CN111353063B - 图片显示方法、装置及存储介质 - Google Patents

图片显示方法、装置及存储介质 Download PDF

Info

Publication number
CN111353063B
CN111353063B CN202010114827.0A CN202010114827A CN111353063B CN 111353063 B CN111353063 B CN 111353063B CN 202010114827 A CN202010114827 A CN 202010114827A CN 111353063 B CN111353063 B CN 111353063B
Authority
CN
China
Prior art keywords
picture
processed
pictures
display
value
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
Application number
CN202010114827.0A
Other languages
English (en)
Other versions
CN111353063A (zh
Inventor
余自强
罗雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010114827.0A priority Critical patent/CN111353063B/zh
Publication of CN111353063A publication Critical patent/CN111353063A/zh
Application granted granted Critical
Publication of CN111353063B publication Critical patent/CN111353063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/55—Clustering; Classification
    • 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
    • G06F16/54—Browsing; Visualisation therefor
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请涉及一种图片显示方法、装置及存储介质，该图片显示方法包括：获取多张待处理图片、以及每一待处理图片的第一显示顺序；确定第一显示顺序中任意相邻的两张待处理图片之间的相似度；根据相似度对多张待处理图片进行分组，得到多个图片组；利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值；根据图片组和评分值对多张待处理图片进行显示，从而，在用户挑选拍摄的图片进行删除操作时，能够直接根据拍摄图片的评分值删掉具有明显缺点的照片，而无需用户逐张查看每一拍摄图片，有利于减少用户管理终端中相册图片的耗时及体力消耗。

Description

图片显示方法、装置及存储介质
技术领域
本申请涉及图片显示技术领域，具体涉及一种图片显示方法、装置及存储介质。
背景技术
随着智能手机摄像头配置的提高，以及其便携性和存储功能的扩展，用户已经越来越习惯使用手机随时随地拍照留念。其中，用户在使用手机进行拍照时，经常会在一段时间内对同一场景拍摄许多照片，然后通过手动逐张挑选照片进行删除操作，以仅对其中最合适的一张或几张照片进行保存。
但是，当用户在手动逐张挑选照片进行删除操作时，对于具有明显缺点(如，图片曝光不足、过曝、眨眼、模糊、构图太差等)的照片，用户也需要手动进行挑选，甚至还需要放大照片进行查看，如此，对用户来说费时费力，且体验不佳。
发明内容
本申请实施例提供一种图片显示方法、装置及存储介质，以解决用户手动逐张挑选照片进行删除操作时存在的费时费力，操作繁琐的问题。
本申请实施例提供了一种图片显示方法，包括：
获取多张待处理图片、以及每一所述待处理图片的第一显示顺序；
确定所述第一显示顺序中任意相邻的两张所述待处理图片之间的相似度；
根据所述相似度对所述多张待处理图片进行分组，得到多个图片组；
利用已训练的图片评分模型，对每一所述待处理图片进行评分，得到对应的评分值；
根据所述图片组和所述评分值对所述多张待处理图片进行显示。
本申请实施例还提供了一种图片显示装置，包括：
获取模块，用于获取多张待处理图片、以及每一所述待处理图片的第一显示顺序；
确定模块，用于确定所述第一显示顺序中任意相邻的两张所述待处理图片之间的相似度；
分组模块，用于根据所述相似度对所述多张待处理图片进行分组，得到多个图片组；
评分模块，用于利用已训练的图片评分模型，对每一所述待处理图片进行评分，得到对应的评分值；
显示模块，用于根据所述图片组和所述评分值对所述多张待处理图片进行显示。
其中，所述确定模块包括：
获取单元，用于获取每一所述待处理图片中像素点的颜色值；
量化单元，用于对所述颜色值进行量化处理，得到对应的量化颜色值；
第一确定单元，用于根据所述量化颜色值确定对应待处理图片的特征向量；
计算单元，用于根据所述第一显示顺序中任意相邻的两张所述待处理图片的特征向量计算对应的相似度。
其中，所述分组模块具体用于：
将所述相似度大于预设阈值的对应两张所述待处理图片归为一个图片组，得到多个图片组。
其中，所述显示模块包括：
第二确定单元，用于确定每个所述图片组的封面图和第二显示顺序；
折叠单元，用于根据所述封面图将对应图片组进行折叠，得到折叠图片组；
显示单元，用于根据所述第二显示顺序在主显示界面上对所述折叠图片组进行显示。
其中，所述显示模块还包括：
触发单元，用于触发进入用户选定的所述折叠图片组的展开显示界面，所述展开显示界面用于对选定的所述折叠图片组中的所述待处理图片、以及所述待处理图片的评分值进行展示。
其中，所述图片显示装置还包括：
接收模块，用于接收用户在所述展开显示界面上的选择操作信息；
调整模块，用于根据所述选择操作信息从选定的所述折叠图片组中确定目标图片，并对所述目标图片的评分值进行调整；
