CN107194898A - 酒店图像的展示方法、存储介质及酒店信息的推送方法 - Google Patents
酒店图像的展示方法、存储介质及酒店信息的推送方法 Download PDFInfo
- Publication number
- CN107194898A CN107194898A CN201710485197.6A CN201710485197A CN107194898A CN 107194898 A CN107194898 A CN 107194898A CN 201710485197 A CN201710485197 A CN 201710485197A CN 107194898 A CN107194898 A CN 107194898A
- Authority
- CN
- China
- Prior art keywords
- image
- hotel
- evaluated
- aesthetic degree
- exhibiting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001747 exhibiting effect Effects 0.000 title claims abstract description 30
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 12
- 238000001303 quality assessment method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种酒店图像的展示方法、存储介质及酒店信息的推送方法，展示方法包括：获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：计算所述待评价图像的清晰度评分；依据美感度评价模型计算所述待评价图像的美感度评分；依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。本发明提供的酒店图像的展示方法及存储介质能够依据清晰度和美感度对酒店图像进行排序，并优先显示质量高的酒店图像。
Description
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种酒店图像的展示方法、存储介质及酒店信息的推送方法。
背景技术
随着OTA(Online Travel Agent,在线旅行社)的迅猛发展，越来越多的酒店可以在互联网上方便快捷地进行预订。用户在预订酒店前常常会浏览酒店的图像，直观地获取酒店的外观、内景、房间等信息。为了提升用户的体验和下单率，OTA需要对酒店图像进行质量评价，从而得到合理的图像排序，优先展示能够吸引用户的图像。随着互联网的飞速发展，OTA每天都会获取大量酒店的图像，如果通过人工进行质量评价代价极大，十分不现实。因此，利用计算机自动对酒店图像进行质量评价的需求显得尤为急迫。
传统的图像质量评价方法主要集中在对清晰度等图像客观属性的量化上。图像客观属性虽然能够在一定程度上反映出图像的质量高低，但是未考虑图像的内容，往往造成评价结果不够准确。此外，对图像进行美学评价的方法也相继被提出，这些方法虽然能够把人类对图像的审美进行量化，但是由于图像美感度的主观性很强，评价效果有时不是很理想，仍有进一步改善的空间。现阶段，实现OTA酒店图像的精准质量评价仍然是一项具有挑战性的任务。
发明内容
本发明为了克服上述现有技术存在的缺陷，提供一种酒店图像的展示方法、存储介质及酒店信息的推送方法，以能够依据清晰度和美感度对酒店图像进行排序，并优先显示质量高的酒店图像。
根据本发明的一个方面，提供一种酒店图像的展示方法，包括：获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所述待评价述图像的清晰度评分；依据美感度评价模型计算所述待评价图像的美感度评分；依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。
优选地，所述将所述待评价图像转换为目标图像的步骤包括：对所述待评价图像进行灰度化处理，并将所述待评价图像缩放至一标准尺寸之内以获得一中间图像；以及对所述中间图像进行模糊化处理，将模糊化处理后的所述中间图像作为目标图像。
优选地，所述模糊化处理的步骤包括：采用高斯滤波对所述中间图像进行滤波。
优选地，所述计算所述待评价图像和所述目标图像的信息变化率的步骤包括：分别对所述中间图像和所述目标图像进行拉普拉斯滤波；计算所述所述中间图像经过拉普拉斯滤波后的像素值方差V1，并计算所述目标图像经过拉普拉斯滤波后的像素值方差V2；所述信息变化率P1＝(V1-V2)/V1，其中P1大于等于0小于等于1，P1越大表示待评价图像的清晰度越高。
优选地，所述依据美感度评价模型计算所述待评价图像的美感度评分的步骤包括：依据一酒店图像特征提取模型提取所述待评价图像的特征向量，并将所述特征向量输入一分类模型中，计算所述待评价图像的美感度评分。
优选地，按如下步骤生成所述酒店图像特征提取模型：获取多个图像，建立图像训练集D1；利用图像训练集D1训练基于深度神经网络的酒店图像特征提取模型。
优选地，所述深度神经网络包括多种不同结构的卷积神经网络。
优选地，所述依据一酒店图像特征提取模型提取所述待评价图像的特征向量的步骤包括：所述酒店图像特征提取模型分别提取所述待评价图像在所述的多种不同结构的卷积神经网络中的特定层的输出值，然后将所述的多个输出值的组合作为所述待评价图像的特征向量。
优选地，按如下步骤生成所述分类模型：获取多个酒店的多个图像，各所述图像具有分类标注，建立图像训练集D2；将图像训练集D2中的每个图像输入所述特征提取模型获得该图像的特征向量，利用各图像的特征向量和分类标注训练所述分类模型。
优选地，所述分类标注包括美感度高和美感度低，当所述待评价图像的特征向量输入所述分类模型时，所述分类模型输出所述待评价图像分类为美感度高的概率，并将该概率作为所述待评价图像的美感度评分。
优选地，所述依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分的步骤包括：所述待评价图像的图像质量综合评分P3＝αP1+(1-α)P2，其中，P1为所述清晰度评分，P2为所述美感度评分，α为大于0小于1的参数。
