图像的评价方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术公开了一种图像的评价方法、装置、服务器及存储介质。其中，所述方法包括：获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征；将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。提高了图像评价的准确性。以使得评价结果更加贴合用户的实际需求，解决了根据评价结果生成的推荐图像的命中率较低的技术问题。

【技术实现步骤摘要】
图像的评价方法、装置、服务器及存储介质
本专利技术实施例涉及图像处理技术，尤其涉及一种图像的评价方法、装置、服务器及存储介质。
技术介绍
图像是所有具有视觉效果的画面，是各种图形和影像的总称。随着互联网的快速发展，图像的数量呈海量增长趋势。从海量的图像中选取适合的图像向用户进行推荐变得越发困难。通常采用对图像预先进行评价，然后向用户推荐评价结果较好的图像。目前，通常采用图像质量参数对图像进行评价。通常可以采用图像的清晰度和对比度等图像特征参数对图像进行评价。在实现本专利技术的过程中，专利技术人发现如下技术问题：目前对图像的评价仅从图像的质量角度考虑，评价的准确性较低，致使根据评价结果生成的推荐图像的命中率较低，无法满足用户的需求。
技术实现思路
有鉴于此，本专利技术实施例提供一种图像的评价方法、装置、服务器及存储介质，以实现提高图像评价的准确性的目的。第一方面，本专利技术实施例提供了一种图像的评价方法，包括：获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征；将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。第二方面，本专利技术实施例还提供了图像的评价装置，包括：获取模块，用于获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征；输入模块，用于将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。第三方面，本专利技术实施例还提供了一种服务器，所述服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的任一所述的图像的评价方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提供的任一所述的图像的评价方法。本专利技术实施例提供的图像的评价方法、装置、服务器及存储介质，通过增加图像的主观参数特征输入深度学习模型进行训练，并且利用训练完成后的深度学习模型对图像进行综合评价，提高了图像评价的准确性。以使得评价结果更加贴合用户的实际需求，解决了根据评价结果生成的推荐图像的命中率较低的技术问题。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术实施例一提供的图像的评价方法的流程图；图2是本专利技术实施例二提供的图像的评价方法的流程图；图3是本专利技术实施例三提供的图像的评价方法的流程图；图4是本专利技术实施例四提供的图像的评价方法的流程图；图5是本专利技术实施例五提供的图像的评价装置的结构图；图6是本专利技术实施例六提供的服务器的结构图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的图像的评价方法的流程图，本实施例可适用于对现有图像进行评价的情况，该方法可以由图像的评价装置来执行，具体包括如下步骤：步骤110、获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征。图像是具有视觉效果的画面，其中可以包括各种图形和影像。所述特征集可以是用于表征所述图像中图形和影像的各种属性和特征的集合。例如：用于描述图像所对应景物的表明性质的颜色特征，描述图像中图形的形状特征和描述图像中多个物体之间的空间位置和相对方向关系的空间关系特征。在本实施例中，由于是对图像进行评价，因此，所述特征集可以包括：图像主观参数特征和/或图像客观参数特征。其中，所述图像客观参数特征可以是与观察图像效果相关的客观的参数特征。而图像主观参数特征则可以是以人的角度观察所述图像主观得到的特征。示例性的，所述图像客观参数特征可以包括：图像对比度、图像色调、图像亮度、图像冷暖色和图像分辨率。上述参数特征都可以用于表征图像的显示效果，可以用于对图像进行评价。所述图像对比度可以是一幅图像灰度反差的大小。差异范围越大代表对比越大，差异范围越小代表对比越小，对比度越高就可容易地显示生动、丰富的色彩，因此，可以采用图像对比度对图像进行评价；色调可以是一幅画中画面色彩的总体倾向，反映图像的整体协调度，因此可以采用色调对图像进行评价；所述图像亮度可以表现图像中色彩的明亮程度，因此也可以采用图像亮度对图像进行评价；所述图像冷暖色可以决定图像的整体色调，可使图像更加有层次感，因此也可以采用图像亮度对图像进行评价；图像饱和度可以表征图像颜色的彩度.对于每一种颜色都有一种人为规定的标准颜色，饱和度就是用描述颜色与标准颜色之间的相近程度的物理量。因此也可以采用图像分辨率对图像进行评价。所述图像客观参数特征可以不局限与上述几种，也可以根据评价目的进行增加或者删减。所述图像主观参数特征，可以包括：所述图片的美观程度的主观评价。可选的，所述图像主观参数特征可以包括：用户对图像的图像喜好度和\或图像清晰度。上述图像特征集可以通过对图像进行分析处理和/或采集用户的评价获取得到。示例性的，对于图像客观参数特征中的图像对比度，可以先将所述图像转换为灰度图，并获取所述图像的最大灰度值和最小灰度值，根据所述最大灰度值和最小灰度值的壁纸确定图像对比度。对于图像客观参数特征中的图像色调，可以查找所述图像的HSV颜色模型，根据其中的H值确定所述图像的色调。对于图像客观参数特征中的图像亮度，可以通过所述图像的HSV颜色模型中的V值确定所述图像的亮度。对于图像客观参数特征中的图像冷暖色，可以获取所述图像中的像素颜色，依据冷暖色系颜色的分类确定所述图像的冷暖色。对于图像客观参数特征中的图像饱和度，可以分别计算所述图像的RGB分量，根据RGB分量的最大值和最小值计算得到所述图像的饱和度。而对于主观评价参数特征，则可以通过所述图像的附加属性中的评价部分得到所述图像的主观评价参数特征。示例性的，可以在图像的额外属性中增加打分项，由于打分或者评星都可以体现用户对所述图像的好恶程度，因此，可以根据用户在打分项中对所述图像的打星数或者分数获取主观评价参数特征。例如：通过喜好属性打分项获取所述图像的用户喜好度，以及通过清晰度属性打分项获取所述图像的清晰度。步骤120、将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。深度学习模型源于人工神经网络的研究。深度学习模型可以通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习模型是一种试图模仿大脑的神经元之间传递和处理信息的模式。其中，深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算本文档来自技高网...

【技术保护点】
一种图像的评价方法，其特征在于，包括：获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征；将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。

【技术特征摘要】
1.一种图像的评价方法，其特征在于，包括：获取图像的特征集，其中，所述特征集包括：图像主观参数特征和/或图像客观参数特征；将图像的特征集输入完成训练的深度学习模型，得到所述图像的评价结果，其中，所述深度学习模型根据样本图像的特征集和所述样本图像的评价结果进行训练而得。2.根据权利要求1所述的方法，其特征在于，在得到所述图像的评价结果之后，还包括：根据所述图像的评价结果对所述图像进行推荐。3.根据权利要求1所述的方法，其特征在于，所述图像主观参数特征包括：用户对图像的图像喜好度和\或图像清晰度。4.根据权利要求3所述的方法，其特征在于，获取图像主观参数特征包括：利用预设的喜好评价神经网络模型输出所述图像喜好度；和\或利用预设的清晰度神经网络模型输出所述图像清晰度。5.根据权利要求1所述的方法，其特征在于，所述图像客观参数特征包括：图像对比度、图像色调、图像亮度、图像冷暖色和图像饱和度。6.根据权利要求1所述的方法，其特征在于，所述样本图像的评价结果，包括：所述样本图像的点击次数与所述样本图像的推送次数之比。7.根据权利要求1所述的方法，其特征在于，在训练所述深度学习模型之前，还包括...

【专利技术属性】
技术研发人员：王加明，苏春波，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11