更新模块，用于利用所述目标图片和调整后的所述评分值对所述图片评分模型进行更新。
其中，所述图片显示装置还包括：
移除模块，用于将所述评分值低于预设评分值的对应待处理图片进行移除；
所述显示模块具体用于：
根据所述图片组和所述评分值对未被移除的所述待处理图片进行显示。
其中，所述评分模块还用于：
获取第一图片样本集、以及所述第一图片样本集中每一图片样本的分类标注；
利用所述第一图片样本集和所述分类标注对预设的神经网络进行初步训练；
获取第二图片样本集、以及所述第二图片样本集中每一图片样本的评分标注；
利用所述第二图片样本集和所述评分标注对已初步训练的所述神经网络进行训练，并将训练得到所述神经网络作为图片评分模型。
本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项图片显示方法。
本申请实施例还提供了一种计算机设备，包括存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项图片显示方法中的步骤。
本申请提供的图片显示方法、装置及存储介质，通过获取多张待处理图片、以及每一待处理图片的第一显示顺序，并确定第一显示顺序中任意相邻的两张待处理图片之间的相似度，然后根据相似度对多张待处理图片进行分组，得到多个图片组，并利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值，之后根据图片组和评分值对多张待处理图片进行显示，从而，在用户挑选拍摄的图片进行删除操作时，能够直接根据拍摄图片的评分值删掉具有明显缺点的照片，而无需用户逐张查看每一拍摄图片，有利于减少用户管理终端相册图片的耗时及体力消耗。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的图片显示系统的场景示意图。
图2为本申请实施例提供的图片显示方法的流程示意图。
图3为本申请实施例提供的图片显示方法的另一流程示意图。
图4为本申请实施例提供的残差网络Resnet-101的结构示意图。
图5为本申请实施例提供的多个图片组的示意图。
图6为本申请实施例提供的多个折叠图片组的示意图。
图7为本申请实施例提的折叠图片组展开显示的操作示意图。
图8为本申请实施例提供的区块链系统的结构示意图。
图9为本申请实施例提供的图片显示方法的另一流程示意图。
图10为本申请实施例提供的图片显示装置的结构示意图。
图11为本申请实施例提供的终端的结构示意图。
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，所描述的实施例仅仅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。
本申请实施例提供一种图片显示方法、装置及存储介质。
请参阅图1，图1为本申请实施例提供的图片显示系统的场景示意图，该图片显示系统可以包括本申请实施例提供的任一种图片显示装置，该图片显示装置具体可以集成在终端或服务器等计算机设备中，其中终端可以是手机、平板电脑、个人数字助理、穿戴式设备等各种具有操作系统、触摸屏和/或显示屏的硬件设备，服务器可以是单台服务器，也可以是由多个服务器组成的服务器集群。
以计算机设备为终端为例，该终端可以获取多张待处理图片、以及每一待处理图片的第一显示顺序；确定第一显示顺序中任意相邻的两张待处理图片之间的相似度；根据相似度对多张待处理图片进行分组，得到多个图片组；利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值；根据图片组和评分值对多张待处理图片进行显示。
其中，待处理图片可以是用户最近一段时间(如，最近一个月)使用终端的摄像机所拍摄的图片，或者，也可以是终端中图库或图片文件夹中的全部图片。第一显示顺序可以是通过按照生成时间或拍摄时间由晚到早的顺序对上述多张待处理图片进行排序后得到的。
譬如，如图1所示，当用户通过触屏方式打开终端中的图库时，终端会从图库中获取拍摄时间在最近一个月内的20张图片作为待处理图片、以及每一待处理图片的第一显示顺序，并计算第一显示顺序中任意相邻的两张待处理图片之间的相似度，之后根据该相似度对上述20张待处理图片进行分组，得到4个图片组1、2、3和4，并利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值，接着根据图片组1、2、3和4、以及评分值对上述20张待处理图片进行分组显示，并当接收到用户在显示界面上对显示的图片组(比如，图片组2)的触摸操作时，可以根据该触摸操作将对应图片组2中的待处理图片和待处理图片的评分值进行展开显示，以便于用户能够直接根据拍摄图片的评分值删掉具有明显缺点的图片。
如图2所示，图2是本申请实施例提供的图片显示方法的流程示意图，该图片显示方法具体流程可以如下：
S101.获取多张待处理图片、以及每一待处理图片的第一显示顺序。
其中，待处理图片可以是用户最近一段时间(比如，最近3天、一周、一个月或三个月)内使用终端的摄像机所拍摄的图片，并且该拍摄的图片可以保存在终端本地，也可以保存在云端相册中。在另一些实施例中，上述待处理图片还可以是终端中图库或图片文件夹中的全部图片。具体实施时，上述待处理图片的选取范围可以由用户根据自身需要进行预先设定。
在本实施例中，上述待处理图片的第一显示顺序可以是通过对上述多张待处理图片按照生成时间或拍摄时间由晚到早的顺序进行排序后得到的。具体地，在用户打开终端中的图库时，终端会被触发从本地图库或云端相册中获取多张待处理图片、以及每一待处理图片的第一显示顺序。
S102.确定第一显示顺序中任意相邻的两张待处理图片之间的相似度。
其中，第一显示顺序中相邻的两张待处理图片在拍摄时间或生成时间上相邻，相似度用于定量衡量两张待处理图像之间的相似程度。
在一个具体实施例中，如图3所示，上述S102可以具体包括：
S1021.获取每一待处理图片中像素点的颜色值。
在本实施例中，每一待处理图片的颜色可以均由红(R)、绿(G)和蓝(B)三原色构成，也即，每一待处理图片均为RGB图片，每一待处理图片中的像素点均具有R值、G值和B值三种颜色值，其中，R值、G值和B值的取值范围通常为0～255。