优选地，α取值为0.2。
优选地，包括：筛选待显示的同一酒店的多个图像，包括如下筛选方式的一种或多种：仅显示清晰度评分大于第一阈值的多个图像；仅显示美感度评分大于第二阈值的多个图像；以及仅显示图像质量综合评分大于第三阈值的多个图像。
优选地，还包括：获取用户对于同一酒店的多个图像的评分，依据所述用户的评分调整所述图像的图像质量综合评分。
优选地，还包括：获取用户的预定的酒店订单，对于该酒店，获取用户浏览按所述排序顺序显示的多个图像时，选择放大的多个图像，提高所述选择放大的多个图像的图像质量综合评分。
优选地，同一酒店的多个图像分为多个类别，每个类别具有不同的权重，所述待评价图像的图像质量综合评分还乘以所述待评价图像的类别的权重以获得修正的图像质量综合评分。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如下步骤：获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所待评价述图像的清晰度评分；依据美感度评价模型计算所述待评价图像的美感度评分；依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。
优选地，所述计算机程序被处理器运行时执行所述依据美感度评价模型计算所述待评价图像的美感度评分的步骤时还包括：依据一酒店图像特征提取模型提取所述待评价图像的特征向量，并将所述特征向量输入一分类模型中，计算所述待评价图像的美感度评分。
优选地，所述计算机程序被处理器运行而执行所述依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分的步骤时还包括：所述待评价图像的图像质量综合评分P3＝αP1+(1-α)P2，其中，P1为所述清晰度评分，P2为所述美感度评分，α为大于0小于1的参数。
根据本发明的又一方面，还提供一种酒店信息的推送方法，包括：采用如上所述的展示方法，计算同一酒店的多个图像的图像质量综合评分的平均值；结合所述酒店的图像质量综合评分的平均值及酒店的多类评分值计算酒店的综合评分，并计算同一酒店的多个图像的图像质量综合评分；将所述酒店的综合评分按从高到低进行排序，并推送排名为前N个的酒店信息，N为大于0的整数。
优选地，所述酒店的多类评分值包括如下任意多项：酒店的价位、酒店的评论数量、酒店的用户评分的平均值、酒店的星级、酒店与用户的距离。
相比现有技术，本发明的优势在于：
1)本发明建立的基于清晰度量化的酒店图像客观质量评价模型，通过对比图像模糊前后的信息变化率来计算图像的清晰度，快捷而准确地量化出了图像的清晰度；
2)本发明建立的基于美感度量化的酒店图像主观质量评价模型，通过组合多种深度卷积神经网络来获取图像特征，更加有效地模拟了人眼视觉处理系统，力求更好地适应人类审美的主观性，保证了美感度量化的准确性。
3)本发明融合客观质量评价模型和主观质量评价模型实现酒店图像的完整质量评价，充分考虑了图像的清晰度和美感度两方面的信息，使清晰又好看的图像能够被优先展示给用户，保证了OTA酒店图像质量评价的效果。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的酒店图像的展示方法的流程图。
图2示出了根据本发明实施例的酒店图像清晰度计算的流程图。
图3示出了根据本发明实施例的生成酒店图像美感度模型的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有所述特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决现有技术的缺陷，提高用户使用预定酒店的应用程序来生成服务订单的用户体验，本发明提供一种酒店图像的展示方法。
酒店图像的展示方法包括：获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，对于每个待评价图像按图1所示的流程图计算图像质量综合评分。
首先执行步骤S110，将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所待评价述图像的清晰度评分；然后执行步骤S120，依据美感度评价模型计算所述待评价图像的美感度评分；随后执行步骤S130，依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分。
按图1所示的流程图计算同一酒店的多个图像的图像质量综合评分后，将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。
下面以一具体实施例描述本发明提供的酒店图像的展示方法。
本发明结合了基于清晰度量化的酒店图像客观质量评价模型及基于美感度量化的酒店图像主观质量评价模型来综合评价每一待评价图像。
利用基于清晰度量化的酒店图像客观质量评价模型来计算待评价图像的清晰度评分如图2所示的流程图，可以包括如下步骤：
步骤S210，对待评价图像进行灰度化处理。
具体而言，待评价图像的每个像素的RGB像素值转换为灰度值，例如灰度值Gray＝R*0.3+G*0.59+B*0.11。本发明并不限定RGB像素值转换为灰度值的转换算法。
转换后，将待评价图像按照初始的宽高比例缩放至统一的标准尺寸之内以获得一中间图像。可选地，在本实施例中，所述标准尺寸被设置为550*412像素。例如，待评价图像的初始尺寸为880*660像素，则可将待评价图像缩小以使880*660像素转换为550*412像素；待评价图像的初始尺寸为330*280像素，则可将待评价图像放大以使330*280像素转换为550*412像素。具体的图像放大方法可以采用双线性插值方法。双线性插值是在图像的横竖两个方向分别进行一次线性插值，以放大图像。图像缩小方法可以采用均值降采样方法。均值降采样是将一块像素区域用该区域的像素值的均值替代，从而使图像缩小。
步骤S220，对中间图像进行模糊化处理，获取模糊后的目标图像。
具体地，可采用高斯滤波对待评价图像进行滤波以完成模糊化处理。在本实施例中，高斯滤波模板大小可为3*3像素，其值符合二维正态分布。
步骤S230，分别对所述待评价图像和所述目标图像进行图像信息的提取和量化。
