置包括：配置单元、提取单元、训练单元和处理单元；

所述配置单元，用于预先配置场景信息与切变特效的对应关系；

所述提取单元，用于获取样本图像，并根据样本图像的场景类型将各样本图像分类；对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征；并将提取的该图像的颜色特征和纹理特征构成特征向量，将各场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；获取需要处理的图像，并提取该图像的颜色特征和纹理特征构成该图像的特征向量；

所述训练单元，用于在所述提取单元中的特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器；将所述提取单元提取的需要处理的图像的特征向量分别输入所述N个场景分类器内，获得各场景分类器输出的场景类型；其中，N为大于2的整数；

所述处理单元，用于将所述训练单元中N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息在所述配置单元中获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

综上所述，本发明通过对样本图像的颜色特征和纹理特征的提取，训练多个场景分类器；提取需要处理的图像的颜色特征和纹理特征，并分别输入训练完成的各场景分类器，获得所有场景分类器投票的场景类型；将各场景分类器投票次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。能够为不同场景下的图像实现与场景信息有关的切变特效，以增强图像浏览时的趣味性和视觉效果。

附图说明

图1为本发明具体实施例中图像处理方法流程示意图；

图2为本发明具体实施例中应用上述技术的装置的结构示意图。

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白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

本发明实施例中提出一种图像处理方法，设备通过对样本图像的颜色特征和纹理特征的提取，训练多个场景分类器；提取需要处理的图像的颜色特征和纹理特征，并分别输入训练完成的各场景分类器，获得所有场景分类器投票的场景类型；将各场景分类器投票次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。能够为不同场景下的图像实现与场景信息有关的切变特效，以增强图像浏览时的趣味性和视觉效果。

将样本图像根据场景类型进行划分，在样本图像数量允许的情况下，即数量足够多时，可以根据周围场地、天气、主题甚至光照等因素进行划分。其中，周围场地可分成：草地，树林，城市，海洋，室内等；天气可分为晴天，非晴天等；主题可分为人物，建筑，车辆，其他等；光照可按照亮暗进行分类。

这样组合各种可能的因素，可以获得不同的场景类型分类，如：

草地，晴天，人物；

城市，建筑，夜晚；

海洋，非晴天，暗等。

以上只是一种场景类型分类，根据样本图像库的实际情况进行划分，在样本数不足，或者样本特征不够明显时，无需对于每种因素进行划分。

用于进行图像处理的设备会收集和整理大量自然样本图像，这些自然样本图像的前景和背景较为多变，不限于特定的前景图像。

设备收集的大量样本图像如果大小不一致，可以通过缩放将所有样本图像统一成相同大小。

设备获取样本图像，并根据样本图像的场景类型将各样本图像分类。对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征，将提取的该图像的颜色特征和纹理特征构成特征向量，将每个场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；在特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器。

N为大于2的整数，在实际应用中，可以适当多训练场景分类器的数目，已增加确定图像的场景类型的准确度。

下面详细描述颜色特征和纹理特征的提取，以及场景分类器的训练。

设备对样本图像库中的每个图像进行分块操作，根据该图像的实际大小，将该图像分为像素p×p的小块图像，对于该图像不够p×p的小块图像部分丢弃。

其中，p为预设像素值，大于0的整数，如可以配置为32。

通常如从图像的左上角开始取32×32的像素作为一个小图像块，当取到右上角和右下角，且存在不够32×32的像素块时，则将这部分丢弃，不进行任何处理，且在取各小块图像时，各小块图像之间无重叠。

第一步，设备在图像的色调饱和度亮度（HSV）颜色空间下，分别计算每个小块图像的色调、饱和度和亮度三个分量的均值、方差和偏度，构成该小块图像的颜色矩特征。

各图像分为多个小块图像之后，在图像的HSV颜色空间下，分别计算每个小块图像的色调（Hue）、饱和度（Saturation）和亮度（Value）三个分量的均值、方差和偏度，将所有小块图像的三个分量的均值、方差和偏度构成该图像的颜色特征。

每个小块图像的三个分量的均值、方差和偏度，即该小块图像的一阶、二阶和三阶HSV空间颜色矩阵特征。三种矩阵特征的计算公式如下：

${\mathrm{\μ}}_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_{\mathrm{ij}}$