S1022.对颜色值进行量化处理，得到对应的量化颜色值。
在本实施例中，量化颜色值的取值范围可以为0～N，其中，N可以取4、6、8、36等大于零的整数，并且，每一量化颜色值均对应一取值区间，具体地，若像素点的颜色值落入其中一个取值区间，则可以将该取值区间所对应的量化颜色值作为像素点的颜色值所对应的量化颜色值。例如，当上述N等于3，也即上述量化颜色值的取值范围为0～3时，取值为0的量化颜色值可以对应第1取值区间0～63，取值为1的量化颜色值可以对应第2取值区间64～127，取值为2的量化颜色值可以对应第3取值区间128～191，取值为3的量化颜色值可以对应第4取值区间192～255，相应地，若一个像素点的R值、G值和B值依次为12、60和100，则该像素点的R值12和G值60均落入了上述第1取值区间，B值100落入了上述第2取值区间，从而得到该像素点的三种颜色值对应的量化颜色值组合(0，0，1)。如此，通过对像素点的颜色值进行量化处理，能够减少待处理图片的特征向量维度，从而减小比较两张待处理图片之间相似性的计算量。
S1023.根据量化颜色值确定对应待处理图片的特征向量。
在本实施例中，特征向量的维度可以由待处理图片中像素点的颜色值种类以及每种颜色值所对应的量化颜色值的取值范围决定，具体地，特征向量的维度一般为多个，当上述像素点具有多种颜色值时，与该像素点的多种颜色值一一对应的多个量化颜色值可以组合得到一个量化颜色值组合，并且，由于上述像素点的颜色值所对应的量化颜色值具有多种取值情况，故上述量化颜色值组合的种类也会为多种。进一步地，上述特征向量的维度个数可以与量化颜色值组合的种类数相同，且该特征向量的每一维度均代表其中一种量化颜色值组合，上述图片显示装置可以通过分别统计待处理图片中颜色值与各种量化颜色值组合对应的像素点的数量而得到对应特征向量的维度值。
具体举例而言，当上述待处理图片中的像素点具有R值、G值和B值三种颜色值时，上述图片显示装置可以将待处理图片中的每一像素点的三种颜色值所对应的三个量化颜色值组合得到对应的量化颜色值组合，并将量化颜色值组合相同的像素点归为一个像素点组，然后统计每一像素点组中像素点的数量，以得到对应特征向量的维度值。例如，若R值所对应的量化颜色值的取值范围为0～N1，G值所对应的量化颜色值的取值范围为0～N2，B值所对应的量化颜色值的取值范围为0～N3，则相应待处理图片的特征向量的维度个数为(N1+1)、(N2+1)和(N3+1)三者之乘积，能够反映像素点所对应的量化颜色值组合的种类总数，且该特征向量的每一维度均代表其中一种量化颜色值组合，比如，当N1、N2和N3均为3时，特征向量会具有64个维度，且这64个维度对应像素点的64种量化颜色值组合，也即(0，0，0)、(0，0，1)、(0，0，2)、(0，0，3)、(0，1，0)、(0，1，1)、(0，1，2)、(0，1，3)、...、(3，3，2)、(3，3，3)。进一步地，若待处理图片中颜色值与量化颜色值组合(0，0，0)对应的像素点的数量为789，则特征向量中与该量化颜色值组合(0，0，0)对应的维度可以被赋值为789，若待处理图片中颜色值与量化颜色值组合(0，0，1)对应的像素点的数量为230，则特征向量中与该量化颜色值组合(0，0，1)对应的维度可以被赋值为230，依次类推，在对特征向量的所有维度进行赋值之后，可以得到一个64维度的特征向量(789，230，...)。
S1024.根据第一显示顺序中任意相邻的两张待处理图片的特征向量计算对应的相似度。
其中，相似度(similarity)可以为余弦相似度cos(θ)，并可以根据以下公式计算得到：
其中，A和B分别代表两张待处理图片的特征向量，Ai和Bi分别代表特征向量A和B的各个维度值，上述cos(θ)的取值范围为-1～1，其中，cos(θ)的值越接近于1，表示两张待处理图片之间的相似性越好，当cos(θ)的值为1时，可以认为两张待处理图片为相同的图片。
S103.根据相似度对多张待处理图片进行分组，得到多个图片组。
其中，每个图片组中待处理图片的数量可以为一张或多张，当图片组中待处理图片的数量为多张时，该多张待处理图片中的拍摄物体会大致相同，且该多张待处理图片一般为用户使用终端的摄像头在一段时间内对同一场景进行多次拍摄得到的多张照片，该多张照片一般不完全相同，会存在拍摄角度和/或拍摄内容的差异。在本实施例中，基于表征待处理图片中颜色分布的上述特征向量计算得到的相似度，能够在对同一场景进行拍摄得到的两张待处理图片之间存在拍摄角度和/或拍摄内容的差异时仍可获得较好的图片分组结果。
并且，具体实施时，上述图片显示装置可以将相似度大于预设阈值的对应两张待处理图片归为一个图片组，得到多个图片组。其中，预设阈值可以通过人为经验而定，比如，0.8，在一些实施例中，上述预设阈值还可以通过一些自适应计算方法而决定，以实现对相似且在第一显示顺序中相邻的两张待处理图片的准确分组。
S104.利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值。
在本实施例中，对待处理图片进行评分可以包括对待处理图片的质量和美感进行评价，也即，评分值是对待处理图片的质量和美感的量化，具体地，对待处理图片的质量进行评价可以包括对待处理图片的噪音、模糊、失真、曝光等问题进行评价，对待处理图片的美感进行评价可以包括提取待处理图像中与情感和美感相关的语义层次特征，并基于对该语义层次特征对待处理图片的美感进行评价。具体实施时，上述图片显示装置可以将待评分的待处理图片输入已训练的图片评分模型，以得到对应的评分值，其中，评分值的取值范围可以为1～10，10是最高分，分值越高，说明图片质量越高。另外，上述S104不仅可以在上述S103之后，还可以在上述S102和/或S103之前，或者，也可以与上述S102和/或S103并列。
在一个具体实施例中，为了得到上述已训练的图片评分模型，在上述S104之前，还可以包括：
步骤A.获取第一图片样本集、以及第一图片样本集中每一图片样本的分类标注。
