【技术实现步骤摘要】
基于人工智能的图片处理方法、装置及电子设备
本专利技术涉及人工智能技术，尤其涉及一种基于人工智能的图片处理方法、装置、电子设备及存储介质。
技术介绍
人工智能(AI，ArtificialIntelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。机器学习(ML，MachineLearning)是人工智能的一个分支，主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。图片处理是机器学习的一个重要应用，通过机器学习的手段选取较为清晰的图片，从而将较为清晰的图片作为视频封面或应用于其他场景。具体来说，由于图片中的像素点是离散的，故在相关技术提供的方案中，通常用差分来代替微分，图片的梯度特征即表示图片中相邻像素之间的差值，然后，根据图片的梯度特征分析图片的清晰度。但是，该种方式对于一些如纯色图的图片并不适用，容易得到错误的清晰度，确定图片清晰度的准确性差。<...
【技术保护点】
1.一种基于人工智能的图片处理方法，其特征在于，包括：/n获取与多媒体素材对应的原始尺寸的图片；/n对所述原始尺寸的图片进行特征提取处理，得到包括图片信息和语义信息的图片特征；/n对所述图片特征进行分类处理，得到清晰度标签及对应的置信度；/n对至少两个所述清晰度标签按照对应的置信度进行排序处理，并根据排序处理的结果确定所述原始尺寸的图片的清晰度。/n
【技术特征摘要】
1.一种基于人工智能的图片处理方法，其特征在于，包括：
获取与多媒体素材对应的原始尺寸的图片；
对所述原始尺寸的图片进行特征提取处理，得到包括图片信息和语义信息的图片特征；
对所述图片特征进行分类处理，得到清晰度标签及对应的置信度；
对至少两个所述清晰度标签按照对应的置信度进行排序处理，并根据排序处理的结果确定所述原始尺寸的图片的清晰度。
2.根据权利要求1所述的图片处理方法，其特征在于，所述对所述原始尺寸的图片进行特征提取处理，得到包括图片信息和语义信息的图片特征，包括：
通过机器学习模型的降维层对所述原始尺寸的图片进行降维处理，得到降维图片；
通过所述机器学习模型的中间采样层对所述降维图片进行采样处理，得到特征图；
通过所述机器学习模型的自适应池化层对所述特征图进行转换处理，得到所述特征图对应的特征向量；
将至少两个所述特征向量进行合并处理，得到包括图片信息和语义信息的图片特征。
3.根据权利要求2所述的图片处理方法，其特征在于，
所述将至少两个所述特征向量进行合并处理，得到包括图片信息和语义信息的图片特征，包括：
将至少两个所述特征向量在第一维度的参数进行拼接处理，得到图片特征在所述第一维度的参数；
将任一所述特征向量在第二维度的参数，确定为所述图片特征在所述第二维度的参数；
其中，所述特征向量在所述第一维度的参数与对应的所述特征图的通道数相同，所述第二维度为所述第一维度之外的维度；
所述对所述图片特征进行分类处理，得到清晰度标签及对应的置信度，包括：
通过所述机器学习模型的全连接层对所述图片特征进行映射处理，得到清晰度标签及对应的置信度。
4.根据权利要求3所述的图片处理方法，其特征在于，还包括：
获取样本图片及对应的样本清晰度；
通过所述机器学习模型对所述样本图片进行预测处理，得到清晰度标签及对应的预测置信度；
对至少两个所述清晰度标签按照对应的预测置信度进行排序处理，并将设定排序位次的预测置信度对应的清晰度标签，确定为所述样本图片的预测清晰度；
确定所述样本清晰度与所述预测清晰度之间的差异；
根据所述差异确定所述机器学习模型的梯度，并沿所述梯度下降的方向更新所述全连接层、所述中间采样层及所述降维层的权重参数。
5.根据权利要求4所述的图片处理方法，其特征在于，所述根据所述差异确定所述机器学习模型的梯度，包括：
获取所述多媒体素材对应的中心尺寸，并确定所述样本图片的原始尺寸与所述中心尺寸之间的尺寸相差值；
当所述尺寸相差值小于聚类阈值时，将所述样本图片添加至所述中心尺寸对应的中心类；
根据所述中心尺寸，对所述中心类中的所有样本图片进行尺寸缩放；
根据所述中心类中所有样本图片对应的样本清晰度与预测清...
【专利技术属性】
技术研发人员：杨天舒，沈招益，高洵，刘军煜，
申请(专利权)人：腾讯科技北京有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。