${\mathrm{\σ}}_i={\left(\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(h_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right)}^{\frac{1}{2}}$

$s_i={\left(\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(h_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right)}^{\frac{1}{3}}$

其中h_ij为第i个颜色分量中第j个像素点的值，n一个小块图像中像素点的个数。

对于一个小块图像的颜色矩为[μ₁，μ₂，μ₃，σ₁，σ₂，σ₃，s₁，s₂，s₃]。

第二步，该设备对这三个分量进行非等量量化，获得量化后的直方图维数。

对HSV颜色空间的色调（H），饱和度（S）和亮度（V）三个分量值进行非等量量化。现有实现中有多种量化方法，本发明具体实施例给出一种量化实现形式，其中，H量化到8个值，S、V量化到两个值，这样量化后的直方图维数为：

Hist＝HQ_sQ_v+SQ_v+V

其中Q_s、Q_v分别为S和V分量的量化级数，即都为2，H、S、V分别为H、S、V三个分量量化后的值。

第三步，该设备在量化后的直方图维数的基础上计算量化后的颜色直方图的一阶、二阶和三阶矩特征，获得颜色直方图矩特征。

$\mathrm{\μ}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{h}_i$

$\mathrm{\σ}={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(h_i-\mathrm{\μ})}^2\right)}^{\frac{1}{2}}$

$s={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(h_i-\mathrm{\μ})}^3\right)}^{\frac{1}{3}}$

其中，h_i为第i个像素点的直方图维数值，n为一个小块图像中像素点的个数。

对于一个小块图像的直方图矩为[μ，σ，s]。

第四步，该设备将该图像的所有小块图像的颜色矩特征和颜色直方图矩特征构成该图像的颜色特征。

设备提取图像的纹理特征，具体步骤如下：

第一步，对于每个小块图像，设备获得该小块图像的灰度图，并将灰度值量化为第一预设值级。

第一预设值可以根据实际应用配置，如8等。

第二步，设备根据配置的预设窗口范围计算该小块图像的四个方向的灰度共生矩阵。

以计算每个小块图像的4个方向（0°，45°，90°，135°）的灰度共生矩阵为例。计算公式具体如下：

m_(d,θ)(i,j)＝card{[(x₁,y₁),(x₂,y₂)]∈S|f(x₁,y₁)＝i&f(x₂,y₂)＝j}

其中m_(d,θ)(i,j)表示像素点i到像素点j在θ方向上的距离d；f(x,y)表示预设窗口范围内图像，S为具有特定空间联系的像素对的集合，即在同一预设窗口范围内的像素对，d表示两个像素点的距离，θ表示方向角度，即上面的0°，45°，90°，135°，card(S)表示集合S中对m_(d,θ)(i,j)有贡献的元素个数，f(x₁,y₁)＝i，表示像素点i的坐标为x₁和y₁。

第三步，设备分别计算四个灰度共生矩阵的7个统计量特征，获取计算的各统计量特征的平均值，并进行归一化计算。

7个统计量为相关性、对比度、熵、逆差矩、能量、和平均、和熵。

第四步，设备将进行归一化计算后的各统计量特征取四个方向的均值，获得基于灰度共生矩阵的纹理特征。

该图像的各个小块图像的基于灰度共生矩阵的纹理特征构成该图像的纹理特征。

将该图像的颜色特征和纹理特征即构成了该图像的特征向量。

设备在特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器。具体训练过程如下：

由于随机选取样本图像的特征向量，对最终的分类结果具有一定的随机性和不稳定性，因此使用N个，即多个场景分类器进行训练，这样可以使得分类结果更加稳定、可靠。

在随机选取样本图像的特征向量时，每次选取的特征向量的总个数要相同，即选取的样本图像的总个数是相同的，并且从每种场景类型下选取的样本图像的个数也应该相同。

如，现在设备上配置三种场景类型，每种场景类型中下存在100张样本图像，且对应100个特征向量。

如N是3，并且每次选取100个特征向量。假设第1次选取的100个特征向量，为在第一种场景类型下选取50个特征向量，在第二种场景类型下选取20个特征向量，在第三种场景类型下选取30个特征向量。在各场景类型下选取特征向量个数确定后，进行随机选取，在哪个场景类型下选取多少个特征向量，进行预先配置。