在步骤S230中，首先，采用拉普拉斯算子分别对所述中间图像和所述目标图像进行滤波，以实现对图像信息的提取。其中，拉普拉斯滤波模板大小为3*3像素。在本实施例中，拉普拉斯模板可以是[[0,1,0],[1,-4,1],[0,1,0]]。具体而言，拉普拉斯滤波可实现图像锐化处理，其作用是使灰度反差增强，从而使模糊图像变得更加清晰。图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算能够突出图像细节，使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。上述高斯滤波和拉普拉斯滤波的具体操作可以是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
其次，计算中间图像经过拉普拉斯滤波后的图像的像素值方差V1，并计算所述目标图像经过拉普拉斯滤波后的图像的像素值方差V2，以实现对图像信息的量化。例如，对于550*412像素点的中间图像，每一像素点具有一灰度值，利用该灰度值来计算该880*660像素点灰度值的方差V1；对于550*412像素点的目标图像，每一像素点具有一灰度值，利用该灰度值来计算该550*412像素点灰度值的方差V2。
步骤240，利用方差V1和方差V2计算待评价图像和目标图像的信息变化率，并作为所述酒店图像的清晰度评分。其中，信息变化率(清晰度评分)P1＝(V1-V2)/V1。其中，清晰度评分的范围区间为0到1之间，分数越高表示图像清晰度越高。
下面将描述基于美感度量化的酒店图像主观质量评价模型的建立，如图3所示的流程图，可以包括如下步骤：
步骤S310，建立图像训练集D1。
图像训练集D1包括多个图像。在本实施例中，图像训练集D1中的图像是通过互联网批量下载得到的。下载的图像内容可分为两大类。其中一类是场景图像，包括了街道、风景、建筑、餐厅等类别在内的183个类别，共250万张图像。另一类是实物图像，包括了车辆、动物、花草等类别在内的1000个类别，共100万张图像。整个图像训练集D1总共1183个类别，总共350万张图像。
步骤S320，利用图像训练集D1训练基于深度神经网络的酒店图像特征提取模型。其中，所训练的深度神经网络包括多种不同结构的卷积神经网络。
在本实施例中，可以采用8层卷积神经网络和152层残差卷积神经网络。具体地，所述的8层卷积神经网络，包含了5个卷积层和3个全连接层。卷积层的实现包括卷积、激活和池化3个步骤。第1层卷积核大小为11×11，卷积核个数为96，步长为4。第2-5层卷积核大小分别为5×5、3×3、3×3和3×3，卷积核个数分别为256、384、384和256，卷积步长均为1。各层池化方式为max pooling，池化单位区域为3×3像素点大小，池化步长为2个像素点。各层激活函数为修正线性函数。
所述的152层的残差卷积神经网络包含了50个残差单元。各所述的残差单元包括了3个卷积层，卷积层的实现包括了卷积、激活和批处理归一化3个步骤，卷积核大小依次分别为1×1、3×3、1×1，各层激活函数为修正线性函数。
利用上述的酒店图像特征提取模型提取图像特征向量的过程具体为：对于一张图像，首先将其尺寸缩放为227×227像素点大小，输入所述的8层卷积神经网络中，则该张图像在所述网络中第2个全连接层的输出值被作为其特征向量1，特征向量1的维度为4096。然后将图像尺寸缩放为224×224像素点大小，输入所述的152层残差卷积神经网络中，则该张图像在所述网络中的最后一个池化层的输出值被作为其特征向量2，特征向量2的维度为2048。最后将所述的特征向量1和特征向量2的维度叠加以进行合并，合并后作为该张图像的最终特征向量，维度为6144。
步骤S330，收集多个酒店的图像，建立图像训练集D2。
其中，酒店的图像可以是从OTA网站上收集整理获取的，酒店图像涵盖酒店外观、大堂、餐厅、会议室、健身娱乐和房间等类别。在整理中，首先对酒店的图像的美感进行标注，分为美感度高和美感度低两个类别。可选地，这些标注由人工进行。可选地，美感度高和美感度低两个类别中，每个类别2000张，总共4000张。
步骤S340，利用图像训练集D2训练一分类模型。
具体地，步骤S340包括以下步骤：
首先，将通过步骤S330生成的图像训练集D2中的所有图像，利用步骤步骤S320训练得到的所述基于深度神经网络的酒店图像特征提取模型进行特征向量的提取；
然后，利用提取到的图像训练集D2中的图像对应的图像特征向量和所标注的图像的美感度类别，训练一个基于集成学习的二分类模型，以对酒店图像的美感度进行自动分类。在本实施例中，所述二分类模型具体为随机森林，该分类模型所使用的决策树的个数可为800个。
具体而言，按如上所述的方式建立基于美感度量化的酒店图像主观质量评价模型，并按如下方式来计算待评价图像的美感度评分。
具体地，对于一张待评价图像，首先利用步骤S320中训练得到的基于深度卷积神经网络的酒店图像特征提取模型提取该图像的特征向量，然后将该特征向量输入利用步骤S340训练得到的随机森林分类模型中，计算得到该待评价图像被分为美感度高这个类的概率，将所述概率作为美感度分数。其中，美感度分数的范围区间为0到1之间，分数越高表示图像美感度越高。
通过上述方式计算获得待评价图像的清晰度评分和美感度评分。依据不同的权重结合清晰度评分P1和所述美感度评分P2获得所述待评价图像的图像质量综合评分P3。具体而言，待评价图像的图像质量综合评分P3＝αP1+(1-α)P2，其中，P1为所述清晰度评分，P2为所述美感度评分，α为大于0小于1的参数。可选地，α取值为0.2。图像质量综合评分的范围区间为0到1之间，图像质量综合评分越高，表示图像质量越好。
重复上述步骤以完成同一酒店的所有图像的图像质量综合评分，实现酒店图像的最终质量评价。然后，将同一酒店的多个图像的按图像质量综合评分排序，并按排序顺序显示多个图像。
进一步地，在一些实施例中，本发明提供酒店图像的评价和显示方法还包括筛选待显示的同一酒店的多个图像的步骤。也就是说，对于清晰度、美感度或者图像质量综合评分较低的图像，不进行显示。例如，不显示清晰度评分低于0.8的图像；不显示美感度评分低于0.5的图像；不显示图像质量综合评分低于0.6的图像。可采用上述筛选方式的一种或多种进行图像显示的筛选。
