CN109447958B - 图像处理方法、装置、存储介质及计算机设备 - Google Patents
图像处理方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN109447958B CN109447958B CN201811210131.7A CN201811210131A CN109447958B CN 109447958 B CN109447958 B CN 109447958B CN 201811210131 A CN201811210131 A CN 201811210131A CN 109447958 B CN109447958 B CN 109447958B
- Authority
- CN
- China
- Prior art keywords
- image
- test
- parameter
- attribute
- processed
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000875 corresponding effect Effects 0.000 claims description 349
- 238000012360 testing method Methods 0.000 claims description 319
- 238000012549 training Methods 0.000 claims description 26
- 238000013441 quality evaluation Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001303 quality assessment method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 101150014889 Gad1 gene Proteins 0.000 description 12
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 101100096719 Arabidopsis thaliana SSL2 gene Proteins 0.000 description 8
- 101100366560 Panax ginseng SS10 gene Proteins 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 101100084404 Mus musculus Prodh gene Proteins 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 101100447571 Caenorhabditis elegans gad-3 gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 101100121050 Caenorhabditis elegans gad-1 gene Proteins 0.000 description 2
- 101150106793 GAD2 gene Proteins 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101150004094 PRO2 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种图像处理方法、装置、存储介质及计算机设备,所述方法包括:接收待处理图像;获取包含于候选属性调整参数中、且与所述待处理图像对应的推荐属性调整参数;在参数调整界面上展示与所述推荐属性调整参数对应的提示信息;接收对应于所述参数调整界面的参数调整指令,从所述候选属性调整参数中确定与所述参数调整指令相对应的实际属性调整参数;根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像。本申请提供的方案能够降低对人为经验的依赖,有效地提升调整效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像处理方法、装置、存储介质及计算机设备。
背景技术
随着计算机技术的发展,人们越来越多地通过图像来呈现信息。在图像的使用过程中,经常需要根据曝光度、对比度、饱和度等属性调整参数,对图像进行调整,从而使图像呈现效果满足实际需求。
传统方式中,主要是人们依据自身经验和视觉感受,人为地设置属性调整参数来调整图像。然而,传统方式对人为经验的依赖程度高,调整效率低下。
发明内容
根据此,有必要针对传统技术中对人为经验的依赖程度高,调整效率低下的技术问题,提供一种图像处理方法、装置、存储介质及计算机设备。
一种图像处理方法,包括:
接收待处理图像;
获取包含于候选属性调整参数中、且与所述待处理图像对应的推荐属性调整参数;
在参数调整界面上展示与所述推荐属性调整参数对应的提示信息;
接收对应于所述参数调整界面的参数调整指令,从所述候选属性调整参数中确定与所述参数调整指令相对应的实际属性调整参数;
根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像。
一种图像处理装置,包括:
待处理图像获取模块,用于接收待处理图像;
推荐参数获取模块,用于获取包含于候选属性调整参数中、且与所述待处理图像对应的推荐属性调整参数;
推荐参数展示模块,用于在参数调整界面上展示与所述推荐属性调整参数对应的提示信息;
实际参数获取模块,用于接收对应于所述参数调整界面的参数调整指令,并从所述候选属性调整参数中确定与所述参数调整指令相对应的实际属性调整参数;
图像调整模块,用于根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像。
一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述图像处理方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述图像处理方法的步骤。
上述图像处理方法、装置、存储介质及计算机设备,获取与待处理图像对应的推荐属性调整参数,并根据推荐属性调整参数展示提示信息,该提示信息可以用于指导用户确定调整待处理图像所使用的属性调整参数,降低了对人为经验的依赖,有效地提升了调整效率,且降低了专业门槛。此外,展示提示信息之后,在接收到对应于参数调整界面的参数调整指令时,从候选属性调整参数中确定与参数调整指令对应的实际属性调整参数,并根据实际属性调整参数调整待处理图像,可见,用户可以在参考提示信息的情况下,结合自身经验及需求,自主确定调整待处理图像实际使用的属性调整参数,提高了图像处理的灵活性,且使得处理后的图像更符合用户需求。
附图说明
图1为一个实施例中图像处理方法的应用环境图;
图2为一个实施例中图像处理方法的流程示意图;
图3为一个实施例中提示信息的示意图;
图4为一个实施例中处理后的图像的示意图;
图5为一个实施例中处理后的图像的示意图;
图6为一个实施例中组合处理的示意图;
图7为一个实施例中光线维度对应的推荐示意图;
图8为一个实施例中色彩维度对应的推荐示意图;
图9为一个实施例中构图维度对应的推荐示意图;
图10为一个实施例中图像评分模型的结构框图;
图11为一个实施例中待处理图像对应的等级评估结果的示意图;
图12为一个实施例中处理后的图像对应的等级评估结果的示意图;
图13为一个实施例中参考调整模式关闭时参数调整界面的示意图;
图14为一个实施例中参考调整模式开启时参数调整界面的示意图;
图15为一个实施例中参考调整模式关闭时滤镜调整界面的示意图;
图16为一个实施例中参考调整模式开启时滤镜调整界面的示意图;
图17为一个实施例中图像处理方法的流程示意图;
图18为一个实施例中图像处理方法涉及的交互示意图;
图19为一个实施例中图像处理装置的结构框图;
图20为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所使用的术语“第一”、“第二”等是用于对类似的对象作出命名上的区分,但这些对象本身不受这些术语限制。应当理解,在不脱离本申请的范围的情况下,这些术语在适当的情况下可以互换。比如,可将“第一图像评分结果”描述为“第二图像评分结果”,且类似地,将“第二图像评分结果”描述为“第一图像评分结果”。
此外,术语“包括”、“包含”、“具有”以及它们的任何变形,意图在于覆盖不排他的包含。比如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已清楚地列出的步骤或单元,而是还可以包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本申请所使用的术语“和/或”,包括一个或多个相关的所列项目的任意的及所有的组合。
本申请各实施例提供的图像处理方法,可以应用于如图1所示的应用环境中。该应用环境涉及终端110和服务器120,终端110和服务器120可以通过网络连接。
具体地,终端110获取待处理图像,再将待处理图像发送至服务器120。服务器120从候选属性调整参数中确定与该待处理图像对应的推荐属性调整参数,并将确定出的推荐属性调整参数发送至终端110。终端110获取到来自于服务器120的推荐属性调整参数后,在参数调整界面上展示与推荐属性调整参数对应的提示信息,并在接收到对应于参数调整界面的参数调整指令时,从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数,而后根据实际属性调整参数调整待处理图像,得到处理后的图像。
在其他实施例中,确定推荐属性调整参数的步骤也可以在终端110上完成,在此情况下,可以由终端110独立完成从获取待处理图像至得到处理后的图像的任务,而无需服务器120参与。
其中,终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、个人数字助理和穿戴式设备等,但并不局限于此。服务器120可以用独立的物理服务器,或者多个物理服务器构成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种图像处理方法。以该方法应用于上述图1中的终端110为例进行说明。该方法可以包括如下步骤S202至S210。
S202,获取待处理图像。
其中,待处理图像是待进行图像调整的图像。图像调整可以包括图像基本属性调整。图像基本属性比如尺寸、中心位置、透视投影矩阵、旋转角度、曝光、对比度、阴影、饱和度、色温、着色等。
在一个实施例中,终端可以通过其运行的目标应用程序,来获取待处理图像。具体地,用户将待处理图像上传至终端上运行的目标应用程序后,终端便获取到待处理图像,或者终端上运行的目标应用程序通过网络从服务器下载待处理图像后,终端便获取到待处理图像。其中,目标应用程序可以是具备图像调整功能的应用程序,具体可以是专业修图应用程序,也可以是附带图像调整功能的应用程序。专业修图应用程序比如天天P图应用等,附带图像调整功能的应用程序比如微云应用、微信应用、QQ应用等。