在第2次选取时，也选取100个特征向量，在第一场景类型下也选取50个特征向量，在选取这50个特征向量时，随机选举，可以与上一次选取的有重复，也可以没有重复；在第二场景类型下与第1次选取一样，也随机选取20个特征向量，在第三场景类型下也同样随机选取30个特征向量。

在第3次选取时，选取方式与上述类似，这里不再详细描述。

在进行场景分类器训练时，可以使用基于径向基核函数的支持向量机分类器进行训练，得到N个场景分类器。

下面结合附图，详细描述本发明具体实施例中如何实现图像旋转角度检测的。

参见图1，图1为本发明具体实施例中图像处理方法流程示意图。具体步骤为：

步骤101，设备获取需要处理的图像时，提取该图像的颜色特征和纹理特征构成该图像的特征向量，并分别输入训练的N个场景分类器内，获得各场景分类器输出的场景类型。

本步骤中需要检测旋转角度的图像需先确定同组成样本图库中的图像的大小是否一样，如果是，直接采用上文的分块方法进行分块，否则，先将该图像缩放到与样本图像库中的图像一样大小，在进行分块处理。

在提取该图像的颜色特征和纹理特征时，提取方法也同对样本图像库中图像的颜色特征和纹理特征，这里不再详细描述。

每个场景分类器都会输出一个场景类型，即为该场景类型投一次票。

步骤102，该设备将N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息。

步骤103，该设备根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

设备预先配置各场景类型对应的场景信息与切变特效的对应关系。

如配置场景类型对应的场景信息为“草地、晴天、人物”，配置该场景信息对应的切变特效为“增加乌云、羊群动画，天色亮暗”。

如果当前确定的场景信息对应的切变特效只有一种，如只有增加乌云，则进行增加乌云这一切变特效给图像。

当该场景信息对应的切变特效包括两种以上时，在根据确定的切变特效处理该需要处理的图像时，使用其中一种或任意组合的切变特效处理该需要处理的图像。

如可以对该图像使用增加乌云，也可以是增加羊群动画，还可以是天色变暗；也可以将其中的一种或两种组合同时进行切变特效，如增加乌云并羊群动画。

当该需要处理的图像尺寸较大，且确定的场景信息对应的切变特效有两种以上时，选择其中速度最快的切变特效对该需要处理的图像进行处理。

假设增加乌云速度比较快，则选择增加乌云这一切变特效进行图像处理。

根据以上选择的图像切变特效，可以利用图像处理方法和动画贴图方法予以实现，根据实现的技术方法不同，可以分为三类：

第一类：图像整体调整类。

此类特效并不针对图像中的局部对象，而是通过一些图像变换方式来实现对图像整体的调整，以实现特殊效果。这些图像变换包括图像场景的亮暗处理和图像色彩的调整。

比如对于户内和户外两种不同场合，就需要设计两种不同亮暗处理方法。户内的光照效果可以通过光照模型来模拟和控制，户外的光照效果可以通过调整图像整体亮度来近似。

整个特效实现的过程，即为图像整体效果逐步调整的过程。

第二类：动画嵌入类。

此类特效是根据场景，将预先做好的语义相近的动画嵌入到图像特效的过程中。

比如草地的场景，可以将羊群路过吃草的动画嵌入；

比如有前景人物的场景，可以将花环、光环等动画嵌入到人体或人脸的四周达到特殊效果。

第三类：图像嵌入类。

此类特效是根据场景，将已有的真实图像嵌入到图像中，为了达到生动的效果，可以在特效过程中嵌入不同的图像。

比如晴天的场景，可以嵌入一些乌云。

第三类特效与第二类特效的区别是，第二类特效嵌入的只是动画内容，嵌入的方式采用的是简单贴图的方式；但第三类特效嵌入的是真实图像，为了达到较为真实的视觉效果，需要采用图像融合和in-painting技术来增强嵌入后图像的真实感。