在一些变化例中，本发明提供酒店图像的评价和显示方法还包括获取用户对于同一酒店的多个图像的评分，依据所述用户的评分调整所述图像的图像质量综合评分。具体而言，用户在预定酒店并浏览所显示的酒店图像时，可向用户显示对酒店图像评分的窗口，用户根据提示可对酒店图像进行评分。可选地，用户评分可以是等级制评分，例如，喜欢、一般、不喜欢(分别对应用户评分0.9、0.5及0.1)；用户评分也可以是直接评分，例如，直接在0-1的分数范围内对图像进行评分。依据用户评分P4可调整所述图像的图像质量综合评分。例如，P3’＝λP3+(1-λ)P4，λ为大于0小于1的参数。可选地，λ取值为0.9。
在又一些变化例中，本发明提供酒店图像的评价和显示方法还包括获取用户的预定的酒店订单，对于该酒店，获取用户浏览按排序顺序显示的多个图像时，选择放大的多个图像，提高选择放大的多个图像的图像质量综合评分。具体而言，用户在预定酒店并浏览所显示的酒店图像时，当看到需要了解的图像时，会将图像放大。据此，根据用户的操作，可提高被放大的多个图像的图像质量综合评分。例如，当图像被放大50次，则图像质量综合评分增加0.01。
在另一些变化例中，在本发明提供酒店图像的评价和显示方法中，同一酒店的多个图像分为多个类别，每个类别具有不同的权重，待评价图像的图像质量综合评分还乘以待评价图像的类别的权重以获得修正的图像质量综合评分。具体而言，酒店的图像类别涵盖酒店外观、大堂、餐厅、会议室、健身娱乐和房间等。每个类别依据其本身的性质需要优先显示。例如，优先显示酒店外观、房间类别的图像，对于其他类别的图像无需优先显示。在这样的情况下，修正的图像质量综合评分P3”＝μP3,μ为大于等于0小于等于1的权重。可选地，酒店外观这一类别的权重可设置为1；房间类别这一类别的权重可设置为0.95；其余类别的权重可设置为0.9。获得修正的图像质量综合评分后，依据该修正的图像质量综合评分对图像进行排序，并按排序进行显示。
以上各个实施例仅仅是示意性地，描述本发明提供的酒店图像的评价和显示方法。本发明并非由此限定。例如，上述各个实施例可以结合以形成新的实施例。在不背离本发明权利要求范围的前提下，步骤的增加和省略都在本发明的保护范围之内，在此不予赘述。
根据本发明的又一方面，还提供一种存储介质。存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如下步骤：获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所待评价述图像的清晰度评分；依据美感度评价模型计算所述待评价图像的美感度评分；依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。该计算机程序被处理器运行时所执行的步骤还可以包括如上所述的任一个或多个实施例，在此不予赘述。
根据本发明的又一方面，还提供一种酒店信息的推送方法。用于向用户提供优质的酒店的酒店信息，进而提高用户预定率及用户体验。具体而言，该推送方法包括如下步骤：首先，采用如图1至图3所示的流程图计算同一酒店的多个图像的图像质量综合评分，并计算同一酒店的多个图像的图像质量综合评分的平均值P5；结合酒店的图像质量综合评分的平均值P5及酒店的多类评分值计算酒店的综合评分P6；将所述酒店的综合评分P6按从高到低进行排序，并推送排名为前N个的酒店信息，N为大于0的整数。可选地，N可以为5，例如向用户推送排名前5的酒店信息。酒店的多类评分值包括酒店的价位、酒店的评论数量、酒店的用户评分的平均值、酒店的星级、酒店与用户的距离中的任意多项。例如，可结合酒店的价位和酒店的星级作为酒店的一种评分值P7＝A/1000B(其中，A为酒店的价位，B为酒店的星级，当酒店价位超过5000元时以5000作为酒店的价格)；采用酒店的评论数量作为酒店的一种评分值P8＝C/10000(其中，C为酒店的评论数量，当酒店的评论数量超过10000时以10000作为酒店的评论数量)；采用酒店的用户评分的平均值作为酒店的一种评分值P9＝D/5(其中，D为酒店的用户评分的平均值，用户评分的最高分为5)；采用酒店与用户的距离为酒店的一种评分值P10＝(10-E)10(其中，E为酒店与用户的距离，当酒店与用户的距离超过10公里时以10公里作为酒店与用户的距离)。可选地，采用上述P7至P10任多项与同一酒店的多个图像的图像质量综合评分的平均值P5以不同的权重结合来计算酒店的综合评分P6。上述各个评分的计算仅仅是示意性地，本发明并未以此为限。
相比现有技术，本发明的优势在于：
1)本发明建立的基于清晰度量化的酒店图像客观质量评价模型，通过对比图像模糊前后的信息变化率来计算图像的清晰度，快捷而准确地量化出了图像的清晰度；
2)本发明建立的基于美感度量化的酒店图像主观质量评价模型，通过组合多种深度卷积神经网络来获取图像特征，更加有效地模拟了人眼视觉处理系统，力求更好地适应人类审美的主观性，保证了美感度量化的准确性。
3)本发明融合客观质量评价模型和主观质量评价模型实现酒店图像的完整质量评价，充分考虑了图像的清晰度和美感度两方面的信息，使清晰又好看的图像能够被优先展示给用户，保证了OTA酒店图像质量评价的效果。
通过以上的实施方式的描述，本领域的技术人员易于理解，本公开实施例可以通过硬件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员可以理解，附图只是示例实施方式的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上具体地示出和描述了本发明的示例性实施方式。应该理解，本发明不限于所公开的实施方式，相反，本发明意图涵盖包含在所附权利要求范围内的各种修改和等效置换。
Claims (21)
1.一种酒店图像的展示方法，其特征在于，包括：
获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：
将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所述待评价述图像的清晰度评分；
依据美感度评价模型计算所述待评价图像的美感度评分；
依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；
将同一酒店的多个图像按图像质量综合评分按从高到低进行排序，并按所述排序的顺序显示多个图像。
2.如权利要求1所述的展示方法，其特征在于，所述将所述待评价图像转换为目标图像的步骤包括：
对所述待评价图像进行灰度化处理，并将所述待评价图像缩放至一标准尺寸之内以获得一中间图像；以及
对所述中间图像进行模糊化处理，将模糊化处理后的中间图像作为目标图像。
3.如权利要求2所述的展示方法，其特征在于，所述模糊化处理的步骤包括：
采用高斯滤波对所述中间图像进行滤波。
4.如权利要求2所述的展示方法，其特征在于，所述计算所述待评价图像和所述目标图像的信息变化率的步骤包括：
分别对所述中间图像和所述目标图像进行拉普拉斯滤波；
计算所述中间图像经过拉普拉斯滤波后的像素值方差V1，并计算所述目标图像经过拉普拉斯滤波后的像素值方差V2；
所述信息变化率P1＝(V1-V2)/V1，其中P1大于等于0小于等于1，P1越大表示待评价图像的清晰度越高。
5.如权利要求1所述的展示方法，其特征在于，所述依据美感度评价模型计算所述待评价图像的美感度评分的步骤包括：
依据一酒店图像特征提取模型提取所述待评价图像的特征向量，并将所述特征向量输入一分类模型中，计算所述待评价图像的美感度评分。
6.如权利要求5所述的展示方法，其特征在于，按如下步骤生成所述酒店图像特征提取模型：
获取多个图像，建立图像训练集D1；
利用图像训练集D1训练基于深度神经网络的酒店图像特征提取模型。
7.如权利要求6所述的展示方法，其特征在于，所述深度神经网络包括多种不同结构的卷积神经网络。
8.如权利要求7所述的展示方法，其特征在于，所述依据一酒店图像特征提取模型提取所述待评价图像的特征向量的步骤包括：
所述酒店图像特征提取模型分别提取所述待评价图像在所述的多种不同结构的卷积神经网络中的特定层的输出值，然后将所述的多个输出值的组合作为所述待评价图像的特征向量。
9.如权利要求6所述的展示方法，其特征在于，按如下步骤生成所述分类模型：
获取多个酒店的多个图像，各所述图像具有分类标注，建立图像训练集D2；
将图像训练集D2中的每个图像输入所述特征提取模型获得该图像的特征向量，利用各图像的特征向量和分类标注训练所述分类模型。
10.如权利要求9所述的展示方法，其特征在于，所述分类标注包括美感度高和美感度低，当所述待评价图像的特征向量输入所述分类模型时，所述分类模型输出所述待评价图像分类为美感度高的概率，并将该概率作为所述待评价图像的美感度评分。
11.如权利要求1所述的展示方法，其特征在于，所述依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分的步骤包括：
所述待评价图像的图像质量综合评分P3＝αP1+(1-α)P2，
其中，P1为所述清晰度评分，P2为所述美感度评分，α为大于0小于1的参数。
12.如权利要求11所述的展示方法，其特征在于，α取值为0.2。
13.如权利要求1所述的展示方法，其特征在于，包括：
筛选待显示的同一酒店的多个图像，包括如下筛选方式的一种或多种：
仅显示清晰度评分大于第一阈值的多个图像；
仅显示美感度评分大于第二阈值的多个图像；以及
仅显示图像质量综合评分大于第三阈值的多个图像。
14.如权利要求1所述的展示方法，其特征在于，还包括：
获取用户对于同一酒店的多个图像的评分，依据所述用户的评分调整所述图像的图像质量综合评分。
15.如权利要求1所述的展示方法，其特征在于，还包括：
获取用户的预定的酒店订单，对于该酒店，获取用户浏览按所述排序顺序显示的多个图像时，选择放大的多个图像，提高所述选择放大的多个图像的图像质量综合评分。
16.如权利要求1所述的展示方法，其特征在于，同一酒店的多个图像分为多个类别，每个类别具有不同的权重，
所述待评价图像的图像质量综合评分还乘以所述待评价图像的类别的权重以获得修正的图像质量综合评分。
17.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如下步骤：
获取同一酒店的多个图像，并将所述多个图像中的每个图像作为待评价图像，每个所述待评价图像按如下步骤计算图像质量综合评分：
将所述待评价图像转换为目标图像，计算所述待评价图像和所述目标图像的信息变化率，并将所述信息变化率作为所待评价述图像的清晰度评分；
依据美感度评价模型计算所述待评价图像的美感度评分；
依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分；
将同一酒店的多个图像按图像质量综合评分排序，并按所述排序顺序显示多个图像。
18.如权利要求17所述的存储介质，其特征在于，
所述计算机程序被处理器运行而执行所述依据美感度评价模型计算所述待评价图像的美感度评分的步骤时还包括：
依据一酒店图像特征提取模型提取所述待评价图像的特征向量，并将所述特征向量输入一分类模型中，计算所述待评价图像的美感度评分。
19.如权利要求17所述的存储介质，其特征在于，所述计算机程序被处理器运行而执行所述依据不同的权重结合所述清晰度评分和所述美感度评分获得所述待评价图像的图像质量综合评分的步骤时还包括：
所述待评价图像的图像质量综合评分P3＝αP1+(1-α)P2，
其中，P1为所述清晰度评分，P2为所述美感度评分，α为大于0小于1的参数。
20.一种酒店信息的推送方法，其特征在于，包括：
采用如权利要求1至16任一项所述的展示方法，计算同一酒店的多个图像的图像质量综合评分，并计算同一酒店的多个图像的图像质量综合评分的平均值；
结合所述酒店的图像质量综合评分的平均值及酒店的多类评分值计算酒店的综合评分；
将所述酒店的综合评分按从高到低进行排序，并推送排名为前N个的酒店信息，N为大于0的整数。
21.如权利要求1所述的酒店信息的推送方法，其特征在于，所述酒店的多类评分值包括如下任意多项：酒店的价位、酒店的评论数量、酒店的用户评分的平均值、酒店的星级、酒店与用户的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710485197.6A CN107194898A (zh) | 2017-06-23 | 2017-06-23 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710485197.6A CN107194898A (zh) | 2017-06-23 | 2017-06-23 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107194898A true CN107194898A (zh) | 2017-09-22 |
Family
ID=59878305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710485197.6A Pending CN107194898A (zh) | 2017-06-23 | 2017-06-23 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194898A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679475A (zh) * | 2017-09-25 | 2018-02-09 | 平安科技（深圳）有限公司 | 门店监控评价方法、装置及存储介质 |
| CN107832725A (zh) * | 2017-11-17 | 2018-03-23 | 北京奇虎科技有限公司 | 基于评价指标的视频封面提取方法及装置 |
| CN108053407A (zh) * | 2017-12-22 | 2018-05-18 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
| CN108984734A (zh) * | 2018-07-13 | 2018-12-11 | 中国科学院长春光学精密机械与物理研究所 | 一种大样本容量图像质量主观评价方法及系统 |
| CN109523281A (zh) * | 2018-11-26 | 2019-03-26 | 北京拓世寰宇网络技术有限公司 | 一种确定房源图片类别的方法及装置 |
| CN110633370A (zh) * | 2019-09-19 | 2019-12-31 | 携程计算机技术（上海）有限公司 | Ota酒店标签的生成方法、系统、电子设备和介质 |
| CN110634116A (zh) * | 2018-05-30 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 一种面部图像评分方法及摄像机 |
| CN110689020A (zh) * | 2019-10-10 | 2020-01-14 | 湖南师范大学 | 一种矿物浮选泡沫图像的分割方法及电子设备 |
| CN110796004A (zh) * | 2019-09-25 | 2020-02-14 | 北京大米科技有限公司 | 图像识别评估方法、装置、存储介质及电子设备 |
| CN110825289A (zh) * | 2019-10-31 | 2020-02-21 | 北京字节跳动网络技术有限公司 | 操作用户界面的方法、装置、电子设备及存储介质 |
| CN110909193A (zh) * | 2019-11-22 | 2020-03-24 | 携程计算机技术（上海）有限公司 | 图像排序展示方法、系统、设备和存储介质 |
| CN110969599A (zh) * | 2019-11-07 | 2020-04-07 | 成都傅立叶电子科技有限公司 | 基于图像属性的目标检测算法性能总体测评方法及系统 |
| CN111062439A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种视频清晰度分类方法、装置、设备和存储介质 |
| CN111191054A (zh) * | 2019-12-18 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111291829A (zh) * | 2020-03-03 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种精选图片的自动确定方法和系统 |
| CN111353851A (zh) * | 2020-02-27 | 2020-06-30 | 携程计算机技术（上海）有限公司 | 酒店排序推荐方法、装置、电子设备、存储介质 |
| CN111460191A (zh) * | 2020-02-25 | 2020-07-28 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
| CN111814730A (zh) * | 2020-07-21 | 2020-10-23 | 深圳市鑫疆基业科技有限责任公司 | 无人机健康状态评价方法、装置、设备和计算机存储介质 |
| CN112164102A (zh) * | 2020-09-24 | 2021-01-01 | 北京三快在线科技有限公司 | 一种图像处理方法及装置 |
| CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112418295A (zh) * | 2020-11-18 | 2021-02-26 | 北京三快在线科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113744012A (zh) * | 2020-08-10 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种信息处理方法、装置和存储介质 |
| CN116150421A (zh) * | 2023-04-23 | 2023-05-23 | 深圳竹云科技股份有限公司 | 图像的展示方法、装置、计算机设备和存储介质 |
| CN111062439B (zh) * | 2019-12-17 | 2024-10-29 | 腾讯科技（深圳）有限公司 | 一种视频清晰度分类方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
| CN104504064A (zh) * | 2014-12-19 | 2015-04-08 | 百度在线网络技术（北京）有限公司 | 一种信息推荐方法和装置 |
| CN104599274A (zh) * | 2015-01-23 | 2015-05-06 | 宇龙计算机通信科技(深圳)有限公司 | 图像质量的评价方法与装置 |
| CN105608700A (zh) * | 2015-12-24 | 2016-05-25 | 广州视源电子科技股份有限公司 | 照片的筛选方法及系统 |
| CN106022573A (zh) * | 2016-05-10 | 2016-10-12 | 南京世途猫信息技术有限公司 | 一种多维度酒店评分方法 |
| CN106650795A (zh) * | 2016-12-01 | 2017-05-10 | 携程计算机技术（上海）有限公司 | 酒店房型图像的排序方法 |
| CN106709767A (zh) * | 2017-03-07 | 2017-05-24 | 携程计算机技术（上海）有限公司 | Ota酒店的个性化推荐方法及系统 |
-
2017
- 2017-06-23 CN CN201710485197.6A patent/CN107194898A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
| CN104504064A (zh) * | 2014-12-19 | 2015-04-08 | 百度在线网络技术（北京）有限公司 | 一种信息推荐方法和装置 |
| CN104599274A (zh) * | 2015-01-23 | 2015-05-06 | 宇龙计算机通信科技(深圳)有限公司 | 图像质量的评价方法与装置 |
| CN105608700A (zh) * | 2015-12-24 | 2016-05-25 | 广州视源电子科技股份有限公司 | 照片的筛选方法及系统 |
| CN106022573A (zh) * | 2016-05-10 | 2016-10-12 | 南京世途猫信息技术有限公司 | 一种多维度酒店评分方法 |
| CN106650795A (zh) * | 2016-12-01 | 2017-05-10 | 携程计算机技术（上海）有限公司 | 酒店房型图像的排序方法 |
| CN106709767A (zh) * | 2017-03-07 | 2017-05-24 | 携程计算机技术（上海）有限公司 | Ota酒店的个性化推荐方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姚相坤 等: "基于多结构卷积神经网络的高分遥感影像飞机目标检测", 《计算机工程》 * |
| 王伟凝 等: "基于并行深度卷积神经网络的图像美感分类", 《自动化学报》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679475A (zh) * | 2017-09-25 | 2018-02-09 | 平安科技（深圳）有限公司 | 门店监控评价方法、装置及存储介质 |
| WO2019056503A1 (zh) * | 2017-09-25 | 2019-03-28 | 平安科技（深圳）有限公司 | 门店监控评价方法、装置及存储介质 |
| CN107832725A (zh) * | 2017-11-17 | 2018-03-23 | 北京奇虎科技有限公司 | 基于评价指标的视频封面提取方法及装置 |
| CN108053407A (zh) * | 2017-12-22 | 2018-05-18 | 联想(北京)有限公司 | 数据处理方法及数据处理系统 |
| CN110634116A (zh) * | 2018-05-30 | 2019-12-31 | 杭州海康威视数字技术股份有限公司 | 一种面部图像评分方法及摄像机 |
| CN110634116B (zh) * | 2018-05-30 | 2022-04-05 | 杭州海康威视数字技术股份有限公司 | 一种面部图像评分方法及摄像机 |
| CN108984734A (zh) * | 2018-07-13 | 2018-12-11 | 中国科学院长春光学精密机械与物理研究所 | 一种大样本容量图像质量主观评价方法及系统 |
| CN109523281A (zh) * | 2018-11-26 | 2019-03-26 | 北京拓世寰宇网络技术有限公司 | 一种确定房源图片类别的方法及装置 |
| CN110633370A (zh) * | 2019-09-19 | 2019-12-31 | 携程计算机技术（上海）有限公司 | Ota酒店标签的生成方法、系统、电子设备和介质 |
| CN110796004A (zh) * | 2019-09-25 | 2020-02-14 | 北京大米科技有限公司 | 图像识别评估方法、装置、存储介质及电子设备 |
| CN110689020A (zh) * | 2019-10-10 | 2020-01-14 | 湖南师范大学 | 一种矿物浮选泡沫图像的分割方法及电子设备 |
| CN110825289A (zh) * | 2019-10-31 | 2020-02-21 | 北京字节跳动网络技术有限公司 | 操作用户界面的方法、装置、电子设备及存储介质 |
| US11875023B2 (en) | 2019-10-31 | 2024-01-16 | Beijing Bytedance Network Technology Co., Ltd. | Method and apparatus for operating user interface, electronic device, and storage medium |
| CN110969599A (zh) * | 2019-11-07 | 2020-04-07 | 成都傅立叶电子科技有限公司 | 基于图像属性的目标检测算法性能总体测评方法及系统 |
| CN110909193A (zh) * | 2019-11-22 | 2020-03-24 | 携程计算机技术（上海）有限公司 | 图像排序展示方法、系统、设备和存储介质 |
| CN110909193B (zh) * | 2019-11-22 | 2024-01-05 | 携程计算机技术（上海）有限公司 | 图像排序展示方法、系统、设备和存储介质 |
| CN111062439A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种视频清晰度分类方法、装置、设备和存储介质 |
| CN111062439B (zh) * | 2019-12-17 | 2024-10-29 | 腾讯科技（深圳）有限公司 | 一种视频清晰度分类方法、装置、设备和存储介质 |
| CN111191054A (zh) * | 2019-12-18 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111191054B (zh) * | 2019-12-18 | 2024-02-13 | 腾讯科技（深圳）有限公司 | 媒体数据的推荐方法、装置 |
| CN111460191A (zh) * | 2020-02-25 | 2020-07-28 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
| CN111353851A (zh) * | 2020-02-27 | 2020-06-30 | 携程计算机技术（上海）有限公司 | 酒店排序推荐方法、装置、电子设备、存储介质 |
| CN111291829A (zh) * | 2020-03-03 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种精选图片的自动确定方法和系统 |
| CN111814730A (zh) * | 2020-07-21 | 2020-10-23 | 深圳市鑫疆基业科技有限责任公司 | 无人机健康状态评价方法、装置、设备和计算机存储介质 |
| CN113744012A (zh) * | 2020-08-10 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种信息处理方法、装置和存储介质 |
| CN113744012B (zh) * | 2020-08-10 | 2024-08-20 | 北京沃东天骏信息技术有限公司 | 一种信息处理方法、装置和存储介质 |
| CN112164102A (zh) * | 2020-09-24 | 2021-01-01 | 北京三快在线科技有限公司 | 一种图像处理方法及装置 |
| CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112288699B (zh) * | 2020-10-23 | 2024-02-09 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112418295A (zh) * | 2020-11-18 | 2021-02-26 | 北京三快在线科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN116150421A (zh) * | 2023-04-23 | 2023-05-23 | 深圳竹云科技股份有限公司 | 图像的展示方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194898A (zh) | 酒店图像的展示方法、存储介质及酒店信息的推送方法 | |
| US10755391B2 (en) | Digital image completion by learning generation and patch matching jointly | |
| Mertens et al. | A sub‐pixel mapping algorithm based on sub‐pixel/pixel spatial attraction models | |
| CN109712165B (zh) | 一种基于卷积神经网络的同类前景图像集分割方法 | |
| CN107610123A (zh) | 一种基于深度卷积神经网络的图像美学质量评价方法 | |
| Liu et al. | Variable augmented neural network for decolorization and multi-exposure fusion | |
| CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
| CN108537192A (zh) | 一种基于全卷积网络的遥感影像地表覆盖分类方法 | |
| CN107742107A (zh) | 人脸图像分类方法、装置及服务器 | |
| CN107122796A (zh) | 一种基于多分支网络融合模型的光学遥感图像分类方法 | |
| Paulin et al. | Review and analysis of synthetic dataset generation methods and techniques for application in computer vision | |
| CN107273502A (zh) | 一种基于空间认知学习的图像地理标注方法 | |
| CN107798653A (zh) | 一种图像处理的方法和一种装置 | |
| CN109635812B (zh) | 图像的实例分割方法及装置 | |
| Ahmadi et al. | Context-aware saliency detection for image retargeting using convolutional neural networks | |
| CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
| CN113762138B (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
| CN106650795B (zh) | 酒店房型图像的排序方法 | |
| CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
| CN107784628A (zh) | 一种基于重建优化和深度神经网络的超分辨率实现方法 | |
| CN105787490A (zh) | 基于深度学习的商品潮流识别方法及装置 | |
| CN107464217A (zh) | 一种图像处理方法及装置 | |
| CN110070517A (zh) | 基于退化成像机理和生成对抗机制的模糊图像合成方法 | |
| CN110287882A (zh) | 一种基于深度学习的大菊品种图像识别方法 | |
| CN115409755B (zh) | 贴图处理方法和装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
| RJ01 | Rejection of invention patent application after publication |