具体地，第一图片样本集可以为ImageNet数据集，且上述图片显示装置可以从ImageNet数据集官网上下载得到该ImageNet数据集。其中，ImageNet数据集是按照WordNet层次结构组织的图像数据集，WordNet是一个包含英文同义词组的大型数据库，包含大约10万个单词，上述ImageNet数据集平均提供了大约1000个图像来说明每个单词，包括大约150万张图片，且每张图片均具有多个边界框和相应的分类标注(比如，狗、草莓、人脸等)。
步骤B.利用第一图片样本集和分类标注对预设的神经网络进行初步训练。
在本实施例中，上述图片评分模型可以是通过预设的神经网络训练得到的，并且，在预设的神经网络具有对图片进行评分的功能之前，会先利用上述第一图片样本集中所有图片样本和分类标注对该神经网络进行初步训练，以使得已初步训练的神经网络具有对图片的颜色、结构和层次进行识别的功能。
在一些具体实施例中，上述神经网络可以为卷积神经网络，其中，该卷积神经网络可以具体为101层残差网络(Resnet-101)、152层残差网络(Resnet-152)或网络层数更高的密集连接式卷积神经网络(DenseNet)，并且，上述图片显示装置可以将在第一图片样本集上训练得到的目标分类结果作为卷积神经网络的预训练权重，从而得到已初步训练的卷积神经网络。
步骤C.获取第二图片样本集、以及第二图片样本集中每一图片样本的评分标注。
具体地，第二图片样本集可以为AVA数据集，且上述图片显示装置可以从AVA数据集官网上下载得到该AVA数据集。其中，AVA数据集是一个美学质量评估数据库，包括25.5万张图片，每张图片均被大约200个熟练的摄影师评分过，从而每张图片均具有一系列的评分标注。
步骤D.利用第二图片样本集和评分标注对已初步训练的神经网络进行训练，并将训练得到神经网络作为图片评分模型。
具体地，上述图片显示装置可以利用上述第二图片样本集中所有图片样本和评分标注对已初步训练的神经网络进行训练，以使训练得到的神经网络具有对图片进行评分的功能。
如此，在第一图片样本集和第二图片样本集上训练得到图片评分模型，与仅在第二图片样本集上训练得到图片评分模型相比，能够更加准确地对图片进行评分。
例如，参考图4，以上述神经网络为残差网络Resnet-101为例，可以将在ImageNet数据集上训练得到的目标分类结果作为网络预训练权重，之后再在AVA数据集上进行图像评分训练。并且，该Resnet-101网络模型的最后一层可以为有10(对应下方损失函数中的N)个神经元的全连接层，并接softmax(归一化指数函数)输出图片获得1～10分的概率，其中，上述Resnet-101网络模型的损失函数可以为EMD(Earth Mover's Distance，推土机距离)，用于度量两个概率分布之间的差异，并可以根据以下公式计算得到：
其中，p表示AVA数据集上来自用户真实评分的概率分布，例如，1万个人100个人给了3分，则3分对应的概率为0.1，表示经过上述Resnet-101网络模型输出的概率，k表示第几个分数，CDFp(k)和/>是累积分布函数，也就是预测评分的概率的累加值，而不是独立的预测获得每一个评分的概率，以此代替概率分布，N表示有多少种分数，在AVA数据集中，N表示10，也即图片总共可获得1～10十种分数。
具体地，上述终端可通过已训练的Resnet-101网络模型计算图片的评分值，且该评分值的计算公式可以如下：
其中，μ表示计算得到的平均分，也就是图片的评分值，si表示第i个分数，si＝i，例如，第5个输出结果分数为5，N表示有多少种分数，在AVA数据集中，N表示10，图片总共可获得1～10分十种分数，表示经过上述Resnet-101网络模型输出的第i个分数的概率。
S105.根据图片组和评分值对多张待处理图片进行显示。
其中，如图3所示，上述S105可以具体包括：
S1051.确定每个图片组的封面图和第二显示顺序。
其中，每个图片组的封面图可以是对应图片组中第一显示顺序排在第一位或评分值最高的待处理图片。在本实施例中，由于每个图片组中所有待处理图片的第一显示顺序是连在一起的，故上述图片显示装置可以基于每个图片组中待处理图片的第一显示顺序确定对应图片组的第二显示顺序，其中，第二显示顺序中排在前面的图片组中所有待处理图片的第一显示顺序均先于第二显示顺序中排在后面的图片组中所有待处理图片的第一显示顺序，例如，若上述多种待处理图片在上述S103中被分成了四个图片组1、2、3和4(如图5所示)，其中，图片组1中包括第一显示顺序相邻的四张待处理图片1至4，这四张待处理图片的第一显示顺序依次为第1、第2、第3和第4，图片组2中包括第一显示顺序相邻的七张待处理图片5至11，这七张待处理图片的第一显示顺序依次为第5、第6、第7、第8、第9、第10和第11，图片组3中包括第一显示顺序相邻的四张待处理图片12至15，这四张待处理图片的第一显示顺序依次为第12、第13、第14和第15，图片组4中包括第一显示顺序相邻的五张待处理图片16至20，这五张待处理图片的第一显示顺序依次为第16、第17、第18、第19和第20，则可以根据图片组1、2、3和4中待处理图片的第一显示顺序确定图片组1、2、3和4的第二显示顺序依次为第1、第2、第3和第4。
S1052.根据封面图将对应图片组进行折叠，得到折叠图片组。
其中，图片组的封面图位于折叠得到的折叠图片组的最上方，当图片组的封面图为该图片组中第一显示顺序排在第一位的待处理图片时，上述图片显示装置可以按照第一显示顺序对图片组中所有待处理图片由下至上进行折叠，当图片组的封面图为该图片组中评分值最高的待处理图片，上述图片显示装置可以按照评分值由高到低的顺序对图片组中所有待处理图片由下至上进行折叠。接上一例子，如图5和图6所示，当四个图片组1、2、3和4的封面图分别为四个图片组1、2、3和4中第一显示顺序排在第一位的待处理图片1、5、12和16时，在对这四个图片组1、2、3和4进行折叠后会对应得到四个折叠图片组11、22、33和44。
S1053.根据第二显示顺序在主显示界面上对折叠图片组进行显示。
具体地，上述图片显示装置可以根据第二显示顺序在终端的主显示界面上从左至右，从上至下地对上述折叠图片组进行显示，接上一例子，上述折叠图片组11、22、33和44在主显示界面A上的显示效果可以如图7中所示。如此，通过对拍摄时间或生成时间上相邻的相似待处理图片进行分组以及折叠显示，能够在终端的显示界面上单次显示更多不同场景的拍摄图片，从而提高用户管理图片的效率。