在此三类效果的基础上，往往需要对其进行组合，以生成更为复杂的特效。

比如，将晴天的图像嵌入乌云后，需要调整图像整体的亮度，也可以加入雨滴的动画效果。

基于同样的发明构思，本发明具体实施例中还提出一种装置。参见图2，图2为本发明具体实施例中应用上述技术的装置的结构示意图。

一种装置，其特征在于，该装置包括：配置单元201、提取单元202、训练单元203和处理单元204。

配置单元201，用于预先配置场景信息与切变特效的对应关系；

提取单元202，用于获取样本图像，并根据样本图像的场景类型将各样本图像分类；对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征；并将提取的该图像的颜色特征和纹理特征构成特征向量，将各场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；获取需要处理的图像，并提取该图像的颜色特征和纹理特征构成该图像的特征向量；

训练单元203，用于在提取单元202中的特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器；将提取单元202提取的需要处理的图像的特征向量分别输入所述N个场景分类器内，获得各场景分类器输出的场景类型；其中，N为大于2的整数；

处理单元204，用于将训练单元203中N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息在配置单元201中获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

较佳地，

提取单元202，具体用于提取该图像的颜色特征时，根据该图像的实际大小，将该图像分为p×p的小块图像，对于该图像不够p×p的小块图像部分丢弃；在图像的HSV颜色空间下，分别计算每个小块图像的色调、饱和度和亮度三个分量的均值、方差和偏度，构成该小块图像的颜色矩特征；对这三个分量进行非等量量化，获得量化后的直方图维数；在量化后的直方图维数的基础上计算量化后的颜色直方图的一阶、二阶和三阶矩特征，获得颜色直方图矩特征；将该图像的所有小块图像的颜色矩特征和颜色直方图矩特征构成该图像的颜色特征；其中，p为大于0的整数。

较佳地，

提取单元202，具体用于提取该图像的纹理特征时，对于每个小块图像，计算获得该小块图像的灰度图，并将灰度值量化为第一预设值级；根据配置的预设窗口范围计算该小块图像的四个方向的灰度共生矩阵；分别计算四个灰度共生矩阵的7个统计量特征，获取计算的各统计量特征的平均值，并进行归一化计算；将进行归一化计算后的各统计量特征取四个方向的均值，获得基于灰度共生矩阵的纹理特征；该图像的各个小块图像的基于灰度共生矩阵的纹理特征构成该图像的纹理特征。

较佳地，

处理单元204，进一步用于当确定的场景信息对应的切变特效包括两种以上时，在根据确定的切变特效处理该需要处理的图像时，使用其中一种或任意组合的切变特效处理该需要处理的图像。

较佳地，

处理单元204，进一步用于当该需要处理的图像尺寸较大，且确定的场景信息对应的切变特效有两种以上时，选择其中速度最快的切变特效对该需要处理的图像进行处理。

上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。

综上所述，本发明通过对样本图像的颜色特征和纹理特征的提取，训练多个场景分类器；提取需要处理的图像的颜色特征和纹理特征，并分别输入训练完成的各场景分类器，获得所有场景分类器投票的场景类型；将各场景分类器投票次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。能够为不同场景下的图像实现与场景信息有关的切变特效，以增强图像浏览时的趣味性和视觉效果。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，预先配置场景信息与切变特效的对应关系，所述方法包括：

获取样本图像，并根据样本图像的场景类型将各样本图像分类；

对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征；

将提取的该图像的颜色特征和纹理特征构成特征向量，并将各场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；

在特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器；其中，N为大于2的整数；

获取需要处理的图像时，提取该图像的颜色特征和纹理特征构成该图像的特征向量，并分别输入所述N个场景分类器内，获得各场景分类器输出的场景类型；

将N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；

根据该图像的场景信息获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

2.根据权利要求1所述的方法，其特征在于，所述提取该图像的颜色特征，包括：

根据该图像的实际大小，将该图像分为像素p×p的小块图像，对于该图像不够p×p的小块图像部分丢弃；其中，P为大于0的整数；

在图像的色调饱和度亮度HSV颜色空间下，分别计算每个小块图像的色调、饱和度和亮度三个分量的均值、方差和偏度，构成该小块图像的颜色矩特征；

对这三个分量进行非等量量化，获得量化后的直方图维数；

在量化后的直方图维数的基础上计算量化后的颜色直方图的一阶、二阶和三阶矩特征，获得颜色直方图矩特征；

将该图像的所有小块图像的颜色矩特征和颜色直方图矩特征构成该图像的颜色特征。

3.根据权利要求2所述的方法，其特征在于，所述提取该图像的纹理特征，包括：

对于每个小块图像，计算获得该小块图像的灰度图，并将灰度值量化为第一预设值级；

根据配置的预设窗口范围计算该小块图像的四个方向的灰度共生矩阵；

分别计算四个灰度共生矩阵的7个统计量特征，获取计算的各统计量特征的平均值，并进行归一化计算；

将进行归一化计算后的各统计量特征取四个方向的均值，获得基于灰度共生矩阵的纹理特征；

该图像的各个小块图像的基于灰度共生矩阵的纹理特征构成该图像的纹理特征。

4.根据权利要求1-3任意一项所述的方法，其特征在于，

当确定的场景信息对应的切变特效包括两种以上时，在根据确定的切变特效处理该需要处理的图像时，使用其中一种或任意组合的切变特效处理该需要处理的图像。

5.根据权利要求1-3任意一项所述的方法，其特征在于，当该需要处理的图像尺寸较大，且确定的场景信息对应的切变特效有两种以上时，选择其中速度最快的切变特效对该需要处理的图像进行处理。

6.一种装置，其特征在于，该装置包括：配置单元、提取单元、训练单元和处理单元；

所述配置单元，用于预先配置场景信息与切变特效的对应关系；

所述提取单元，用于获取样本图像，并根据样本图像的场景类型将各样本图像分类；对每个场景类型下的每个样本图像，提取该图像的颜色特征和纹理特征；并将提取的该图像的颜色特征和纹理特征构成特征向量，将各场景类型下的所有样本图像的特征向量组成该场景类型下的特征样本库；获取需要处理的图像，并提取该图像的颜色特征和纹理特征构成该图像的特征向量；

所述训练单元，用于在所述提取单元中的特征样本库中进行N次特征向量随机选取，且选取的特征向量的个数相同，构成N个训练集，在所述N个训练集上进行训练获取N个场景分类器；将所述提取单元提取的需要处理的图像的特征向量分别输入所述N个场景分类器内，获得各场景分类器输出的场景类型；其中，N为大于2的整数；

所述处理单元，用于将所述训练单元中N个场景分类器输出次数最多的场景类型对应的场景信息确定为该需要处理的图像的场景信息；根据该图像的场景信息在所述配置单元中获取对应的切变特效；并根据获取的切变特效处理该需要处理的图像。

7.根据权利要求6所述的装置，其特征在于，

所述提取单元，具体用于提取该图像的颜色特征时，根据该图像的实际大小，将该图像分为像素p×p的小块图像，对于该图像不够p×p的小块图像部分丢弃；在图像的色调饱和度亮度HSV颜色空间下，分别计算每个小块图像的色调、饱和度和亮度三个分量的均值、方差和偏度，构成该小块图像的颜色矩特征；对这三个分量进行非等量量化，获得量化后的直方图维数；在量化后的直方图维数的基础上计算量化后的颜色直方图的一阶、二阶和三阶矩特征，获得颜色直方图矩特征；将该图像的所有小块图像的颜色矩特征和颜色直方图矩特征构成该图像的颜色特征；其中，p为大于0的整数。

8.根据权利要求7所述的装置，其特征在于，

所述提取单元，具体用于提取该图像的纹理特征时，对于每个小块图像，计算获得该小块图像的灰度图，并将灰度值量化为第一预设值级；根据配置的预设窗口范围计算该小块图像的四个方向的灰度共生矩阵；分别计算四个灰度共生矩阵的7个统计量特征，获取计算的各统计量特征的平均值，并进行归一化计算；将进行归一化计算后的各统计量特征取四个方向的均值，获得基于灰度共生矩阵的纹理特征；该图像的各个小块图像的基于灰度共生矩阵的纹理特征构成该图像的纹理特征。

9.根据权利要求6-8任意一项所述的装置，其特征在于，

所述处理单元，进一步用于当确定的场景信息对应的切变特效包括两种以上时，在根据确定的切变特效处理该需要处理的图像时，使用其中一种或任意组合的切变特效处理该需要处理的图像。

10.根据权利要求6-8任意一项所述的装置，其特征在于，

所述处理单元，进一步用于当该需要处理的图像尺寸较大，且确定的场景信息对应的切变特效有两种以上时，选择其中速度最快的切变特效对该需要处理的图像进行处理。