S204,获取包含于候选属性调整参数中、且与待处理图像对应的推荐属性调整参数。
其中,属性调整参数是可以用于调整图像基本属性的参数。属性调整参数的种类可以对应于图像基本属性,比如,属性调整参数可以包括尺寸属性调整参数、对比度属性调整参数、色温属性调整参数等。需要说明的是,属性调整参数可以表征图像基本属性的变化值,比如对比度属性调整参数为+10,可以表征将图像的对比度增加10。属性调整参数也可以表征图像基本属性的实际值,比如对比度属性调整参数为60,表征将图像的对比度增加至60。
相应地,候选属性调整参数是可供选择的属性调整参数。推荐属性调整参数是用以向用户推荐的属性调整参数,其选取自候选属性调整参数中,且具体可以是各候选属性调整参数中,能使图像呈现出优质审美效果的候选属性调整参数。
在一个实施例中,与待处理图像对应的推荐属性调整参数,可以根据待处理图像确定。在此情况下,不同的待处理图像所对应的推荐属性调整参数可以有所不同,对于任一待处理图像,与该待处理图像对应的推荐属性调整参数能够与之适配,从而能够实现有针对性地向用户推荐。可以理解,不同的待处理图像所适配的属性调整参数可能有所不同,若为所有的待处理图像推荐无差别的属性调整参数,则根据推荐的属性调整参数调整待处理图像后,处理后的图像无法呈现出优质审美效果的几率高。然而,在本实施例中,获取与待处理图像相对应的推荐属性调整参数,据此能够有效提高处理后的图像呈现出优质审美效果的几率。
在一个实施例中,可以根据待处理图像的图像类别,确定与该待处理图像对应的推荐属性调整参数。具体地,可以预先设定若干个图像类别,并为各个图像类别配置固定的推荐属性调整参数,在此情况下,先识别待处理图像所属的图像类别,再读取预先为该图像类别配置的推荐属性调整参数作为与该待处理图像对应的推荐属性调整参数。比如,可以预先设定设定5个图像类别(分别为人物、动物、建筑、机械以及风景),预先为人物类别配置推荐属性调整参数R1、为动物类别配置推荐属性调整参数R2、为建筑类别配置推荐属性调整参数R3、为机械类别配置推荐属性调整参数R4以及为风景类别配置推荐属性调整参数R5,假设识别出待处理图像所属的图像类别是人物类别,则将推荐属性调整参数R1作为与该待处理图像对应的推荐属性调整参数。可以理解,对图像分类越细(即划分的图像类别越多),所确定的推荐属性调整参数,越能够提高处理后的图像呈现出优质审美效果的几率。
需要说明的是,候选属性调整参数对应不同的图像基本属性时,推荐属性调整参数也对应不同图像基本属性。比如,候选属性调整参数涉及曝光、对比度、以及阴影时,获取到的推荐属性调整参数也相应涉及曝光、对比度、以及阴影。
S206,在参数调整界面上展示与推荐属性调整参数对应的提示信息。
参数调整界面,是用于进行参数调整的用户交互界面。
提示信息,用于提示推荐信息。与推荐属性调整参数对应的提示信息,用于使用户知晓推荐属性调整参数。
在一个实施例中,提示信息可以包括提示标识。提示标识可以包括以下各项中的至少一项:图片标识、动画标识、文本标识等。与推荐属性调整参数对应的提示信息包括提示标识时,可以通过展示提示标识的方式向用户提示推荐属性调整参数。具体地,可以在设置于参数调整界面上的参数调整控件上、与推荐属性调整参数对应的位置处显示提示标识。比如,提示标识为笑脸图标,且获取到的推荐属性调整参数包括推荐曝光调整参数(+50)、推荐对比度调整参数(-40)、以及推荐阴影调整参数(+60),在此情况下,如图3所示,可以在设置于参数调整界面UI-1上的曝光参数调整控件C1上与+50对应的位置处、在对比度参数调整控件C2上与-40对应的位置处、在阴影参数调整控件C3上与+60对应的位置处分别显示笑脸图标,以向用户提示相应的推荐属性调整参数。
在另一个实施例中,提示信息还可以包括语音提示信息,即可以通过播放语音的方式向用户提示推荐属性调整参数。承接前述示例,可以播放内容如下的语音信号:推荐的曝光调整参数为+50、推荐的对比度调整参数为-40、以及推荐的阴影调整参数为+60。此外,提示信息也可以同时包括提示标识和语音提示信息。
S208,接收对应于参数调整界面的参数调整指令,从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数。
参数调整指令,是响应于作用在参数调整界面上的参数调整操作而生成的指令。参数调整操作可以是用户发起的操作。实际属性调整参数,是调整待处理图像实际使用的属性调整参数,其选取自候选属性调整参数。实际属性调整参数与参数调整指令相对应,亦即与检测到的参数调整操作相对应。
据此可知,实际属性调整参数本质上是由用户从各候选属性调整参数选取获得。推荐属性调整参数是用作用户选取实际属性调整参数的参考依据,并不一定是调整待处理图像所使用的属性调整参数,在实际应用中,用户确定的实际属性调整参数可以与推荐属性调整参数相同,也可以与推荐属性调整参数不相同。
在一个实施例中,参数调整操作可以是将参数调整控件中的滑块进行移动,再使滑块停留超过预定时间阈值的操作。在此情况下,滑块停留超过预定时间阈值(比如1秒)的位置所对应的候选属性调整参数即为实际调整参数。
举例说明,用户将图3所示的曝光参数调整控件C1中的滑块C1s,从位置P1移动至位置P2,并使该滑块C1s在位置P2处停留超过预定时间阈值、将对比度参数调整控件C2中的滑块C2s,从位置P3移动至位置P4,并使该滑块C2s在位置P4处停留超过预定时间阈值、以及将阴影参数调整控件C3中的滑块C3s,从位置P5移动至位置P6,并使该滑块C3s在位置P4处停留超过预定时间阈值。这一系列操作即为参数调整操作,在此情况下,与该参数调整操作相对应的实际属性调整参数包括实际曝光调整参数、实际对比度调整参数、以及实际阴影调整参数。其中,实际曝光调整参数为P2位置处对应的候选曝光调整参数,实际对比度调整参数为P4位置处对应的候选对比度调整参数,实际阴影调整参数为P6位置处对应的候选阴影调整参数。
S210,根据实际属性调整参数调整待处理图像,得到处理后的图像。
在本实施例中,获得实际属性调整参数之后,根据实际属性调整参数对待处理图像的相应图像基本属性进行调整,得到处理后的图像。此外,得到处理后的图像之后,可以在参数调整界面展示该处理后的图像。
在一个实施例中,在参数调整界面上可以仅设置有一个图像显示区域,在还未根据实际属性调整参数调整待处理图像得到处理后的图像之前,如图3所示,该图像显示区域展示待处理图像;在根据实际属性调整参数调整待处理图像得到处理后的图像之后,如图4所示,该图像显示区域展示处理后的图像。
在另一个实施例中,在参数调整界面上也可以设置两个图像显示区域,一个图像显示区域用于展示待处理图像,另一个图像显示区域用于展示处理后的图像。如图5所示,在根据实际属性调整参数调整待处理图像得到处理后的图像之后,一个图像显示区域展示待处理图像,另一个图像显示区域展示处理后的图像。在此情况下,用户能够很方便地将未经调整的图像和经处理后的图像对照查看。
上述图像处理方法,获取与待处理图像对应的推荐属性调整参数,并根据推荐属性调整参数展示提示信息,该提示信息可以用于指导用户确定调整待处理图像所使用的属性调整参数,降低了对人为经验的依赖,有效地提升了调整效率,且降低了专业门槛。此外,展示提示信息之后,在接收到对应于参数调整界面的参数调整指令时,从候选属性调整参数中确定与参数调整指令对应的实际属性调整参数,并根据实际属性调整参数调整待处理图像,可见,用户可以在参考提示信息的情况下,结合自身经验及需求,自主确定调整待处理图像实际使用的属性调整参数,提高了图像处理的灵活性,且使得处理后的图像更符合用户需求。
在一个实施例中,获取包含于候选属性调整参数中、且与待处理图像对应的推荐属性调整参数的步骤,可以包括如下步骤:获取待处理图像的原始属性参数,并根据原始属性参数生成推荐参数获取请求;将推荐参数获取请求发送至大数据服务器;其中,推荐参数获取请求用于指示大数据服务器根据原始属性参数进行分析,得到与待处理图像对应的推荐属性调整参数;接收大数据服务器返回的推荐属性调整参数。
原始属性参数,是待处理图像本身的基本属性实际值。比如,待处理图像的原始对比度参数为50,表示未经处理之前,待处理图像的对比度为50。此外,待处理图像的原始属性参数可以直接读取待处理图像携带的图像信息得到。
在本实施例中,大数据服务器预先根据海量数据进行统计分析,得到与图像的原始属性参数相匹配的推荐属性调整参数,后续接收到推荐参数获取请求时,解析推荐参数获取请求中的原始属性参数,并查找与该原始属性参数匹配的推荐属性调整参数,进而将查找到的推荐属性调整参数返回至推荐参数获取请求对应的终端。
在一个实施例中,确定推荐属性调整参数的方式,可以包括如下步骤:从候选属性调整参数中,确定测试属性调整参数;根据测试属性调整参数调整待处理图像,得到测试图像;确定与各测试图像分别对应的第一图像评分结果;根据各第一图像评分结果,从测试属性调整参数中确定推荐属性调整参数。
具体地,候选属性调整参数可以包括子候选属性调整参数组,子候选属性调整参数组中包括子候选属性调整参数。每一个子候选属性调整参数组唯一对应一种图像基本属性,且子候选属性调整参数组所对应的图像基本属性,即为该子候选属性调整参数组中的各子候选属性调整参数所对应的图像基本属性。候选属性调整参数所包括的子候选属性调整参数组的数目可以为自然数。在子候选属性调整参数组的数目多于一时,各子候选属性调整参数组分别对应不同的图像基本属性。
测试属性调整参数,是用于确定推荐属性调整参数的属性调整参数。测试属性调整参数选取自候选属性调整参数。测试属性调整参数可以包括子测试属性调整参数组,子测试属性调整参数组包括子测试属性调整参数。此外,可以根据预定步长,从候选属性调整参数中,确定测试属性调整参数。
具体地,各子测试属性调整参数组中的子测试属性调整参数,分别选取自各子候选属性调整参数组。据此,每一个子测试属性调整参数组也唯一对应一种图像基本属性,且子测试属性调整参数组所对应的图像基本属性,即为该子测试属性调整参数组中的各子测试属性调整参数所对应的图像基本属性。测试属性调整参数所包括的子测试属性调整参数组的数目,可以与候选属性调整参数所包括的子候选属性调整参数组的数目相等。
举例说明,候选属性调整参数包括一个子候选属性调整参数组Gca1,该子候选属性调整参数组Gca1包括子候选属性调整参数Pca1-1至Pca1-10,共计10个子候选属性调整参数,且该子候选属性调整参数组Gca1对应的图像基本属性为曝光。据此,该子候选属性调整参数Pca1-1至Pca1-10对应的图像基本属性也均为曝光。
在此情况下,选取自该候选属性调整参数的测试属性调整参数,相应包括一个子测试属性调整参数组Gte1,该子测试属性调整参数组Gte1对应的图像基本属性也为曝光。并且,该子测试属性调整参数组Gte1中包括的子测试属性调整参数选取自子候选属性调整参数Pca1-1至Pca1-10,比如将子候选属性调整参数Pca1-6和Pca1-8选作子测试属性调整参数,则该子测试属性调整参数组Gte1中包括2个子测试属性调整参数Pte1-1和Pte1-2,其中,Pte1-1即为Pca1-6,且Pte1-2即为Pca1-8。