在一个具体实施例中，在上述S1053之后，还可以包括：
S1054.触发进入用户选定的折叠图片组的展开显示界面，展开显示界面用于对选定的折叠图片组中的待处理图片、以及待处理图片的评分值进行展示。
具体地，如图7所示，当用户在上述折叠图片组11、22、33和44的主显示界面A上进行触摸操作(比如，单击触摸操作)时，上述图片显示装置可以在该触摸操作的触摸位置落入某一折叠图片组(比如，折叠图片组22)的显示区域中时，将该折叠图片组22作为用户选定的折叠图片组，并触发进入用户选定的折叠图片组的展开显示界面B，其中，折叠图片组22中的七张待处理图片5至11在展开显示界面B上可以按照与上述S1052中折叠形成该折叠图片组22的折叠顺序相反的顺序从左至右，从上之下排列展开。
在本实施例中，如图7所示，在上述展开显示界面B上评分值2、5、5、7、9、9和10的显示区域可以与对应待处理图片5至11的显示区域相邻(比如，位于对应待处理图片的显示区域下方)或至少部分重叠。如此，通过在上述展开显示界面上对折叠图片组中的待处理图片和待处理图片的评分值进行同时显示，使得用户能够根据评分值比较快速地锁定具有明显缺点的待处理图片，进而提高用户管理终端中相册图片的效率。
在另一个具体实施例中，在上述S105之前，还可以包括：
S106.将评分值低于预设评分值的对应待处理图片进行移除。
其中，在得到上述待处理图片的评分值之后，上述图片显示装置可以直接将评分值较低(比如，评分值为1、2、3)的待处理图片删掉或移动至指定文件夹。如此，能够减少用户管理拍摄照片的工作量，并且用户还可以根据需要从上述指定文件夹中找回误删的待处理图片。
具体地，上述S106可以在上述S102之前，并且，当上述S106在上述S102之前时，上述S102可以具体包括：确定第一显示顺序中任意相邻的未被移除的两张待处理图片之间的相似度。进一步地，上述S105可以具体包括：根据图片组和评分值对未被移除的待处理图片进行显示，具体地，在对未被移除的待处理图片进行分组之后，上述图片显示装置可以接着根据分组得到的图片组以及图片组每一待处理图片的评分值对该未被移除的待处理图片进行显示。
在一些实施例中，可以将图片组以及每一待处理图片的评分值存储到区块链中，以方便后续信息的提取存储，如图8所示，上述计算机设备可以为分布式系统100中的一个节点200，其中，该分布式系统100可以为区块链系统，该区块链系统100可以是由多个节点200通过网络通信的形式连接形成的分布式系统，节点200之间可以组成点对点(P2P，PeerTo Peer)网络，任意形式的计算机设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统100中的一个节点200，其中，区块链包括一系列按照产生的先后时间顺序相互接续的区块(Block)，新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统100中节点200提交的记录数据。
由上可知，本实施例提供的图片显示方法，通过获取多张待处理图片、以及每一待处理图片的第一显示顺序，并确定第一显示顺序中任意相邻的两张待处理图片之间的相似度，然后根据相似度对多张待处理图片进行分组，得到多个图片组，并利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值，之后根据图片组和评分值对多张待处理图片进行显示，从而，在用户挑选拍摄的图片进行删除操作时，能够直接根据拍摄图片的评分值删掉具有明显缺点的照片，而无需用户逐张查看每一拍摄图片，有利于减少用户管理终端相册图片的耗时及体力消耗。
如图9所示，图9是本申请实施例提供的图片显示方法的另一流程示意图，该图片显示方法具体流程可以如下：
S201.获取多张待处理图片、以及每一待处理图片的第一显示顺序。
S202.确定第一显示顺序中任意相邻的两张待处理图片之间的相似度。
S203.根据第一显示顺序中任意相邻的两张待处理图片的特征向量计算对应的相似度。
S204.利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值。
S205.确定每个图片组的封面图和第二显示顺序。
S206.根据封面图将对应图片组进行折叠，得到折叠图片组。
S207.根据第二显示顺序在主显示界面上对折叠图片组进行显示。
S208.触发进入用户选定的折叠图片组的展开显示界面，展开显示界面用于对选定的折叠图片组中的待处理图片、以及待处理图片的评分值进行展示。
需要说明的是，本实施例中的S201～S208的具体实施例方式可以参见上一方法实施例中S101～S104、以及S1051～S1054的具体实施方式，故在此不再赘述。
S209.接收用户在展开显示界面上的选择操作信息。
其中，选择操作信息用于触发上述图片显示装置对选定的待处理图片执行删除或分享等图像处理操作。并且，考虑到用户选择删掉的待处理图片一般都是用户不喜欢或不满意的待处理图片，而用户选择分享的待处理图片一般都是用户喜欢或满意的待处理图片，故上述选择操作信息能够在一定程度上反应用户的图片审美习惯。
S210.根据选择操作信息从选定的折叠图片组中确定目标图片，并对目标图片的评分值进行调整。
具体地，可以基于不同选择操作信息与目标评分值之间的一一对应关系预先建立数据表，其中，当上述选择操作信息用于触发上述图片显示装置对选定的待处理图片执行删除操作时，该选择操作信息对应的目标评分值可以为最低评分值1，当上述选择操作信息用于触发上述图片显示装置对选定的待处理图片执行分享操作时，该选择操作信息对应的目标评分值可以为最高评分值10，接着上述图片处理装置可以基于选择操作信息从该数据库中查询得到对应目标图片(也即，选定的待处理图片)的目标评分值，并利用该目标评分值对相应目标图片的评分值进行更新，以使目标图片调整后的评分值能够更贴近用户的图片审美习惯。
S211.利用目标图片和调整后的评分值对图片评分模型进行更新。
在本实施例中，通过利用目标图片和目标图片调整后的评分值对上述已训练的模型进行再训练，以使得图片评分模型的图片评分结果能够更好地反应用户对图片的审美习惯。
