CN111862015A - 一种图像质量等级确定方法、装置及电子设备 - Google Patents

一种图像质量等级确定方法、装置及电子设备 Download PDF

Info

Publication number
CN111862015A
CN111862015A CN202010651740.7A CN202010651740A CN111862015A CN 111862015 A CN111862015 A CN 111862015A CN 202010651740 A CN202010651740 A CN 202010651740A CN 111862015 A CN111862015 A CN 111862015A
Authority
CN
China
Prior art keywords
remote sensing
target
image
sensing image
processed 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
Application number
CN202010651740.7A
Other languages
English (en)
Other versions
CN111862015B (zh
Inventor
郭从洲
李可
童晓冲
李贺
王习文
张锦添
邢巧芳
田园
郭杰
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202010651740.7A priority Critical patent/CN111862015B/zh
Publication of CN111862015A publication Critical patent/CN111862015A/zh
Application granted granted Critical
Publication of CN111862015B publication Critical patent/CN111862015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种图像质量等级确定方法、装置及电子设备，所述方法包括：获取目标遥感图像；将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。通过本方法，可以准确的对目标遥感图像进行图像质量等级确定，即可以准确的获取目标遥感图像的质量等级。

Description

一种图像质量等级确定方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种图像质量等级确定方法、装置及电子设备。
背景技术
遥感图像质量等级分类不仅能够为遥感图像处理提供先验信息，还能够为遥感图像客观质量评价提供手段，因此，如何对遥感图像进行质量等级分类成为一个值得关注的焦点问题。
目前，可以通过美国国家图像解译度分级标准(National ImageryInterpretability Rating Scale，NIIRS)对遥感图像进行质量评价，例如，可以通过获取遥感图像的相关参数(如地面采样距离、相对边缘想要、未进行后处理的图像信噪比等参数)，并根据NIRS的质量方程，计算遥感图像的质量信息。
但是，由于遥感图像的相关参数存在较难获取的问题，且上述NIRS的质量方程中，对遥感图像的相关参数要求较高，如对遥感图像的相对边缘响应的计算需要较高(即需求遥感图像都要有合适的刃边形状特征)、不同的图像信噪比的计算方法也较多等，所以，上述采用NIRS质量方程进行遥感图像质量等级分类时，存在适用性差的问题，且无法准确的对遥感图像进行质量等级分类。
发明内容
本发明实施例的目的是提供一种图像质量等级确定方法、装置及电子设备，以解决现有技术中在对遥感图像进行图像质量等级确定时，存在确定准确性差的问题。
为解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供的一种图像质量等级确定方法，所述方法包括：
获取目标遥感图像；
将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
确定与所述目标遥感图像对应的目标树状结构，并获取与所述目标树状结构对应的预先训练的目标卷积神经网络模型，所述目标卷积神经网络模式是基于所述目标树状结构和所述历史遥感图像，通过所述标准批量规范化层、所述卷积层、所述特征提取层以及所述全池化层进行训练得到，所述目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种；
将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
可选地，在所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级之前，所述方法还包括：
获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级；
对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；
所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
对所述目标遥感图像进行预处理，并将符合预设标准化条件的所述目标遥感图像输入所述预先训练的卷积神经网络模型，以得到所述目标遥感图像的质量等级。
可选地，所述基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型，包括：
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到目标分类结果；
根据预设损失函数和所述目标分类结果，对所述卷积神经网络模型进行优化处理，得到所述预先训练的卷积神经网络模型。
可选地，所述目标树结构为二叉树结构，在所述将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级之前，还包括：
获取所述历史遥感图像以及每个所述历史遥感图像的预设质量等级；
对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到第七处理图像和第八处理图像；
根据上述基于所述符合预设标准化条件的历史遥感图像得到所述第七处理图像和第八处理处理的方法，获取与所述第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像；
根据预设损失函数、所述第九处理图像、所述第十处理图像、所述第十一处理图像和所述第十二处理图像，对所述目标卷积神经网络模型进行优化处理，得到所述预先训练的目标卷积神经网络模型；
所述将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
对所述目标遥感图像进行预处理，并将符合所述预设标准化条件的所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
可选地，在所述基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像之前，还包括：
基于树结构与循环次数的预设对应关系，确定与所述目标树结构对应的目标循环次数，所述目标循环次数用于确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的数量；
所述基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像，包括：
基于所述目标循环次数，确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的目标数量；
基于所述目标数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像。
可选地，所述获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，包括：
获取第一历史遥感图像；
基于预设退化参数，对所述第一历史遥感图像进行退化处理，得到第二历史遥感图像，所述预设退化参数包括高斯模糊核参数和高斯噪声参数；
将所述第一历史遥感图像和所述第二历史遥感图像确定为所述历史遥感图像，其中，所述第一历史遥感图像的质量等级高于所述第二历史遥感图像的质量等级。
第二方面，本发明实施例提供了一种图像质量等级确定装置，所述装置包括：
图像获取模块，用于获取目标遥感图像；
等级确定模块，用于将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
可选地，所述等级确定模块，用于：
确定与所述目标遥感图像对应的目标树状结构，并获取与所述目标树状结构对应的预先训练的目标卷积神经网络模型，所述目标卷积神经网络模式是基于所述目标树状结构和所述历史遥感图像，通过所述标准批量规范化层、所述卷积层、所述特征提取层以及所述全池化层进行训练得到，所述目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种；
将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
可选地，所述装置还包括：
第一获取模块，用于获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级；
第一处理模块，用于对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
模型训练模块，用于基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；
所述等级确定模块，用于：
对所述目标遥感图像进行预处理，并将符合预设标准化条件的所述目标遥感图像输入所述预先训练的卷积神经网络模型，以得到所述目标遥感图像的质量等级。
可选地，所述模型训练模块，用于：
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到目标分类结果；
根据预设损失函数和所述目标分类结果，对所述卷积神经网络模型进行优化处理，得到所述预先训练的卷积神经网络模型。
可选地，所述目标树结构为二叉树结构，所述装置还包括：
第二获取模块，用途获取所述历史遥感图像以及每个所述历史遥感图像的预设质量等级；
第二处理模块，用于对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
第三处理模块，用于基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
第四处理模块，用于基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
第五处理模块，用于基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
第六处理模块，用于基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
第七处理模块，用于基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
第八处理模块，用于基于预设逻辑回归层，对所述第六处理图像进行处理，得到第七处理图像和第八处理图像；
图像确定模块，用于根据上述基于所述符合预设标准化条件的历史遥感图像得到所述第七处理图像和第八处理处理的方法，获取与所述第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像；
模型确定模块，用于根据预设损失函数、所述第九处理图像、所述第十处理图像、所述第十一处理图像和所述第十二处理图像，对所述目标卷积神经网络模型进行优化处理，得到所述预先训练的目标卷积神经网络模型；
所述等级确定模块，用于：
对所述目标遥感图像进行预处理，并将符合所述预设标准化条件的所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
可选地，所述装置还包括：
次数确定模块，用于基于树结构与循环次数的预设对应关系，确定与所述目标树结构对应的目标循环次数，所述目标循环次数用于确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的数量；
所述基于所述第四处理模块，用于：
基于所述目标循环次数，确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的目标数量；
基于所述目标数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像。
可选地，所述第一获取模块，用于：
获取第一历史遥感图像；
基于预设退化参数，对所述第一历史遥感图像进行退化处理，得到第二历史遥感图像，所述预设退化参数包括高斯模糊核参数和高斯噪声参数；
将所述第一历史遥感图像和所述第二历史遥感图像确定为所述历史遥感图像，其中，所述第一历史遥感图像的质量等级高于所述第二历史遥感图像的质量等级。
第三方面，本发明实施例提供一种异常检测设备，包括处理器、存储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，所述计算机程序被所述处理器执行时实现上述实施例提供的图像质量等级确定方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的图像质量等级确定方法的步骤。
由以上本发明实施例提供的技术方案可见，本发明实施例通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
附图说明
为了更清楚地说明本发明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发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种图像质量等级确定方法的流程示意图；
图2为本发明又一种图像质量等级确定方法的流程示意图；
图3为本发明一种卷积神经网络模型的结构示意图；
图4为本发明又一种图像质量等级确定方法的流程示意图；
图5为本发明一种目标树状结构的示意图；
图6为本发明又一种目标树状结构的示意图；
图7为本发明又一种目标树状结构的示意图；
图8为本发明又一种图像质量等级确定方法的流程示意图；
图9为本发明一种图像质量等级确定装置的结构示意图；
图10为本发明一种电子设备的结构示意图。
具体实施方式
本发明实施例提供一种图像质量等级确定方法、装置及电子设备。
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
实施例一
如图1所示，本发明实施例提供一种图像质量等级确定方法，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S102中，获取目标遥感图像。
其中，目标遥感图像可以是根据遥感图像获取设备(如卫星、雷达等)获取的针对某一区域的任意一个或多个遥感图像。
在实施中，遥感图像质量等级分类不仅能够为遥感图像处理提供先验信息，还能够为遥感图像客观质量评价提供手段，因此，如何对遥感图像进行质量等级分类成为一个值得关注的焦点问题。
目前，可以通过美国国家图像解译度分级标准(National ImageryInterpretability Rating Scale，NIIRS)对遥感图像进行质量评价，例如，可以通过获取遥感图像的相关参数(如地面采样距离、相对边缘想要、未进行后处理的图像信噪比等参数)，并根据NIRS的质量方程，计算遥感图像的质量信息。
但是，由于遥感图像的相关参数存在较难获取的问题，且上述NIRS的质量方程中，对遥感图像的相关参数要求较高，如对遥感图像的相对边缘响应的计算需要较高(即需求遥感图像都要有合适的刃边形状特征)、不同图像信噪比的计算方法也较多等，所以，上述采用NIRS质量方程进行遥感图像质量等级分类时，存在适用性差的问题，且无法准确的对遥感图像进行质量等级分类。为此，本发明实施例提供另一种实现方案，具体可以包括以下内容：
服务器可以从预先存储的实际遥感图像资料中获取针对某一卫星在某一时间段内获取到的遥感图像，并将获取到的遥感图像确定为目标遥感图像，以根据最终获取的目标遥感图像的质量等级，确定该卫星的实际拍摄能力，或确定该卫星在该时间段是否存在故障等。
在S104中，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级。
其中，卷积神经网络模型可以为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层，其中，历史遥感图像可以是基于预先存储的遥感图像资料获取的遥感图像，且每个历史遥感图像都可以有预设的质量等级(如可以根据每个历史遥感图像对应的卫星的拍摄参数确定对应的支路等)。
在实施中，由于遥感图像的质量与图像的大小没有必然的关系，从一个尺寸大的遥感图像中截取一小部分图像，该小部分的质量等级完全可以代表原遥感图像的质量等级，因此图像的输入可以取成相对固定的尺寸。即服务器可以基于预设尺寸，对获取的目标遥感图像进行截取处理，并将截取处理后的目标遥感图像输入预先训练的卷积神经网络模型，同样的，在对卷积神经网络模型进行训练时，也可以基于同样的预设尺寸，对历史遥感图像进行截取处理，并根据截取处理后的历史遥感图像，进行卷积神经网络模型的训练。
预先训练的卷积神经网络模型可以包括标准批量规范化层(BatchNormalization，BN层)、卷积层(Conv层)、特征提取层(BN+Conv+Relu+MaxPooling，BCRM层)以及全池化层(Global average pooling层)、线性整流函数(Relu)以及逻辑回归层(Softmax)等，其中，特征提取层还可以包括最大池化层(MaxPooling层)。
由于卷积神经网络模型中加入了多个BN层，并将全局平均池化层替换为分类器中常用的完全连接，所以，可以缓解过拟合问题和减少额外链接参数，同时，在特征提取层中加入了最大池化层，也可以保持历史遥感图像在训练过程中从大到小过程中的细节特征，另外，在卷积层后加入线性修正单元(即通过线性整流函数进行修正)，可以提高模型收敛速度，避免梯度消失。
通过历史遥感图像对上述卷积神经网络模型进行训练，可以得到训练后的卷积神经网络模型，在将目标遥感图像输入该预先训练的卷积神经网络模型，可以得到目标遥感图像的质量等级。
本发明实施例提供一种图像质量等级确定方法，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
实施例二
如图2所示，本发明实施例提供一种图像质量等级确定方法，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S202中，获取历史遥感图像以及每个历史遥感图像对应的预设质量等级。
在实际应用中，上述S202的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤三处理。
步骤一，获取第一历史遥感图像。
步骤二，基于预设退化参数，对第一历史遥感图像进行退化处理，得到第二历史遥感图像。
其中，预设退化参数可以包括高斯模糊核参数和高斯噪声参数。
在实施中，假设获取的第一历史遥感图像为针对某地的610幅遥感图像，可以基于9种不同尺度的高斯模糊核参数和高斯噪声参数，对这610幅遥感图像进行退化处理，即可以得到9组不同的第二历史遥感图像，每组第二历史遥感图像可以包括610幅遥感图像。
其中，9种不同尺度的高斯模糊核参数和高斯噪声参数可以如下表1所示。
表1
Figure BDA0002575234370000111
上述对第一历史遥感图像的退化处理是一种可选地、可实现的退化处理，在实际应用场景中，还可以有多种不同的退化处理，可以根据实际场景的不同而有所不同，本发明实施例对此不作具体限定。
步骤三，将第一历史遥感图像和第二历史遥感图像确定为历史遥感图像。
其中，第一历史遥感图像的质量等级可以高于第二历史遥感图像的质量等级。
在实施中，以上表1中的第一历史遥感图像和第二历史遥感图像1-9为例，可以将上述第一历史遥感图像和第二历史遥感图像1-9作为历史遥感图像，即历史遥感图像可以有610*10＝6100幅，且可以将第一历史遥感图像的质量等级可以为1，第二历史遥感图像1的质量等级可以为2，第二历史遥感图像2的支路等级可以为3，以此类推，可以得到每个历史遥感图像的质量等级，且质量等级越小，则表示历史遥感图像的图像质量越好，即第一历史遥感图像的图像质量优于第二历史遥感图像。
在S204中，对历史遥感图像进行预处理，得到符合预设标准化条件的历史遥感图像。
在实施中，可以对历史遥感图像进行Z-Score标准化预处理，目的是将历史遥感图像中的像素值分布调整为近似正态分布，提升卷积神经网络模型在训练中的激活能力，即对历史遥感图像进行预处理，得到符合预设标准化条件的历史遥感图像。
在S206中，基于符合预设标准化条件的历史遥感图像以及每个历史遥感图像对应的预设质量等级，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。
在实际应用中，上述S206的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤七处理。
步骤一，基于第一卷积层和线性整流函数，对符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像。
步骤二，基于预设数量的第一标准批量规范化层和第二卷积层，依次对第一处理图像进行处理，得到第二处理图像。
步骤三，基于第二标准批量规范化层、第三卷积层和线性整理函数，依次对第三处理图像进行处理，得到第四处理图像。
步骤四，基于第四标准批量规范化层和第四卷积层，对第四处理图像进行处理，得到第五处理图像。
步骤五，基于全池化层，对第五处理图像进行处理，得到第六处理图像。
步骤六，基于预设逻辑回归层，对第六处理图像进行处理，得到目标分类结果。
步骤七，根据预设损失函数和目标分类结果，对卷积神经网络模型进行优化处理，得到预先训练的卷积神经网络模型。
其中，损失函数可以是用来估量卷积神经网络模型的预测值与真实标签值(即历史遥感图像的质量等级)的接近程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好，例如，可以选取交叉熵函数作为损失函数来对卷积神经网络模型的参数进行迭代优化处理。
在实施中，可以根据上述步骤一～步骤七，构建如图3所示的卷积神经网络模型。
在S208中，获取目标遥感图像。
在S210中，对目标遥感图像进行预处理，并将符合预设标准化条件的目标遥感图像输入预先训练的卷积神经网络模型，以得到目标遥感图像的质量等级。
上述S208～S210的具体处理过程可以参见上述实施例一中的S102～104的相关内容，在此不再赘述。
本发明实施例提供一种图像质量等级确定方法，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
实施例三
如图4所示，本发明实施例提供一种图像质量等级确定方法，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S402中，获取目标遥感图像。
在S404中，确定与目标遥感图像对应的目标树状结构，并获取与目标树状结构对应的预先训练的目标卷积神经网络模型。
其中，目标卷积神经网络模式可以是基于目标树状结构和历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种。
在实施中，假设需要将目标遥感图像分为11个质量等级，对应的历史遥感图像也可以有11个质量等级，可以根据这11个质量等级的历史遥感图像，以及目标树状结构，对目标卷积神经网络模型进行训练，以得到预先训练的目标卷积神经网络模型。
例如，如图5所示，目标树状结构可以为二叉树结构，如图6所示，目标树状结构也可以包括二叉树结构、三叉树结构和四叉树结构，如图7所示，目标梳妆结构也可以包括五叉树结构和六叉树结构。
以上述图5中的目标树状结构为二叉树结构为例，由于任何一个大于1的整数都可以是小于它的正整数的某个线性组合，所以，可以根据历史遥感图像的质量等级，对历史遥感图像进行分类，以历史遥感图像的质量等级为11级为例，流程如下：
第1步：标签替换1：将历史遥感图像根据质量标签(即历史遥感图像的质量等级)分为两组，质量标签为1-5的数据，其标签全部替换为虚拟标签15(1+2+3+4+5＝15)，也可以是其它数字，记为a1组；质量标签为6-11的数据，其标签全部替换为虚拟标签51(6+7+8+9+10+11＝51)记为a2组；
第2步：等级分类1：利用虚拟标签值和2级分类网络实现分类，存入两个文件夹中，分别记为c15级数据和c51级数据；
第3步：标签替换2：将质量等级为c51的数据利用原始标签分为两组，质量标签为1-3的数据，其标签全部替换为虚拟标签6(1+2+3＝6)，记为b1组；质量标签为4-5的数据，其标签全部替换为虚拟标签9(4+5＝9)，记为b2组；将质量等级为51的数据利用原始标签也分为两组，质量标签为6-9的数据，记为b3组，其标签全部替换为虚拟标签30(6+7+8+9＝30)；质量标签为10-11的数据，其标签全部替换为虚拟标签21(10+11＝21)，记为b4组；
第4步：等级分类2：利用虚拟标签值和2级分类网络将b1～b4组数据实现等级分类，分别存入四个文件夹，记为c6级数据、c9级数据、c30级数据和c21级数据；
第5步：c6级数据只有3个质量类数据，真实标签值分别为1、2、3级，利用3分类网络实现分类；c9级和c21级只有2个质量类数据，利用真实标签值和2级分类网络实现分类；c30级数据有4个质量类数据，可以利用真实标签值和4级分类网络实现分类。
在S406中，将目标遥感图像输入预先训练的目标卷积神经网络模型，得到目标遥感图像的质量等级。
本发明实施例提供一种图像质量等级确定方法，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
实施例四
如图8所示，本发明实施例提供一种图像质量等级确定方法，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，本发明实施例是以目标树状结构为二叉树结构为例，该方法具体可以包括以下步骤：
在S802中，获取目标遥感图像。
在S804中，确定与目标遥感图像对应的目标树状结构，并获取与目标树状结构对应的预先训练的目标卷积神经网络模型。
在S806中，基于树结构与循环次数的预设对应关系，确定与目标树结构对应的目标循环次数。
其中，目标循环次数用于确定特征提取层包括的标准批量规范化层和卷积层的数量。
在S808中，获取历史遥感图像以及每个历史遥感图像的预设质量等级。
在S810中，对历史遥感图像进行预处理，得到符合预设标准化条件的历史遥感图像。
在S812中，基于第一卷积层和线性整流函数，对符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像。
在S814中，基于预设数量的第一标准批量规范化层和第二卷积层，依次对第一处理图像进行处理，得到第二处理图像。
在实施中，可以基于目标循环次数，确定特征提取层包括的标准批量规范化层和卷积层的目标数量。基于目标数量的第一标准批量规范化层和第二卷积层，依次对第一处理图像进行处理，得到第二处理图像。
在S816中，基于第二标准批量规范化层、第三卷积层和线性整理函数，依次对第三处理图像进行处理，得到第四处理图像。
在S818中，基于第四标准批量规范化层和第四卷积层，对第四处理图像进行处理，得到第五处理图像。
在S820中，基于全池化层，对第五处理图像进行处理，得到第六处理图像。
在S822中，基于预设逻辑回归层，对第六处理图像进行处理，得到第七处理图像和第八处理图像。
在S824中，根据基于符合预设标准化条件的历史遥感图像得到第七处理图像和第八处理处理的方法，获取与第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像。
在S826中，根据预设损失函数、第九处理图像、第十处理图像、第十一处理图像和第十二处理图像，对目标卷积神经网络模型进行优化处理，得到预先训练的目标卷积神经网络模型。
在实施中，以图5所示的目标树状结构为例，在对目标卷积神经网络模型进行训练的过程中，在每一次等级分类的过程中，都可以基于上述S810～S826进行训练。例如，在将c15分为c6和c9的过程中，c15即为S810中的符合预设标准化条件的历史遥感图像，c6和c9分别为第七处理图像和第八处理图像，同样的，c1即为第九处理图像，c10即为第十处理图像，以此类推，可以对图5构建的目标树状结构进行目标卷积神经网络模型的训练。
在S828中，对目标遥感图像进行预处理，并将符合预设标准化条件的目标遥感图像输入预先训练的目标卷积神经网络模型，得到目标遥感图像的质量等级。
本发明实施例提供一种图像质量等级确定方法，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
实施例五
以上为本发明实施例提供的图像质量等级确定方法，基于同样的思路，本发明实施例还提供一种图像质量等级确定装置，如图9所示。
该图像质量等级确定装置包括：图像获取模块901和等级确定模块902，其中：
图像获取模块901，用于获取目标遥感图像；
等级确定模块902，用于将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
在本发明实施例中，所述等级确定模块902，用于：
确定与所述目标遥感图像对应的目标树状结构，并获取与所述目标树状结构对应的预先训练的目标卷积神经网络模型，所述目标卷积神经网络模式是基于所述目标树状结构和所述历史遥感图像，通过所述标准批量规范化层、所述卷积层、所述特征提取层以及所述全池化层进行训练得到，所述目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种；
将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
在本发明实施例中，所述装置还包括：
第一获取模块，用于获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级；
第一处理模块，用于对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
模型训练模块，用于基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；
所述等级确定模块，用于：
对所述目标遥感图像进行预处理，并将符合预设标准化条件的所述目标遥感图像输入所述预先训练的卷积神经网络模型，以得到所述目标遥感图像的质量等级。
在本发明实施例中，所述模型训练模块，用于：
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到目标分类结果；
根据预设损失函数和所述目标分类结果，对所述卷积神经网络模型进行优化处理，得到所述预先训练的卷积神经网络模型。
在本发明实施例中，所述目标树结构为二叉树结构，所述装置还包括：
第二获取模块，用途获取所述历史遥感图像以及每个所述历史遥感图像的预设质量等级；
第二处理模块，用于对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
第三处理模块，用于基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
第四处理模块，用于基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
第五处理模块，用于基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
第六处理模块，用于基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
第七处理模块，用于基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
第八处理模块，用于基于预设逻辑回归层，对所述第六处理图像进行处理，得到第七处理图像和第八处理图像；
图像确定模块，用于根据上述基于所述符合预设标准化条件的历史遥感图像得到所述第七处理图像和第八处理处理的方法，获取与所述第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像；
模型确定模块，用于根据预设损失函数、所述第九处理图像、所述第十处理图像、所述第十一处理图像和所述第十二处理图像，对所述目标卷积神经网络模型进行优化处理，得到所述预先训练的目标卷积神经网络模型；
所述等级确定模块，用于：
对所述目标遥感图像进行预处理，并将符合所述预设标准化条件的所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
在本发明实施例中，所述装置还包括：
次数确定模块，用于基于树结构与循环次数的预设对应关系，确定与所述目标树结构对应的目标循环次数，所述目标循环次数用于确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的数量；
所述基于所述第四处理模块，用于：
基于所述目标循环次数，确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的目标数量；
基于所述目标数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像。
在本发明实施例中，所述第一获取模块，用于：
获取第一历史遥感图像；
基于预设退化参数，对所述第一历史遥感图像进行退化处理，得到第二历史遥感图像，所述预设退化参数包括高斯模糊核参数和高斯噪声参数；
将所述第一历史遥感图像和所述第二历史遥感图像确定为所述历史遥感图像，其中，所述第一历史遥感图像的质量等级高于所述第二历史遥感图像的质量等级。
本发明实施例提供一种图像质量等级确定装置，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
实施例六
图10为实现本发明各个实施例的一种电子设备的硬件结构示意图，
该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器10010、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、处理器1010、以及电源1011等部件。本领域技术人员可以理解，图10中示出的电子设备结构并不构成对电子设备的限定，电子设备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。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中，处理器1010，用于：获取目标遥感图像；将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
此外，处理器1010，还用于：确定与所述目标遥感图像对应的目标树状结构，并获取与所述目标树状结构对应的预先训练的目标卷积神经网络模型，所述目标卷积神经网络模式是基于所述目标树状结构和所述历史遥感图像，通过所述标准批量规范化层、所述卷积层、所述特征提取层以及所述全池化层进行训练得到，所述目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种；将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
另外，处理器1010，还用于：获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级；对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；对所述目标遥感图像进行预处理，并将符合预设标准化条件的所述目标遥感图像输入所述预先训练的卷积神经网络模型，以得到所述目标遥感图像的质量等级。
此外，处理器1010，还用于：基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；基于预设逻辑回归层，对所述第六处理图像进行处理，得到目标分类结果；根据预设损失函数和所述目标分类结果，对所述卷积神经网络模型进行优化处理，得到所述预先训练的卷积神经网络模型。
另外，处理器1010，还用于：获取所述历史遥感图像以及每个所述历史遥感图像的预设质量等级；对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；基于预设逻辑回归层，对所述第六处理图像进行处理，得到第七处理图像和第八处理图像；根据上述基于所述符合预设标准化条件的历史遥感图像得到所述第七处理图像和第八处理处理的方法，获取与所述第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像；根据预设损失函数、所述第九处理图像、所述第十处理图像、所述第十一处理图像和所述第十二处理图像，对所述目标卷积神经网络模型进行优化处理，得到所述预先训练的目标卷积神经网络模型；对所述目标遥感图像进行预处理，并将符合所述预设标准化条件的所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
此外，处理器1010，还用于：基于树结构与循环次数的预设对应关系，确定与所述目标树结构对应的目标循环次数，所述目标循环次数用于确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的数量；基于所述目标循环次数，确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的目标数量；基于所述目标数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像。
另外，处理器1010，还用于：获取第一历史遥感图像；基于预设退化参数，对所述第一历史遥感图像进行退化处理，得到第二历史遥感图像，所述预设退化参数包括高斯模糊核参数和高斯噪声参数；将所述第一历史遥感图像和所述第二历史遥感图像确定为所述历史遥感图像，其中，所述第一历史遥感图像的质量等级高于所述第二历史遥感图像的质量等级。
本发明实施例提供一种电子设备，通过获取目标遥感图像，将目标遥感图像输入预先训练的卷积神经网络模型，得到目标遥感图像的质量等级，卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，特征提取层包括预设数量的标准批量规范化层和卷积层。这样，由于在卷积神经网络模型中添加了特征提取层，因而可以提高卷积神经网络模型的繁华能力，可以适应不同数据分布的目标遥感图像，提高了网络的训练速度，能够准确的确定目标遥感图像的质量等级，即提高遥感图像的图像质量等级的确定准确性。
应理解的是，本发明实施例中，射频单元1001可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器1010处理；另外，将上行的数据发送给基站。通常，射频单元1001包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元1001还可以通过无线通信系统与网络和其他电子设备通信。
电子设备通过网络模块1002为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元1003可以将射频单元1001或网络模块1002接收的或者在存储器1009中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元1003还可以提供与电子设备1000执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元1003包括扬声器、蜂鸣器以及受话器等。
输入单元1004用于接收音频或视频信号。输入单元1004可以包括图形处理器(Graphics Processing Unit，GPU)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元1006上。经图形处理器10041处理后的图像帧可以存储在存储器1009(或其它存储介质)中或者经由射频单元1001或网络模块1002进行发送。麦克风10042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元1001发送到移动通信基站的格式输出。
电子设备1000还包括至少一种传感器1005，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板10061的亮度，接近传感器可在电子设备1000移动到耳边时，关闭显示面板10061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器1005还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元1006用于显示由用户输入的信息或提供给用户的信息。显示单元1006可包括显示面板10061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板10061。
用户输入单元1007可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071，也称为触摸屏，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控面板10071上或在触控面板10071附近的操作)。触控面板10071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1010，接收处理器1010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控面板10071。除了触控面板10071，用户输入单元1007还可以包括其他输入设备10072。具体地，其他输入设备10072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，在此不再赘述。
进一步的，触控面板10071可覆盖在显示面板10061上，当触控面板10071检测到在其上或附近的触摸操作后，传送给处理器1010以确定触摸事件的类型，随后处理器1010根据触摸事件的类型在显示面板10061上提供相应的视觉输出。虽然在图10中，触控面板10071与显示面板10061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板10071与显示面板10061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元1008为外部装置与电子设备1000连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元1008可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备1000内的一个或多个元件或者可以用于在电子设备1000和外部装置之间传输数据。
存储器1009可用于存储软件程序以及各种数据。存储器1009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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1009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。
处理器1010是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器1009内的软件程序和/或模块，以及调用存储在存储器1009内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器1010可包括一个或多个处理单元；优选的，处理器1010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1010中。
电子设备1000还可以包括给各个部件供电的电源1011(比如电池)，优选的，电源1011可以通过电源管理系统与处理器1010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。
优选的，本发明实施例还提供一种电子设备，包括处理器1010，存储器1009，存储在存储器1009上并可在所述处理器1010上运行的计算机程序，该计算机程序被处理器1010执行时实现上述图像质量等级确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
实施例七
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述图像质量等级确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
本发明实施例提供一种计算机可读存储介质，通过获取目标数据，目标数据为包含用户通话感知指标的时间序列数据，然后将目标数据输入预先训练的层次时间记忆模型，以得到预测数据，其中，层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到，最后基于预测数据，确定用户通话感知指标是否存在异常。这样，可以基于预测数据对用户通话感知指标是否存在异常进行判断，而不需要人工对用户通话感知指标数据进行检测，可以提高数据检测的效率以及数据检测的准确性。同时，通过层次时间记忆模型进行用户通话感知指标数据的预测，可以在用户使用通话业务前，及时发现可能存在异常的用户通话感知指标，避免由于异常检测的滞后性而导致的用户通话感知较差的问题，从而保障用户对通话业务有较好的主观感知。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的定界，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种图像质量等级确定方法，其特征在于，所述方法包括：
获取目标遥感图像；
将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
确定与所述目标遥感图像对应的目标树状结构，并获取与所述目标树状结构对应的预先训练的目标卷积神经网络模型，所述目标卷积神经网络模式是基于所述目标树状结构和所述历史遥感图像，通过所述标准批量规范化层、所述卷积层、所述特征提取层以及所述全池化层进行训练得到，所述目标树状结构包括但不限于二叉树结构、三叉树结构、四叉树结构、五叉树结构和六叉树结构中的一种或多种；
将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
3.根据权利要求1所述的方法，其特征在于，在所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级之前，所述方法还包括：
获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级；
对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型；
所述将所述目标遥感图像输入所述预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
对所述目标遥感图像进行预处理，并将符合预设标准化条件的所述目标遥感图像输入所述预先训练的卷积神经网络模型，以得到所述目标遥感图像的质量等级。
4.根据权利要求3所述的方法，其特征在于，所述基于所述符合预设标准化条件的历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，对所述卷积神经网络模型进行训练，得到所述训练后的卷积神经网络模型，包括：
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到目标分类结果；
根据预设损失函数和所述目标分类结果，对所述卷积神经网络模型进行优化处理，得到所述预先训练的卷积神经网络模型。
5.根据权利要求2所述的方法，其特征在于，所述目标树结构为二叉树结构，在所述将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级之前，还包括：
获取所述历史遥感图像以及每个所述历史遥感图像的预设质量等级；
对所述历史遥感图像进行预处理，得到符合预设标准化条件的所述历史遥感图像；
基于第一卷积层和所述线性整流函数，对所述符合预设标准化条件的历史遥感图像进行处理，得到第一处理图像；
基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像；
基于第二标准批量规范化层、第三卷积层和所述线性整理函数，依次对所述第三处理图像进行处理，得到第四处理图像；
基于第四标准批量规范化层和第四卷积层，对所述第四处理图像进行处理，得到第五处理图像；
基于所述全池化层，对所述第五处理图像进行处理，得到第六处理图像；
基于预设逻辑回归层，对所述第六处理图像进行处理，得到第七处理图像和第八处理图像；
根据上述基于所述符合预设标准化条件的历史遥感图像得到所述第七处理图像和第八处理处理的方法，获取与所述第七处理图像对应的第九处理图像和第十处理图像，以及与第八处理图像对应的第十一处理图像和第十二处理图像；
根据预设损失函数、所述第九处理图像、所述第十处理图像、所述第十一处理图像和所述第十二处理图像，对所述目标卷积神经网络模型进行优化处理，得到所述预先训练的目标卷积神经网络模型；
所述将所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级，包括：
对所述目标遥感图像进行预处理，并将符合所述预设标准化条件的所述目标遥感图像输入所述预先训练的目标卷积神经网络模型，得到所述目标遥感图像的质量等级。
6.根据权利要求5所述的方法，其特征在于，在所述基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像之前，还包括：
基于树结构与循环次数的预设对应关系，确定与所述目标树结构对应的目标循环次数，所述目标循环次数用于确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的数量；
所述基于所述预设数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像，包括：
基于所述目标循环次数，确定所述特征提取层包括的所述标准批量规范化层和所述卷积层的目标数量；
基于所述目标数量的第一标准批量规范化层和第二卷积层，依次对所述第一处理图像进行处理，得到第二处理图像。
7.根据权利要求2所述的方法，其特征在于，所述获取所述历史遥感图像以及每个所述历史遥感图像对应的预设质量等级，包括：
获取第一历史遥感图像；
基于预设退化参数，对所述第一历史遥感图像进行退化处理，得到第二历史遥感图像，所述预设退化参数包括高斯模糊核参数和高斯噪声参数；
将所述第一历史遥感图像和所述第二历史遥感图像确定为所述历史遥感图像，其中，所述第一历史遥感图像的质量等级高于所述第二历史遥感图像的质量等级。
8.一种图像质量等级确定装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标遥感图像；
等级确定模块，用于将所述目标遥感图像输入预先训练的卷积神经网络模型，得到所述目标遥感图像的质量等级，所述卷积神经网络模型为基于历史遥感图像，通过标准批量规范化层、卷积层、特征提取层以及全池化层进行训练得到，其中，所述特征提取层包括预设数量的所述标准批量规范化层和所述卷积层。
9.一种电子设备，其特征在于，包括处理器、存储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，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的图像质量等级确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像质量等级确定方法的步骤。
CN202010651740.7A 2020-07-08 2020-07-08 一种图像质量等级确定方法、装置及电子设备 Active CN111862015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010651740.7A CN111862015B (zh) 2020-07-08 2020-07-08 一种图像质量等级确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010651740.7A CN111862015B (zh) 2020-07-08 2020-07-08 一种图像质量等级确定方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111862015A true CN111862015A (zh) 2020-10-30
CN111862015B CN111862015B (zh) 2024-03-19

Family

ID=73153168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010651740.7A Active CN111862015B (zh) 2020-07-08 2020-07-08 一种图像质量等级确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111862015B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943900A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于深度学习的海洋环境质量等级评价方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021910A (zh) * 2018-01-04 2018-05-11 青岛农业大学 基于图谱识别和深度学习的果实分类的分析方法
WO2018099579A1 (en) * 2016-12-02 2018-06-07 Huawei Technologies Co., Ltd. Apparatus and method for encoding an image
CN109583369A (zh) * 2018-11-29 2019-04-05 北京邮电大学 一种基于目标区域分割网络的目标识别方法及装置
WO2020107156A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺医学超声图像的自动化分类方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018099579A1 (en) * 2016-12-02 2018-06-07 Huawei Technologies Co., Ltd. Apparatus and method for encoding an image
CN108021910A (zh) * 2018-01-04 2018-05-11 青岛农业大学 基于图谱识别和深度学习的果实分类的分析方法
WO2020107156A1 (zh) * 2018-11-26 2020-06-04 深圳先进技术研究院 乳腺医学超声图像的自动化分类方法及装置
CN109583369A (zh) * 2018-11-29 2019-04-05 北京邮电大学 一种基于目标区域分割网络的目标识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李素梅;常永莉;段志成;: "基于卷积神经网络的立体图像舒适度客观评价", 光学学报, no. 06 *
秦亿青;池明?;: "结合场景分类数据的高分遥感图像语义分割方法", 计算机应用与软件, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943900A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于深度学习的海洋环境质量等级评价方法、装置及介质

Also Published As

Publication number Publication date
CN111862015B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN111260665B (zh) 图像分割模型训练方法和装置
CN110136142A (zh) 一种图像裁剪方法、装置、电子设备
CN110674019A (zh) 一种预测系统故障的方法、装置及电子设备
CN108427873B (zh) 一种生物特征识别方法及移动终端
CN110798718B (zh) 一种视频推荐方法以及装置
CN109857494B (zh) 一种消息提示方法及终端设备
CN110674112A (zh) 一种数据查询的方法、装置及电子设备
CN113284142A (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN113822427A (zh) 一种模型训练的方法、图像匹配的方法、装置及存储介质
CN114612531B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113706446B (zh) 一种镜头检测方法和相关装置
CN111862015B (zh) 一种图像质量等级确定方法、装置及电子设备
CN115841575A (zh) 关键点检测方法、装置、电子设备、存储介质和程序产品
CN112311935B (zh) 一种异常检测方法、装置及电子设备
CN113259954A (zh) 一种质差处理策略的确定方法、装置及电子设备
CN113128809A (zh) 一种机房评估方法、装置及电子设备
CN111818548B (zh) 一种数据的处理方法、装置及设备
CN113536876A (zh) 一种图像识别方法和相关装置
CN107979691B (zh) 一种主题推荐方法和服务器
CN113535693B (zh) 一种移动平台的数据真值确定方法、装置及电子设备
CN111981975B (zh) 物体体积测量方法、装置、测量设备及存储介质
CN110752867B (zh) 一种网络匹配方法、装置及电子设备
US20210203748A1 (en) Electronic device for transmitting and receiving data with server device
CN118796628A (zh) 一种数据处理方法、装置及电子设备
CN118823429A (zh) 图像分类模型训练方法、装置、设备及介质

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