测试图像,是待处理图像的副本,其是根据测试属性调整参数对待处理图像进行调整得到。具体地,对于任一测试图像,从测试属性调整参数所包括的各子测试属性调整参数组中各选取一个子测试属性调整参数,根据选取得到的各子测试属性调整参数共同对待处理图像进行调整,即可获得该测试图像。
据此可知,调整得到一张测试图像所使用的子测试属性调整参数的数目,可以与测试属性调整参数所包括的子测试属性调整参数组的数目相等,亦即与候选属性调整参数所包括的子候选属性调整参数组的数目相等。比如,在候选属性调整参数所包括的子候选属性调整参数组的数目为1时,测试属性调整参数所包括的子测试属性调整参数组的数目也为1,在此情况下,从该子测试属性调整参数组选取1个子测试属性调整参数对待处理图像进行调整,即可得到一张测试图像。再比如,在候选属性调整参数所包括的子候选属性调整参数组的数目为2时,测试属性调整参数所包括的子测试属性调整参数组的数目也为2,在此情况下,从这2个子测试属性调整参数组中各选取1个子测试属性调整参数,根据选取出的2个子测试属性调整参数共同对待处理图像进行调整,即可得到一张测试图像。
图像评分结果,是用于评价图像质量的分数结果。图像评分结果与图像质量正相关。亦即是说,图像对应的图像评分结果越高,表示图像的图像质量越高,反之,图像对应的图像评分结果越低,表示图像的图像质量越低。相应地,第一图像评分结果是测试图像所对应的图像评分结果,其用于评价测试图像的图像质量,且根据其对应的测试图像得到。第一图像评分结果可以与测试图像一一对应。
在一个实施例中,根据各测试图像分别对应的各第一图像评分结果,从测试属性调整参数中确定推荐属性调整参数,具体可以是将符合评分筛选条件的第一图像评分结果所对应的子测试属性调整参数确定为推荐属性调整参数。需要说明的是,对于任一测试图像,调整得到该测试图像所使用的子测试属性调整参数,即为与该测试图像对应的第一图像评分结果所对应的子测试属性调整参数。
具体地,可以将各第一图像评分结果按照从高到低的顺序排列,将排列在前的预定数目的第一图像评分结果作为符合评分筛选条件的第一图像评分结果,通俗而言,便是将最高的预定数目的第一图像评分结果作为符合评分筛选条件的第一图像评分结果。比如,将排列在前的一个第一图像评分结果作为符合评分筛选条件的第一图像评分结果,便是将各第一图像评分结果中最高的一个作为符合评分筛选条件的第一图像评分结果;再比如,将排列在前的三个第一图像评分结果作为符合评分筛选条件的第一图像评分结果,即将各第一图像评分结果中最高的三个均作为符合评分筛选条件的第一图像评分结果。预定数目可以根据实际需求进行设定,在此不作具体限定。
此外,评分筛选条件也可以包括超过预定分数阈值,即将得到的各第一图像评分结果中,超过预定分数阈值的第一图像评分结果作为符合评分筛选条件的第一图像评分结果。预定分数阈值可以根据实际需求进行设定,在此不作具体限定。
在一个实施例中,候选属性调整参数包括两个以上的子候选属性调整参数组。据此,各测试属性调整参数包括与各子候选属性调整参数组分别对应的各子测试属性调整参数组,且根据所述测试属性调整参数调整所述待处理图像,得到测试图像的步骤,可以包括如下步骤:根据各子测试属性调整参数组中的子测试属性调整参数进行组合处理,得到测试参数组;分别根据各测试参数组调整待处理图像,得到与各测试参数组分别对应的各测试图像。
测试参数组,包括分别选取自各子测试属性调整参数组的子测试属性调整参数。亦即是说,对于任一测试参数组,其均是根据从测试属性调整参数所包括的各子测试属性调整参数组中各选取的1个子测试属性调整参数得到。比如,测试属性调整参数包括3个子测试属性调整参数组,分别为Gte1、Gte2、以及Gte3,则对于任一测试参数组,其均包括从Gte1、Gte2、以及Gte3中各选取的1个子测试属性调整参数,共计3个子测试属性调整参数。
根据各子测试属性调整参数组中的子测试属性调整参数进行组合处理后得到测试参数组的数目,是各子测试属性调整参数组中的子测试属性调整参数的乘积。比如,测试属性调整参数包括3个子测试属性调整参数组,分别为Gte1、Gte2、以及Gte3。其中,子测试属性调整参数组Gte1至Gte3中包括的子测试属性调整参数的数目依次为N1、N2、以及N3,则根据Gte1、Gte2、以及Gte3进行组合处理后得到的测试参数组的数目为N1×N2×N3。
在本实施例中,测试图像是根据测试参数组调整待处理图像得到。测试图像与测试参数组一一对应,即根据一个测试参数组,可且仅可得到一张测试图像。
举例说明,候选属性调整参数包括子候选属性调整参数组Gca1、Gca2、以及Gca3,共计3个子候选属性调整参数组。其中,子候选属性调整参数组Gca1对应的图像基本属性为曝光,且Gca1包括子候选属性调整参数Pca1-1至Pca1-10,共计10个子候选属性调整参数;子候选属性调整参数组Gca2对应的图像基本属性为阴影,且Gca2包括子候选属性调整参数Pca2-1至Pca2-10,共计10个子候选属性调整参数;子候选属性调整参数组Gca3对应的图像基本属性为阴影,且Gca3包括子候选属性调整参数Pca3-1至Pca3-10,共计10个子候选属性调整参数。
假设,与子候选属性调整参数组Gca1对应的子测试属性调整参数组Gte1包括2个子测试属性调整参数Pte1-1和Pte1-2(其中,Pte1-1即为Pca1-6,且Pte1-2即为Pca1-8);与子候选属性调整参数组Gca2对应的子测试属性调整参数组Gte2包括2个子测试属性调整参数Pte2-1和Pte2-2(其中,Pte2-1即为Pca2-5,且Pte2-2即为Pca2-6);与子候选属性调整参数组Gca3对应的子测试属性调整参数组Gte3包括2个子测试属性调整参数Pte3-1和Pte3-2(其中,Pte3-1即为Pca3-3,Pte3-2即为Pca3-4)。
在此情况下,如图6所示,根据子测试属性调整参数组Gte1、Gte2、以及Gte3中的子测试属性调整参数进行组合处理后,得到8个测试参数组(2×2×2=8),分别为Gad1至Gad8,具体如下:
Gad1:{Pte1-1、Pte2-1、Pte3-1}
Gad2:{Pte1-1、Pte2-1、Pte3-2}
Gad3:{Pte1-1、Pte2-2、Pte3-1}
Gad4:{Pte1-1、Pte2-2、Pte3-2}
Gad5:{Pte1-2、Pte2-1、Pte3-1}
Gad6:{Pte1-2、Pte2-1、Pte3-2}
Gad7:{Pte1-2、Pte2-2、Pte3-1}
Gad8:{Pte1-2、Pte2-2、Pte3-2}
继而,分别根据上述Gad1至Gad8对待处理图像进行调整,可以得到与Gad1至Gad8分别对应的8张测试图像。
需要说明的是,在实际应用中,子测试属性调整参数组中的子测试属性调整参数较多时,可以分批次得到测试图像,每获得一批测试图像的第一图像评分结果便先删除该批测试图像,而后再获得下一批测试图像,以缓解图像存储压力。以上述Gad1至Gad8为例作示意性说明,可以先得到与Gad1和Gad2对应的一批测试图像,再得到与这批测试图像对应的第一图像评分结果,继而删除这批测试图像。然后,得到与Gad3和Gad4对应的一批测试图像,再得到与这批测试图像对应的第一图像评分结果,继而删除这批测试图像,以此类推,直至得到所有测试图像对应的第一图像评分结果。
在一个实施例中,候选属性调整参数包括的各子候选属性调整参数组对应两个以上的图像质量维度,各测试参数组均包括分别选取自其对应的图像质量维度所涉及的子测试属性调整参数组的子测试属性调整参数。据此,根据各第一图像评分结果,从测试属性调整参数中确定推荐属性调整参数的步骤,可以包括如下步骤:根据各图像质量维度涉及的第一图像评分结果,分别从各图像质量维度涉及的测试参数组中,确定与各图像质量维度对应的子推荐属性调整参数。
图像质量维度,是用于评价图像质量的维度。图像质量维度比如构图、光线、色彩。基本图像属性可以划归到相应的图像质量维度,比如,尺寸、中心位置、透视投影矩阵、以及旋转角度可以划归到构图;曝光、对比度、以及阴影可以划归到光线;饱和度、色温、以及着色可以划归到色彩等等。
候选属性调整参数包括的各子候选属性调整参数组对应两个以上的图像质量维度时,测试属性调整参数包括的各子测试属性调整参数组也对应两个以上的图像质量维度,在此情况下,分别根据各图像质量维度涉及的子测试属性调整参数组进行组合处理,得到与各图像质量维度分别对应的测试参数组。其中,各测试参数组均包括分别选取自其对应的图像质量维度所涉及的子测试属性调整参数组的子测试属性调整参数。
举例说明,候选属性调整参数包括9个子候选属性调整参数组,分别为Gca1至Gca9,其中Gca1至Gca3对应光线维度,Gca4至Gca6对应色彩维度,Gca7至Gca9对应构图维度。则根据Gca1至Gca9,测试属性调整参数也对应包括9个子测试属性调整参数组,分别为Gte1至Gte9。
在此情况下,根据Gte1至Gte3进行组合处理,得到光线维度涉及的测试参数组,对于任一光线维度涉及的测试参数组,其均包括从Gte1、Gte2、以及Gte3中各选取的1个子测试属性调整参数,共计3个子测试属性调整参数。并且,根据Gte4至Gte6进行组合处理,得到色彩维度涉及的测试参数组,对于任一色彩维度涉及的测试参数组,其均包括从Gte4、Gte5、以及Gte6中各选取的1个子测试属性调整参数,共计3个子测试属性调整参数。以及,根据Gte7至Gte9进行组合处理,得到构图维度涉及的测试参数组,对于任一构图维度涉及的测试参数组,其均包括从Gte7、Gte8、以及Gte9中各选取的1个子测试属性调整参数,共计3个子测试属性调整参数。
在本实施例中,推荐属性调整参数包括与各图像质量维度分别对应的子推荐属性调整参数。具体地,分别根据各测试参数组对待处理图像进行调整,获得与各测试参数组一一对应的测试图像,再获得与各测试图像一一对应的第一图像评分结果。而后,分别根据各图像质量维度涉及的第一图像评分结果,从各测试参数组中,确定与各图像质量维度分别对应的子推荐属性调整参数。
承接前述示例,假设根据Gte1至Gte3得到的光线维度所涉及的测试参数组分别为Gad1至Gad8,根据Gad1至Gad8得到的8张测试图像对应的第一图像评分结果分别为Sc1至Sc8;根据Gte4至Gte6得到的色彩维度所涉及的测试参数组分别为Gad9至Gad16,根据Gad9至Gad16得到的8张测试图像对应的第一图像评分结果分别为Sc9至Sc16;根据Gte7至Gte9得到的构图维度所涉及的测试参数组分别为Gad17至Gad24,根据Gad17至Gad24得到的8张测试图像对应的第一图像评分结果分别为Sc17至Sc24。
在此情况下,根据光线维度所涉及第一图像评分结果Sc1至Sc8,从测试参数组Gad1至Gad8中,确定与光线维度对应的子推荐属性调整参数。根据色彩维度所涉及第一图像评分结果Sc9至Sc16,从测试参数组Gad9至Gad16中,确定与色彩维度对应的子推荐属性调整参数。根据构图维度所涉及第一图像评分结果Sc17至Sc24,从测试参数组Gad17至Gad24中,确定与构图维度对应的子推荐属性调整参数。可以理解,确定出的这三个子推荐属性调整参数即可组成推荐属性调整参数。
此外,根据与光线维度对应的子推荐属性调整参数展示相应的提示信息可以如图7所示,根据与色彩维度对应的子推荐属性调整参数展示相应的提示信息可以如图8所示,根据与构图维度对应的子推荐属性调整参数展示相应的提示信息可以如图9所示。
