CN111061895A - 图像推荐的方法、装置、电子设备及存储介质 - Google Patents
图像推荐的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111061895A CN111061895A CN201911103195.1A CN201911103195A CN111061895A CN 111061895 A CN111061895 A CN 111061895A CN 201911103195 A CN201911103195 A CN 201911103195A CN 111061895 A CN111061895 A CN 111061895A
- Authority
- CN
- China
- Prior art keywords
- score
- candidate
- image
- video
- dimension
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像推荐、装置、电子设备及可读存储介质,旨在提高图像和视频推荐的准确率,优化用户体验。所述一种图像推荐方法包括:获得多个候选图像;从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种图像推荐方法、装置、电子设备及可读存储介质。
背景技术
推荐系统是一种信息过滤系统,用于预测用户对物品的评分或偏好。相关技术中,采用推荐系统为用户推荐图像和视频时,推荐系统可以根据用户预先选择的喜好图像或视频类型进行推荐。然而,在通过上述推荐系统向用户进行个性化推荐的过程中,并未考虑最终推荐给用户的图像或视频的质量,即,推荐系统所推荐的图像或视频带给用户的观看感受不佳,影响了用户体验。
发明内容
本申请实施例提供一种图像推荐方法、装置、电子设备及可读存储介质,旨在提高图像和视频推荐的准确率,优化用户体验。
根据本公开实施例的第一方面,提供了一种图像推荐方法,所述方法包括:
获得多个候选图像;
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
可选地,所述方法还包括:
获得多个候选视频;
针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
可选地,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;
以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分;以及
从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分,包括:
将每个候选图像输入所述清晰度判别模型,确定该候选图像的清晰度得分。
可选地,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
按照预设的压缩参数,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;
以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分;以及
从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分,包括:
将每个候选图像输入所述块效应判别模型,确定该候选图像的块效应得分。
可选地,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
在每个样本图像中加入噪声,得到对应的携带镜头脏污程度标记的噪声样本图像;
以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分;以及
从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分,包括:
将每个候选图像输入所述镜头脏污判别模型,确定该候选图像的镜头脏污得分。
可选地,基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像,包括:
将所述多个候选图像各自的至少一种得分输入预先训练的推荐模型,以确定向用户推荐的目标图像。
根据本公开实施例的第二方面,提供一种图像推荐装置,所述装置包括:
第一获得模块,用于获得多个候选图像;
分析模块,用于从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
确定模块,用于基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
可选地,所述装置还包括:
第二获得模块,用于获得多个候选视频;
第一得分确定模块,用于针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
第二得分确定模块,用于针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
确定子模块,用于基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
可选地,所述装置还包括:
第一样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第一样本处理模块,用于对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;
第一模型训练模块,用于以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型;
第一确定子模块,用于从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分,包括:将每个候选图像输入所述清晰度判别模型,确定该候选图像的清晰度得分。