由上可知，本实施例提供的图片显示方法，在用户挑选拍摄的图片进行删除操作时，能够直接根据拍摄图片的评分值删掉具有明显缺点的照片，而无需用户逐张查看每一拍摄图片，有利于减少用户管理终端相册图片的耗时及体力消耗。
在上述实施例所述方法的基础上，本实施例将从图片显示装置的角度进一步进行描述，请参阅图10，图10具体描述了本申请实施例提供的图片显示装置，其可以包括：获取模块610、确定模块620、分组模块630、评分模块640和显示模块650，其中：
(1)获取模块610
获取模块610，用于获取多张待处理图片、以及每一待处理图片的第一显示顺序。
(2)确定模块620
确定模块620，用于确定第一显示顺序中任意相邻的两张待处理图片之间的相似度。在一个具体实施例中，上述确定模块620包括：
获取单元，用于获取每一待处理图片中像素点的颜色值。
量化单元，用于对颜色值进行量化处理，得到对应的量化颜色值。
第一确定单元，用于根据量化颜色值确定对应待处理图片的特征向量。
计算单元，用于根据第一显示顺序中任意相邻的两张待处理图片的特征向量计算对应的相似度。
(3)分组模块630
分组模块630，用于根据相似度对多张待处理图片进行分组，得到多个图片组。并且，具体实施时，上述分组模块630可以将相似度大于预设阈值的对应两张待处理图片归为一个图片组，得到多个图片组。
(4)评分模块640
评分模块640，用于利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值。
在一个具体实施例中，为了得到上述已训练的图片评分模型，上述评分模块640还可以用于获取第一图片样本集、以及第一图片样本集中每一图片样本的分类标注；利用第一图片样本集和分类标注对预设的神经网络进行初步训练；获取第二图片样本集、以及第二图片样本集中每一图片样本的评分标注；利用第二图片样本集和评分标注对已初步训练的神经网络进行训练，并将训练得到神经网络作为图片评分模型。
(5)显示模块650
显示模块650，用于根据图片组和评分值对多张待处理图片进行显示。
在一个实施例中，上述显示模块650包括：
第二确定单元，用于确定每个图片组的封面图和第二显示顺序。
折叠单元，用于根据封面图将对应图片组进行折叠，得到折叠图片组。
显示单元，用于根据第二显示顺序在主显示界面对折叠图片组进行显示。
在一个具体实施例中，上述显示模块650还可以包括：
触发模块，用于触发进入用户选定的折叠图片组的展开显示界面，展开显示界面用于对选定的折叠图片组中的待处理图片、以及待处理图片的评分值进行展示。
在另一个实施例中，上述图片显示装置还可以包括：接收模块660、调整模块670、更新模块680，其中：
(6)接收模块660
接收模块660，用于接收用户在展开显示界面上的选择操作信息。
(7)调整模块670
调整模块670，用于根据选择操作信息从选定的折叠图片组中确定目标图片，并对目标图片的评分值进行调整。
(8)更新模块680
更新模块680，用于利用目标图片和调整后的评分值对图片评分模型进行更新。
在另一个具体实施例中，上述图片显示装置还可以包括移除模块690，其中：
(9)移除模块690
移除模块690，用于将评分值低于预设评分值的对应待处理图片进行移除。
进一步地，上述确定模块620可以具体用于：确定第一显示顺序中任意相邻的未被移除的两张待处理图片之间的相似度。另外，上述显示模块650可以具体用于：根据图片组和评分值对未被移除的待处理图片进行显示，具体地，在对未被移除的待处理图片进行分组之后，上述显示模块650可以接着根据分组得到的图片组以及图片组每一待处理图片的评分值对该未被移除的待处理图片进行显示。
具体实施时，以上各个子单元、单元和模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个子单元、单元和模块的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例提供的图片显示装置，通过获取多张待处理图片、以及每一待处理图片的第一显示顺序，并确定第一显示顺序中任意相邻的两张待处理图片之间的相似度，然后根据相似度对多张待处理图片进行分组，得到多个图片组，并利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值，之后根据图片组和评分值对多张待处理图片进行显示，从而，在用户挑选拍摄的图片进行删除操作时，能够直接根据拍摄图片的评分值删掉具有明显缺点的照片，而无需用户逐张查看每一拍摄图片，有利于减少用户管理终端相册图片的耗时及体力消耗。
相应的，本申请实施例还提供一种计算机设备，该计算机设备可以为终端或者服务器等设备，如图11所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(Radio Frequency，RF)电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图11中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
RF电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理；另外，将涉及上行的数据发送给基站。通常，RF电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路403还可以通过无线通信与网络和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobilecommunication)、通用分组无线服务(GPRS，General Packet Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband CodeDivision Multiple Access)、长期演进(LTE，Long Term Evolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