在一个实施例中,确定与各测试图像分别对应的第一图像评分结果的步骤,可以包括如下步骤:将与各测试图像对应的第一模型输入图像,分别输入图像评分模型;通过图像评分模型,得到与各第一模型输入图像分别对应的第一分值分类结果,各第一分值分类结果均包括其对应的第一模型输入图像分别属于各分值选项的第一概率;根据各第一概率,确定与各测试图像分别对应的第一图像评分结果。
第一模型输入图像,是用于表征测试图像上的信息的图像,其可以用作确定测试图像对应的第一图像评分结果的依据。测试图像可以与第一模型输入图像一一对应。具体地,第一模型输入图像可以直接是测试图像本身,也可以是对测试图像进行预处理后得到的图像。
预处理,是用于缩小图像尺寸的处理。将对测试图像进行预处理后得到的图像输入图像评分模型,从而得到测试图像对应的第一图像评分结果,能够有效地降低内存占用,提高运算效率,充分地平衡了性能与实时性、流畅性等。
预处理可以包括裁剪处理。具体地,可以是直接将测试图像裁剪至预定参考尺寸。也可以包括如下步骤:先对图像进行缩放处理得到中间图像,在中间图像不符合预定参考尺寸时,再将中间图像裁剪至预定参考尺寸。需要说明的是,先缩放图像能够有效地保留测试图像中更多的信息,从而提高图像评分模型的输出结果的准确性。
在一个实施例中,对图像进行缩放处理得到中间图像的方式,具体可以是先对测试图像进行等比例缩放处理,使测试图像的最短边缩短至预定参考尺寸中的最短长度,经缩放后的图像即为中间图像。若中间图像符合预定参考尺寸,则直接将中间图像作为第一模型输入图像;若中间图像无法符合预定参考尺寸,则将中间图像裁剪至预定参考尺寸,得到第一模型输入图像。比如,预定参考尺寸为128×128,测试图像的图像尺寸为512×512,则可以直接通过等比例缩放处理将测试图像缩小至128×128,无需裁剪。再比如,测试图像的图像尺寸为512×1024,在此情况下仅依靠缩放处理无法将测试图像缩小至128×128,则可以先对测试图像进行等比例缩放,得到图像尺寸为128×256的中间图像,再将该中间图像裁剪至128×128,得到第一模型输入图像。
图像评分模型,是具有图像评分能力的机器学习模型。图像评分能力是根据图像中信息对图像进行质量评分的能力。图像评分模型可以通过输出图像对应的分值分类结果的方式,实现对图像进行质量评分。
分值分类结果,是图像评分模型根据图像进行分类处理后输出的结果。分值分类结果可以包括图像分别属于各分值选项的概率。相应地,第一分值分类结果是第一模型输入图像对应的分值分类结果,第一概率是第一模型输入图像属于分值选项的概率。分值选项可以根据实际需求预先设定。比如,预先设定10个分值选项SS1至SS10,对于任一第一模型输入图像,图像评分模型输出的与该第一模型输入图像对应的第一分值分类结果包括:该第一模型输入图像对应分值选项SS1的概率、该第一模型输入图像对应分值选项SS2的概率、…、该第一模型输入图像对应分值选项SS10的概率,共计10个概率。
在一个实施例中,根据第一模型输入图像分别属于各分值选项的第一概率,确定与该第一模型输入图像对应的测试图像所对应的第一图像评分结果,具体可以是将第一模型输入图像分别属于各分值选项的第一概率中,最高的第一概率所对应的分值选项作为该第一模型输入图像对应的测试图像所对应的第一图像评分结果。比如,各分值选项分别为SS1至SS10,第一模型输入图像im1属于分值选项SS1至SS10的第一概率依次为Pro1至Pro10,其中Pro6是最高的第一概率,则将Pro6对应的分值选项SS6,作为该第一模型输入图像im1对应的测试图像所对应的第一图像评分结果。
在另一个实施例中,根据各第一概率,确定与各测试图像分别对应的第一图像评分结果的步骤,可以包括如下步骤:根据各第一模型输入图像属于各分值选项的第一概率,得到与各第一模型输入图像分别对应的乘积和;将各第一模型输入图像分别对应的乘积和,作为相应测试图像所对应的第一图像评分结果。
乘积和,是分别将第一模型输入图像属于各分值选项的第一概率与对应分值选项相乘,再将相乘得到的各乘积相加获得。乘积和与第一模型输入图像一一对应。第一模型输入图像对应的乘积和,即为该第一模型输入图像对应的测试图像所对应的第一图像评分结果。乘积和综合考虑了图像属于各分值选项的情况,能够更准确地反映图像质量。
举例说明,各分值选项分别为SS1至SS10,第一模型输入图像im2属于分值选项SS1至SS10的第一概率依次为Pro1至Pro10,则将Pro1至Pro10与对应分值选项相乘得到的各乘积分别为SS1×Pro1、SS2×Pro2、SS3×Pro3、…、SS10×Pro10,共计10个乘积,继而,将这10个乘积相加,得到该第一模型输入图像im2对应的乘积和为:SS1×Pro1+SS2×Pro2+SS3×Pro3+…+SS10×Pro10。
此外,图像评分模型具体可以是机器学习模型中的深度学习模型,即能够实现端到端学习(End-To-End Learning)的模型。对于模型类型的选择,图像评分模型可以选用卷积神经网络(Convolution Neural Network,CNN)。
在一个实施例中,图像评分模型的模型结构可以如图10所示,包括特征提取单元及其连接的网络输出单元。其中,特征提取单元用于提取图像的图像特征,网络输出单元包括依次连接的池化层(pooling)、全连接层(fully connected)以及分类输出层(softmax),可以将池化层与特征提取单元连接。在图10所示的图像评分模型内部,图像被输入至特征提取单元后,特征提取单元提取该图像的图像特征,并将提取得到的图像特征传递至网络输出单元中的池化层。池化层对图像特征进行池化处理,并将经池化层处理后的图像特征传递至全连接层。全连接层对经池化层处理后的图像特征与该全连接层对应的模型参数进行矩阵相乘处理,并将经全连接层处理后的图像特征传递至分类输出层。分类输出层根据经全连接层处理后的图像特征,得到该图像对应的分值分类结果。
需要说明的是,图像评分模型可以根据样本图像进行模型训练得到。样本图像是具有类别标签的图像,类别标签用于表征样本图像的真实对应的分值选项。类别标签可以由人工分析确定,比如由相关技术领域的专家标注。样本图像可以包括对专业数据集进行样本预处理后得到的图像,与模型实际使用过程中的预处理不同,样本预处理的主要作用是对专业数据集进行扩充,从而提高训练得到的模型的泛化能力,样本预处理比如随机翻转、随机旋转、基本图像属性调整处理、缩放处理、以及裁剪处理等。
模型训练,是使模型学习样本图像所蕴含的内在规律,从而使训练得到的图像评分模型具备图像评分能力。在模型训练过程中,将样本图像输入待训练模型后,待训练模型可以自行确定该样本图像对应的预测分值分类结果,再根据确定出的预测分值分类结果与该样本图像的类别标签之间的差异,调整待训练模型的模型参数并继续训练,直至满足训练停止条件时结束训练,结束训练时的模型参数即可以为图像评分模型的模型参数。具体地,可以对该待训练模型自行确定的预测分值分类结果与类别标签进行比对,计算得到损失函数,再根据损失函数进行梯度反向传播,以此来调整待训练模型的模型参数。损失函数可以为任何适用的损失函数,比如交叉熵损失函数等。
其中,训练停止条件是结束模型训练的条件。训练停止条件可以根据实际需求预先设定,比如可以是达到预设的迭代次数,也可以是调整模型参数后的模型的分类性能指标达到预设指标等等。
需要说明的是,图10所示的模型结构中的特征提取单元,其可以根据已训练好的现有模型中用于进行图像特征提取的部分获得,已训练好的现有模型比如谷歌开源的图像分类模型。在此情况下,训练图10所示的模型时,可以先使特征提取单元处于参数冻结状态,此时特征提取单元对应的模型参数固定不变。继而,根据样本图像调整网络输出单元的模型参数,在满足中间训练停止条件时,使特征提取单元处于参数释放状态,此时特征提取单元对应的模型参数能够进行调整,然后根据样本图像调整完整模型(即特征提取单元和网络输出单元)的模型参数,在满足最终训练停止条件时,结束训练。可以理解,特征提取单元也可以不从现有模型中进行迁移,而是从零开始进行模型训练获得。
在一个实施例中,在得到处理后的图像的步骤之后,还可以包括如下步骤:获取处理后的图像对应的质量评估结果,该质量评估结果根据处理后的图像对应的第二图像评分结果确定;并展示处理后的图像对应的质量评估结果。
第二图像评分结果,是处理后的图像对应的图像评分结果。第二图像评分结果可以用于评价处理后的图像的图像质量,且根据其对应的处理后的图像得到。第二图像评分结果可以与处理后的图像一一对应。除主体对象不同以外,对第二图像评分结果的具体限定,可以与前文描述中对第一图像评分结果的限定相同,此处不加赘述。
处理后的图像对应的质量评估结果,可以根据处理后的图像对应的第二图像评分结果确定。具体地,处理后的图像对应的质量评估结果可以直接是处理后的图像对应的第二图像评分结果本身。亦即是说,在得到处理后的图像的步骤之后,还可以在终端的显示界面上直接展示处理后的图像所对应的第二图像评分结果。
展示处理后的图像对应的质量评估结果,可以供用户了解处理后的图像的图像质量,即为用户的后续调整提供指导,能够进一步提高图像调整效率,以及帮助用户调整出能够呈现优质审美效果的图像。
在一个实施例中,质量评估结果也包括等级评估结果。据此,根据处理后的图像确定对应的第二图像评分结果的方式,可以包括如下步骤:获取处理后的图像对应的第二图像评分结果;根据等级对应关系和第二图像评分结果所在的评分子区间,确定处理后的图像对应的等级评估结果。
等级评估结果,可以用于表征第二图像评分结果对应的评分等级。不同的等级评估结果对应不同的分数区间。分数区间越高,对应的等级评估结果越高,反之,分数区间越低,对应的等级评估结果越低。比如,等级评估结果可以为星级评估结果,候选的等级评估结果分别为五颗星、四颗星、三颗星、两颗星以及一颗星,五颗星至一颗星分别对应不同的分数区间,且五颗星至一颗星分别对应的分数区间依次降低。
在一个实施例中,等级对应关系包括预定数目的等级评估结果与预定数目的评分子区间之间的对应关系,预定数目的评分子区间是对目标评分区间进行划分得到,目标评分区间的两个端点分别为各第一图像评分结果中最高的第一图像评分结果和最低的第一图像评分结果。具体地,得到与各测试图像分别对应的第一图像评分结果之后,可以将各第一图像评分结果中最高的第一图像评分结果作为一个端点,将最低的第一图像评分结果作为另一个端点,从而确定目标评分区间。然后,将目标评分区间划分为预定数目的评分子区间,预定数目是等级评估结果的数目。继而,根据各评分子区间确定等级对应关系,等级对应关系包括预定数目的等级评估结果与预定数目的评分子区间之间的对应关系。其中,划分方式可以根据实际需求预先确定,比如可以包括均匀划分。
举例说明,假设候选的等级评估结果分别为五颗星、四颗星、三颗星、两颗星以及一颗星,且与光线维度所涉及的测试图像对应的各第一图像评分结果分别为Sc1至Sc8,其中Sc1至Sc8依次为9分、8分、7分、7分、6分、4分、4分、3分以及1分。则目标评分区间为[1,9],可以根据[1,9]进行均匀划分,确定5个评分子区间(-∞,2.6)、[2.6,4.2)、[4.2,5.8)、[5.8,7.4)、[7.4,+∞)。据此,在建立的等级对应关系中,(-∞,2.6)、[2.6,4.2)、[4.2,5.8)、[5.8,7.4)、[7.4,+∞)这5个评分子区间依次对应一颗星至五颗星。