可选地,所述装置还包括:
第二样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第二样本处理模块,用于按照预设的压缩参数,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;
第二模型训练模块,用于以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型;
第二确定子模块,用于从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分,包括:将每个候选图像输入所述块效应判别模型,确定该候选图像的块效应得分。
可选地,所述装置还包括:
第三样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第三样本处理模块,用于在每个样本图像中加入噪声,得到对应的携带镜头脏污程度标记的噪声样本图像;
第三模型训练模块,用于以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型;
第三确定子模块,用于从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分,包括:将每个候选图像输入所述镜头脏污判别模型,确定该候选图像的镜头脏污得分。
可选地,所述确定模块还包括:
输入模块,用于将所述多个候选图像各自的至少一种得分输入预先训练的推荐模型,以确定向用户推荐的目标图像。
本公开实施例第三方面提供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本申请第一方面所述的方法中的步骤。
本公开实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过对候选图像或视频从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度进行分析,从而得到用于表征图像质量的至少一种得分,使得推荐系统为用户推荐的目标图像不仅考虑了候选图像或视频的语义层标签和用户行为数据,还考虑了候选图像或视频本身的质量,提高了用户的观看感受,改善了用户体验,提升了推荐系统的推荐效果。且通过对候选视频提取多帧视频图像,提取的多帧视频图像均匀分布在该视频中,更准确地表征候选视频的内容,进一步提高视频推荐的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像推荐方法的流程图;
图2是本申请另一实施例提供的一种图像推荐方法的流程图;
图3是本申请一实施例中清晰度判别模型的训练过程示意图;
图4是本申请一实施例中块效应判别模型的训练过程示意图;
图5是本申请一实施例中镜头脏污判别模型的训练过程示意图;
图6是本申请一实施例提供的一种图像推荐装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
相关技术中,通过推荐系统向用户进行个性化推荐,具体地,推荐系统可以根据用户预先选择的喜好图像或视频类型进行推荐。在实际应用中,若用户在终端上使用某个应用程序时,在应用程序的设置界面中选择喜好图像或视频类型对应的语义层标签,则该应用程序包括的个性化推荐系统会在之后根据用户选择的语义层标签为用户进行个性化推荐,示例地,若供用户选择的语义层标签包括:美食、帅哥美女、舞蹈、汽车以及宠物,用户选择了美食和宠物这两类语义层标签,则之后推荐系统为用户推荐的候选图像或候选视频为美食图像或美食视频、宠物图像或宠物视频中的至少一种;除此之外,推荐系统还可根据用户行为数据为用户进行个性化推荐,其中,用户行为数据包括但不限于:用户的点击行为、用户的点赞行为、用户观看内容的停留时长超过预设时长的停留行为以及用户的收藏行为;或者,推荐系统还能基于用户预先选择的喜好图像或视频类型和用户行为数据共同为用户进行个性化推荐。
然而,在通过上述推荐系统向用户进行个性化推荐的过程中,并未考虑最终推荐给用户的图像或视频的质量,即,推荐系统所推荐的图像或视频带给用户的观看感受不佳,影响了用户体验。为改善用户体验,本申请提供一种图像推荐方法,从多个维度对预备推荐给用户的图像进行质量评分,以向用户推荐质量评分较高的图像。
参考图1,图1是本申请一实施例提出的一种图像推荐方法的流程图。如图1所示,图像推荐的方法应用于推荐系统。该方法包括以下步骤:
步骤S11:获得多个候选图像;
步骤S12:从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
步骤S13:基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
在本实施例中,候选图像可以是推荐系统准备为用户进行个性化推荐而召回的图像,也可以是用户自己选择的图像;多个候选图像可以是由不相关的多个单张图像组成,或者是由多个视频中针对单个视频抽取的多张图像组成。
步骤S12中的清晰度维度、块效应维度以及镜头脏污维度均是用来表征图像质量的维度,在该实施例中,通过得到用于表征图像质量的至少一种得分,根据至少一种得分确定向用户推荐的目标图像,使得向用户推荐的目标图像除了考虑语义层标签和用户行为数据因素,还考虑了图像质量因素,满足用户对图像质量的个性化需求,提升用户的使用感受,提高图像个性化推荐的准确率。
结合上述实施例,在本申请的另一个实施例中,通过对多个候选视频进行分析处理,确定向用户推荐的目标视频。
参考图2,图2是本申请另一实施例提供视频推荐方法的另一流程图,包括以下步骤:
步骤S21:获得多个候选视频;
步骤S22:针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
步骤S23:针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
