CN111767424A - 图像处理方法、装置、电子设备及计算机存储介质 - Google Patents
图像处理方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111767424A CN111767424A CN202010912208.6A CN202010912208A CN111767424A CN 111767424 A CN111767424 A CN 111767424A CN 202010912208 A CN202010912208 A CN 202010912208A CN 111767424 A CN111767424 A CN 111767424A
- Authority
- CN
- China
- Prior art keywords
- topic
- user
- target
- data model
- image
- 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.)
- Granted
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
- G06F16/58—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
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种图像处理方法、装置、电子设备及计算机存储介质,该图像处理方法包括:获取目标用户的题目图像,题目图像包括至少一个题目;对题目图像中至少一个题目进行分析,得到每道题目的题目特征;根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目,个人数据模型记录有目标用户对题目图像中的题目进行选择时的倾向因子。本申请中在整个获取题目的过程中,不需要用户手动干涉选题,只需要获取题目图像,通过对题目图像中的至少一个题目进行分析,得到题目特征,并结合个人数据模型从题目图像中得到用户想要的至少一个题目,操作便捷,提高了用户获取题目的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种图像处理方法、装置、电子设备及计算机存储介质。
背景技术
随着互联网技术的不断发展,当用户在阅读书籍或者学生在学习等过程中,如果遇到需要搜索的题目,可以手动输入该需要搜索的题目进行搜索,或者对需要搜索的题目进行拍照搜题。由于拍照搜题比手动输入题目再进行搜索更加方便,因此,拍照搜题越来越受到用户的喜爱。
目前的拍照搜题是通过操作拍摄装置(例如相机)进入拍摄页面,点击拍摄,进入预览页面,手动选取剪切位置,点击识别,得到题目结果。
然而,在拍摄题目时,需要用户通过人工干涉题目的预览页面,手动调整选取框,从而得到想要搜索的题目,操作复杂,效率低。
发明内容
有鉴于此,本申请实施例提供一种图像处理方法、装置、电子设备及计算机存储介质,用以克服现有技术中在拍照搜题时需要通过人工手动干涉导致的操作复杂、降低用户获取题目效率的缺陷。
第一方面,本申请实施例提供了一种图像处理方法,所述方法包括:
获取目标用户的题目图像,所述题目图像包括至少一个题目;
对所述题目图像中至少一个题目进行分析,得到每道题目的题目特征;
根据所述每道题目的题目特征和所述目标用户对应的个人数据模型从所述题目图像中确定所述目标用户的至少一个目标题目,所述个人数据模型记录有所述目标用户对所述题目图像中的题目进行选择时的倾向因子。
第二方面,本申请实施例提供了一种图像处理装置,所述装置包括:获取模块,分析模块,确定模块,目标题目确定模块;
获取模块,所述获取模块用于获取目标用户的题目图像,所述题目图像包括至少一个题目;
分析模块,所述分析模块用于对所述题目图像中至少一个题目进行分析,得到每道题目的题目特征;
目标题目确定模块,所述目标题目确定模块用于根据所述每道题目的题目特征和所述目标用户对应的个人数据模型从所述题目图像中确定所述目标用户的至少一个目标题目,所述个人数据模型记录有所述目标用户对所述题目图像中的题目进行选择时的倾向因子。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一个可执行指令,所述可执行指令使所述处理器执行如第一方面或第一方面的任意一个实施例中所述的图像处理方法对应的操作。
第四方面,本申请实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面或第一方面的任意一个实施例中所述的图像处理方法。
本申请实施例提供了一种图像处理方法、装置、电子设备及计算机存储介质,该图像处理方法包括:获取目标用户的题目图像,题目图像包括至少一个题目;对题目图像中至少一个题目进行分析,得到每道题目的题目特征;根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目,个人数据模型记录有目标用户对题目图像中的题目进行选择时的倾向因子。本申请中在整个获取题目的过程中,不需要用户手动干涉选题,只需要获取题目图像,通过对题目图像中的至少一个题目进行分析,得到题目特征,并结合个人数据模型从题目图像中得到用户想要的至少一个题目,操作便捷,提高了用户获取题目的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像处理方法的流程图;
图2为本申请实施例提供的一种图像处理方法应用场景示意图;
图3为本申请实施例提供的一种用户意图的展示界面示意图;
图4A为本申请实施例提供的另一种用户意图的展示界面示意图;
图4B为本申请实施例提供的再一种用户意图的展示界面示意图;
图4C为本申请实施例提供的又一种用户意图的展示界面示意图;
图4D为本申请实施例提供的又一种用户意图的展示界面示意图;
图5为本申请实施例提供的一种建立典型用户数据模型的流程图;
图6为本申请实施例提供的一种图像处理装置的结构框图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,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,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
需要说明的是,本申请中的目标只是为了表示单数概念,而不用于限制,不是特指某一个,例如,目标用户指的是任意一个用户,目标题目是指用户所要搜素的任意一个题目;本申请中多个指两个及两个以上,例如,多个用户的用户信息样本。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
实施例一、
本申请实施例一提供一种图像处理方法,如图1所示,图1为本申请实施例提供的一种图像处理方法的流程图,该图像处理方法包括以下步骤:
步骤101、获取目标用户的题目图像。
其中,题目图像中包括至少一个题目。
需要说明的是,本申请中题目表示一道习题,可以但不限于是考试中的考题、日常练习题等;题目图像表示包含有至少一个题目的图像,该题目图像可以来自但不限于作业、试卷、教案、课本、习题册等;题目图像是指由某一用户通过图像采集操作得到的图像,对此本申请实施例不做限制。
如图2所示,以拍照搜题的场景为例,图2为本申请实施例提供的一种图像处理方法应用场景示意图,该应用场景中包括运行拍照搜题软件的至少一个客户端21以及服务端22,每个客户端21都可以和服务端22进行通信连接,客户端21可以是手机、平板电脑、学习机、笔记本电脑、超级移动个人计算机、上网本、智能穿戴设备、个人数字助理等具有拍照、数据传输功能的终端设备。用户使用拍照搜题软件调用客户端21的摄像头进行拍照,获取包括至少一个所要搜索题目的题目图像,通过客户端21将题目图像发送到服务端22,服务端22接收包括至少一个题目的题目图像,并对题目图像进行分析,从而得到用户想要的题目。需要说明的是,本申请提供的一种图像处理方法可以应用于多种搜题的场景,包括但不限于拍照搜题、图片搜题等,对此本申请不做限制。示例的,学生在学习过程中,想要查询或纠错某一页中题目A的答案,该页中不仅包括题目A,还包括题目B、题目C、题目D,打开具有拍摄功能的移动终端对作业进行拍摄,点击拍摄按钮对该页进行拍照,当然,也可以是点击屏幕中任意位置对该页进行拍摄,上传拍搜系统,或者直接打开拍搜系统中的拍摄界面对该页进行拍摄,对拍摄得到的题目图像进行处理后,可以得到学生想要搜索的题目A,在整个拍照搜题的过程中,仅需要学生提供一张图像,就可以搜索到学生想要的题目,操作便捷,提高了获取题目的效率。
步骤102、对题目图像中至少一个题目进行分析,得到每道题目的题目特征。
本申请实施例可以对题目图像中所有题目的构成因素进行分析,得到每道题目的题目特征;或者,可选的,还可以在对题目的构成因素分析之前,对获取的至少一个题目进行处理,过滤掉一些明显不符合要求的题目,例如,完整度较低的题目,清晰度较低的题目等,再对题目图像中至少一个题目的构成因素进行分析,得到每道题目的题目特征。对题目的构成因素进行分析,得到题目的题目特征,题目的题目特征包括但不限于题目的可读性、题目在图片中的位置、学科、题目所属的地区、题目题型、难易程度等。其中,题目在图片中的位置也就是题目在题目图像中的位置,其中,题目的可读性可以包括但不限于清晰度、完整度、题目倾斜角度等,某一题目越清晰或越完整或题目倾斜角度越小,表示用户想要搜索的概率越大;题目会位于图片中的上半部分、中间部分、下半部分等位置,一般的,题目在图片中的位置越在正中间,表示用户想要搜索的概率越大;题目题型包括但不限于填空题、选择题、解答题;每个地区所使用的教案、试题等都有所不同,例如高考时自主命题的省份和全国统一之间的题目风格会存在很大差异;本申请中题目的题目特征能够影响用户想要搜索题目的概率。
步骤103、根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目。
其中,个人数据模型记录有目标用户对题目图像中的题目进行选择时的倾向因子。
本申请实施例中的个人数据模型用于获取目标用户对每道题目的进行选择时的倾向因子,倾向因子表示目标用户在选择目标题目时的个人习惯,个人数据模型是与目标用户相匹配的,目标用户对每道题目的进行选择时的倾向因子,也就是目标用户在选择题目图像中目标题目的个人习惯,在此以拍搜习惯表示目标用户在拍搜题目时的个人习惯,拍搜习惯包括但不限于在拍搜题目时在题型、难易程度、所属地区、学科、拍搜题目数量、图片中的位置、可读性等方面的倾向性。示例的,用户经常拍搜选择题类型的题目,用户经常拍搜难度系数高的题目,用户经常拍搜北京地区的题目,用户经常拍搜数学科目的题目,用户经常拍搜同一图片中的多道题目,用户拍搜的题目经常位于图片中的上半部分,用户经常拍搜的题目完整度比较高,用户经常拍搜的题目会倾斜某一角度,也就是说,拍搜习惯反映了用户想要搜索某一道题目。
本申请实施例通过对每道题目的构成因素进行分析,得到每道题目的题目特征,该题目特征包括但不限于题目的可读性、题目在图片中的位置、学科、题目所属的地区、题目题型、难易程度等;个人数据模型是与目标用户相匹配,根据个人数据模型可以获取目标用户选择每道题目的倾向因子,倾向因子表示目标用户在选择目标题目的个人习惯,包括但不限于在拍搜题目时倾向的题型、难易程度、所属地区、学科、题目数量、在图片中的位置、可读性等,根据每道题目的题目特征和目标用户的个人数据模型,确定目标用户想要搜索题目,提高了从题目图像中得到至少一个目标题目的准确性。
在此,以用户意图表示从题目图像中确定的用户想要搜索题目为例进行说明,用户意图包括用户想要搜索的题目所在的位置和数量,题目所在的位置可以是题目的坐标信息,题目的位置编号等,如图3所示,图3为本申请实施例提供的一种用户意图的展示界面示意图,图3中以用户意图展示在手机界面为例进行说明,可以理解的是,用户意图也可以展示在其他终端设备的界面上。用户意图包括题目所在的位置,用一个框表示一个题目,题目的坐标信息可以是题目的四条边的坐标,也可以是题目的四个点的坐标;整个图片上有5个题目,题目的位置编号可以是1、2、3、4、5,或者题目A、题目B、题目C、题目D、题目E,对此本申请实施例不做限制,只要是能表示题目所在的位置都在本申请的保护范围之内。用户意图还包括题目数量有两个,如图3所示,以两个框示出,第2个题目(题目B)和第3个题目(题目C)。在得到用户意图之后,本申请实施例根据用户意图从题目图像中得到至少一个目标题目,示例的,可以是根据用户意图对题目图像进行剪切得到至少一个目标题目,也可以是根据用户意图对题目图像中的目标题目进行复制等方式,对此本申请实施例不做限制,只要是能根据用户意图从题目图像中得到至少一个目标题目即可,本申请实施例不需要通过人工手动干涉,操作简捷,提高了用户获取题目的效率。
此外,本申请实施例提供的图像处理方法一次可以查询多道题目,如果用户想要查询一个图片上的两道题目时,仅需要拍摄或上传一次拍摄图片,就可以得到两道目标题目,不需要用户重新拍摄,重复上述过程,减少了拍照次数,提高了用户获取题目的效率。
可选地,在本申请的一种实施例中,该图像处理方法还包括:响应目标用户的调整指令,将题目图像中的至少一个目标题目进行展示或将题目图像中的至少一个题目进行展示;基于目标用户的调整操作从题目图像中重新得到至少一个目标题目。
需要说明的是,在新用户第一次使用拍搜系统时,由于个人数据模型是根据用户信息匹配得到的,用户信息是由新用户在初始使用拍照搜题软件时所填写或选择的输入信息,基于大数据为新用户匹配的个人数据模型,并不一定适合新用户,因此根据每道题目的题目特征和用户的个人数据模型确定的至少一个目标题目,有可能会与用户真实想要搜索的题目会存在偏差,因此在初始使用拍搜系统时,还响应用户的调整指令,将题目图像中的至少一个目标题目进行展示或将题目图像中的至少一个题目进行展示,示例的,题目图像中至少一个题目包括题目A、题目B、题目C、题目D,根据每道题目的题目特征和用户的个人数据模型确定用户的至少一个目标题目是题目A,可以将题目A、题目B、题目C、题目D展示给用户,也可以仅将题目A展示给用户,由用户再次确定至少一个目标题目是否为自己真实想要搜索的题目,基于用户的调整操作从题目图像中重新得到至少一个目标题目,示例的,若用户的调整操作是将题目A和题目B选为想要搜索的题目,则将题目图像中题目A和题目B作为用户的目标题目。当多次使用拍搜系统之后,根据拍搜系统得到的至少一个目标题目与用户真实想要搜索的题目之间的差别非常小,可以通过设置阈值,当误差率小于阈值时,不需要再接收用户的调整操作,直接将从题目图像中得到的至少一个目标题目作为用户想要搜索的题目,并不需要将至少一个目标题目展示给用户,也不需要用户再次确定至少一个目标题目是否为自己想要搜索的题目。
在基于用户的调整操作从题目图像中重新得到至少一个目标题目时,用户对展示的至少一个目标题目的调整操作可明确表征用户真实想要搜索的题目,基于此,可以获得更为符合用户的用户意图。在此列举四种可实现的方式对接收到用户的调整操作进行说明,以用户意图表示从题目图像中确定用户的至少一个目标题目,真实意图表示用户真实想要搜索的题目为例,一种可实现的方式中,如图4A所示,图4A为本申请实施例提供的另一种用户意图的展示界面示意图,图4A中用户意图以两个框示出,例如题目A和C,也就是当用户的用户意图与真实意图一致时,用户再次选择题目A和C,可以理解的是,用户也可以点击确定按钮,此处的用户再次选择题目A和C以及用户点击确定按钮均为用户的调整操作,根据调整操作对应的真实意图从题目图像中得到题目A和C;可以理解的是,当用户的用户意图与真实意图一致时,用户也可以不做任何操作,此时,未接收到用户的调整操作,根据用户意图从题目图像中得到题目A和C。另一种可实现的方式中,如图4B所示,图4B为本申请实施例提供的再一种用户意图的展示界面示意图,图4B中的用户意图以一个框示出,例如题目B,若用户的真实意图是选择题目C,在移动终端上点击题目C,点击题目C作为用户的调整操作,当用户的用户意图与真实意图不一致时,根据调整操作对应的真实意图从题目图像中得到题目C。再一种可实现的方式中,如图4C所示,图4C为本申请实施例提供的又一种用户意图的展示界面示意图,图4C中的用户意图以两个框示出,例如题目B和题目C,若用户的真实意图是选择题目C,在移动终端上点击选择题目C,点击题目C作为用户的调整操作,当用户的用户意图与真实意图不一致时,根据调整操作对应的真实意图从题目图像中得到题目C。又一种可实现的方式中,如图4D所示,图4D为本申请实施例提供的再一种用户意图的展示界面示意图,图4D中的用户意图以一个框示出,例如题目B,若用户的真实意图是选择题目B和C,在移动终端上点击选择题目B和C,点击题目B和C作为用户的调整操作,当用户的用户意图与真实意图不一致时,根据调整操作对应的真实意图从题目图像中得到题目B和C。可以理解的是,图4A-图4D中题目的位置和数量以及所要搜索的题目的位置、题目编号和数量仅是示例性说明,图4A-图4D中以用户意图展示在手机界面为例进行说明,可以理解的是,用户意图也可以展示在其他终端设备的界面上,对此本申请实施例不做限制。本申请实施例还获取用户的真实意图,避免出现误判影响对用户想要搜索的目标题目的判别,从而提高获取目标题目的准确性。
可选地,在本申请的一种实施例中,得到至少一个目标题目之后,该图像处理方法还包括:根据目标用户的调整操作对个人数据模型进行修正。
在得到目标题目时,还会出现如图4B-图4D的情况,也就是用户意图和真实意图不完全一致,本申请实施例还根据用户的调整操作对个人数据模型进行修正,因为用户需要对用户意图进行调整操作,说明个人数据模型与用户匹配度较低,因此需要对个人数据模型进行调整。一种可实现的方式中,根据真实意图对应的目标题目的相关信息对个人数据模型进行修正,该相关信息可以是影响用户意图的影响因素,示例的,调整操作中包括目标题目在图片中所在的位置,也就是用户所要选择的题目位置发生了变化,根据调整操作中目标题目位置对个人数据模型中与题目位置相关的倾向因子进行调整;另一种可实现的方式中,通过计算用户意图和真实意图之间的偏差指数,当偏差指数大于阈值时,表明个人数据模型不太适合该用户,需要对个人数据模型中影响用户拍搜习惯的权重进行修正,或者需要调整影响拍搜习惯的收集维度,在个人数据模型中增加或替换其他影响拍搜习惯的影响因素,从而实现对个人数据模型的修正。
拍搜习惯包括但不限于在拍搜题目时在题型、难易程度、所属地区、学科、拍搜题目数量、图片中的位置、可读性等方面的倾向性。通过个人数据模型为影响用户意图的不同拍搜习惯赋予不同的权重,示例的,因为短期内一个人的学习程度不会有巨大差异的,不会出现短时间内拍搜难度系数差距很大的题,因此为难易程度所分配的权重大一些;学科之间没有非常大的联系,因此为学科所分配的权重小一些。
当用户意图和真实意图之间的偏差非常大时,例如,用户意图是题目C和题目D,而真实意图对应的目标题目是题目A,表明个人数据模型设置的拍搜题目数量所对应的权重不合适,或者个人数据模型设置的拍搜题目在图片中位置所对应的权重不合适,或者个人数据模型在将概率值在60%以上的题目作为目标题目时,设置的阈值不合适,对个人数据模型的修正仅是示例性说明,本申请实施例不做限制。本申请实施例还根据调整操作对个人数据模型进行修正,使得个人数据模型更加适合该用户,从而使得再次使用修正后的个人数据模型时,提高获取目标题目的准确性。
可选地,在本申请的一种实施例中,在步骤104之后,该图像处理方法还包括:基于目标题目在题库中搜索与目标题目对应的题目答案。
进一步的,本申请实施例还基于目标题目中的内容在题库中搜索与目标题目对应的题目答案,示例的,如图2所示,进一步的,服务端22还对目标题目中的内容进行文字识别,根据文字识别的内容在服务端22的题库中进行搜索,获得与目标题目对应的题目答案,并将获得的与目标题目对应的题目答案,发送给客户端21。
实施例二、
可选地,在本申请的一种实施例中,步骤S103可以包括S103a、根据每道题目的题目特征和目标用户对应的个人数据模型计算每道题目的倾向数值;S103b、根据每道题目的倾向数值以及预设阈值,从题目图像中确定目标用户的至少一个目标题目。
本申请实施例中根据每道题目的题目特征和个人数据模型计算每道题目的倾向数值,倾向数值表示用户会选择每道题目的概率,可以理解的是,倾向数值可以是具体得分数值、等级、概率值等形式。
列举两个示例对步骤103a进行说明,第一个示例,步骤103a包括:根据每道题目的题目特征,从个人数据模型中获取题目特征对应的倾向因子;基于倾向因子以及倾向因子对应的权重,计算每道题目的倾向数值。
示例的,题目图像中的题目A非常清晰,题目A是英语选择题,题目A属于难度系数高的题目,题目图像是由居住在上海的用户T上传或拍摄的,且用户T在拍搜时倾向于拍搜单道题,因此,从个人数据模型中获取题目A的题目特征对应的倾向因子包括:用户在选择题目时与题目题型、难易程度、可读性、学科、地区、题目数量相关的参数,根据用户在选择题目时与题目题型、难易程度、可读性、学科、地区、题目数量相关的参数,以及题目题型、难易程度、清晰度、学科、地区、题目数量对应的权重,综合计算题目A的倾向数值,倾向数值表示用户T会选择题目A的概率。
第二个示例,题目特征包括非用户相关属性特征和用户相关属性特征,步骤103a还可以包括以下步骤103a1-103a3。
步骤103a1、根据每道题目的非用户相关属性特征,确定非用户相关属性特征对应的被选择倾向因子。
可选地,非用户相关属性特征对应的被选择倾向因子包括题目倾斜角度、题目清晰度、题目完整性中的至少一个。
题目特征中的非用户相关属性特征影响每道题目会被用户选择的概率,也可以说是被命中的概率,示例的,题目图像中的题目A不够完整,只有题目A的一部分,且很模糊,也就是说题目A的完整度低,且题目A的倾斜角度大,在本示例中,题目A的非用户相关属性特征对应的被选择倾向因子包括用户在选择题目时与题目完整性、题目清晰度相关的参数。
步骤103a2、根据每道题目的用户相关属性特征,从个人数据模型中获取用户相关属性特征对应的个人习惯倾向因子。
可选地,用户相关属性特征对应的个人习惯倾向因子包括题目题型、题目难易程度、题目所属学科、题目所属地区、题目在图片中的位置、题目数量中的至少一个。
题目特征中的用户相关属性特征影响用户想要搜索某一题目的概率,个人数据模型是与目标用户相匹配的,示例的,题目图像中的题目A是数学填空题,题目图像是由居住地在北京的用户S上传或拍摄的,且用户S在拍搜时倾向于拍搜多道题,在本示例中,题目A的用户相关属性特征对应的个人习惯倾向因子包括用户在选择题目时与题目题型、学科、地区、题目数量相关的参数。
步骤103a3、根据被选择倾向因子和个人习惯倾向因子确定每道题目的倾向数值。
某一图片中包括有3道题,题目A、题目B和题目C,综合考虑每道题目的被选择倾向因子和个人习惯倾向因子,对每道题进行打分,将打分数值作为该道题目的倾向数值,倾向数值以概率形式示出,题目A的倾向数值为50%、题目B的倾向数值为20%、题目C的倾向数值为90%。
可选地,在本申请的一种实施例中,步骤103a3包括:基于被选择倾向因子以及被选择倾向因子对应的权重,计算每道题目的第一倾向数值;基于个人习惯倾向因子以及个人习惯倾向因子对应的权重,计算每道题目的第二倾向数值;根据每道题目的第一倾向数值和每道题目的第二倾向数值,确定每道题目的倾向数值。
在对题目进行打分之前,本申请实施例还对被选择倾向因子和个人习惯倾向因子赋予权重,例如,若题目可读性对用户选择倾向性影响比较大,则对题目可读性赋予比较大的权重,若某一用户习惯拍搜难度系数比较高的题目,且各种各样的题型均有拍搜,则将与难易程度对应的权重设置为0.8,与题型对应的权重设置为0.2,对此本申请实施例仅是示例性说明,具体地可以根据实际情况进行设置。
以被选择的概率表示第一倾向数值为例进行说明,示例的,题目图像中包括有3道题,题目A、题目B和题目C,根据题目的被选择倾向因子以及被选择倾向因子对应的权重得到题目A被选择的概率为50%、题目B被选择的概率为20%、题目C被选择的概率为90%。以用户想要搜索题目A的概率表示第二倾向数值为例进行说明,根据用户对每道题目的个人习惯倾向因子以及个人习惯倾向因子对应的权重得到用户想要搜索题目A的概率为90%、用户想要搜索题目B的概率为40%、用户想要搜索题目C的概率为60%,将题目A被选择的概率与用户想要搜索题目A的概率结合起来,从而得到用户对题目A的倾向数值,具体地计算方式可以根据实际情况进行设置,对此本申请实施例不做限制,只要是根据题目的被选择倾向因子和根据用户对每道题目的个人习惯倾向因子得到倾向数值的方案均在本申请的保护范围之内,利用相同的方法分别对图片中的题目B和题目C进行计算,分别得到用户对题目B和题目C的倾向数值。
将根据题目的被选择倾向因子与根据用户对每道题目的个人习惯倾向因子结合起来,从而得到每道题目的倾向数值,提高了得到的用户会选择每道题目的概率的准确性。
在实现步骤103b时,一种可实现的方式中,设置预设阈值,当题目的倾向数值大于或等于预设阈值时,将该道题目作为用户的目标题目,示例的,题目图像包括题目A、题目B、题目C、题目D,根据步骤103a计算得到题目A、题目B、题目C、题目D的倾向数值分别是50%、20%、90%、60%,设置预设阈值为60%,题目C的倾向数值大于预设阈值,将题目C作为用户的目标题目,题目D的倾向数值等于预设阈值,将题目D作为用户的目标题目,最终得到用户的目标题目包括题目C和D;需要说明的是,若用户在拍搜时倾向于拍搜单道题,则将预设阈值设置的大一些,例如预设阈值设置为90%,以便提高得到的目标题目的准确性,若用户在拍搜时倾向于拍搜多道题,则将预设阈值设置的小一些,例如预设阈值设置为60%,以便提高得到的目标题目的准确性,预设阈值可以根据实际情况进行设置,对此本申请实施例不做限制;另一种可实现的方式中,设置预设阈值和预设数量,将倾向数值大于或等于预设阈值的倾向数值对应的题目作为候选题目,当候选题目比较多时,设置预设得到目标题目的数量,示例的,以预设数量是3个为例进行说明,若候选题目的数量大于3,则再对候选题目进行筛选,将候选题目对应的倾向数值中前3个倾向数值对应的候选题目作为目标题目,可以避免得到的目标题目过多,提高获取目标题目的准确性;再一种可实现的方式中,将倾向数值中的最大值对应的题目作为用户的目标题目;又一种可实现的方式中,将倾向数值中的最大值和次最大值对应的题目作为用户的两个目标题目。
可选地,在本申请的一种实施例中,步骤103b还可以包括:根据目标题目的倾向数值确定目标题目对应的题目坐标位置;根据题目坐标位置,对题目图像进行剪切,得到至少一个目标题目。
题目坐标位置可以是以四个点的坐标位置进行表示,也可以是以四条边的坐标位置进行表示,只要是能表示题目在图片中位置都在本申请的保护范围之内。根据目标题目的坐标位置,对题目图像进行剪切,得到至少一个目标题目。本申请实施例根据确定的目标题目的坐标位置对题目图像进行剪切,从而得到至少一个目标题目,不需要通过人工手动干涉,操作简捷,不占用过多的拍照搜题流程时间,提高了用户获取题目的效率。
实施例三、
在步骤101之前,该图像处理方法还包括步骤100:建立个人数据模型。
本申请在建立个人数据模型时,包括两个阶段,第一个阶段是建立典型用户数据模型,如图5所示,图5为本申请实施例提供的一种建立典型用户数据模型的流程图,步骤501、获取多个用户的用户信息样本,其中,用户信息样本包括至少一个影响用户从拍摄的题目图像中获取目标题目时的影响因素,影响因素包括但不限于年级,性别,学习成绩,地区,手机机型等,其中手机机型可能影响用户图片点击位置,地区可能影响用户的拍搜题型,年级和性别可能影响用户的拍搜学科,学习成绩可能影响用户拍搜题目的难易程度等;步骤502、将多个影响因素分别组合,建立多个用户画像,将这些影响因素分别组合,建立至少一个用户画像,例如某画像如下:五年级、学习良好、女、江苏、iphone11;步骤503、根据多个用户画像和多个用户画像对应的用户针对题目的选择信息,建立至少一个典型用户数据模型,示例的,根据这些用户画像寻找用户画像对应的用户群体,分别统计用户群体针对题目的选择信息,选择信息表示用户从拍摄的题目图像中选择目标题目时的影响因素,以及各种影响因素对结果的影响程度或权重;根据用户画像和用户群体针对题目的选择信息建立至少一个典型用户数据模型。
第二个阶段是根据典型用户数据模型和用户的有限用户信息匹配得到个人数据模型。可选地,通过如下步骤100a-100c建立个人数据模型。
步骤100a、获取待建立个人数据模型的第一用户的用户信息。
其中,第一用户可以是任意一个用户。
步骤100b、基于用户信息,从预设的典型用户数据模型中获取与第一用户的用户信息相匹配的初始个人数据模型。
用户信息是多个参数组成的,例如,一年级、学习优秀、男、北京、华为P20,典型用户数据模型是根据用户画像和用户画像对应的针对题目的选择信息建立的,用户画像是由多个影响因素分别组合在一起构成的,影响因素在典型用户数据模型中是以标签信息的形式表示,典型用户数据模型的标签信息表示典型用户数据模型对应的用户画像的影响因素组合,因此,通过计算用户信息与各典型用户数据模型的标签信息之间的匹配值,可以判断用户是否与该典型用户数据模型匹配。
可选地,在本申请的一种实施例中,步骤100b还包括:计算第一用户的用户信息与预设的各典型用户数据模型的标签信息之间的匹配值,典型用户数据模型的标签信息包括影响用户从拍摄的题目图像中获取目标题目的影响因素的组合;将匹配值最大对应的典型用户数据模型,作为第一用户的初始个人数据模型。
本申请实施例中有多个典型用户数据模型,分别计算用户信息与多个典型用户数据模型的标签信息之间的匹配值,得到至少一个匹配值,匹配值越大表示第一用户与该典型用户数据模型的匹配度越高,该典型用户数据模型越适合该用户,本申请实施例将至少一个匹配值中最大匹配值对应的典型用户数据模型作为第一用户的初始个人数据模型,提高了个人数据模型与用户之间匹配的准确度。
步骤100c、基于第一用户的用户操作数据,更新初始个人数据模型,得到第一用户的个人数据模型,其中,用户操作数据指示第一用户对拍摄的题目图像中的题目进行选择操作形成的操作数据。
在根据各典型用户数据模型和第一用户的用户信息匹配得到个人数据模型时分为两种情况,第一种情况,若第一用户为新用户,则获取新用户输入或选择的用户信息,具有不同用户信息的两个用户所匹配的数据模型是不同的,用户信息包括但不限于年级、学习程度、性别、所在地区、移动设备的机型,其中,学习程度可以是优秀、良好、一般、不及格,性别为男的用户,理科较好、文科较差,移动设备的机型以手机为例进行说明,例如手机的机型不同,在使用手机摄像头拍摄时,拍摄界面的比例会不同,包括但不限于1:1,16:9,4:3等,拍摄界面的比例不同会影响用户的个人习惯倾向因子;例如第一用户的用户信息包括一年级、学习优秀、男、北京、华为P20,通过新用户的用户信息匹配典型用户数据模型获取新用户的初始个人数据模型;第二种情况,第一用户为老用户,也就是第一用户使用过拍搜系统,若接收到第一用户对拍摄的题目图像中的题目进行选择操作形成的操作数据,则基于第一用户的用户操作数据,更新初始个人数据模型,从而得到第一用户的个人数据模型,也就是根据用户的调整操作对个人数据模型进行修正,本申请实施例一对如何根据用户的调整操作修正个人数据模型已经描述,在此不再赘述。通过步骤100a-100c建立的个人数据模型,可以简化个人数据模型的搭建过程。
实施例四、
本实施例的图像处理装置用于实现前述多个方法实施例中相应的图像处理方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的图像处理装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
本申请实施例提供了一种图像处理装置,如图6所示,图6为本申请实施例提供的一种图像处理装置,装置60包括:获取模块601、分析模块602、目标题目确定模块603;
获取模块601用于获取目标用户的题目图像,题目图像包括至少一个题目;
分析模块602用于对题目图像中至少一个题目进行分析,得到每道题目的题目特征;
目标题目确定模块603用于根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目,个人数据模型记录有目标用户对题目图像中的题目进行选择时的倾向因子。
可选地,在本申请的一种实施例中,目标题目确定模块603还用于根据每道题目的题目特征和目标用户对应的个人数据模型计算每道题目的倾向数值;根据每道题目的倾向数值以及预设阈值,从题目图像中确定目标用户的至少一个目标题目。
可选地,在本申请的一种实施例中,目标题目确定模块603还用于根据每道题目的题目特征,从个人数据模型中获取题目特征对应的倾向因子;基于倾向因子以及倾向因子对应的权重,计算每道题目的倾向数值。
可选地,在本申请的一种实施例中,题目特征包括非用户相关属性特征和用户相关属性特征,目标题目确定模块603还用于根据每道题目的非用户相关属性特征,确定非用户相关属性特征对应的被选择倾向因子;根据每道题目的用户相关属性特征,从个人数据模型中获取用户相关属性特征对应的个人习惯倾向因子;根据被选择倾向因子和个人习惯倾向因子确定每道题目的倾向数值。
可选地,在本申请的一种实施例中,目标题目确定模块603还用于基于被选择倾向因子以及被选择倾向因子对应的权重,计算每道题目的第一倾向数值;基于个人习惯倾向因子以及个人习惯倾向因子对应的权重,计算每道题目的第二倾向数值;根据每道题目的第一倾向数值和每道题目的第二倾向数值,确定每道题目的倾向数值。
可选地,在本申请的一种实施例中,用户相关属性特征对应的个人习惯倾向因子包括题目题型、题目难易程度、题目所属学科、题目所属地区、题目在图片中的位置、题目数量中的至少一个;非用户相关属性特征对应的被选择倾向因子包括题目倾斜角度、题目清晰度、题目完整性中的至少一个。
可选地,在本申请的一种实施例中,目标题目确定模块603还用于从题目图像的题目中获取倾向数值大于预设阈值对应的题目的题目坐标位置;根据题目坐标位置,对题目图像进行剪切,得到至少一个目标题目。
可选地,在本申请的一种实施例中,图像处理装置还包括个人数据模型建立模块,个人数据模型建立模块用于获取待建立个人数据模型的第一用户的用户信息;基于用户信息,从预设的典型用户数据模型中获取与第一用户的用户信息相匹配的初始个人数据模型;基于第一用户的用户操作数据,更新初始个人数据模型,得到第一用户的个人数据模型,其中,用户操作数据指示第一用户对拍摄的题目图像中的题目进行选择操作形成的操作数据。
可选地,在本申请的一种实施例中,个人数据模型建立模块还用于计算第一用户的用户信息与预设的各典型用户数据模型的标签信息之间的匹配值,典型用户数据模型的标签信息包括影响用户从拍摄的题目图像中获取目标题目的影响因素的组合;将匹配值最大对应的典型用户数据模型,作为第一用户的初始个人数据模型。
可选地,在本申请的一种实施例中,图像处理装置还包括典型用户数据模型建立模块,典型用户数据模型建立模块用于获取多个用户的用户信息样本,用户信息样本包括至少一个影响用户从拍摄的题目图像中获取目标题目时的影响因素;将多个影响因素分别组合,建立多个用户画像;根据多个用户画像和多个用户画像对应的用户针对题目的选择信息,建立至少一个典型用户数据模型。
可选地,在本申请的一种实施例中,图像处理装置还包括调整模块,调整模块用于响应目标用户的调整指令,将题目图像中的至少一个目标题目进行展示或将题目图像中的至少一个题目进行展示;基于目标用户的调整操作从题目图像中重新得到至少一个目标题目。
可选地,在本申请的一种实施例中,图像处理装置还包括修正模块,修正模块用于根据目标用户的调整操作对个人数据模型进行修正。
可选地,在本申请的一种实施例中,图像处理装置还包括答案搜索模块,答案搜索模块用于基于目标题目在题库中搜索与目标题目对应的题目答案。
实施例五、
基于上述实施例一至实施例三描述的任一项图像处理方法,本申请实施例提供了一种电子设备,需要说明的,本实施例的图像处理方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:服务器、移动终端(如手机、PAD等)和PC机等。如图7所示,图7为本申请实施例提供的一种电子设备的结构图。本申请具体实施例并不对电子设备的具体实现做限定。该电子设备70可以包括:处理器(processor)702、通信接口(CommunicationsInterface)704、存储器(memory)706、以及通信总线708。
其中:处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。
通信接口704,用于与其它电子设备或服务器进行通信。
处理器702,用于执行计算机程序710,具体可以执行上述图像处理方法实施例中的相关步骤。
具体地,计算机程序710可以包括计算机程序代码,该计算机程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器706,用于存放计算机程序710。存储器706可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
计算机程序710具体可以用于使得处理器702执行以下操作:获取目标用户的题目图像,题目图像包括至少一个题目;对题目图像中至少一个题目进行分析,得到每道题目的题目特征;根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目,个人数据模型记录有目标用户对题目图像中的题目进行选择时的倾向因子。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在根据每道题目的题目特征和目标用户对应的个人数据模型从题目图像中确定目标用户的至少一个目标题目时,根据每道题目的题目特征和目标用户对应的个人数据模型计算每道题目的倾向数值;根据每道题目的倾向数值以及预设阈值,从题目图像中确定目标用户的至少一个目标题目。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在根据每道题目的题目特征和目标用户对应的个人数据模型计算每道题目的倾向数值时,根据每道题目的题目特征,从个人数据模型中获取题目特征对应的倾向因子;基于倾向因子以及倾向因子对应的权重,计算每道题目的倾向数值。
可选地,在本申请的一种实施例中,题目特征包括非用户相关属性特征和用户相关属性特征,计算机程序710还可以用于使得处理器702在根据每道题目的题目特征和目标用户对应的个人数据模型计算每道题目的倾向数值时,根据每道题目的非用户相关属性特征,确定非用户相关属性特征对应的被选择倾向因子;根据每道题目的用户相关属性特征,从个人数据模型中获取用户相关属性特征对应的个人习惯倾向因子;根据被选择倾向因子和个人习惯倾向因子确定每道题目的倾向数值。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在根据被选择倾向因子和个人习惯倾向因子确定每道题目的倾向数值时,基于被选择倾向因子以及被选择倾向因子对应的权重,计算每道题目的第一倾向数值;基于个人习惯倾向因子以及个人习惯倾向因子对应的权重,计算每道题目的第二倾向数值;根据每道题目的第一倾向数值和每道题目的第二倾向数值,确定每道题目的倾向数值。
在一种可选地实施方式中,用户相关属性特征对应的个人习惯倾向因子包括题目题型、题目难易程度、题目所属学科、题目所属地区、题目在图片中的位置、题目数量中的至少一个;非用户相关属性特征对应的被选择倾向因子包括题目倾斜角度、题目清晰度、题目完整性中的至少一个。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在根据每道题目的倾向数值以及预设阈值,从题目图像中确定目标用户的至少一个目标题目时,从题目图像的题目中获取倾向数值大于预设阈值对应的题目的题目坐标位置;根据题目坐标位置,对题目图像进行剪切,得到至少一个目标题目。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702执行以下操作:获取待建立个人数据模型的第一用户的用户信息;基于用户信息,从预设的典型用户数据模型中获取与第一用户的用户信息相匹配的初始个人数据模型;基于第一用户的用户操作数据,更新初始个人数据模型,得到第一用户的个人数据模型,其中,用户操作数据指示第一用户对拍摄的题目图像中的题目进行选择操作形成的操作数据。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在基于用户信息,从预设的典型用户数据模型中获取与第一用户的用户信息相匹配的初始个人数据模型时,计算第一用户的用户信息与预设的各典型用户数据模型的标签信息之间的匹配值,典型用户数据模型的标签信息包括影响用户从拍摄的题目图像中获取目标题目的影响因素的组合;将匹配值最大对应的典型用户数据模型,作为第一用户的初始个人数据模型。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702执行以下操作:获取多个用户的用户信息样本,用户信息样本包括至少一个影响用户从拍摄的题目图像中获取目标题目时的影响因素;将多个影响因素分别组合,建立多个用户画像;根据多个用户画像和多个用户画像对应的用户针对题目的选择信息,建立至少一个典型用户数据模型。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702执行以下操作:响应目标用户的调整指令,将题目图像中的至少一个目标题目进行展示或将题目图像中的至少一个题目进行展示;基于目标用户的调整操作从题目图像中重新得到至少一个目标题目。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702执行以下操作:根据目标用户的调整操作对个人数据模型进行修正。
可选地,在本申请的一种实施例中,计算机程序710还可以用于使得处理器702在得到至少一个目标题目之后,还执行以下操作:基于目标题目在题库中搜索与目标题目对应的题目答案。
可以理解的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
实施例六、
基于上述实施例一至实施例三所描述的图像处理方法,本申请实施例提供了一种计算机存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现如实施例一至实施例三所描述的图像处理方法。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的图像处理方法。此外,当通用计算机访问用于实现在此示出的图像处理方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的图像处理方法的专用计算机。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (16)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标用户的题目图像,所述题目图像包括至少一个题目;
对所述题目图像中至少一个题目进行分析,得到每道题目的题目特征;
根据所述每道题目的题目特征和所述目标用户对应的个人数据模型从所述题目图像中剪切获得所述目标用户的至少一个目标题目,所述个人数据模型记录有所述目标用户对所述题目图像中的题目进行选择时的倾向因子。
2.根据权利要求1所述的方法,其特征在于,根据所述每道题目的题目特征和所述目标用户对应的个人数据模型从所述题目图像中剪切获得所述目标用户的至少一个目标题目,包括:
根据所述每道题目的题目特征和所述目标用户对应的个人数据模型计算每道题目的倾向数值;
根据所述每道题目的倾向数值以及预设阈值,从所述题目图像中剪切获得所述目标用户的至少一个目标题目。
3.根据权利要求2所述的方法,其特征在于,根据所述每道题目的题目特征和所述目标用户对应的个人数据模型计算每道题目的倾向数值,包括:
根据所述每道题目的题目特征,从个人数据模型中获取所述题目特征对应的倾向因子;
基于所述倾向因子以及所述倾向因子对应的权重,计算每道题目的倾向数值。
4.根据权利要求2所述的方法,其特征在于,题目特征包括非用户相关属性特征和用户相关属性特征,根据所述每道题目的题目特征和所述目标用户对应的个人数据模型计算每道题目的倾向数值,包括:
根据所述每道题目的非用户相关属性特征,确定所述非用户相关属性特征对应的被选择倾向因子;
根据所述每道题目的用户相关属性特征,从所述个人数据模型中获取所述用户相关属性特征对应的个人习惯倾向因子;
根据所述被选择倾向因子和所述个人习惯倾向因子确定所述每道题目的倾向数值。
5.根据权利要求4所述的方法,其特征在于,根据所述被选择倾向因子和所述个人习惯倾向因子确定所述每道题目的倾向数值,包括:
基于所述被选择倾向因子以及所述被选择倾向因子对应的权重,计算所述每道题目的第一倾向数值;
基于所述个人习惯倾向因子以及所述个人习惯倾向因子对应的权重,计算所述每道题目的第二倾向数值;
根据所述每道题目的第一倾向数值和所述每道题目的第二倾向数值,确定所述每道题目的倾向数值。
6.根据权利要求4或5所述的方法,其特征在于,所述用户相关属性特征对应的个人习惯倾向因子包括题目题型、题目难易程度、题目所属学科、题目所属地区、题目在图片中的位置、题目数量中的至少一个;
所述非用户相关属性特征对应的被选择倾向因子包括题目倾斜角度、题目清晰度、题目完整性中的至少一个。
7.根据权利要求2所述的方法,其特征在于,所述根据每道题目的倾向数值以及预设阈值,从所述题目图像中剪切获得所述目标用户的至少一个目标题目,包括:
从所述题目图像的题目中获取倾向数值大于预设阈值对应的题目的题目坐标位置;
根据所述题目坐标位置,对所述题目图像进行剪切,得到至少一个目标题目。
8.根据权利要求1所述的方法,其特征在于,通过以下方式建立所述个人数据模型:
获取待建立个人数据模型的第一用户的用户信息;
基于所述用户信息,从预设的典型用户数据模型中获取与所述第一用户的用户信息相匹配的初始个人数据模型;
基于所述第一用户的用户操作数据,更新所述初始个人数据模型,得到所述第一用户的个人数据模型,其中,所述用户操作数据指示所述第一用户对拍摄的题目图像中的题目进行选择操作形成的操作数据。
9.根据权利要求8所述的方法,其特征在于,所述基于所述用户信息,从预设的典型用户数据模型中获取与所述第一用户的用户信息相匹配的初始个人数据模型,包括:
计算所述第一用户的用户信息与预设的各典型用户数据模型的标签信息之间的匹配值,所述典型用户数据模型的标签信息包括影响用户从拍摄的题目图像中获取目标题目的影响因素的组合;
将匹配值最大对应的典型用户数据模型,作为所述第一用户的初始个人数据模型。
10.根据权利要求8或9所述的方法,其特征在于,通过以下方式建立所述典型用户数据模型:
获取多个用户的用户信息样本,所述用户信息样本包括至少一个影响用户从拍摄的题目图像中获取目标题目时的影响因素;
将多个影响因素分别组合,建立多个用户画像;
根据所述多个用户画像和所述多个用户画像对应的用户针对题目的选择信息,建立至少一个所述典型用户数据模型。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应所述目标用户的调整指令,将所述题目图像中的至少一个目标题目进行展示或将所述题目图像中的至少一个题目进行展示;
基于所述目标用户的调整操作从所述题目图像中重新得到至少一个目标题目。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
根据所述目标用户的调整操作对所述个人数据模型进行修正。
13.根据权利要求1所述的方法,其特征在于,在得到所述目标题目之后,所述方法还包括:
基于所述目标题目在题库中搜索与所述目标题目对应的题目答案。
14.一种图像处理装置,其特征在于,所述装置包括:
获取模块,所述获取模块用于获取目标用户的题目图像,所述题目图像包括至少一个题目;
分析模块,所述分析模块用于对所述题目图像中至少一个题目进行分析,得到每道题目的题目特征;
目标题目确定模块,所述目标题目确定模块用于根据所述每道题目的题目特征和所述目标用户对应的个人数据模型从所述题目图像中剪切获得所述目标用户的至少一个目标题目,所述个人数据模型记录有所述目标用户对所述题目图像中的题目进行选择时的倾向因子。
15.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一个可执行指令,所述可执行指令使所述处理器执行如权利要求1-13中任一项所述的图像处理方法对应的操作。
16.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-13中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912208.6A CN111767424B (zh) | 2020-09-02 | 2020-09-02 | 图像处理方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912208.6A CN111767424B (zh) | 2020-09-02 | 2020-09-02 | 图像处理方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767424A true CN111767424A (zh) | 2020-10-13 |
CN111767424B CN111767424B (zh) | 2020-12-11 |
Family
ID=72729223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010912208.6A Active CN111767424B (zh) | 2020-09-02 | 2020-09-02 | 图像处理方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560849A (zh) * | 2021-01-24 | 2021-03-26 | 中天恒星(上海)科技有限公司 | 基于神经网络算法的文理分割方法及系统 |
CN113688262A (zh) * | 2021-09-01 | 2021-11-23 | 北京云蝶智学科技有限公司 | 数据归类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032253A1 (en) * | 2014-04-25 | 2017-02-02 | Sony Corporation | Information processing apparatus, control method, and program |
CN106682113A (zh) * | 2016-12-07 | 2017-05-17 | 广东小天才科技有限公司 | 一种习题搜索方法及设备 |
CN107679213A (zh) * | 2017-10-18 | 2018-02-09 | 广东小天才科技有限公司 | 一种习题搜索方法、系统及终端设备 |
CN108280171A (zh) * | 2018-01-19 | 2018-07-13 | 广东小天才科技有限公司 | 一种基于手持拍照设备的搜题方法及系统 |
CN109697242A (zh) * | 2018-12-27 | 2019-04-30 | 网易有道信息技术(北京)有限公司 | 拍照搜题方法、装置、存储介质和计算设备 |
CN111241276A (zh) * | 2020-01-06 | 2020-06-05 | 广东小天才科技有限公司 | 题目搜索方法、装置、设备及存储介质 |
CN111507330A (zh) * | 2020-04-15 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 习题识别方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-02 CN CN202010912208.6A patent/CN111767424B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032253A1 (en) * | 2014-04-25 | 2017-02-02 | Sony Corporation | Information processing apparatus, control method, and program |
CN106682113A (zh) * | 2016-12-07 | 2017-05-17 | 广东小天才科技有限公司 | 一种习题搜索方法及设备 |
CN107679213A (zh) * | 2017-10-18 | 2018-02-09 | 广东小天才科技有限公司 | 一种习题搜索方法、系统及终端设备 |
CN108280171A (zh) * | 2018-01-19 | 2018-07-13 | 广东小天才科技有限公司 | 一种基于手持拍照设备的搜题方法及系统 |
CN109697242A (zh) * | 2018-12-27 | 2019-04-30 | 网易有道信息技术(北京)有限公司 | 拍照搜题方法、装置、存储介质和计算设备 |
CN111241276A (zh) * | 2020-01-06 | 2020-06-05 | 广东小天才科技有限公司 | 题目搜索方法、装置、设备及存储介质 |
CN111507330A (zh) * | 2020-04-15 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 习题识别方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560849A (zh) * | 2021-01-24 | 2021-03-26 | 中天恒星(上海)科技有限公司 | 基于神经网络算法的文理分割方法及系统 |
CN113688262A (zh) * | 2021-09-01 | 2021-11-23 | 北京云蝶智学科技有限公司 | 数据归类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111767424B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | Relative CNN-RNN: Learning relative atmospheric visibility from images | |
CN111062871B (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
US9329762B1 (en) | Methods and systems for reversing editing operations in media-rich projects | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN110210542B (zh) | 图片文字识别模型训练方法、装置及文字识别系统 | |
US9507506B2 (en) | Automatic target box in methods and systems for editing content-rich layouts in media-based projects | |
US8923551B1 (en) | Systems and methods for automatically creating a photo-based project based on photo analysis and image metadata | |
US8332429B2 (en) | Photography assistant and method for assisting a user in photographing landmarks and scenes | |
CN102591868B (zh) | 用于拍照指南自动生成的系统和方法 | |
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
US9690980B2 (en) | Automatic curation of digital images | |
CN111767424B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
US20190332854A1 (en) | Hybrid deep learning method for recognizing facial expressions | |
US20120030575A1 (en) | Automated image-selection system | |
CN108960269B (zh) | 数据集的特征获取方法、装置及计算设备 | |
CN109670065A (zh) | 基于图像识别的问答处理方法、装置、设备和存储介质 | |
CN111614897B (zh) | 一种基于用户偏好多维度驱动的智能拍照方法 | |
US20230162466A1 (en) | Method and computer system for displaying identification result | |
CN112990180A (zh) | 判题方法、装置、设备及存储介质 | |
US20120027293A1 (en) | Automated multiple image product method | |
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
US20120027303A1 (en) | Automated multiple image product system | |
CN110443122B (zh) | 信息处理方法及相关产品 | |
CN107656760A (zh) | 数据处理方法及装置、电子设备 | |
KR101841641B1 (ko) | 히스토리별 사진군 포토앨범 자동 분류시스템 |
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 |