据此,对于任一第二图像评分结果,可以根据该第二图像评分结果所在的评分子区间,确定处理后的图像对应的等级评估结果。比如,某一第二图像评分结果所在的评分子区间为(-∞,2.6),则相应的处理后的图像对应的等级评估结果为一颗星。再比如,某一第二图像评分结果所在的评分子区间为[4.2,5.8),则相应的处理后的图像对应的等级评估结果为三颗星。
在一个实施例中,获取处理后的图像对应的第二图像评分结果的步骤,可以包括如下步骤:在评分对应关系中查找与处理后的图像对应的测试属性调整参数;将查找到的测试属性调整参数所对应的第一图像评分结果,作为处理后的图像对应的第二图像评分结果。
评分对应关系,包括测试属性调整参数与第一图像评分结果之间的对应关系。确定评分对应关系的步骤,可以在获取处理后的图像对应的第二图像评分结果的步骤之前完成,比如在得到各测试图像对应的第一图像评分结果后,立即建立并存储评分对应关系,以供后续查询使用。
举例说明,共计得到8个测试参数组Gad1至Gad8,继而分别根据Gad1至Gad8,得到8张测试图像,以及得到与这8张测试图像分别对应的第一图像评分结果Sc1至Sc8后,则可以立即根据Gad1至Gad8、以及Sc1至Sc8建立并存储评分对应关系Rsc,且在评分对应关系Rsc中,Gad1至Gad8分别对应Sc1至Sc8,即Gad1对应Sc1、Gad2对应Sc2、Gad3对应Sc3,以此类推。假设得到的处理后的图像对应的测试参数组为Gad5,则可以直接将Gad5对应的第一图像评分结果Sc5作为该处理后的图像对应的第二图像评分结果。
在本实施例中,预先存储评分对应关系,当在评分对应关系中查找到与处理后的图像对应的测试属性调整参数时,可以直接根据评分对应关系得到处理后的图像对应的第二图像评分结果,而无需实时执行确定第二图像评分结果的步骤,能够提高工作效率。
在一个实施例中,获取处理后的图像对应的第二图像评分结果的步骤,可以包括如下步骤:将与处理后的图像对应的第二模型输入图像,输入图像评分模型;通过图像评分模型,得到与第二模型输入图像对应的第二分值分类结果,第二分值分类结果包括第二模型输入图像分别属于各分值选项的第二概率;根据各第二概率,得到处理后的图像对应的第二图像评分结果。
第二模型输入图像,是用于表征处理后的图像上的信息的图像。第二分值分类结果是第二模型输入图像对应的分值分类结果,第二概率是第二模型输入图像属于分值选项的概率。除主体对象不同之外,对第二模型输入图像的具体限定,可以与前文描述中对第一模型输入图像的限定相同,对第二分值分类结果的具体限定,可以与前文描述中对第一分值分类结果的限定相同,对第二概率的具体限定,可以与前文描述中对第一概率的限定相同,此处不加赘述。
在本实施例中,需要获取处理后的图像对应的第二图像评分结果时,可以触发图像评分模型工作,进而根据图像评分模型输出的第二分值分类结果,确定出处理后的图像对应的第二图像评分结果。
此外,可以在未从评分对应关系中查找到与处理后的图像对应的测试属性调整参数时,进入将与处理后的图像对应的第二模型输入图像,输入图像评分模型的步骤。亦即是说,先在评分对应关系中查找与处理后的图像对应的测试属性调整参数;查找到时,则直接根据评分对应关系得到第二图像评分结果,未查找到时,才将与处理后的图像对应的第二模型输入图像,输入图像评分模型,以通过图像评分模型实时确定出第二图像评分结果。
在一个实施例中,在接收对应于参数调整界面的参数调整指令,从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数的步骤之前,还可以包括如下步骤:获取待处理图像对应的质量评估结果,待处理图像对应的质量评估结果根据待处理图像对应的第三图像评分结果确定;展示待处理图像对应的质量评估结果。
第三图像评分结果,是待处理图像对应的图像评分结果,其用于评价待处理图像的图像质量,且根据待处理图像得到。具体地,待处理图像对应的质量评估结果可以直接是待处理图像对应的第三图像评分结果本身。亦即是说,在从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数的步骤之前,还可以在终端的显示界面上展示待处理图像对应的第三图像评分结果。
需要说明的是,除主体对象不同以外,对第三图像评分结果的具体限定,可以与前文描述中对第一/第二图像评分结果的限定相同,对待处理图像对应的质量评估结果的具体限定,可以与前文描述中对处理后的图像对应的质量评估结果的限定相同,此处不加赘述。
此外,以图像质量维度包括光线、色彩、以及构图为例,展示待处理图像对应的质量评估结果可以如图11所示,改变光线维度下的属性调整参数后,展示处理后的图像对应的质量评估结果可以如图12所示。
在一个实施例中,图像评分模型可以部署于本地终端。
在本实施例中,训练得到图像评分模型后,可以将图像评分模型离线部署于终端上,在此情况下,可以直接在终端使用图像评分模型。即,得到与各测试图像对应的第一模型输入图像后,直接将各第一模型输入图像分别输入至本地终端上部署的图像评分模型,从而得到各第一模型输入图像分别对应的第一概率,进而终端可以根据各第一概率确定出与待处理图像对应的推荐属性调整参数。
具体地,模型训练结束后,可以在终端上存储图像评分模型,在需要使用图像评分模型时即可直接获取并使用。也可以在终端上存储图像评分模型的模型参数,在需要使用图像评分模型时,获取模型参数并将其导入初始的机器学习模型后,得到图像评分模型并使用。此外,训练得到图像评分模型的任务,在服务器或终端上完成均可。
在其他实施例中,图像评分模型也可以部署于服务器上。在此情况下,通过图像评分模型得到各第一模型输入图像分别对应的第一概率的步骤,可以在服务器上完成。后续,可以由服务器根据各第一概率确定出与待处理图像对应的推荐属性调整参数,并将确定出的推荐属性调整参数发送至终端。
需要说明的是,训练得到图像评分模型之后,还可以对图像评分模型进行更新,以此保证功能的可持续优化与良好扩展性。此外,对于在服务器上训练模型,并将模型部署于终端上进行使用的情况,可以支持对模型进行在线更新。
在一个实施例中,图像处理方法还可以包括如下步骤:满足参数推荐开启条件时,进入获取包含于候选属性调整参数中、且与待处理图像对应的推荐属性调整参数的步骤。
参数推荐开启条件,是获取推荐属性调整参数的触发条件。在满足参数推荐开启条件时,触发终端获取推荐属性调整参数;在不满足参数推荐开启条件时,则可以不触发终端获取推荐属性调整参数。
在本实施例中,参数推荐开启条件可以包括:本地应用程序已开启参考调整模式且处于参数调整界面。其中,参考调整模式是需要展示提示信息的工作模式。终端可以通过工作模式标识的状态来判断本地应用程序是否开启参考调整模式。
参考调整模式的状态可以由用户控制,比如用户将参考调整模式开关控件置于开启状态,参考调整模式即开启,用户将参考调整模式开关控件置于关闭状态,参考调整模式即关闭。比如,在参考调整模式未开启的状态下,用户在参数调整界面点击参考调整模式开关控件C4后,参考调整模式即开启,继而在参数调整界面出现与推荐属性调整参数对应的提示信息,在此过程中,参数调整界面由图13变化至图14;在参考调整模式开启的状态下,用户在参数调整界面点击参考调整模式开关控件C4后,参考调整模式即关闭,继而参数调整界面中展示的与推荐属性调整参数对应的提示信息消失,在此过程中,参数调整界面由图14变化至图13。
在一个实施例中,图像处理方法还可以包括如下步骤:满足滤镜推荐开启条件时,获取包含于候选图像滤镜中、且与待处理图像对应的推荐图像滤镜;在滤镜调整界面上展示与推荐图像滤镜对应的提示信息;在接收到对应于滤镜调整界面的滤镜选择指令时,从候选图像滤镜中确定与滤镜选择指令对应的实际图像滤镜;在待处理图像上添加实际图像滤镜,得到添加后的图像。
在本实施例中,还可以为待处理图像添加图像滤镜。图像滤镜可以用于实现图像的艺术效果,比如通过图像滤镜来模拟下雪的效果、素描的效果、油画的效果等。
滤镜推荐开启条件,是获取推荐图像滤镜的触发条件。在满足滤镜推荐开启条件时,触发终端获取推荐图像滤镜;在不满足滤镜推荐开启条件时,则可以不触发终端获取推荐图像滤镜。滤镜推荐开启条件可以包括:本地应用程序已开启参考调整模式且处于滤镜调整界面。
举例说明,在参考调整模式未开启的状态下,用户在滤镜调整界面点击参考调整模式开关控件C4后,参考调整模式即开启,继而滤镜调整界面出现与推荐图像滤镜对应的提示信息,在此过程中,滤镜调整界面从图15变化至图16;在参考调整模式开启的状态下,用户在滤镜调整界面点击参考调整模式开关控件C4后,参考调整模式即关闭,继而滤镜调整界面中展示的与推荐图像滤镜对应的提示信息消失,在此过程中,滤镜调整界面从图16变化至图15。
推荐图像滤镜,是用以向用户推荐的图像滤镜,其选取自候选图像滤镜。实际图像滤镜,是实际为待处理图像添加的图像滤镜,其也选取自候选图像滤镜。实际图像滤镜与接收到的滤镜选择指令相对应,与参数调整指令类似,滤镜选择指令是响应于作用在滤镜调整界面上的滤镜选择操作而生成的指令。滤镜选择操作可以由用户发起。
在一个实施例中,如图17所示,提供了一种图像处理方法。该方法具体可以包括如下步骤S1702至S1724。
S1702,接收待处理图像。
S1704,从候选属性调整参数包括的子候选属性调整参数组中,确定与各子候选属性调整参数组分别对应的各子测试属性调整参数组,其中,子候选属性调整参数组多于两个,各子候选属性调整参数组分别对应不同的图像基本属性。
S1706,分别根据各图像质量维度涉及的子测试属性调整参数组进行组合处理,得到与各图像质量维度分别对应的测试参数组,其中,各测试参数组均包括分别选取自其对应的图像质量维度所涉及的子测试属性调整参数组的子测试属性调整参数。
S1708,分别根据各测试参数组调整待处理图像,得到与各测试参数组分别对应的各测试图像。
S1710,将与各测试图像对应的第一模型输入图像,分别输入图像评分模型,其中,图像评分模型根据样本图像进行模型训练得到。
S1712,通过图像评分模型,得到与各第一模型输入图像分别对应的第一分值分类结果,各第一分值分类结果均包括其对应的第一模型输入图像分别属于各分值选项的第一概率。
S1714,根据各第一概率,确定与各测试图像分别对应的第一图像评分结果。
S1716,根据各图像质量维度涉及的第一图像评分结果,分别从各图像质量维度涉及的测试参数组中,确定与各图像质量维度对应的子推荐属性调整参数。
S1718,满足参数推荐开启条件时,获取与当前参数调整页面对应的子推荐属性调整参数。
S1720,在参数调整界面中的参数调整控件上、与该子推荐属性调整参数对应的位置处展示与推荐属性调整参数对应的提示标识。
S1722,接收到对应于参数调整界面的参数调整指令时,从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数。
S1724,根据实际属性调整参数调整待处理图像,得到处理后的图像。
需要说明的是,本实施例中对各技术特征的具体限定,可以与前文中对相应技术特征的限定相同,此处不加赘述。