计算机设备还包括给各个部件供电的电源404(比如电池)，优选的，电源404可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元405可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元405还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
该计算机设备还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图11中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
尽管未示出，计算机设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取多张待处理图片、以及每一待处理图片的第一显示顺序；
确定第一显示顺序中任意相邻的两张待处理图片之间的相似度；
根据相似度对多张待处理图片进行分组，得到多个图片组；
利用已训练的图片评分模型，对每一待处理图片进行评分，得到对应的评分值；
根据图片组和评分值对多张待处理图片进行显示。
该计算机设备可以实现本申请实施例所提供的任一种图片显示装置所能实现的有效效果，详见前面的实施例，在此不再赘述。
在一些实施例中，如图8所示，上述计算机设备可以是分布式系统100中的一个节点200，其中，该分布式系统100可以为区块链系统，该区块链系统100可以是由多个节点200通过网络通信的形式连接形成的分布式系统。其中，节点200之间可以组成点对点(P2P，Peer To Peer)网络，任意形式的计算机设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统100中的一个节点200。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例所提供的一种图片显示方法、装置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 (9)

1.一种图片显示方法，其特征在于，包括：
获取多张待处理图片、以及每一所述待处理图片的第一显示顺序；
确定所述第一显示顺序中任意相邻的两张所述待处理图片之间的相似度；
根据所述相似度对所述多张待处理图片进行分组，得到多个图片组；
利用已训练的图片评分模型，对每一所述待处理图片进行评分，得到对应的评分值；
根据所述图片组和所述评分值对所述多张待处理图片进行显示，所述根据所述图片组和所述评分值对所述多张待处理图片进行显示，具体包括：
确定每个所述图片组的封面图和第二显示顺序；
根据所述封面图将对应图片组进行折叠，得到折叠图片组；其中，包括：若所述封面图为对应图片组中生成时间或拍摄时间最晚的待处理图片，则所述图片组中所有待处理图片按照生成时间或拍摄时间由晚到早的顺序进行折叠；若所述封面图为对应图片组中评分值最高的待处理图片，则所述图片组中所有待处理图片按照评分值由高到低的顺序进行折叠；
根据所述第二显示顺序在主显示界面上对所述折叠图片组进行显示。
2.根据权利要求1所述的图片显示方法，其特征在于，所述确定所述第一显示顺序中任意相邻的两张所述待处理图片之间的相似度，具体包括：
获取每一所述待处理图片中像素点的颜色值；
对所述颜色值进行量化处理，得到对应的量化颜色值；
根据所述量化颜色值确定对应待处理图片的特征向量；
根据所述第一显示顺序中任意相邻的两张所述待处理图片的特征向量计算对应的相似度。
3.根据权利要求2所述的图片显示方法，其特征在于，所述根据所述相似度对所述多张待处理图片进行分组，得到多个图片组，具体包括：
将所述相似度大于预设阈值的对应两张所述待处理图片归为一个图片组，得到多个图片组。
4.根据权利要求1所述的图片显示方法，其特征在于，在根据所述第二显示顺序在主显示界面上对所述折叠图片组进行显示之后，还包括：
触发进入用户选定的所述折叠图片组的展开显示界面，所述展开显示界面用于对选定的所述折叠图片组中的所述待处理图片、以及所述待处理图片的评分值进行展示。
5.根据权利要求4所述的图片显示方法，其特征在于，在所述触发进入用户选定的所述折叠图片组的展开显示界面之后，还包括：
接收用户在所述展开显示界面上的选择操作信息；
根据所述选择操作信息从选定的所述折叠图片组中确定目标图片，并对所述目标图片的评分值进行调整；
利用所述目标图片和调整后的所述评分值对所述图片评分模型进行更新。
6.根据权利要求1所述的图片显示方法，其特征在于，在所述根据所述图片组和所述评分值对所述多张待处理图片进行显示之前，还包括：
将所述评分值低于预设评分值的对应待处理图片进行移除；
所述根据所述图片组和所述评分值对所述多张待处理图片进行显示，具体包括：
根据所述图片组和所述评分值对未被移除的所述待处理图片进行显示。
7.根据权利要求1所述的图片显示方法，其特征在于，在所述利用已训练的图片评分模型，对每一所述待处理图片进行评分之前，还包括：
获取第一图片样本集、以及所述第一图片样本集中每一图片样本的分类标注；
利用所述第一图片样本集和所述分类标注对预设的神经网络进行初步训练；
获取第二图片样本集、以及所述第二图片样本集中每一图片样本的评分标注；
利用所述第二图片样本集和所述评分标注对已初步训练的所述神经网络进行训练，并将训练得到所述神经网络作为图片评分模型。
8.一种图片显示装置，其特征在于，包括：
获取模块，用于获取多张待处理图片、以及每一所述待处理图片的第一显示顺序；
确定模块，用于确定所述第一显示顺序中任意相邻的两张所述待处理图片之间的相似度；
分组模块，用于根据所述相似度对所述多张待处理图片进行分组，得到多个图片组；
评分模块，用于利用已训练的图片评分模型，对每一所述待处理图片进行评分，得到对应的评分值；
显示模块，用于根据所述图片组和所述评分值对所述多张待处理图片进行显示；所述显示模块具体用于：确定每个所述图片组的封面图和第二显示顺序；根据所述封面图将对应图片组进行折叠，得到折叠图片组；其中，包括：若所述封面图为对应图片组中生成时间或拍摄时间最晚的待处理图片，则所述图片组中所有待处理图片按照生成时间或拍摄时间由晚到早的顺序进行折叠；若所述封面图为对应图片组中评分值最高的待处理图片，则所述图片组中所有待处理图片按照评分值由高到低的顺序进行折叠；根据所述第二显示顺序在主显示界面上对所述折叠图片组进行显示。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至7任一项所述的图片显示方法。
CN202010114827.0A 2020-02-25 2020-02-25 图片显示方法、装置及存储介质 Active CN111353063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010114827.0A CN111353063B (zh) 2020-02-25 2020-02-25 图片显示方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010114827.0A CN111353063B (zh) 2020-02-25 2020-02-25 图片显示方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111353063A CN111353063A (zh) 2020-06-30
CN111353063B true CN111353063B (zh) 2023-08-15

Family

ID=71195771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010114827.0A Active CN111353063B (zh) 2020-02-25 2020-02-25 图片显示方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111353063B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529864A (zh) * 2020-12-07 2021-03-19 维沃移动通信有限公司 图片处理方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528879A (zh) * 2016-12-14 2017-03-22 北京小米移动软件有限公司 图片处理方法及装置
CN110795579A (zh) * 2019-10-29 2020-02-14 Oppo广东移动通信有限公司 图片清理方法、装置、终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127246B2 (en) * 2016-08-16 2018-11-13 Microsoft Technology Licensing, Llc Automatic grouping based handling of similar photos

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528879A (zh) * 2016-12-14 2017-03-22 北京小米移动软件有限公司 图片处理方法及装置
CN110795579A (zh) * 2019-10-29 2020-02-14 Oppo广东移动通信有限公司 图片清理方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN111353063A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
WO2021057848A1 (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN111368893B (zh) 图像识别方法、装置、电子设备及存储介质
CN111368934B (zh) 图像识别模型训练方法、图像识别方法以及相关装置
CN106547744B (zh) 一种图像检索方法及系统
WO2022121485A1 (zh) 图像的多标签分类方法、装置、计算机设备及存储介质
CN107993191A (zh) 一种图像处理方法和装置
CN104572735B (zh) 一种图片标注词推荐方法及装置
WO2018233480A1 (zh) 照片推荐方法及相关产品
CN111340131A (zh) 图像的标注方法、装置、可读介质和电子设备
CN105072337A (zh) 图片处理方法及装置
CN107871000B (zh) 音频播放方法、装置、存储介质及电子设备
CN108875797A (zh) 一种确定图像相似度的方法、相册管理方法及相关设备
CN111598176B (zh) 一种图像匹配处理方法及装置
CN111737520B (zh) 一种视频分类方法、视频分类装置、电子设备及存储介质
CN110533693A (zh) 一种目标跟踪方法及目标跟踪装置
US10212363B2 (en) Picture processing method and electronic device
CN107977463A (zh) 图片处理方法、装置、存储介质及终端
CN111353063B (zh) 图片显示方法、装置及存储介质
US20190364196A1 (en) Method and Apparatus for Generating Shot Information
CN108924439B (zh) 图像处理方法及相关产品
WO2021185184A1 (zh) 内容推荐方法、装置、电子设备和存储介质
CN111191065B (zh) 一种同源图像确定方法及装置
CN110866114B (zh) 对象行为的识别方法、装置及终端设备
CN108287873A (zh) 数据处理方法及相关产品
CN111078998A (zh) 信息检索方法、装置、存储介质及服务器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40024393

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant