图像处理方法、装置、设备及计算机可读存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种图像处理方法、装置、设备及计算机可读存储介质。
背景技术
实际应用中，很多场景都需要大量的虚拟头像。举例来说，大型的网络游戏中可能会有众多的非玩家控制角色(Non-Player Character，简称NPC)，针对每一个NPC都需要设置一个头像，因此，网络游戏需要大量的虚拟头像。此外，仍旧以实际应用举例来说，用户在注册新应用时，若不想要采用自己的真实照片作为头像，则也会产生对虚拟头像的需求。
现有的虚拟头像一般都是对预设的图像集中的图像进行简单的图像裁剪、图像色彩信息调整等。但是，采用上述方法生成的虚拟头像无法满足实际使用需求。因此，如何生成更加真实，满足使用需求的虚拟图像成为了亟待解决的问题。
发明内容
本公开提供一种图像处理方法、装置、设备及计算机可读存储介质，用于解决现有的虚拟头像生成方法生成的图像效果不佳，无法满足实际使用需求的技术问题。
本公开的第一个方面是提供一种图像处理方法，包括：
从数据服务器中获取预设的待处理图像集，其中，所述待处理图像集中的多张待处理图像为真实场景下的用户图像，所述待处理图像集为开源数据集；
采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像，获得虚拟图像集；
对所述虚拟图像集中的各虚拟图像进行随机编辑操作，获得目标图像集；
将所述目标图像集发送至数据服务器进行存储。
本实施例提供的图像处理方法，通过采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
在一种可能的设计中，所述对抗神经网络包括生成器以及判别器；
相应地，所述采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像之前，还包括：
从数据服务器中获取待训练数据集，其中，该待训练数据集中包括多张真实场景下的待训练图像；
将所述待训练图像输入至所述生成器中，获得与所述待训练图像对应的生成图像；
将所述生成图像以及真实场景下的待训练图像输入至所述判别器中，以使所述判别器对所述生成图像以及真实场景下的待训练图像的真实性进行判断，并根据判断结果对所述生成器进行监督训练，直至所述对抗神经网络收敛。
本实施例提供的图像处理方法，通过预先对待训练图像集对预设的对抗神经网络进行训练，能够通过判别器对生成器进行监督，使得生成器生成的虚拟图像的真实度更高，相应的根据该虚拟图像编辑处理后获得的目标图像的适应性更强。
在一种可能的设计中，所述采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像之前，还包括：
通过预设的图像裁剪模型对待处理图像进行裁剪操作。
在一种可能的设计中，所述通过预设的图像裁剪模型对待处理图像进行裁剪操作，包括：
对所述图像裁剪模型设置不同的参数，通过预设的图像裁剪模型对待处理图像进行裁剪操作，获得目标物体占比不同的待训练图像。
在一种可能的设计中，所述对所述虚拟图像集中的各虚拟图像进行随机编辑操作，包括：
对所述虚拟图像集中的各虚拟图像进行随机尺寸的裁剪操作。
在一种可能的设计中，所述对所述虚拟图像集中的各虚拟图像进行随机编辑操作，包括：
对所述虚拟图像集中的各虚拟图像进行随机色彩调整操作。
在一种可能的设计中，所述采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像之后，还包括：
将所述虚拟图像输入至预设的筛选模型进行筛选操作，以删除真实度不高的虚拟头像，获得筛选后的虚拟头像。
在一种可能的设计中，所述将所述目标图像集发送至数据服务器进行存储之后，还包括：
获取终端设备发送的目标图像集获取指令；
根据所述目标图像集获取指令从数据服务器中获取所述目标图像集，将所述目标图像集发送至所述终端设备，以使所述终端设备根据所述目标图像集进行虚拟头像的设置操作。
本实施例提供的图像处理方法，通过根据终端设备发送的目标图像集获取指令从数据服务器中获取目标图像集，并将该目标图像集发送至终端设备中。从而用户可以在终端设备上进行虚拟头像设置的操作，提高用户体验。
本公开的第二个方面是提供一种图像处理装置，包括：
获取模块，用于从数据服务器中获取预设的待处理图像集，其中，所述待处理图像集中的多张待处理图像为真实场景下的用户图像，所述待处理图像集为开源数据集；
生成模块，用于采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像，获得虚拟图像集；