在合理条件下应当理解,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
此外,如图18所示,结合实际应用场景对图像处理方法的简要流程进行描述。用户启用应用程序的图像调整功能,将待处理图像上传至应用程序。应用程序内置的评分系统对待处理图像进行预处理,分图像质量维度,以预定步长调整图像的相应参数,得到对应的测试图像,并对测试图像进行评分,进而根据评分结果确定推荐属性调整参数,并在用户交互界面(即终端的显示界面)上展示推荐属性调整参数和评分结果,以供用户参考。后续,用户可以进行参数调整操作,评分系统对处理后的图像进行评分,并在用户交互界面上展示处理后的图像对应的评分结果。
在一个实施例中,如图19所示,提供了一种图像处理装置1900。该装置可以包括如下模块1902至1908。
待处理图像获取模块1902,用于接收待处理图像。
推荐参数获取模块1904,用于获取包含于候选属性调整参数中、且与待处理图像对应的推荐属性调整参数。
推荐参数展示模块1906,用于在参数调整界面上展示与推荐属性调整参数对应的提示信息。
实际参数获取模块1908,用于接收对应于参数调整界面的参数调整指令,并从候选属性调整参数中确定与参数调整指令相对应的实际属性调整参数。
图像调整模块1910,用于根据实际属性调整参数调整待处理图像,得到处理后的图像。
上述图像处理装置1900,获取与待处理图像对应的推荐属性调整参数,并根据推荐属性调整参数展示提示信息,该提示信息可以用于指导用户确定调整待处理图像所使用的属性调整参数,降低了对人为经验的依赖,有效地提升了调整效率,且降低了专业门槛。此外,展示提示信息之后,在接收到对应于参数调整界面的参数调整指令时,从候选属性调整参数中确定与参数调整指令对应的实际属性调整参数,并根据实际属性调整参数调整待处理图像,可见,用户可以在参考提示信息的情况下,结合自身经验及需求,自主确定调整待处理图像实际使用的属性调整参数,提高了图像处理的灵活性,且使得处理后的图像更符合用户需求。
在一个实施例中,推荐参数获取模块1904可以包括如下单元:获取请求生成单元,用于获取待处理图像的原始属性参数,并根据原始属性参数生成推荐参数获取请求;获取请求发送单元,用于将推荐参数获取请求发送至大数据服务器;其中,推荐参数获取请求用于指示大数据服务器根据原始属性参数进行分析,得到与待处理图像对应的推荐属性调整参数;推荐参数接收单元,用于接收大数据服务器返回的推荐属性调整参数。
在一个实施例中,图像处理装置1900还可以包括如下模块:测试参数确定模块,用于从候选属性调整参数中,确定测试属性调整参数;测试图像获取模块,用于根据测试属性调整参数调整待处理图像,得到测试图像;第一评分结果获取模块,用于确定与各测试图像分别对应的第一图像评分结果;推荐参数确定模块,用于根据各第一图像评分结果,从测试属性调整参数中确定推荐属性调整参数。
在一个实施例中,候选属性调整参数包括两个以上的子候选属性调整参数组,各子候选属性调整参数组分别对应不同的图像基本属性,测试属性调整参数包括与各子候选属性调整参数组分别对应的各子测试属性调整参数组。在此情况下,测试参数确定模块可以包括如下单元:组合处理单元,用于根据各各子测试属性调整参数组中的子测试属性调整参数进行组合处理,得到测试参数组,各测试参数组均包括分别选取自各子测试属性调整参数组的子测试属性调整参数;测试图像获取单元,用于分别根据各测试参数组调整待处理图像,得到与各测试参数组分别对应的各测试图像。
在一个实施例中,候选属性调整参数包括的各子候选属性调整参数组对应两个以上的图像质量维度,各测试参数组均包括分别选取自其对应的图像质量维度所涉及的子测试属性调整参数组的子测试属性调整参数,推荐属性调整参数包括与各图像质量维度分别对应的子推荐属性调整参数。在此情况下,推荐参数确定模块具体可以用于根据各图像质量维度涉及的第一图像评分结果,分别从各图像质量维度涉及的测试参数组中,确定与各图像质量维度对应的子推荐属性调整参数。
在一个实施例中,第一评分结果获取模块可以包括如下单元:图像输入单元,用于将与各测试图像对应的第一模型输入图像,分别输入图像评分模型,图像评分模型根据样本图像进行模型训练得到;分类结果确定单元,用于通过图像评分模型,得到与各第一模型输入图像分别对应的第一分值分类结果,各第一分值分类结果均包括其对应的第一模型输入图像分别属于各分值选项的第一概率;第一评分结果确定单元,用于根据各第一概率,确定与各测试图像分别对应的第一图像评分结果。
在一个实施例中,第一评分结果确定单元具体可以用于:根据各第一模型输入图像属于各分值选项的第一概率,得到与各第一模型输入图像分别对应的乘积和;将各第一模型输入图像分别对应的乘积和,作为相应测试图像所对应的第一图像评分结果;其中,第一模型输入图像对应的乘积和是分别将该第一模型输入图像属于各分值选项的第一概率与对应分值选项相乘,再将相乘得到的各乘积相加获得。
在一个实施例中,图像评分模型部署于本地终端。
在一个实施例中,图像处理装置1900还可以包括如下模块:质量结果获取模块,用于获取处理后的图像对应的质量评估结果,质量评估结果根据处理后的图像对应的第二图像评分结果确定;质量结果展示模块,用于展示质量评估结果。
在一个实施例中,质量评估结果包括等级评估结果。在此情况下,质量结果获取模块具体可以包括如下单元:第二评分结果获取单元,用于获取处理后的图像对应的第二图像评分结果;评分区间确定单元,用于根据等级对应关系和第二图像评分结果所在的评分子区间,确定处理后的图像对应的等级评估结果;其中,等级对应关系包括预定数目的等级评估结果与预定数目的评分子区间之间的对应关系;预定数目的评分子区间是根据目标评分区间进行划分得到;目标评分区间的两个端点分别为各第一图像评分结果中最高的第一图像评分结果和最低的第一图像评分结果。
在一个实施例中,第二评分结果获取单元具体可以用于:在评分对应关系中查找与所述处理后的图像对应的所述测试属性调整参数,评分对应关系包括测试属性调整参数与第一图像评分结果之间的对应关系;将查找到的测试属性调整参数所对应的第一图像评分结果,作为处理后的图像对应的第二图像评分结果。
在一个实施例中,第二评分结果获取单元具体可以用于:将与处理后的图像对应的第二模型输入图像,输入图像评分模型,图像评分模型根据样本图像进行模型训练得到;通过图像评分模型,得到与第二模型输入图像对应的第二分值分类结果,第二分值分类结果包括第二模型输入图像分别属于各分值选项的第二概率;根据各第二概率,得到处理后的图像对应的第二图像评分结果。
在一个实施例中,第二模型输入图像包括对处理后的图像进行预处理后得到的图像;预处理的方式包括:对图像进行缩放处理,得到中间图像;在中间图像不符合预定参考尺寸时,将中间图像裁剪至预定参考尺寸。
在一个实施例中,满足参数推荐开启条件时,进入获取包含于候选属性调整参数中、且与待处理图像对应的推荐属性调整参数的步骤;其中,参数推荐开启条件包括本地应用程序已开启参考调整模式且处于参数调整界面。
在一个实施例中,图像处理装置1900还可以包括如下模块:推荐滤镜获取模块,用于满足滤镜推荐开启条件时,获取包含于候选图像滤镜中、且与所述待处理图像对应的推荐图像滤镜;滤镜推荐开启条件包括:本地应用程序已开启参考调整模式且处于滤镜调整界面;推荐滤镜展示模块,用于在滤镜调整界面上展示与推荐图像滤镜对应的提示信息;实际滤镜确定模块,用于在检测到作用于滤镜调整界面上的滤镜选择操作时,从候选图像滤镜中确定与滤镜选择操作对应的实际图像滤镜;滤镜添加模块,用于在待处理图像上添加实际图像滤镜,得到添加后的图像。
在一个实施例中,提示信息包括提示标识。据此,根据推荐属性调整参数展示相应的提示信息的方式,可以包括:在参数调整控件上与推荐属性调整参数对应的位置处显示提示标识,参数调整控件设置于参数调整界面上。
需要说明的是,对上述图像处理装置1900的具体限定,可以参见上文中对于应用界面布局的更新方法的限定,在此不再赘述。上述图像处理装置1900中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现本申请任一实施例提供的图像处理方法中的步骤。
在一个实施例中,该计算机设备可以是图1所示的终端110,其内部结构图可以如图20所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统和计算机程序,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境,该计算机程序被处理器执行时以实现一种图像处理方法。该网络接口用于与外部的终端通过网络连接通信。该显示屏可以是液晶显示屏或者电子墨水显示屏。该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图20中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的图像处理装置1900可以实现为一种计算机程序的形式,计算机程序可在如图20所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像处理装置1900中的各个程序模块,比如,图19所示的待处理图像获取模块1902、推荐参数获取模块1904、推荐参数展示模块1906、实际参数获取模块1908、以及图像调整模块1910。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像处理方法中的步骤。
比如,图20所示的计算机设备可以通过如图19所示的图像处理装置1900中的待处理图像获取模块1902执行步骤S202、通过推荐参数获取模块1904执行步骤S204、通过推荐参数展示模块1906执行步骤S206、通过实际参数获取模块1908执行步骤S208、通过图像调整模块1910执行步骤S210等等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
据此,在一个实施例中,提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任一实施例提供的图像处理方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (22)
1.一种图像处理方法,其特征在于,包括:
接收待处理图像,所述待处理图像具有原始属性参数以及图像类别,所述原始属性参数是所述待处理图像本身的基本属性实际值,所述待处理图像本身的基本属性至少包括:尺寸、透视投影矩阵、旋转角度、曝光、对比度、阴影、饱和度、色温、着色;
从候选属性调整参数中,确定测试属性调整参数,所述候选属性调整参数的种类对应于所述待处理图像本身的基本属性,所述测试属性调整参数至少包括子测试属性调整参数组,所述子测试属性调整参数组包括至少一个子测试属性调整参数,每一所述子测试属性调整参数组唯一对应一种图像基本属性,且属性调整参数至少用于表征图像基本变化值;
从所述测试属性调整参数所包括的各所述子测试属性调整参数组中,各选取一个所述子测试属性调整参数,并根据选取得到的各所述子测试属性调整参数共同对所述待处理图像进行调整,得到测试图像;
确定与各所述测试图像分别对应的第一图像评分结果,所述第一图像评分结果与所述测试图像的图像质量正相关;