步骤S24:基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
在本实施例中,候选视频可以是用户自己选择的视频,也可以是推荐系统准备为用户进行个性化推荐而召回的视频;基于与上述同样的原理,使用推荐系统时,该候选视频可以是:推荐系统根据用户预先选择的喜好视频类型进行推荐的候选视频,推荐系统根据用户行为数据进行推荐的候选视频,或者推荐系统根据用户预先选择的喜好视频类型和用户行为数据共同进行推荐的候选视频。
本实施例中,从该候选视频中提取多帧视频图像,可以等帧间间隔地提取,示例地,针对单个候选视频,例如每隔10帧视频图像,提取出一帧视频图像。以单个候选视频包括90帧视频图像为例,提取出的各帧视频图像分别是:第11帧、第22帧、第33帧、第44帧、第55帧、第66帧、第77帧以及第88帧。
或者,本实施例中,从该候选视频中提取多帧视频图像时,可以首先将该候选视频分为多个子段,然后从每个子段中提取一帧视频图像。示例地,针对单个候选视频,例如将该候选视频等分为N个子段,针对每个子段,从中随机提取一帧视频图像。
以上实施例中,通过等帧间间隔地提取多帧视频图像,或通过将视频分为多个子段,然后从每个子段中提取一帧视频图像,使得提取到的多帧视频图像是均匀分布在该视频中的视频图像,多帧视频图像能更准确地表征该视频的内容,从而进一步提高图像推荐的准确性。
本实施例中,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,统计学处理是将同种类得分进行取平均值处理,示例地,其可以是将同种类得分中的所有得分进行求和取平均值,或者是对同种类得分取前N个最高得分进行求和取平均值,又或者是对同种类得分取前N个最低得分进行求和取平均值,最终得到的平均值得分即为综合得分。
本实施例中,首先,通过获取多个候选视频,针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分。通过提取多帧视频图像,可以减少候选视频的冗余信息,从而降低计算量,提高视频推荐准确率。然后,针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。基于表征视频图像质量的至少一种综合得分为用户推荐目标视频,使得向用户推荐的目标视频除了考虑语义层标签和用户行为数据因素,还考虑了图像质量因素,满足用户对视频内图像质量的个性化需求,提升用户的使用感受,提高视频个性化推荐的准确率。
在一种实施方式中,步骤S13包括:将所述多个候选图像各自的至少一种得分输入预先训练的推荐模型,以确定向用户推荐的目标图像。
本实施例中,可理解地,推荐模型是通用的推荐模型,并不是对某一种特征有针对性的预先训练的推荐模型,例如,仅仅只能根据语义层标签进行推荐的推荐系统。将多个候选图像各自的至少一种得分输入推荐模型,由于该推荐模型为通用型推荐模型,针对至少一种得分中:只有一种得分、具有两种得分或具有三种得分的任意情况下,均能通过该推荐模型得出目标图像。
由于至少一种得分包括:清晰度得分、块效应得分以及镜头脏污得分。因此,为了能更智能地实施申请人提出的上述方法,使得该方法的应用范围更广,申请人预先构建三种判别模型,以基于该判别模型得到对应的得分情况,以下将针对清晰度判别模型的训练过程进行解释说明:
参考图3,图3是本申请一实施例中清晰度判别模型的训练过程示意图,包括以下步骤:
S31:获得多个清晰度高于预设阈值的清晰样本图像;
S32:对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;
S33:以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型。
首先,获得多个清晰度高于预设阈值的清晰样本图像;所述预设阈值可以是一个较高的阈值,以获得足够清晰的样本图像;所述样本图像还包括:从样本视频中提取的多帧视频图像。
然后,对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;由于现有技术中对样本的标记过程均由人工完成,标记数量多,耗时长,且标记效率低下,因此本申请提出,自动生成标记的样本图像,示例地,对每个样本图像进行不同程度的模糊处理,以得到对应的携带清晰度标记的模糊样本图像,所述清晰度标记用于表征该模糊样本图像的清晰度,模糊处理的方式采用高斯模糊和运动模糊中的一种。
最后,以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型。其中,第一预设模型可以为神经网络模型。
相应地,步骤S12包括:将每个候选图像输入所述清晰度判别模型,确定该候选图像的清晰度得分。
本实施例中,通过将候选图片输入至训练得到的清晰度判别模型,以得到清晰度得分。由于清晰度判别模型的训练基础来源于已标记的模糊样本图像,而已标记的模糊样本图像是采用高斯模糊或运动模糊进行自动化处理后标记的,其对应的得分是准确的,因此,采用清晰度判别模型预测的清晰度得分是可靠的,准确率较高。
参考图4,图4是本申请一实施例中块效应判别模型的训练过程示意图,包括以下步骤:
S41:获得多个清晰度高于预设阈值的清晰样本图像;
S42:按照预设的压缩参数,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;
S43:以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型。
首先,获得多个清晰度高于预设阈值的清晰样本图像;所述预设阈值可以是一个较高的阈值,以获得足够清晰的样本图像;所述样本图像还包括:从样本视频中提取的多帧视频图像。