编辑模块，用于对所述虚拟图像集中的各虚拟图像进行随机编辑操作，获得目标图像集；
存储模块，用于将所述目标图像集发送至数据服务器进行存储。
本实施例提供的图像处理装置，通过采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
在一种可能的设计中，所述对抗神经网络包括生成器以及判别器；
相应地，所述装置还包括：
数据集获取模块，用于从数据服务器中获取待训练数据集，其中，该待训练数据集中包括多张真实场景下的待训练图像；
第一训练模块，用于将所述待训练图像输入至所述生成器中，获得与所述待训练图像对应的生成图像；
第二训练模块，用于将所述生成图像以及真实场景下的待训练图像输入至所述判别器中，以使所述判别器对所述生成图像以及真实场景下的待训练图像的真实性进行判断，并根据判断结果对所述生成器进行监督训练，直至所述对抗神经网络收敛。
本实施例提供的图像处理装置，通过预先对待训练图像集对预设的对抗神经网络进行训练，能够通过判别器对生成器进行监督，使得生成器生成的虚拟图像的真实度更高，相应的根据该虚拟图像编辑处理后获得的目标图像的适应性更强。
在一种可能的设计中，所述装置还包括：
裁剪模块，用于通过预设的图像裁剪模型对待处理图像进行裁剪操作。
在一种可能的设计中，所述裁剪模块用于：
对所述图像裁剪模型设置不同的参数，通过预设的图像裁剪模型对待处理图像进行裁剪操作，获得目标物体占比不同的待训练图像。
在一种可能的设计中，所述编辑模块用于：
对所述虚拟图像集中的各虚拟图像进行随机尺寸的裁剪操作。
在一种可能的设计中，所述编辑模块用于：
对所述虚拟图像集中的各虚拟图像进行随机色彩调整操作。
在一种可能的设计中，所述装置还包括：
筛选模块，用于将所述虚拟图像输入至预设的筛选模型进行筛选操作，以删除真实度不高的虚拟头像，获得筛选后的虚拟头像。
在一种可能的设计中，所述装置还包括：
指令获取模块，用于获取终端设备发送的目标图像集获取指令；
发送模块，用于根据所述目标图像集获取指令从数据服务器中获取所述目标图像集，将所述目标图像集发送至所述终端设备，以使所述终端设备根据所述目标图像集进行虚拟头像的设置操作。
本实施例提供的图像处理装置，通过根据终端设备发送的目标图像集获取指令从数据服务器中获取目标图像集，并将该目标图像集发送至终端设备中。从而用户可以在终端设备上进行虚拟头像设置的操作，提高用户体验。
本公开的第三个方面是提供一种图像处理设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如第一方面所述的图像处理方法。
本公开的第四个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的图像处理方法。
本公开提供的图像处理方法、装置、设备及计算机可读存储介质，通过采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本公开基于的网络架构示意图；
图2为本公开实施例一提供的图像处理方法的流程示意图；
图3为本公开实施例提供的占比不同的待处理图像示意图；
图4为本公开实施例二提供的图像处理方法的流程示意图；
图5为本公开实施例提供的对抗神经网络的网络架构图；
图6为本公开实施例三提供的图像处理方法的流程示意图；
图7为本公开又一实施例提供的又一系统架构图；
图8为本公开实施例四提供的图像处理装置的结构示意图；
图9为本公开实施例五提供的图像处理装置的结构示意图；
图10为本公开实施例六提供的图像处理方法的流程示意图；
图11为本公开实施例七提供的图像处理设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例所获得的所有其他实施例，都属于本公开保护的范围。
针对上述提及的现有的虚拟头像生成方法生成的图像效果不佳，无法满足实际使用需求的技术问题，本公开提供了一种图像处理方法、装置、设备及计算机可读存储介质。
需要说明的是，本申请提供图像处理方法、装置、设备及计算机可读存储介质可运用在需要大量随机头像的场景中。
现有的虚拟头像的生成方法一般都是直接对真实的图像进行尺寸、色彩编辑操作后获得的，因此，无法实现批量虚拟头像的产生，且适用性不强。
面对现有技术中的问题，发明人通过研究发现，为了能够获得批量的适用性较强的虚拟头像，可以采用神经网络模型根据真实图像生成虚拟图像，实际应用中，神经网络模型可以根据同一张真实图像产生多张虚拟图像。
发明人进一步研究发现，可以采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