根据各所述第一图像评分结果,从所述测试属性调整参数中确定与所述待处理图像对应的推荐属性调整参数,所述推荐属性调整参数对应所述待处理图像的图像类别;
在参数调整界面上展示与所述推荐属性调整参数对应的提示信息;
接收对应于所述参数调整界面的参数调整指令,从所述候选属性调整参数中确定与所述参数调整指令相对应的实际属性调整参数,所述实际属性调整参数为:用于调整所述待处理图像的原始属性参数的参数;
根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像。
2.根据权利要求1所述的方法,其特征在于,所述候选属性调整参数包括两个以上的子候选属性调整参数组,各所述子候选属性调整参数组分别对应不同的图像基本属性,所述测试属性调整参数包括与各所述子候选属性调整参数组分别对应的各子测试属性调整参数组;
所述根据所述测试属性调整参数调整所述待处理图像,得到测试图像,包括:
根据各所述子测试属性调整参数组中的子测试属性调整参数进行组合处理,得到测试参数组,各所述测试参数组均包括分别选取自各所述子测试属性调整参数组的子测试属性调整参数;
分别根据各所述测试参数组调整所述待处理图像,得到与各所述测试参数组分别对应的测试图像。
3.根据权利要求2所述的方法,其特征在于,所述候选属性调整参数包括的各子候选属性调整参数组对应两个以上的图像质量维度,各所述测试参数组均包括分别选取自其对应的图像质量维度所涉及的各子测试属性调整参数组的子测试属性调整参数,所述推荐属性调整参数包括与各所述图像质量维度分别对应的子推荐属性调整参数;
所述根据各所述第一图像评分结果,从所述测试属性调整参数中确定所述推荐属性调整参数,包括:
根据各所述图像质量维度涉及的所述第一图像评分结果,分别从各所述图像质量维度涉及的所述测试参数组中,确定与各所述图像质量维度分别对应的所述子推荐属性调整参数。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述确定与各所述测试图像分别对应的第一图像评分结果,包括:
将与各所述测试图像对应的第一模型输入图像,分别输入图像评分模型;所述图像评分模型根据样本图像进行模型训练得到;
通过所述图像评分模型,得到与各所述第一模型输入图像分别对应的第一分值分类结果;所述第一分值分类结果包括其对应的第一模型输入图像分别属于各分值选项的第一概率;
根据各所述第一概率,确定与各所述测试图像分别对应的第一图像评分结果。
5.根据权利要求1至3任一项所述的方法,其特征在于,在所述根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像之后,还包括:
获取所述处理后的图像对应的质量评估结果;所述质量评估结果根据所述处理后的图像对应的第二图像评分结果确定;
展示所述质量评估结果。
6.根据权利要求5所述的方法,其特征在于,根据所述处理后的图像确定对应的第二图像评分结果的方式,包括:
获取所述处理后的图像对应的第二图像评分结果;
根据等级对应关系和所述第二图像评分结果所在的评分子区间,确定所述处理后的图像对应的等级评估结果;
所述质量评估结果包括所述等级评估结果;
其中,所述等级对应关系包括预定数目的等级评估结果与所述预定数目的评分子区间之间的对应关系;所述预定数目的评分子区间是根据目标评分区间进行划分得到;所述目标评分区间的两个端点分别为各所述第一图像评分结果中最高的所述第一图像评分结果和最低的所述第一图像评分结果。
7.根据权利要求5所述的方法,其特征在于,获取所述处理后的图像对应的第二图像评分结果的方式,包括:
在评分对应关系中查找与所述处理后的图像对应的所述测试属性调整参数;所述评分对应关系包括所述测试属性调整参数与所述第一图像评分结果之间的对应关系;
将查找到的所述测试属性调整参数所对应的所述第一图像评分结果,作为所述处理后的图像对应的第二图像评分结果。
8.根据权利要求5所述的方法,其特征在于,获取所述处理后的图像对应的第二图像评分结果的方式,包括:
将与所述处理后的图像对应的第二模型输入图像,输入图像评分模型;所述图像评分模型根据样本图像进行模型训练得到;
通过所述图像评分模型,得到与所述第二模型输入图像对应的第二分值分类结果;所述第二分值分类结果包括所述第二模型输入图像分别属于各分值选项的第二概率;
根据各所述第二概率,得到所述处理后的图像对应的第二图像评分结果。
9.根据权利要求8所述的方法,其特征在于,所述第二模型输入图像包括对所述处理后的图像进行预处理后得到的图像;
所述预处理包括如下步骤:对图像进行缩放处理,得到中间图像;在所述中间图像不符合预定参考尺寸时,将所述中间图像裁剪至所述预定参考尺寸。
10.根据权利要求1所述的方法,其特征在于,还包括:
满足滤镜推荐开启条件时,获取包含于候选图像滤镜中、且与所述待处理图像对应的推荐图像滤镜;所述滤镜推荐开启条件包括:本地应用程序已开启参考调整模式且处于滤镜调整界面;
在所述滤镜调整界面上展示与所述推荐图像滤镜对应的提示信息;
在接收到对应于所述滤镜调整界面的滤镜选择指令时,从所述候选图像滤镜中确定与所述滤镜选择指令对应的实际图像滤镜;
在所述待处理图像上添加所述实际图像滤镜,得到添加后的图像。
11.一种图像处理装置,其特征在于,包括:
待处理图像获取模块,用于接收待处理图像,所述待处理图像具有原始属性参数以及图像类别,所述原始属性参数是所述待处理图像本身的基本属性实际值,所述待处理图像本身的基本属性至少包括:尺寸、透视投影矩阵、旋转角度、曝光、对比度、阴影、饱和度、色温、着色;
测试参数确定模块,用于从候选属性调整参数中,确定测试属性调整参数,所述候选属性调整参数的种类对应于所述待处理图像本身的基本属性,所述测试属性调整参数至少包括子测试属性调整参数组,所述子测试属性调整参数组包括至少一个子测试属性调整参数,每一所述子测试属性调整参数组唯一对应一种图像基本属性,且属性调整参数至少用于表征图像基本变化值;
测试图像获取模块,用于从所述测试属性调整参数所包括的各所述子测试属性调整参数组中,各选取一个所述子测试属性调整参数,并根据选取得到的各所述子测试属性调整参数共同对所述待处理图像进行调整,得到测试图像;
第一评分结果获取模块,用于确定与各所述测试图像分别对应的第一图像评分结果,所述第一图像评分结果与所述测试图像的图像质量正相关;
推荐参数确定模块,用于根据各所述第一图像评分结果,从所述测试属性调整参数中确定与所述待处理图像对应的推荐属性调整参数,所述推荐属性调整参数对应所述待处理图像的图像类别;
推荐参数展示模块,用于在参数调整界面上展示与所述推荐属性调整参数对应的提示信息;
实际参数获取模块,用于接收对应于所述参数调整界面的参数调整指令,并从所述候选属性调整参数中确定与所述参数调整指令相对应的实际属性调整参数,所述实际属性调整参数为:用于调整所述待处理图像的原始属性参数的参数;
图像调整模块,用于根据所述实际属性调整参数调整所述待处理图像,得到处理后的图像。
12.根据权利要求11所述的装置,其特征在于,所述候选属性调整参数包括两个以上的子候选属性调整参数组,各所述子候选属性调整参数组分别对应不同的图像基本属性,所述测试属性调整参数包括与各所述子候选属性调整参数组分别对应的各子测试属性调整参数组;
所述测试参数确定模块包括组合处理单元以及测试图像获取单元;
所述组合处理单元,用于根据各所述子测试属性调整参数组中的子测试属性调整参数进行组合处理,得到测试参数组,各所述测试参数组均包括分别选取自各所述子测试属性调整参数组的子测试属性调整参数;
所述测试图像获取单元,用于分别根据各所述测试参数组调整所述待处理图像,得到与各所述测试参数组分别对应的测试图像。
13.根据权利要求12所述的装置,其特征在于,所述候选属性调整参数包括的各子候选属性调整参数组对应两个以上的图像质量维度,各所述测试参数组均包括分别选取自其对应的图像质量维度所涉及的各子测试属性调整参数组的子测试属性调整参数,所述推荐属性调整参数包括与各所述图像质量维度分别对应的子推荐属性调整参数;
所述推荐参数确定模块,具体用于根据各所述图像质量维度涉及的所述第一图像评分结果,分别从各所述图像质量维度涉及的所述测试参数组中,确定与各所述图像质量维度分别对应的所述子推荐属性调整参数。
14.根据权利要求11至13任一项所述的装置,其特征在于,所述第一评分结果获取模块包括图像输入单元、分类结果确定单元以及第一评分结果确定单元;
所述图像输入单元,用于将与各所述测试图像对应的第一模型输入图像,分别输入图像评分模型;所述图像评分模型根据样本图像进行模型训练得到;
所述分类结果确定单元,用于通过所述图像评分模型,得到与各所述第一模型输入图像分别对应的第一分值分类结果;所述第一分值分类结果包括其对应的第一模型输入图像分别属于各分值选项的第一概率;
所述第一评分结果确定单元,用于根据各所述第一概率,确定与各所述测试图像分别对应的第一图像评分结果。
15.根据权利要求11至13任一项所述的装置,其特征在于,质量结果获取模块,用于获取所述处理后的图像对应的质量评估结果;所述质量评估结果根据所述处理后的图像对应的第二图像评分结果确定;
质量结果展示模块,用于展示所述质量评估结果。
16.根据权利要求15所述的装置,其特征在于,所述质量结果展示模块包括第二评分结果获取单元以及评分区间确定单元;
所述第二评分结果获取单元,用于获取所述处理后的图像对应的第二图像评分结果;
所述评分区间确定单元,用于根据等级对应关系和所述第二图像评分结果所在的评分子区间,确定所述处理后的图像对应的等级评估结果;
所述质量评估结果包括所述等级评估结果;其中,所述等级对应关系包括预定数目的等级评估结果与所述预定数目的评分子区间之间的对应关系;所述预定数目的评分子区间是根据目标评分区间进行划分得到;所述目标评分区间的两个端点分别为各所述第一图像评分结果中最高的所述第一图像评分结果和最低的所述第一图像评分结果。
17.根据权利要求16所述的装置,其特征在于,所述第二评分结果获取单元,具体用于在评分对应关系中查找与所述处理后的图像对应的所述测试属性调整参数;所述评分对应关系包括所述测试属性调整参数与所述第一图像评分结果之间的对应关系;将查找到的所述测试属性调整参数所对应的所述第一图像评分结果,作为所述处理后的图像对应的第二图像评分结果。
18.根据权利要求16所述的装置,其特征在于,所述第二评分结果获取单元,具体用于将与所述处理后的图像对应的第二模型输入图像,输入图像评分模型;所述图像评分模型根据样本图像进行模型训练得到;通过所述图像评分模型,得到与所述第二模型输入图像对应的第二分值分类结果;所述第二分值分类结果包括所述第二模型输入图像分别属于各分值选项的第二概率;根据各所述第二概率,得到所述处理后的图像对应的第二图像评分结果。
19.根据权利要求18所述的装置,其特征在于,所述第二模型输入图像包括对所述处理后的图像进行预处理后得到的图像;
所述预处理包括如下步骤:对图像进行缩放处理,得到中间图像;在所述中间图像不符合预定参考尺寸时,将所述中间图像裁剪至所述预定参考尺寸。
20.根据权利要求11所述的装置,其特征在于,推荐滤镜获取模块,用于满足滤镜推荐开启条件时,获取包含于候选图像滤镜中、且与所述待处理图像对应的推荐图像滤镜;所述滤镜推荐开启条件包括:本地应用程序已开启参考调整模式且处于滤镜调整界面;