然后,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;由于现有技术中对样本的标记过程均由人工完成,标记数量多,耗时长,标记效率低下,且标记准确度不高,因此本申请提出,自动生成标记的样本图像,示例地,对每个样本图像进行不同程度的编码处理(即采用不同的压缩参数对样本图像进行压缩处理),以得到对应的携带块效应标记的块效应样本图像,所述块效应标记用于表征该块效应样本图像的块效应程度。
最后,以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型。其中,第二预设模型可以为神经网络模型。
相应地,步骤S12包括:将每个候选图像输入所述块效应判别模型,确定该候选图像的块效应得分。
本实施例中,通过将候选图片输入至训练得到的块效应判别模型,以得到块效应得分。由于块效应判别模型的训练基础来源于已标记的块效应样本图像,而已标记的块效应样本图像是采用不同的压缩参数进行编码处理后自动标记的,其对应的得分是准确的,因此,采用块效应判别模型预测的块效应得分是可靠的,准确率较高。
参考图5,图5是本申请一实施例中镜头脏污判别模型的训练过程示意图,包括以下步骤:
S51:获得多个清晰度高于预设阈值的清晰样本图像;
S52:在每个样本图像中加入噪声,得到对应的携带镜头脏污程度标记的噪声样本图像;
S53:以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型。
首先,获得多个清晰度高于预设阈值的清晰样本图像;所述预设阈值可以是一个较高的阈值,以获得足够清晰的样本图像;所述样本图像还包括:从样本视频中提取的多帧视频图像。
然后,对每个样本图像进行噪声处理,优选地,可以对每个样本图像加入perlin噪声,用以模拟镜头脏污的情况,得到对应的镜头脏污程度标记的噪声样本图像;由于现有技术中对样本的标记过程均由人工完成,标记数量多,耗时长,标记效率低下,且标记准确度不高,因此本申请提出,自动生成标记的样本图像,示例地,对每个样本图像进行不同程度的噪声处理,以自动得到对应的携带镜头脏污程度标记的噪声样本图像,所述镜头脏污程度标记用于表征该噪声样本图像的镜头脏污程度。
最后,以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型。其中,第三预设模型可以为神经网络模型。
相应地,步骤S12包括:将每个候选图像输入所述镜头脏污判别模型,确定该候选图像的镜头脏污得分。
本实施例中,通过将候选图片输入至训练得到的镜头脏污判别模型,以得到镜头脏污得分。由于镜头脏污判别模型的训练基础来源于已标记的噪声样本图像,而已标记的镜头脏污样本图像是采用加入不同程度的噪声处理后自动标记的,其对应的得分是准确的,因此,采用镜头脏污判别模型预测的镜头脏污得分是可靠的,准确率较高。
基于同一发明构思,本申请一实施例提供一种图像推荐装置。参考图6,图6是本申请一实施例提供的一种图像推荐装置的示意图。如图6所示,该装置包括:
第一获得模块601,用于获得多个候选图像;
分析模块602,用于从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
确定模块603,用于基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
可选地,所述装置还包括:
第二获得模块,用于获得多个候选视频;
第一得分确定模块,用于针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
第二得分确定模块,用于针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
确定子模块,用于基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
可选地,所述装置还包括:
第一样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第一样本处理模块,用于对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;
第一模型训练模块,用于以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型;
第一确定子模块,用于从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分,包括:将每个候选图像输入所述清晰度判别模型,确定该候选图像的清晰度得分。
可选地,所述装置还包括:
第二样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第二样本处理模块,用于按照预设的压缩参数,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;
第二模型训练模块,用于以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型;
第二确定子模块,用于从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分,包括:将每个候选图像输入所述块效应判别模型,确定该候选图像的块效应得分。
可选地,所述装置还包括:
第三样本获得模块,用于获得多个清晰度高于预设阈值的清晰样本图像;
第三样本处理模块,用于在每个样本图像中加入噪声,得到对应的携带镜头脏污程度标记的噪声样本图像;
第三模型训练模块,用于以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型;
第三确定子模块,用于从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分,包括:将每个候选图像输入所述镜头脏污判别模型,确定该候选图像的镜头脏污得分。
可选地,所述确定模块还包括:
输入模块,用于将所述多个候选图像各自的至少一种得分输入预先训练的推荐模型,以确定向用户推荐的目标图像。
基于同一发明构思,本申请另一实施例提供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本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种图像推荐方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种图像推荐方法,其特征在于,所述方法包括:
获得多个候选图像;
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获得多个候选视频;
针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
对每个样本图像进行模糊处理,得到对应的携带清晰度标记的模糊样本图像;
以多个所述模糊样本图像为训练样本,对第一预设模型进行训练,得到清晰度判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分;以及
从清晰度维度对每个候选图像进行分析,确定该候选图像的清晰度得分,包括:
将每个候选图像输入所述清晰度判别模型,确定该候选图像的清晰度得分。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
按照预设的压缩参数,对每个样本图像进行编码处理,得到对应的携带块效应标记的块效应样本图像;
以多个所述块效应样本图像为训练样本,对第二预设模型进行训练,得到块效应判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分;以及
从块效应维度对每个候选图像进行分析,确定该候选图像的块效应得分,包括:
将每个候选图像输入所述块效应判别模型,确定该候选图像的块效应得分。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获得多个清晰度高于预设阈值的清晰样本图像;
在每个样本图像中加入噪声,得到对应的携带镜头脏污程度标记的噪声样本图像;
以多个所述噪声样本图像为训练样本,对第三预设模型进行训练,得到镜头脏污判别模型;以及
从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分包括:
从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分;以及
从镜头脏污维度对每个候选图像进行分析,确定该候选图像的镜头脏污得分,包括:
将每个候选图像输入所述镜头脏污判别模型,确定该候选图像的镜头脏污得分。
6.根据权利要求1所述的方法,其特征在于,基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像,包括:
将所述多个候选图像各自的至少一种得分输入预先训练的推荐模型,以确定向用户推荐的目标图像。
7.一种图像推荐装置,其特征在于,所述装置包括:
第一获得模块,用于获得多个候选图像;
分析模块,用于从清晰度维度、块效应维度以及镜头脏污维度中的至少一维度,对每个候选图像进行分析,确定该候选图像的清晰度得分、块效应得分以及镜头脏污得分中的至少一种得分;
第一确定模块,用于基于所述多个候选图像各自的至少一种得分,确定向用户推荐的目标图像。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获得模块,用于获得多个候选视频;
第一得分确定模块,用于针对每个候选视频,从该候选视频中提取多帧视频图像,将每帧视频图像作为所述候选图像,确定该候选视频中的多帧视频图像各自的至少一种得分;
第二得分确定模块,用于针对每个候选视频,对该候选视频中的多帧视频图像各自的至少一种得分中的同种类得分进行统计学处理,确定该候选视频的至少一种综合得分;
第二确定模块,用于基于所述多个候选视频各自的至少一种综合得分,确定向用户推荐的目标视频。
9.一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1-6任一所述的方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-6任一所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910632032 | 2019-07-12 | ||
CN2019106320326 | 2019-07-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111061895A true CN111061895A (zh) | 2020-04-24 |
Family
ID=70297799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911103195.1A Pending CN111061895A (zh) | 2019-07-12 | 2019-11-12 | 图像推荐的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061895A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076685A (zh) * | 2021-03-04 | 2021-07-06 | 华为技术有限公司 | 图像重建模型的训练方法、图像重建方法及其装置 |
CN113255685A (zh) * | 2021-07-13 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN113808107A (zh) * | 2021-09-17 | 2021-12-17 | 广东电网有限责任公司 | 图像推荐方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1669338A (zh) * | 2002-07-17 | 2005-09-14 | 皇家飞利浦电子股份有限公司 | 用于测量视频数据质量的方法和设备 |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
US20130142418A1 (en) * | 2011-12-06 | 2013-06-06 | Roelof van Zwol | Ranking and selecting representative video images |
CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
-
2019
- 2019-11-12 CN CN201911103195.1A patent/CN111061895A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1669338A (zh) * | 2002-07-17 | 2005-09-14 | 皇家飞利浦电子股份有限公司 | 用于测量视频数据质量的方法和设备 |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
US20130142418A1 (en) * | 2011-12-06 | 2013-06-06 | Roelof van Zwol | Ranking and selecting representative video images |
CN105825500A (zh) * | 2016-03-10 | 2016-08-03 | 江苏商贸职业学院 | 一种对相机图像质量的评价方法与装置 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076685A (zh) * | 2021-03-04 | 2021-07-06 | 华为技术有限公司 | 图像重建模型的训练方法、图像重建方法及其装置 |
CN113255685A (zh) * | 2021-07-13 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN113255685B (zh) * | 2021-07-13 | 2021-10-01 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN113808107A (zh) * | 2021-09-17 | 2021-12-17 | 广东电网有限责任公司 | 图像推荐方法、装置、电子设备和存储介质 |
CN113808107B (zh) * | 2021-09-17 | 2024-03-29 | 广东电网有限责任公司 | 图像推荐方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN110533097B (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
CN108229280B (zh) | 时域动作检测方法和系统、电子设备、计算机存储介质 | |
CN112950581B (zh) | 质量评估方法、装置和电子设备 | |
US11914639B2 (en) | Multimedia resource matching method and apparatus, storage medium, and electronic apparatus | |
CN110211119B (zh) | 图像质量评估方法、装置、电子设备及可读存储介质 | |
CN111061895A (zh) | 图像推荐的方法、装置、电子设备及存储介质 | |
CN110879851A (zh) | 视频动态封面生成方法、装置、电子设备及可读存储介质 | |
CN111918130A (zh) | 视频封面确定方法、装置、电子设备及存储介质 | |
CN112800097A (zh) | 基于深度兴趣网络的专题推荐方法及装置 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN109376696A (zh) | 视频动作分类的方法、装置、计算机设备和存储介质 | |
Siahaan et al. | Semantic-aware blind image quality assessment | |
CN112488071A (zh) | 提取行人特征的方法、装置、电子设备和存储介质 | |
CN111432206A (zh) | 基于人工智能的视频清晰度处理方法、装置及电子设备 | |
CN112785572B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN107133629A (zh) | 图片分类方法、装置和移动终端 | |
CN112199582A (zh) | 一种内容推荐方法、装置、设备及介质 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN108804492B (zh) | 用于多媒体对象推荐的方法及装置 | |
CN112949456B (zh) | 视频特征提取模型训练、视频特征提取方法和装置 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN117082020B (zh) | 基于即时通讯软件的朋友圈自动化转发方法 | |
CN117909743A (zh) | 训练数据集获得方法、装置、电子设备及可读存储介质 |
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 |