图1为本公开基于的网络架构示意图，如图1所示，本公开基于的网络架构至少包括：图像处理装置1以及数据服务器2。其中，图像处理装置1采用C/C++、Java、Shell或Python等语言编写；数据服务器2则可为云端服务器或服务器集群，其内存储有大量的数据。图像处理装置1与数据服务器2通信连接，从而能够与数据服务器2进行信息交互。
图2为本公开实施例一提供的图像处理方法的流程示意图，如图2所示，所述方法包括：
步骤101、从数据服务器中获取预设的待处理图像集，其中，所述待处理图像集中的多张待处理图像为真实场景下的用户图像，所述待处理图像集为开源数据集。
本实施例的执行主体为图像处理装置。该图像处理装置与数据服务器通信连接，从而能够与数据服务器进行信息交互。该图像处理装置可以安装在终端设备中，也可以为独立于终端设备的装置。
在本实施方式中，为了实现对批量虚拟图像的生成，图像处理装置可以从数据服务器中获取预设的待处理图像集，该待处理图像集中包括多张待处理图像，每张待处理图像均为真实场景下的用户图像。需要说明的是，该待处理图像集为开源数据集，从而该待处理图像集较易获取。
步骤102、采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像，获得虚拟图像集。
在本实施方式中，获取到待处理图像集之后，可以采用预设的对抗神经网络实现虚拟图像的生成。具体地，可以将待处理图像集中的待处理图像输入至预设的对抗神经网络中的生成器内，获得虚拟图像集，该生成器用于根据待处理图像生成虚拟图像。需要说明的是，由于对抗神经网络一般包括生成器与判别器，训练过程中，生成器与判别器相互对抗，从而能够促使生成器生成的图像更加接近真实图像。从而通过对抗神经网络生成的虚拟图像与待处理图像之间的相似度较高。
进一步地，在上述任一实施例的基础上，步骤102之前，还包括：
通过预设的图像裁剪模型对待处理图像进行裁剪操作。
在本实施例中，在对抗神经网络模型训练之前，首先需要对待训练图像进行预处理。具体地，可以通过预设的图像裁剪模型对待处理图像进行裁剪操作。
具体地，在上述任一实施例的基础上，所述通过预设的图像裁剪模型对待处理图像进行裁剪操作，包括：
对所述图像裁剪模型设置不同的参数，通过预设的图像裁剪模型对待处理图像进行裁剪操作，获得目标物体占比不同的待训练图像。
具体地，可以对图像裁剪模型设置不同的参数，从而通过该图像裁剪模型对待处理图像进行裁剪操作之后，能够获得目标物体占比不同的待处理图像。图3为本公开实施例提供的占比不同的待处理图像示意图，如图3所示，通过图像裁剪模型进行图像裁剪之后，能够获得多个人脸占比不同的待训练图像，而对图像裁剪之后，能够提高待处理图像之间的差异性，使得后续根据该待处理图像生成的虚拟图像的适用性更强。
步骤103、对所述虚拟图像集中的各虚拟图像进行随机编辑操作，获得目标图像集。
在本实施方式中，为了能够获得批量不同的目标图像，在通过对抗神经网络获得待处理图像集对应的虚拟图像集之后，可以对虚拟图像集中的各虚拟图像进行随机编辑操作，获得目标图像集。
具体地，在实施例一的基础上，步骤103具体可以包括：
对所述虚拟图像集中的各虚拟图像进行随机尺寸的裁剪操作。
在本实施例中，可以对对抗网络模型输出的虚拟图像进行随机尺寸的裁剪操作，获得多个不同尺寸的目标图像。
可选地，在上述实施例一的基础上，步骤103具体可以包括：
对所述虚拟图像集中的各虚拟图像进行随机色彩调整操作。
在本实施例中，可以对对抗网络模型输出的虚拟图像进行随机色彩调整操作，获得多个不同色彩的目标图像。
需要说明的是，上述两种实施方式可以单独实施，也可以结合实施。其单独实施的实施方式具体可见上述实施例，当其结合实施时，可以同时对虚拟图像进行随机尺寸以及色彩的调整，获得多个尺寸、色彩均不同的目标图像。进而可以根据该目标图像进行头像的设置等操作。
进一步地，为了提高生成的虚拟图像的质量，在步骤103之后，还包括：
将所述虚拟图像输入至预设的筛选模型进行筛选操作，以删除真实度不高的虚拟头像，获得筛选后的虚拟头像。
在本实施例中，在通过对抗神经网络获得虚拟图像集之后，为了提高虚拟图像的真实度，还可以将虚拟图像集中的各虚拟图像输入至预设的筛选模型中，删除真实度不高的虚拟头像，得到筛选后的虚拟图像。需要说明的是，可以采用任意一种能够实现图像筛选的方式对虚拟图像进行筛选操作，本公开对此不做限制。
步骤104、将所述目标图像集发送至数据服务器进行存储。
在本实施方式中，获得目标图像集之后，可以将该目标图像集发送至数据服务器中进行存储。从而后续当终端设备有虚拟图像使用需求时，可以从数据服务器中获取该目标图像集，根据该目标图像集进行头像设置等操作。
本实施例提供的图像处理方法，通过采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
图4为本公开实施例二提供的图像处理方法的流程示意图，在实施例一的基础上，对抗神经网络具体包括生成器以及判别器，相应地，如图4所示，步骤102之前，还包括：
步骤201、从数据服务器中获取待训练数据集，其中，该待训练数据集中包括多张真实场景下的待训练图像；
步骤202、将所述待训练图像输入至所述生成器中，获得与所述待训练图像对应的生成图像；
步骤203、将所述生成图像以及真实场景下的待训练图像输入至所述判别器中，以使所述判别器对所述生成图像以及真实场景下的待训练图像的真实性进行判断，并根据判断结果对所述生成器进行监督训练，直至所述对抗神经网络收敛。
在本实施例中，对抗神经网络一般包括生成器与判别器，训练过程中，生成器与判别器相互对抗，从而能够促使生成器生成的图像更加接近真实图像。图5为本公开实施例提供的对抗神经网络的网络架构图，如图5所示，该对抗神经网络包括生成器与判别器，生成器用于根据待训练图像生成虚拟图像，判别器用于对判别器输出的虚拟图像以及输入的真实的待训练图像图像进行判别，督促生成器生成更真实的图像。具体地，为了实现对对抗神经网络的训练，首先需要从数据服务器中获取预设的待训练数据集，其中，该待训练数据集中包括多张待训练图像，该待训练图像为真实场景下的人脸图像。且该待训练数据集为开源数据集。将待训练数据集中的各待训练数据输入至生成器中，获得生成器输出的待训练图像对应的生成图像。
将生成器输出的生成图像以及真实场景下的待训练图像一同输入至判别器中。判别器接收到生成图像之后，尽量将生成图像判别为假，接收到待训练图像，则将待训练图像判别为真，与生成器不断对抗，监督生成器输出生成图像真实度越来越高。生成器与判别器不断对抗，直至对抗神经网络收敛。从而能够采用该生成器进行虚拟图像的生成操作。
本实施例提供的图像处理方法，通过预先对待训练图像集对预设的对抗神经网络进行训练，能够通过判别器对生成器进行监督，使得生成器生成的虚拟图像的真实度更高，相应的根据该虚拟图像编辑处理后获得的目标图像的适应性更强。
图6为本公开实施例三提供的图像处理方法的流程示意图，在上述任一实施例的基础上，如图6所示，步骤104之后，还包括：
步骤301、获取终端设备发送的目标图像集获取指令；
步骤302、根据所述目标图像集获取指令从数据服务器中获取所述目标图像集，将所述目标图像集发送至所述终端设备，以使所述终端设备根据所述目标图像集进行虚拟头像的设置操作。
图7为本公开又一实施例提供的又一系统架构图，如图7所示，本公开所基于的系统架构还包括终端设备3，图像处理装置1可以分别与数据服务器2以及终端设备3通信连接，从而能够分别与数据服务器2以及终端设备3进行信息交互。
在本实施例中，获得目标图像集之后，可以将该目标图像集发送至数据服务器中进行存储。从而后续当终端设备有虚拟图像使用需求时，可以从数据服务器中获取该目标图像集，根据该目标图像集进行头像设置等操作。具体地，可以获取终端设备发送的目标图像集获取指令。获取到该目标图像集获取指令之后，可以根据该目标图像集获取指令从数据服务器中获取目标图像集，并将该目标图像集发送至终端设备中。从而用户可以在终端设备上进行虚拟头像设置的操作。
以实际应用举例来说，当需要对大型网络游戏中NPC设置虚拟头像时，可以通过终端设备向图像处理装置发送目标图像集获取指令。相应地，图像处理装置可以根据该目标图像集获取指令从数据服务器中获取目标图像集并反馈给终端设备。终端设备可以根据该目标图像集给多个NPC分别设置虚拟头像。
仍旧以实际应用距离来说，当用户不想采用私人图像作为头像时，可以通过通过终端设备向图像处理装置发送目标图像集获取指令。相应地，图像处理装置可以根据该目标图像集获取指令从数据服务器中随机获取一张目标图像，将该虚拟图像反馈至终端设备，从而用户可以直接将该目标图像作为头像。
本实施例提供的图像处理方法，通过根据终端设备发送的目标图像集获取指令从数据服务器中获取目标图像集，并将该目标图像集发送至终端设备中。从而用户可以在终端设备上进行虚拟头像设置的操作，提高用户体验。
图8为本公开实施例四提供的图像处理装置的结构示意图，如图8所示，所述图像处理装置包括：获取模块41、生成模块42、编辑模块43以及存储模块44，其中，获取模块41，用于从数据服务器中获取预设的待处理图像集，其中，所述待处理图像集中的多张待处理图像为真实场景下的用户图像，所述待处理图像集为开源数据集；生成模块42，用于采用预设的对抗神经网络中的生成器，根据所述待处理图像生成虚拟图像，获得虚拟图像集；编辑模块43，用于对所述虚拟图像集中的各虚拟图像进行随机编辑操作，获得目标图像集；存储模块44，用于将所述目标图像集发送至数据服务器进行存储。