推荐滤镜展示模块,用于在所述滤镜调整界面上展示与所述推荐图像滤镜对应的提示信息;
实际滤镜确定模块,用于在接收到对应于所述滤镜调整界面的滤镜选择指令时,从所述候选图像滤镜中确定与所述滤镜选择指令对应的实际图像滤镜;
滤镜添加模块,用于在所述待处理图像上添加所述实际图像滤镜,得到添加后的图像。
21.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
22.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811210131.7A CN109447958B (zh) | 2018-10-17 | 2018-10-17 | 图像处理方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811210131.7A CN109447958B (zh) | 2018-10-17 | 2018-10-17 | 图像处理方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447958A CN109447958A (zh) | 2019-03-08 |
CN109447958B true CN109447958B (zh) | 2023-04-14 |
Family
ID=65547361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811210131.7A Active CN109447958B (zh) | 2018-10-17 | 2018-10-17 | 图像处理方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447958B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211063B (zh) * | 2019-05-20 | 2021-06-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和系统 |
CN110889489A (zh) * | 2019-11-08 | 2020-03-17 | 北京小米移动软件有限公司 | 神经网络的训练方法、图像识别方法及其装置 |
CN111223054B (zh) * | 2019-11-19 | 2024-03-15 | 深圳开立生物医疗科技股份有限公司 | 超声图像评估方法和装置 |
CN111597476B (zh) * | 2020-05-06 | 2023-08-22 | 北京金山云网络技术有限公司 | 图像处理方法及装置 |
CN112333468B (zh) * | 2020-09-28 | 2023-05-12 | 影石创新科技股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112187945A (zh) * | 2020-09-30 | 2021-01-05 | 北京有竹居网络技术有限公司 | 信息推送方法、装置和电子设备 |
CN113467735A (zh) * | 2021-06-16 | 2021-10-01 | 荣耀终端有限公司 | 图像调整方法、电子设备及存储介质 |
CN114038370B (zh) * | 2021-11-05 | 2023-10-13 | 深圳Tcl新技术有限公司 | 显示参数调整方法、装置、存储介质及显示设备 |
CN114327166A (zh) * | 2021-12-29 | 2022-04-12 | 维沃移动通信有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325663A (zh) * | 2008-07-25 | 2008-12-17 | 北京中星微电子有限公司 | 一种提高图像质量的方法和装置 |
CN101742340A (zh) * | 2010-02-08 | 2010-06-16 | 腾讯科技(深圳)有限公司 | 图像的优化编辑方法及装置 |
CN102473308A (zh) * | 2009-07-31 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于确定将与图像相关联的属性的值的方法和装置 |
CN102891958A (zh) * | 2011-07-22 | 2013-01-23 | 北京华旗随身数码股份有限公司 | 一种具有姿势指导功能的数码相机 |
CN104636759A (zh) * | 2015-02-28 | 2015-05-20 | 成都品果科技有限公司 | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 |
CN106157363A (zh) * | 2016-06-28 | 2016-11-23 | 广东欧珀移动通信有限公司 | 一种基于增强现实的拍照方法、装置和移动终端 |
CN106406900A (zh) * | 2016-09-28 | 2017-02-15 | 乐视控股(北京)有限公司 | 一种壁纸显示方法及装置 |
CN107730461A (zh) * | 2017-09-29 | 2018-02-23 | 北京金山安全软件有限公司 | 图像处理方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460649A (zh) * | 2017-02-22 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种图像识别方法及装置 |
-
2018
- 2018-10-17 CN CN201811210131.7A patent/CN109447958B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325663A (zh) * | 2008-07-25 | 2008-12-17 | 北京中星微电子有限公司 | 一种提高图像质量的方法和装置 |
CN102473308A (zh) * | 2009-07-31 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于确定将与图像相关联的属性的值的方法和装置 |
CN101742340A (zh) * | 2010-02-08 | 2010-06-16 | 腾讯科技(深圳)有限公司 | 图像的优化编辑方法及装置 |
CN102891958A (zh) * | 2011-07-22 | 2013-01-23 | 北京华旗随身数码股份有限公司 | 一种具有姿势指导功能的数码相机 |
CN104636759A (zh) * | 2015-02-28 | 2015-05-20 | 成都品果科技有限公司 | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 |
CN106157363A (zh) * | 2016-06-28 | 2016-11-23 | 广东欧珀移动通信有限公司 | 一种基于增强现实的拍照方法、装置和移动终端 |
CN106406900A (zh) * | 2016-09-28 | 2017-02-15 | 乐视控股(北京)有限公司 | 一种壁纸显示方法及装置 |
CN107730461A (zh) * | 2017-09-29 | 2018-02-23 | 北京金山安全软件有限公司 | 图像处理方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
面向个性化服装推荐的判断优化模型;王安琪等;《计算机工程与应用》;20170615(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447958A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447958B (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN110019896B (zh) | 一种图像检索方法、装置及电子设备 | |
CN111191078B (zh) | 基于视频信息处理模型的视频信息处理方法及装置 | |
US11675795B2 (en) | Method and system for ranking search content | |
US9886669B2 (en) | Interactive visualization of machine-learning performance | |
CN109800306A (zh) | 意图分析方法、装置、显示终端及计算机可读存储介质 | |
CN109299344A (zh) | 排序模型的生成方法、搜索结果的排序方法、装置及设备 | |
JP2018517959A (ja) | ビデオのための代表ビデオフレームの選択 | |
US9898464B2 (en) | Information extraction supporting apparatus and method | |
CN111382361A (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
CN107203558B (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
CN111737548A (zh) | 点选验证码识别方法、装置、计算机设备和存储介质 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
CN112949297A (zh) | 意图识别方法、装置、计算机设备和计算机可读存储介质 | |
CN111506596A (zh) | 信息检索方法、装置、计算机设备和存储介质 | |
CN117077679B (zh) | 命名实体识别方法和装置 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
CN116304155A (zh) | 基于二维图片的三维构件检索方法、装置、设备及介质 | |
JP6696344B2 (ja) | 情報処理装置及びプログラム | |
CN115375965A (zh) | 一种目标场景识别的预处理方法、目标场景识别方法 | |
CN112328743A (zh) | 代码搜索方法、装置、可读存储介质和电子设备 | |
de Lima et al. | Evisclass: a new evaluation method for image data stream classifiers | |
CN111797765A (zh) | 图像处理方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |