CN107945175A - 图像的评价方法、装置、服务器及存储介质 - Google Patents

Abstract

本发明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。

Description

图像的评价方法、装置、服务器及存储介质

技术领域

本发明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。

背景技术

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。在实现本发明的过程中，发明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。

发明内容

有鉴于此，本发明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，本发明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，本发明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，本发明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，本发明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。

本发明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，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例一提供的图像的评价方法的流程图；

图2是本发明实施例二提供的图像的评价方法的流程图；

图3是本发明实施例三提供的图像的评价方法的流程图；

图4是本发明实施例四提供的图像的评价方法的流程图；

图5是本发明实施例五提供的图像的评价装置的结构图；

图6是本发明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发明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发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明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法来替代手工获取特征。

对于深度学习模型来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。每次用无监督学习只训练一层，将其训练结果作为其高一层的输入，并可根据最终的结果对算法进行调整。由此可以看出，对于一个训练完成的深度学习模型，可以输入对象的一些特征，深度学习模型将会给出该对象的最终结果。

在本实施例中，可以预先训练一个深度学习模型，所述深度学习模型可以包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接的结构。向所述深度学习模型输入图像的特征集，以及与所述图像的评价结果，以实现对所述深度学习模型进行训练。上述为训练目的所输入的图像是进行训练的样本。因此成为样本图像。所述样本图像通常包括大量的图像，只有通过大量的样本图像才能使训练完成的深度学习模型实现机器学习，进而不断优化算法，实现给出准确结果。其中，所述图像的评价结果可以是用户对所述图像的满意度。对于样本图像的评价结果，可以是工作人员根据人体感官主观给出的评价，所述评价通常可以为0-99之间任一的分数。

利用上述完成训练的深度学习模型可以对图像进行评价。具体的，可以将上述方法获取得到的包括：包括图像主观参数特征和/或图像客观参数特征的所述图像的特征集，输入所述完成训练的深度学习模型，并可从所述完成训练的深度学习模型的输出中获取所述图像的评价结果。

在本实施例中，相对于现有技术，由于采用了图像主观参数特征和/或图像客观参数特征，图像的参数特征的维度更多，且利用深度学习模型可以综合考虑各个维度的参数特征之间的相关性。因此，对于图像的评价更为准确。此外，由于采用的是从图像中提取的特征，相对于将图像直接输入深度学习模型，减少了形成抽象的特征的运算，可以减少深度学习模型的层数，提高深度学习模型的评价效率。

本实施例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。

在本发明实施例的一个优选实施方式中，在得到所述图像的评价结果之后，还可增加如下步骤：根据所述图像的评价结果对所述图像进行推荐。由于所述图像评价结果能够综合体现用户对所述图像的综合满意度。因此，可以根据上述得到的所述图像的评价结果对所述图像向用户进行推荐。示例性的，由于评价结果可以为0-99之间的数值，数值越高，评价结果越好，因此，可以选取评价结果大于设定评价阈值的图像向用户进行推荐；或者也可以按照评价结果对图像进行排序，按照由高到低的顺序对图像进行排序，并按照排序向用户推荐图像。可以提高推荐图像的命中率，更好的满足用户的需求。

实施例二

图2为本发明实施例二提供的图像的评价方法的流程示意图。本实施例以上述实施例为基础进行优化，在本实施例中，将获取图像的图像主观参数特征，具体优化为：利用预设的喜好评价神经网络模型输出所述图像喜好度。

相应的，本实施例提供的图像的评价方法，包括：

步骤210、获取图像的图像客观参数特征。

步骤220、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。

所述图像喜好度可以是用户对于所述图像的一种直观的主观评价。对于一些图像可能无法直接获取得到用户的图像喜好度。因此，在本实施例中，可以利用预设的喜好评价神经网络模型输出所述图像喜好度。

所述图像清晰度可以是影像上各细部影纹及其边界的清晰程度，是用户对于所述图像人眼主观看到的图像的清晰程度。因此，在本实施例中，可以利用预设的清晰度神经网络模型输出所述图像清晰度。

神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。其基本结构可以包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为神经网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是神经网络相对于神经元彼此相连网络的一大优势。

在本实施例中，可以预先建立一个喜好评价神经网络模型，将已有用户喜好度和其对应的图像输入到所述喜好评价神经网络模型进行训练。在完成训练后，将需要获取得到用户喜好度的图像输入所述喜好评价神经网络模型，喜好评价神经网络模型输出相应的用户喜好度。

相似的，可以预先建立一个清晰度神经网络模型，将已有的图像清晰度和其对应的图像输入到所述清晰度评价神经网络模型进行训练。在完成训练后，将需要获取得到清晰度的图像输入所述清晰度评价神经网络模型，清晰度评价神经网络模型输出相应的图像清晰度。

步骤230、将图像的图像客观参数特征和/或包括图像喜好度和\或图像清晰度的图像主观参数特征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。

需要说明的是，所述步骤220也可以在步骤210之前，也可以实现相同的技术效果。

本实施例通过将获取图像的图像主观参数特征，具体优化为：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/或图像清晰度。可以针对没有用户喜好度和/或图像清晰度的图像，利用神经网络模型生成所述图像的用户喜好度和/或图像清晰度，可以避免待评价图像缺少主观维度特征，能够提高评价的准确性。

实施例三

图3为本发明实施例三提供的图像的评价方法的流程示意图。本实施例以上述实施例为基础进行优化，在本实施例中，在训练所述深度学习模型之前，增加如下步骤：采集用户对所述样本图像的操作；根据所述操作生成样本图像的评价结果。

相应的，本实施例提供的图像的评价方法，包括：

步骤310、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。

步骤320、采集用户对所述样本图像的操作。

在对深度学习模型进行训练时，需要输入样本图像的特征集和所述样本图像的评价。以使得所述深度学习模型通过训练生成相应的评价方法。由于原有的评价只是根据工作人员的主观感觉生成的，因此，可能与其他用户的主观感觉不一致。因此，在本实施例中，利用用户对样本图像的操作反映用户对样本图像的主观评价。示例性的，所述对样本图像的操作可以包括：对图像缩略图的点击打开操作、对图像的转发操作和对图像的评论操作等。上述操作可以表明用户对所述样本图像的兴趣。示例性的，可以通过网络服务器的日志文件获取用户对所述样本图像的上述操作。所述网络服务器可以包括：搜索引擎服务器、社交网络服务器、网络图像服务器和网络视频服务器等能够记载用户对图像进行操作的各种服务器。

步骤330、根据所述操作生成样本图像的评价结果。

由于用户对样本图像的操作可以表明用户对所述样本图像的兴趣，因此，可以根据所述操作生成样本图像的评价结果。示例性的，可以确定所述操作的类型，并根据所述类型确定评价权重，根据所述评价权重生成样本图像的评价结果。例如：对于样本图像的转发操作，由于其转发的目的是用于分享，说明用户对所述样本图像的兴趣较高，样本图像的转发操作可以为较高权重；而对于样本图像的评论操作，说明用户仔细浏览过所述样本图像，其评论可能是正面也可能是负面，但能够表现用户对所述样本图像具有一定的兴趣，因此，样本图像的评论操作的权重可以设定为中等权重；而对于样本图像缩略图的点击打开操作，其说明用户浏览过所述样本图像，因此，对于样本图像缩略图的点击打开操作可以为较低权重。结合每种对样本图像的操作次数和操作类型对应的权重可以生成所述样本图像的评价结果。

步骤340、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。

需要说明的是，步骤320和330也可以在步骤310之前执行，也可以实现相同的技术效果。

本实施例通过在训练所述深度学习模型之前，增加如下步骤：采集用户对所述样本图像的操作；根据所述操作生成样本图像的评价结果。可以利用用户对样本图像的操作生成较为准确的评价结果。可以提高深度学习模型的训练准确性，进而提高所述图像的评价结果的准确性。

实施例四

图4为本发明实施例四提供的图像的评价方法的流程示意图。本实施例以上述实施例为基础进行优化，在本实施例中，将所述样本图像的评价结果，具体优化为：所述样本图像的点击次数与所述图像的推送次数之比。

相应的，本实施例提供的图像的评价方法，包括：

步骤410、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。

步骤420、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点击次数与所述样本图像的推送次数之比进行训练而得。

虽然可以通过用户对所述样本图像的操作生成样本图像的评价结果。但采集用户对所述样本图像的操作需要通过多种网络服务器获取。获取的方式复杂，且相对较困难。由于样本图像的点击和推送可以从网络图像服务器或者搜索引擎服务器中的一个获取得到。其获取的方式相对较为容易和简单。并且，从推荐的样本图像中的点击打开操作可以充分体现用户对样本图像的兴趣，能够从侧面体现用户对所述样本图像的评价结果。因此，在本实施例中，将所述样本图像的点击次数与所述样本图像的推送之比作为评价结果。示例性的，可以采集预设的时间段内所述样本图像的推送次数，和所述样本图像在被推送时的点击次数，并计算所述样本图像的点击次数与所述样本图像的推送之比，并将所述本图像的点击次数与所述样本图像的推送之比作为评价结果。可以综合大部分用户的主观意见，生成较为准确的评价结果。

本实施例通过将所述样本图像的评价结果，具体优化为：所述样本图像的点击次数与所述图像的推送次数之比。可以减少获取所述样本图像的复杂度和困难度，并且能够生成较为准确的评价结果。

实施例五

图5是本发明实施例五提供的图像的评价装置的结构图，如图5所示，所述装置包括：

获取模块510，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520，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。

本实施例提供的图像的评价装置，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。

在上述各实施例的基础上，所述装置还包括：

推荐模块，用于根据所述图像的评价结果对所述图像进行推荐。

在上述各实施例的基础上，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。

在上述各实施例的基础上，所述获取模块包括：

喜好输出单元，用于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

清晰度输出单元，用于利用预设的清晰度神经网络模型输出所述图像清晰度。

在上述各实施例的基础上，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。

在上述各实施例的基础上，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。

在上述各实施例的基础上，所述装置还包括：

采集模块，用于采集用户对所述样本图像的操作；

评价生成模块，用于根据所述操作生成样本图像的评价结果。

本发明实施例所提供的图像的评价装置可执行本发明任意实施例所提供的图像的评价方法，具备执行方法相应的功能模块和有益效果。

实施例六

图6为本发明实施例六提供的一种服务器的结构示意图。图6示出了适于用来实现本发明实施方式的示例性服务器12的框图。图6显示的服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的任一所述的图像的评价方法。

实施例七

本发明实施例七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，其特征在于，该程序被处理器执行时实现如上述实施例中提供的任一所述的图像的评价方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以相互组合，形成本领域技术人员可以理解的其他实施方式。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

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：

采集用户对所述样本图像的操作；

根据所述操作生成样本图像的评价结果。

8.一种图像的评价装置，其特征在于，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。

9.根据权利要求8所述的装置，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。

10.根据权利要求8所述的装置，其特征在于，所述装置还包括：

采集模块，用于采集用户对所述样本图像的操作；

评价生成模块，用于根据所述操作生成样本图像的评价结果。

11.一种服务器，其特征在于，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权利要求1-7中任一所述的图像的评价方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的图像的评价方法。