进一步地，在实施例四的基础上，所述装置还包括：
裁剪模块，用于通过预设的图像裁剪模型对待处理图像进行裁剪操作。
进一步地，在实施例四的基础上，所述裁剪模块用于：
对所述图像裁剪模型设置不同的参数，通过预设的图像裁剪模型对待处理图像进行裁剪操作，获得目标物体占比不同的待训练图像。
进一步地，在实施例四的基础上，所述编辑模块用于：
对所述虚拟图像集中的各虚拟图像进行随机尺寸的裁剪操作。
进一步地，在实施例四的基础上，所述编辑模块用于：
对所述虚拟图像集中的各虚拟图像进行随机色彩调整操作。
进一步地，在实施例四的基础上，所述装置还包括：
筛选模块，用于将所述虚拟图像输入至预设的筛选模型进行筛选操作，以删除真实度不高的虚拟头像，获得筛选后的虚拟头像。
本实施例提供的图像处理装置，通过采用预设的对抗神经网络中的生成器，根据预设的待处理图像集中真实场景下的用户图像生成虚拟图像，并对虚拟图像进行随机编辑操作，从而能够提高虚拟图像的真实性。由于对抗神经网络中包括生成器与判别器，判别器根据判别结果不断地对生成器进行监督训练，从而导致生成器所生成的图像与真实图像相似度较高。此外，通过对生成的虚拟图像进行随机编辑，从而能够进一步地提高虚拟图像的适用性。且采用开源的数据集作为待处理图像集，能够减少待处理图像集的获取难度。
图9为本公开实施例五提供的图像处理装置的结构示意图，在实施例四的基础上，如图9所示，所述对抗神经网络包括生成器以及判别器；相应地，所述装置还包括：数据集获取模块51、第一训练模块52以及第二训练模块53，其中，数据集获取模块51，用于从数据服务器中获取待训练数据集，其中，该待训练数据集中包括多张真实场景下的待训练图像；第一训练模块52，用于将所述待训练图像输入至所述生成器中，获得与所述待训练图像对应的生成图像；第二训练模块53，用于将所述生成图像以及真实场景下的待训练图像输入至所述判别器中，以使所述判别器对所述生成图像以及真实场景下的待训练图像的真实性进行判断，并根据判断结果对所述生成器进行监督训练，直至所述对抗神经网络收敛。
本实施例提供的图像处理装置，通过预先对待训练图像集对预设的对抗神经网络进行训练，能够通过判别器对生成器进行监督，使得生成器生成的虚拟图像的真实度更高，相应的根据该虚拟图像编辑处理后获得的目标图像的适应性更强。
图10为本公开实施例六提供的图像处理方法的流程示意图，在上述任一实施例的基础上，如图10所示，所述图像处理装置还包括：指令获取模块61以及发送模块62，其中，指令获取模块61，用于获取终端设备发送的目标图像集获取指令；发送模块62，用于根据所述目标图像集获取指令从数据服务器中获取所述目标图像集，将所述目标图像集发送至所述终端设备，以使所述终端设备根据所述目标图像集进行虚拟头像的设置操作。
本实施例提供的图像处理装置，通过根据终端设备发送的目标图像集获取指令从数据服务器中获取目标图像集，并将该目标图像集发送至终端设备中。从而用户可以在终端设备上进行虚拟头像设置的操作，提高用户体验。
图11为本公开实施例七提供的图像处理设备的结构示意图，如图11所示，所述图像处理设备包括：存储器71，处理器72；
存储器71；用于存储所述处理器72可执行指令的存储器71；
其中，所述处理器72被配置为由所述处理器72执行如上述任一实施例所述的图像处理方法。
存储器71，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器71可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器72可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本公开实施例的一个或多个集成电路。
可选的，在具体实现上，如果存储器71和处理器72独立实现，则存储器71和处理器72可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器71和处理器72集成在一块芯片上实现，则存储器71和处理器72可以通过内部接口完成相同间的通信。
本公开又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的图像处理方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
