CN113366420B - 图像处理方法、计算机可读存储介质和计算机设备 - Google Patents
图像处理方法、计算机可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN113366420B CN113366420B CN201980090804.6A CN201980090804A CN113366420B CN 113366420 B CN113366420 B CN 113366420B CN 201980090804 A CN201980090804 A CN 201980090804A CN 113366420 B CN113366420 B CN 113366420B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- target
- terminal
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种图像处理方法,包括:接收终端上传的第一位置信息,并获取所述终端对应的用户画像;基于所述用户画像及位置信息从图片库中筛选出匹配的目标图像;将所述目标图像发送给所述终端。
Description
技术领域
本申请涉及影像技术领域,特别是涉及一种图像处理方法、非易失性计算机可读存储介质和计算机设备。
背景技术
随着影像技术的快速发展,使用手机、摄像机、平板电脑等进行图像拍摄成为人们日常生活的娱乐方式之一。然而,人们在进行图像拍摄时,往往受限于拍摄场景和自身的拍摄水平,以致无法在合适的拍摄场景下拍摄到高质量的图像。
互联网的发展丰富了人们所能接触的图像资源,人们可以通过互联网的图像资源获取合适的拍摄场景、构图方式等。目前,常用的图像资源获取方式包括:通过搜索引擎、应用程序等查找需要的图像资源;通过社交网站查看其它用户分享的图像资源等。
发明内容
根据本申请的各种实施例提供一种图像处理方法、非易失性计算机可读存储介质和计算机设备。
一种图像处理方法,包括:
接收终端上传的第一位置信息,并获取所述终端对应的用户画像;
基于所述用户画像及第一位置信息从图片库中筛选出匹配的目标图像;及
将所述目标图像发送给所述终端。
一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行以下操作:
接收终端上传的第一位置信息,并获取所述终端对应的用户画像;
基于所述用户画像及第一位置信息从图片库中筛选出匹配的目标图像;及
将所述目标图像发送给所述终端。
一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行以下操作:
接收终端上传的第一位置信息,并获取所述终端对应的用户画像;
基于所述用户画像及第一位置信息从图片库中筛选出匹配的目标图像;及
将所述目标图像发送给所述终端。
通过区分不同终端对应的用户画像,当接收到终端上传的第一位置信息,可以获取该终端对应的用户画像,并基于该用户画像及第一位置信息从图片库筛序出匹配的目标图像,由于终端对应的用户画像即反映了该终端的图像需求,即可以实现从图片库中得到与终端的位置匹配并满足终端个性化需求的图像,从而将得到的目标图像发送给终端,终端基于目标图像可以得到合适的拍摄场景、构图方式等,可以提高图像推送的准确性,满足不同用户的个性化需求。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征、目的和优点将从说明书、附图以及权利要求书变得明显。
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的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中图像处理方法的应用环境图。
图2为一个实施例中图像处理方法的流程图。
图3为一个实施例中建立图片库的流程图。
图4为一个实施例中训练图像评分模型的流程图。
图5为一个实施例中建立图像标签库的流程图。
图6为一个实施例中从图片库中筛选目标图像的流程图。
图7为一个实施例中训练图像推荐模型的流程图。
图8为一个实施例的图像处理装置的结构框图。
图9为另一个实施例中图像处理装置的结构框图。
图10为一个实施例中服务器(或云端等)的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一位置信息称为第二位置信息,且类似地,可将第二位置信息称为第一位置信息。第一位置信息和第一位置信息两者都是位置信息,但其不是同一位置信息。
图1为一个实施例中图像处理方法的应用环境图。如图1所示,该应用环境包括服务器110和终端120。服务器110设有图片库,服务器110可以接收终端120上传的第一位置信息,并获取终端120对应的用户画像,基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像,将目标图像发送给终端120。其中,服务器110可为单独的一个服务器,也可为多个服务器组成的服务器集群。终端120可以不限于是各种手机、电脑、可携带设备等。
图2为一个实施例中图像处理方法的流程图。如图2所示,图像处理方法包括操作202至操作206。
操作202,接收终端上传的第一位置信息,并获取终端对应的用户画像。
位置信息是指在地图上的具体位置信息。具体地,第一位置信息可以是终端当前的位置信息,终端可以通过GPS(Global Positioning System,全球定位系统)或移动网络等获取终端当前的经纬度信息,根据经纬度信息得到终端的第一位置信息;第一位置信息也可以是终端规划的即将到达的位置信息,例如,终端可以获取用户的行程信息,根据行程信息得到第一位置信息;第一位置信息还可以是终端获取的由用户输入的感兴趣的位置信息。第一位置信息可以具体到国家、省、市、区或具体的景点等。用户画像是用于体现终端对图像的需求特征的工具。具体地,用户画像可以基于终端的浏览信息、对图像的操作信息等生成。
服务器接收终端上传的第一位置信息,并获取终端对应的用户画像。具体地,服务器存储有各个终端对应的用户画像,服务器可以在接收终端上传的第一位置信息时,获取该终端对应的用户画像。
操作204,基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像。
图片库包含有可供筛选的样本图像。样本图像可以是各个终端上传的图像,也可以是第三方系统的图像。第三方系统可以是各种具有图像分享或存储功能的系统,如instagram、flickr、豆瓣等网站。进一步,图片库中的样本图像可以是对终端上传的图像或第三方系统的图像进行筛选后得到的。例如,服务器可以对样本图像进行评分,将分数超过分数阈值的样本图像存储至图片库中。可选地,终端上传的图像和第三方系统的图像可以以图像包含的信息、图像的分数、或图像对应的标签等形式存储于图片库中。
服务器基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像。目标图像可以是一个或多个。具体地,图片库中可以包含有样本图像对应的样本标签,服务器可以将用户画像与第一位置信息与图片库中包含的样本图像的信息、样本标签等进行匹配,将匹配度最高或匹配度超过匹配度阈值的样本标签对应的样本图像作为目标图像;服务器也可以基于预设的图像推荐模型来筛选目标图像,将获取的用户画像及第一位置信息输入至图像推荐模型,得到图像推荐模型输出的目标图像。可选地,当图片库中没有与该用户画像及第一位置信息匹配的目标图像时,服务器可以将图片库中包含的样本图像中评分分数最高的一个或多个样本图像作为目标图像。
操作206,将目标图像发送给终端。
服务器可以将目标图像发送给终端。终端可以接收服务器发送的目标图像,并将目标图像进行展示。进一步地,服务器可以按照图像的分数为顺序将目标图像发送给终端,以使终端将接收的目标图像按照对应分数从高到低的顺序将目标图像进行展示;也按照目标图像的匹配度从高到低的顺序将目标图像进行展示等。
本申请提供的实施例,可以接收终端上传的第一位置信息,并获取该终端对应的用户画像,基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像,将目标图像发送给终端。通过区分不同终端对应的用户画像,当接收到终端上传的第一位置信息,可以获取该终端对应的用户画像,并基于该用户画像及第一位置信息从图片库筛序出匹配的目标图像,由于终端对应的用户画像即反映了该终端的图像需求,即可以实现从图片库中得到与终端的位置匹配并满足终端个性化需求的图像,从而将得到的目标图像发送给终端,终端基于目标图像可以得到合适的拍摄场景、构图方式等,可以提高图像推送的准确性,满足不同用户的个性化需求。
图3为一个实施例中建立图片库的流程图。如图3所示,在一个实施例中,提供的图像处理方法还包括:
操作302,获取样本图像。
样本图像可以是各个终端上传的图像,也可以是第三方系统的图像。其中,第三方系统可以是各种具有图像分享或存储功能的系统,如instagram、flickr、豆瓣等网站。终端可以获取用户上传的图像并发送给服务器。
操作304,获取样本图像的第二位置信息,及根据图像标签库包含的标签获取样本图像对应的标签信息,根据第二位置信息和标签信息得到样本图像对应的样本标签。
样本图像是任意终端通过摄像头采集的图像。其中,采集样本图像的终端可以但不限于是各种手机、电脑、可携带设备等。第二位置信息即为采集样本图像的终端在采集样本图像时的位置信息。具体地,服务器可以获取样本图像的经纬度信息,根据经纬度信息得到第二位置信息。经纬度信息是终端在采集样本图像时,可以通过GPS、移动网络等获取的,终端可以将获取的经纬度信息作为该样本图像的图像信息进行存储。
图像标签库是包含用于表示图像的拍摄特征的标签的集合。图像的拍摄特征可以但不限于是图像的拍摄场景、拍摄时间、拍摄风格、颜色、空间关系、形状特征等。服务器可以根据图像标签库中包含的标签对样本图像进行识别分析,得到样本图像对应的标签信息。可选地,服务器也可以预先搭建标签检测模型,基于标签检测模型对样本图像进行检测,得到样本图像对应的标签信息。进而,服务器可以根据第二位置信息和标签信息得到样本图像对应的样本标签,即可以将第二位置信息及标签信息组合成为样本图像的样本标签。例如,当样本图像的第二位置信息为夏威夷时,若根据图像标签库确定样本图像的标签信息为海景时,则对应的样本标签可以是夏威夷海景,进一步,若标签信息为海景和婚纱照时,则对应的样本标签可以是夏威夷海景婚纱照等。
操作306,根据图像评分模型对样本图像进行评分,得到样本图像的图像质量分数。
图像评分模型是用于对图像进行评分的模型。图像质量分数即用于体现图像的拍摄质量的分数。通常,图像质量分数越高,则说明图像的质量越好;反之,图像质量分数越低,则说明图像的质量越差。服务器可以预先搭建用于对图像进行评分的图像评分模型,根据图像评分模型对样本图像进行评分,得到样本图像的图像质量分数。
操作308,将样本图像对应的样本标签及图像质量分数存储至图片库。
服务器通过获取样本图像的第二位置信息和标签信息得到样本标签,根据图像评分模型对样本图像进行评分得到样本图像的图像质量分数后,可以将样本图像对应的样本标签及图像质量分数存储至图片库中。
在一个实施例中,服务器还可以检测样本图像对应的图像质量分数是否超过分数阈值;当图像质量分数超过分数阈值时,则将样本图像对应的样本标签及图像质量分数存储至图片库。
分数阈值可以根据实际应用需求设定,在此不做限定。例如,以图像质量分数最高为100为例,分数阈值可以是70、78、85、90等,不限于此。服务器可以在样本图像的图像质量分数大于分数阈值时,将该样本图像对应的样本标签及图像质量分数存储至图片库中。可选地,服务器也可以将样本图像按照图像质量分数进行排序,从而获取图像质量分数从高到低的一定数量的样本图像,将样本图像对应的样本标签及图像质量分数存储至图片库中。
通过获取样本图像,并获取样本图像的第二位置信息,及根据图像标签库包含的标签获取样本图像对应的标签信息,根据第二位置信息和标签信息得到样本图像对应的样本标签,根据图像评分模型对样本图像进行评分,得到样本图像的图像质量分数,将样本图像对应的样本标签及图像质量分数存储中图片库中,可以得到包含有图像的标签和图像的质量分数的图片库,为图像推送提供数据支持,并且可以根据图像的质量分数筛选匹配的目标图像,可以提高推送的图像质量。
图4为一个实施例中训练图像评分模型的流程图。如图4所示,在一个实施例中,提供的图像处理方法还包括:
操作402,获取训练图像及对应的真实分数范围,其中,真实分数范围是根据图像评分标准对训练图像评分确定的。
真实分数范围是根据图像评分标准对训练图像评分确定的。图像评分标准是专业摄影人才根据图像的构图、拍摄效果等确定的。服务器可以接收确定的图像评分标准,并获取根据该评分标准对训练图像评分得到的真实分数范围。可选地,服务器也可以接收根据该评分标准对训练图像评分得到的真实分数,并根据可允许误差范围确定真实分数范围。例如,当真实分数为80时,若可允许误差范围为5个单位,则真实分数范围为75至85。
操作404,将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数。
服务器可以根据VGG(Visual Geometry Group)、CNN(Convolutional NeuralNetwork)、SSD(single shot multibox detector)、或决策树(Decision Tree)等中的一种深度学习算法训练图像评分模型。图像评分模型一般包括输入层、隐层和输出层,输入层用于接收图像的输入,隐层用于对接收到的图像进行处理,输出层用于输出图像处理的结果即输出图像的预测质量分数。
具体地,服务器可以根据接收的图像评分标准调整图像评分模型的参数,以使图像评分模型可以根据调整的参数对输出的训练图像进行处理,得到图像的预测质量分数。
操作406,当预测质量分数不在真实分数范围内时,根据真实分数范围及预测质量分数得到分数损失函数。
当预测质量分数不在真实分数范围内时,则说明此时图像评分模型的评分结果与训练图像的真实分数相差较大,服务器可以根据真实分数范围及预测质量分数得到损失函数。可选地,评分标准可以包含有多个评分项目,如构图、色彩、分辨率、清晰度等,服务器可以接收训练图像对应的评分标准中各个评分项目的真实分数范围,并获取图像评分模型对训练图像评分后输出的每一个评分项目的预设质量分数,根据每一个项目对应的真实分数范围和预设质量分数得到每一个项目对应的项目分数损失函数,将每一个项目对应的项目分数损失函数进行加权求和得到该分数损失函数。
操作408,根据分数损失函数调整图像评分模型的参数,并返回执行将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数的操作,直至得到的预测质量分数在真实分数范围内时停止。
服务器根据分数损失函数调整图像评分模型的参数,具体地,服务器可以根据分数损失函数采用反向传播算法调整图像评分模型的参数,对图像评分模型进行训练,即重复执行将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数,当预设质量分数不在真实分数范围内时,则根据真实分数范围及预设质量分数得到分数损失函数,对图像评分模型的参数进行调整的操作,直至得到的预测质量分数在真实分数范围内时则停止。
通过采用训练图像对图像评分模型进行训练,根据专业摄影人才设定的评分标准对图像评分模型的参数进行调整,并将基于评分标准对训练图像评分得到的真实分数范围与预测质量分数进行比对,根据比对结果进一步调整图像评分模型的参数,可以得到能够基于评分标准对图像做评分的图像评分模型,可以提高图像评分的准确性。
图5为一个实施例中建立图像标签库的流程图。如图5所示,在一个实施中,提供的图像处理方法还包括:
操作502,接收终端发送的对目标图像标记的标签。
服务器接收终端发送的对目标图像标记的标签。具体地,终端可以接收用户输入的对目标图像标记的标签,并将该对目标图像标记的标签发送给服务器。可选地,目标图像可以在终端进行展示,用户在查看目标图像时,可以根据目标图像的图像内容、图像拍摄效果、图像拍摄位置等进行标记,终端可以获取用户输入的对目标图像标记的标签。
操作504,接收对标签的确认指示信息,根据确认指示信息从接收到的标签中获取目标标签。
标签的确认指示信息可以是由审核终端发送给服务器的。审核终端是指具有标签审核权限的终端。确认指示信息包括对标签的审核通过指示和/或审核不通过指示。具体地,服务器在接收终端发送的对目标图像标记的标签后,可以将接收到的标签发送给审核终端,审核终端可以将接收到的标签及对应的目标图像进行展示,获取审核用户对接收到标签的确认指示信息并发送给服务器,服务器可以根据确认指示信息从接收到的标签中获取目标标签。可选地,服务器还可以将接收到的标签与图像标签库中包含的标签进行比对,将接收到的标签中不在图像标签库中的标签发送给审核终端进行审核。可选地,服务器可以根据确认指示信息将接收到的标签中审核通过的标签作为目标标签。例如,当接收到的标签包括人像、风景、河流、午餐4个标签时,若确认指示信息包含了人像、风景两个标签的审核通过指示,则可以将人像和风景标签作为目标标签。
操作506,将目标标签添加至图像标签库。
服务器可以将目标标签添加至图像标签库中。从而,服务器在获取样本图像时,添加后的图像标签库包含的标签获取样本图像对应的标签信息,可以提高图像标签信息的准确性,丰富图像标签库。
在一个实施例中,提供的图像处理方法还可以根据目标标签更新目标图像在图片库中对应的样本图像的样本标签。
服务器根据目标标签更新目标图像在图片库中对应的样本图像的样本标签。具体地,服务器可以获取目标图像在图片库中对应的样本图像,将目标标签添加至该样本图像的样本标签中。例如,目标图像A与样本图像B对应,样本图像B的样本标签为新西兰、皇后镇、热气球,终端对目标图像A标注的标签为夕阳、草地、气球时,服务器可以基于审核终端发送的对夕阳和草地标签的确认指示信息将夕阳和草地确定为目标标签,则可以将样本图像B的样本标签更新为新西兰、皇后镇、热气球、夕阳、草地。
通过根据审核终端确定审核通过的目标标签更新样本图像的样本标签,可以完善样本图像的标签,提高图像标签的准确性。
图6为一个实施例中从图片库中筛选目标图像的流程图。如图6所示,在一个实施例中,提供的图像处理方法中基于用户画像及位置信息从图片库中筛选出匹配的目标图像的过程包括:
操作602,基于图像推荐模型从图片库中获取与用户画像和第一位置信息匹配的样本图像集合。
服务器可以预先搭建图像推荐模型。图像推荐模型可以是基于内容推荐算法、关联规则推荐算法、协同过滤算法等算法中的一种或多种构建的。服务器可以基于图像推荐模型从图片库中获取与用户画像和第一位置信息匹配的样本图像集合。可选地,图像推荐模型基于用户画像和第一位置信息可以得到图片库中各样本图像的置信度,根据图像推荐模型中预设的置信度阈值可以将置信度超过置信度阈值的样本图像添加至样本图像集合中,服务器可以获取图像推荐模型输出样本图像集合。其中,样本图像的置信度是指将该样本图像与用户画像和第一位置信息匹配的可信程度。置信度阈值可以根据实际应用需求设定,例如可以是70%、75%、82%、88%等,不限于此。
操作604,将样本图像集合中包含的样本图像按照对应的图像质量分数进行排序。
图片库中存储有样本图像对应的图像质量分数。服务器可以将样本图像集合中包含的样本图像按照对应的图像质量分数进行排序。可选地,服务器可以将样本图像按照图像质量分数从高到低的顺序进行排序,也可以按照图像质量分数从低到高的顺序进行排序,在此不做限定。
操作606,从排序后的样本图像集合中获取预设数量个样本图像作为目标图像。
预设数量可以根据实际应用需求设定,在此不做限定。可选地,预设数量可以是确定的数量,例如预设数量可以是2、4、5、10等,不限于此;预设数量也根据终端来确定,如服务器可以预设不同终端对应的预设数量,服务器预设的终端对应的预设数量可以根据终端浏览图像的数量来确定,终端浏览图像的数量越多,则预设数量可以越大;预设数量还可以根据样本图像集合中包含的样本图像的数量等。
服务器从排序后的样本图像集合中获取预设数量个样本图像作为目标图像。具体地,排序后的样本图像集合中的样本图像是以图像质量分数的大小的排序的,服务器可以根据实际应用需求获取排在前列的预设数量个样本图像作为目标图像,也可以将根据样本图像集合中样本图像的数量及预设数量按顺序间隔获取预设数量个样本图像作为目标图像。
通过图像推荐模型从图片库中获取与用户画像和位置信息匹配的样本图像集合,将样本图像集合中包含的样本图像按照对应的图像质量分数进行排序,从排序后的样本图像集合中获取预设数量个样本图像作为目标图像,可以在确定目标图像准确性的同时提高目标图像的质量。
图7为一个实施例中训练图像推荐模型的流程图。如图7所示,在一个实施例中,提供的图像处理方法还包括:
操作702,获取训练用户画像及对应的真实推荐图像,其中,真实推荐图像为图片库中的图像。
训练用户画像是服务器存储的任意终端对应的终端。可选地,服务器可以将包含图像需求特征最多的用户画像作为训练用户画像;服务器也可以获取由审核终端确定的训练用户画像。训练用户画像对应的真实推荐图像可以是审核终端基于图片库中包含的样本图像确定的,审核终端可以获取具有审核权限的用户输入的对训练用户画像对应的真实推荐图像的确定信息。
操作704,将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度。
服务器可以将训练用户图像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度。具体地,服务器可以采用VGG、CNN、SSD、或决策树等深度学习算法训练图像推荐模型。可选地,在将训练用户图像输入图像推荐模型时,服务器可以根据于内容推荐算法、关联规则推荐算法、协同过滤算法等算法对图像推荐模型的参数做调整。
操作706,当预测推荐图像与真实推荐图像不匹配时,基于根据真实推荐图像与预测推荐图像的置信度得到图像推荐损失函数。
当预测推荐图像与真实推荐图像不匹配时,服务器可以根据真实推荐图像与预测推荐图像的置信度得到图像推荐损失函数。可选地,在一些实施例中,图像推荐模型可以输出每一个样本图像对应的置信度,服务器也可以获取与真实推荐图像对应的样本图像的置信度,根据与真实推荐图像对应的样本图像的置信度生成该图像推荐损失函数。
操作708,基于图像推荐损失函数调整图像推荐模型的参数,并返回执行将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度的操作,直至得到的预测推荐图像与真实推荐图像匹配时停止。
服务器根据图像推荐损失函数调整图像推荐模型的参数,具体地,服务器可以根据图像推荐损失函数采用反向传播算法调整图像推荐模型的参数,对图像推荐模型进行训练,即重复执行将训练用户画像输入至图像推荐模型,得到预测推荐图像及对应的置信度,当预测推荐图像与真实推荐图像不匹配时,则根据预测推荐图像与真实推荐图像不匹配得到图像推荐损失函数,对图像推荐奖模型的参数进行调整的操作,直至得到的预测推荐图像与真实推荐图像匹配时则停止。
通过采用训练用户画像对图像推荐模型进行训练,将图像推荐模型基于训练用户画像和图片库输出的预测推荐图像与真实推荐图像进行比对,当不匹配时则根据真实推荐图像和预测推荐图像的置信度生成图像推荐损失函数,以对图像推荐模型的参数做调整,直至图像推荐模型输出的预测推荐图像与真实推荐图像匹配,可以得到可准确地输出推荐图像的图像推荐模型。
在一个实施中,提供的图像处理方法还包括:接收终端对目标图像的关注信息;根据关注信息更新终端对应的用户画像。
关注信息是终端根据获取的对目标图像执行的操作生成。其中,对目标图像执行的操作可以是对目标图像标注喜欢或不喜欢的标签、查看目标图像的大图、将目标图像保存到本地、将目标图像分享给好友、引用该目标图像等操作,不限于此。终端可以获取用户对目标图像执行的操作,并根据执行的操作生成终端对该目标图像的关注信息,并发送给服务器。
服务器根据终端上传的对目标图像的关注信息更新终端对应的用户画像。终端对图像的关注信息可以体现出终端对图像推送的需求。具体地,服务器可以根据关注信息中包含的对目标图像的执行的操作及操作次数更新终端对应的用户画像。例如,当终端接收的将风景类图像标记为喜欢的操作超过一定次数时,则可以推测终端期望接收到风景类的图像,服务器可以将风景类图像加入到对应的用户画像中,则进一步,服务器根据终端的用户画像及第一位置信息从图片库中筛选目标图像时,可以将第一位置信息对应的风景类图像作为目标图像发送给终端。可选地,服务器也可以每相隔预设时间对用户画像进行更新,以满足终端在不同时间段的图像需求。
通过接收终端对目标图像的关注信息,根据关注信息更新终端对应的用户画像,可以提高终端对应的用户画像的准确性,从而基于用户画像和第一位置信息从图片库中筛选目标图像,可以提高目标图像的准确性。
在一个实施例中,提供的图像处理方法中基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像的过程,包括:基于用户画像及第一位置信息从图片库中获取目标图像信息;根据目标图像信息从对象存储服务中查找目标图像。
对象存储服务是指基于对象的存储服务。在本申请实施例中,对象存储服务器的存储对象即为图像。具体地,服务器在对象存储服务中设有对应的存储空间,服务器在将样本图像对应样本的标签及图像质量分数存储至图片库时,将该样本图像存储至对象存储服务中对应的存储空间。对象存储服务通过图像信息唯一识别图像。其中,图像信息可以是图像名称、图像的样本标签、图像大小、图像格式等中的一种或多种。
具体地,服务器可以基于图片库中包含的样本图像的样本标签及第二位置信息筛选出与终端的用户画像及第一位置信息匹配的目标图像信息,根据该目标图像信息从对象存储服务中查找对应的目标图像。即图片库用于存放样本图像的图像信息,样本图像则存储于对象存储服务中,服务器可以根据筛选的目标图像信息从对象存储服务查找到对应的目标图像并发送给终端,可以节省服务器的存储空间消耗。
在一个实施例中,将目标图像发送给终端的过程可以包括:基于对象存储服务提供的内容分发网络将目标图像发送给用户标识终端。
内容分发网络是指由对象存储服务提供的分布在不同区域的边缘节点服务器群组成的分布式网络。内容分发网络可以将对象存储服务中存储的样本图像缓存至边缘节点,当服务器从对象存储服务中查找目标图像时,内容分发网络可以从边缘节点将缓存的目标图像发送给终端。可选地,服务器还可以通过对象存储服务存储终端上传的图像,当终端请求查看上传的图像时,对象存储服务提供的内容分发网络也可以从边缘节点缓存的上传的图像发送给终端。
通过基于对象存储服务提供的内容分发网络对样本图像进行分区域缓存,当服务器向终端发送图像或终端向服务器请求查看图像时,可以将内容分发网络在边缘节点缓存的图像发送给终端,可以提高图像的访问速度。
在一个实施例中,提供了一种图像处理方法,实现该方法的过程具体如下:
首先,服务器接收终端上传的第一位置信息,并获取终端对应的用户画像。
可选地,服务器获取样本图像,获取样本图像的第二位置信息,及根据图像标签库包含的标签获取样本图像对应的标签信息,根据第二位置信息和标签信息得到样本图像对应的样本标签,根据图像评分模型对样本图像进行评分,得到样本图像的图像质量分数,将样本图像对应的样本标签及图像质量分数存储至图片库。
可选地,服务器检测样本图像对应的图像质量分数是否超过分数阈值;当图像质量分数超过分数阈值时,则将样本图像对应的样本标签及图像质量分数存储至图片库。
可选地,服务器获取训练图像及对应的真实分数范围,其中,真实分数范围是根据图像评分标准对训练图像评分确定的,将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数,当预测质量分数不在真实分数范围内时,根据真实分数范围及预测质量分数得到分数损失函数,根据分数损失函数调整图像评分模型的参数,并返回执行将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数的操作,直至得到的预测质量分数在真实分数范围内时停止。
接着,服务器基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像。
可选地,服务器基于图像推荐模型从图片库中获取与用户画像和第一位置信息匹配的样本图像集合,将样本图像集合中包含的样本图像按照对应的图像质量分数进行排序,从排序后的样本图像集合中获取预设数量个样本图像作为目标图像。
可选地,服务器获取训练用户画像及对应的真实推荐图像,其中,真实推荐图像为图片库中的图像,将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度,当预测推荐图像与真实推荐图像不匹配时,基于根据真实推荐图像与预测推荐图像的置信度得到图像推荐损失函数,基于图像推荐损失函数调整图像推荐模型的参数,并返回执行将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度的操作,直至得到的预测推荐图像与真实推荐图像匹配时停止。
可选地,服务器基于用户画像及第一位置信息从图片库中获取目标图像信息;根据目标图像信息从对象存储服务中查找目标图像。
接着,服务器将目标图像发送给终端。
可选地,服务器接收终端发送的对目标图像标记的标签,并接收对标签的确认指示信息时,根据确认指示信息从接收到的标签中获取目标标签,将目标标签添加至图像标签库。
可选地,服务器根据目标标签更新目标图像在图片库中对应的样本图像的样本标签。
可选地,服务器接收终端对目标图像的关注信息;根据关注信息更新终端对应的用户画像。
可选地,服务器基于对象存储服务提供的内容分发网络将目标图像发送给用户标识终端。
应该理解的是,虽然图2-7的流程图中的各个操作按照箭头的指示依次显示,但是这些操作并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些操作的执行并没有严格的顺序限制,这些操作可以以其它的顺序执行。而且,图2-7中的至少一部分操作可以包括多个子操作或者多个阶段,这些子操作或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子操作或者阶段的执行顺序也不必然是依次进行,而是可以与其它操作或者其它操作的子操作或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例的图像处理装置的结构框图。如图8所示,一种图像处理装置,包括:获取模块802,筛选模块804,发送模块806。其中:
获取模块802,用于接收终端上传的第一位置信息,并获取终端对应的用户画像。
筛选模块804,用于基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像。
发送模块806,用于将目标图像发送给终端。
本申请提供的实施例提供的图像处理装置,用于接收终端上传的第一位置信息,并获取该终端对应的用户画像,基于用户画像及第一位置信息从图片库中筛选出匹配的目标图像,将目标图像发送给终端。由于可以基于终端对应的用户画像及位置信息筛选出目标图像并发送给终端,可以提高图像推送的准确性,满足不同用户的个性化需求。
图9为另一个实施例中图像处理装置的结构框图。如图9所示,在一个实施例中,提供的图像处理装置还包括图片库建立模块808,图像库建立模块808用于获取样本图像;获取样本图像的第二位置信息,及根据图像标签库包含的标签获取样本图像对应的标签信息,根据第二位置信息和标签信息得到样本图像对应的样本标签;根据图像评分模型对样本图像进行评分,得到样本图像的图像质量分数;将样本图像对应的样本标签及图像质量分数存储至图片库。
在一个实施例中,图片库建立模块808还可以用于检测样本图像对应的图像质量分数是否超过分数阈值;当图像质量分数超过分数阈值时,则将样本图像对应的样本标签及图像质量分数存储至图片库。
在一个实施例中,提供的图像处理装置还包括模型建立模块810,模型建立模块810用于获取训练图像及对应的真实分数范围,其中,真实分数范围是根据图像评分标准对训练图像评分确定的;将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数;当预测质量分数不在真实分数范围内时,根据真实分数范围及预测质量分数得到分数损失函数;根据分数损失函数调整图像评分模型的参数,并返回执行将训练图像输入至图像评分模型,得到训练图像对应的预测质量分数的操作,直至得到的预测质量分数在真实分数范围内时停止。
在一个实施例中,提供的图像处理装置还包括标签库更新模块812,标签库更新模块812用于接收终端发送的对目标图像标记的标签,并接收到对标签的确认指示信息时,根据确认指示信息从接收到的标签中获取目标标签,将目标标签添加至图像标签库。
在一个实施例中,图片库建立模块808还可以用于根据目标标签更新目标图像在图片库中对应的样本图像的样本标签。
在一个实施例中,筛选模块804还可以用于基于图像推荐模型从图片库中获取与用户画像和第一位置信息匹配的样本图像集合;将样本图像集合中包含的样本图像按照对应的图像质量分数进行排序;从排序后的样本图像集合中获取预设数量个样本图像作为目标图像。
在一个实施例中,模型建立模块810还可以用于获取训练用户画像及对应的真实推荐图像,其中,真实推荐图像为图片库中的图像;将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度;当预测推荐图像与真实推荐图像不匹配时,基于根据真实推荐图像与预测推荐图像的置信度得到图像推荐损失函数;基于图像推荐损失函数调整图像推荐模型的参数,并返回执行将训练用户画像输入至图像推荐模型,得到图像推荐模型从图片库筛选出的预测推荐图像及对应的置信度的操作,直至得到的预测推荐图像与真实推荐图像匹配时停止。
在一个实施例中,提供的图像处理装置还包括用户画像更新模块814,用户画像更新模块814用于接收终端对目标图像的关注信息;根据关注信息更新终端对应的用户画像。
在一个实施例中,筛选模块804还可以用于基于用户画像及位置信息从图片库中获取目标图像信息,根据目标图像信息从对象存储服务中查找目标图像;发送模块806还可以用于基于对象存储服务提供的内容分发网络将目标图像发送给终端。
所述图像处理装置中各个模块的划分仅用于举例说明,在其他实施例中,可将图像处理装置按照需要划分为不同的模块,以完成所述图像处理装置的全部或部分功能。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器或云端。图10为一个实施例中服务器(或云端)的内部结构示意图。如图10所示,该服务器包括通过系统总线连接的处理器和存储器。其中,该处理器用于提供计算和控制能力,支撑整个服务器的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例还提供了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,所述计算机程序被处理器执行时实现如上所述的图像处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (20)
1.一种图像处理方法,包括:
接收终端上传的第一位置信息,并获取所述终端对应的用户画像;
通过训练完成的图像推荐模型,从图片库中获取与所述用户画像和第一位置信息匹配的样本图像集合;
将所述样本图像集合中包含的样本图像按照对应的图像质量分数进行排序;所述图像质量分数用于体现所述样本图像的拍摄质量,所述样本图像的图像质量分数是通过图像评分模型进行评分得到的;
从排序后的样本图像集合中获取预设数量个样本图像作为目标图像;及
将所述目标图像发送给所述终端;
其中,图像推荐模型的训练过程,包括:
获取训练用户画像及对应的真实推荐图像,其中,所述真实推荐图像为所述图片库中的图像;
将所述训练用户画像输入至图像推荐模型,得到所述图像推荐模型从所述图片库筛选出的预测推荐图像及对应的置信度;
当所述预测推荐图像与所述真实推荐图像不匹配时,基于根据所述真实推荐图像与所述预测推荐图像的置信度得到图像推荐损失函数;及
基于所述图像推荐损失函数调整所述图像推荐模型的参数,并返回执行将所述训练用户画像输入至图像推荐模型,得到所述图像推荐模型从所述图片库筛选出的预测推荐图像及对应的置信度的操作,直至得到的所述预测推荐图像与所述真实推荐图像匹配时停止,得到训练完成的图像推荐模型。
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:
获取样本图像;
获取所述样本图像的第二位置信息,及根据图像标签库包含的标签获取所述样本图像对应的标签信息,根据所述第二位置信息和所述标签信息得到所述样本图像对应的样本标签;
根据图像评分模型对所述样本图像进行评分,得到所述样本图像的图像质量分数;及
将所述样本图像对应的样本标签及图像质量分数存储至所述图片库。
3.根据权利要求2所述的方法,其特征在于,所述将所述样本图像对应的样本标签及图像质量分数存储至所述图片库之前,还包括:
检测所述样本图像对应的图像质量分数是否超过分数阈值;及
当所述图像质量分数超过分数阈值时,则执行将所述样本图像对应的样本标签及图像质量分数存储至所述图片库的操作。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取训练图像及对应的真实分数范围,其中,所述真实分数范围是根据图像评分标准对所述训练图像评分确定的;
将训练图像输入至所述图像评分模型,得到所述训练图像对应的预测质量分数;
当所述预测质量分数不在所述真实分数范围内时,根据所述真实分数范围及预测质量分数得到分数损失函数;及
根据所述分数损失函数调整所述图像评分模型的参数,并返回执行将训练图像输入至所述图像评分模型,得到所述训练图像对应的预测质量分数的操作,直至得到的所述预测质量分数在所述真实分数范围内时停止。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收所述终端发送的对所述目标图像标记的标签;
接收对所述标签的确认指示信息,根据所述确认指示信息从接收到的所述标签中获取目标标签;及
将所述目标标签添加至图像标签库。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述目标标签更新所述目标图像在所述图片库中对应的样本图像的样本标签。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收所述终端对所述目标图像的关注信息;及
根据所述关注信息更新所述终端对应的用户画像。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述方法还包括:
基于所述用户画像及位置信息从所述图片库中获取目标图像信息;及
根据所述目标图像信息从对象存储服务中查找所述目标图像。
9.根据权利要求8所述的方法,其特征在于,所述将所述目标图像发送给所述终端,包括:
基于所述对象存储服务提供的内容分发网络将所述目标图像发送给所述终端。
10.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于接收终端上传的第一位置信息,并获取所述终端对应的用户画像;
模型建立模块,用于获取训练用户画像及对应的真实推荐图像,其中,所述真实推荐图像为所述图片库中的图像;将所述训练用户画像输入至图像推荐模型,得到所述图像推荐模型从所述图片库筛选出的预测推荐图像及对应的置信度;当所述预测推荐图像与所述真实推荐图像不匹配时,基于根据所述真实推荐图像与所述预测推荐图像的置信度得到图像推荐损失函数;及基于所述图像推荐损失函数调整所述图像推荐模型的参数,并返回执行将所述训练用户画像输入至图像推荐模型,得到所述图像推荐模型从所述图片库筛选出的预测推荐图像及对应的置信度的操作,直至得到的所述预测推荐图像与所述真实推荐图像匹配时停止,得到训练完成的图像推荐模型;
筛选模块,用于通过训练完成的图像推荐模型,从图片库中获取与所述用户画像和第一位置信息匹配的样本图像集合;将所述样本图像集合中包含的样本图像按照对应的图像质量分数进行排序;所述图像质量分数用于体现所述样本图像的拍摄质量,所述样本图像的图像质量分数是通过图像评分模型进行评分得到的;从排序后的样本图像集合中获取预设数量个样本图像作为目标图像;及
发送模块,用于将所述目标图像发送给所述终端。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括图片库建立模块;所述图片库建立模块用于获取样本图像;获取所述样本图像的第二位置信息,及根据图像标签库包含的标签获取所述样本图像对应的标签信息,根据所述第二位置信息和所述标签信息得到所述样本图像对应的样本标签;根据图像评分模型对所述样本图像进行评分,得到所述样本图像的图像质量分数;及将所述样本图像对应的样本标签及图像质量分数存储至所述图片库。
12.根据权利要求11所述的装置,其特征在于,所述图片库建立模块还用于检测所述样本图像对应的图像质量分数是否超过分数阈值;及当所述图像质量分数超过分数阈值时,则执行将所述样本图像对应的样本标签及图像质量分数存储至所述图片库的操作。
13.根据权利要求11所述的装置,其特征在于,所述装置还包括模型建立模块;所述模型建立模块用于获取训练图像及对应的真实分数范围,其中,所述真实分数范围是根据图像评分标准对所述训练图像评分确定的;将训练图像输入至所述图像评分模型,得到所述训练图像对应的预测质量分数;当所述预测质量分数不在所述真实分数范围内时,根据所述真实分数范围及预测质量分数得到分数损失函数;及根据所述分数损失函数调整所述图像评分模型的参数,并返回执行将训练图像输入至所述图像评分模型,得到所述训练图像对应的预测质量分数的操作,直至得到的所述预测质量分数在所述真实分数范围内时停止。
14.根据权利要求10所述的装置,其特征在于,所述装置还包括标签库更新模块;所述标签库更新模块用于接收所述终端发送的对所述目标图像标记的标签;接收对所述标签的确认指示信息,根据所述确认指示信息从接收到的所述标签中获取目标标签;及将所述目标标签添加至图像标签库。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括图片库建立模块;所述图片库建立模块用于根据所述目标标签更新所述目标图像在所述图片库中对应的样本图像的样本标签。
16.根据权利要求10所述的装置,其特征在于,所述装置还包括用户画像更新模块;所述用户画像更新模块用于接收所述终端对所述目标图像的关注信息;及根据所述关注信息更新所述终端对应的用户画像。
17.根据权利要求10至16中任一项所述的装置,其特征在于,所述筛选模块还用于基于所述用户画像及位置信息从所述图片库中获取目标图像信息;及根据所述目标图像信息从对象存储服务中查找所述目标图像。
18.根据权利要求17所述的装置,其特征在于,所述发送模块还用于基于所述对象存储服务提供的内容分发网络将所述目标图像发送给所述终端。
19.一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行如权利要求1至9中任一项所述的图像处理方法的步骤。
20.一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/083000 WO2020211003A1 (zh) | 2019-04-17 | 2019-04-17 | 图像处理方法、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113366420A CN113366420A (zh) | 2021-09-07 |
CN113366420B true CN113366420B (zh) | 2024-05-03 |
Family
ID=72836867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090804.6A Active CN113366420B (zh) | 2019-04-17 | 2019-04-17 | 图像处理方法、计算机可读存储介质和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113366420B (zh) |
WO (1) | WO2020211003A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907627B (zh) * | 2021-02-07 | 2024-02-02 | 公安部第三研究所 | 实现小样本目标精准跟踪的系统、方法、装置、处理器及其计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412953A (zh) * | 2013-08-30 | 2013-11-27 | 苏州跨界软件科技有限公司 | 基于增强现实的社交方法 |
CN104731880A (zh) * | 2015-03-09 | 2015-06-24 | 小米科技有限责任公司 | 图片排序方法和装置 |
CN109063778A (zh) * | 2018-08-09 | 2018-12-21 | 中共中央办公厅电子科技学院 | 一种图像美学质量确定方法及系统 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109344855A (zh) * | 2018-08-10 | 2019-02-15 | 华南理工大学 | 一种基于排序引导回归的深度模型的人脸美丽评价方法 |
CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
CN109522950A (zh) * | 2018-11-09 | 2019-03-26 | 网易传媒科技(北京)有限公司 | 图像评分模型训练方法及装置和图像评分方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10142396B2 (en) * | 2015-12-15 | 2018-11-27 | Oath Inc. | Computerized system and method for determining and communicating media content to a user based on a physical location of the user |
-
2019
- 2019-04-17 WO PCT/CN2019/083000 patent/WO2020211003A1/zh active Application Filing
- 2019-04-17 CN CN201980090804.6A patent/CN113366420B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412953A (zh) * | 2013-08-30 | 2013-11-27 | 苏州跨界软件科技有限公司 | 基于增强现实的社交方法 |
CN104731880A (zh) * | 2015-03-09 | 2015-06-24 | 小米科技有限责任公司 | 图片排序方法和装置 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109063778A (zh) * | 2018-08-09 | 2018-12-21 | 中共中央办公厅电子科技学院 | 一种图像美学质量确定方法及系统 |
CN109344855A (zh) * | 2018-08-10 | 2019-02-15 | 华南理工大学 | 一种基于排序引导回归的深度模型的人脸美丽评价方法 |
CN109461167A (zh) * | 2018-11-02 | 2019-03-12 | Oppo广东移动通信有限公司 | 图像处理模型的训练方法、抠图方法、装置、介质及终端 |
CN109522950A (zh) * | 2018-11-09 | 2019-03-26 | 网易传媒科技(北京)有限公司 | 图像评分模型训练方法及装置和图像评分方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113366420A (zh) | 2021-09-07 |
WO2020211003A1 (zh) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zielstra et al. | Positional accuracy analysis of Flickr and Panoramio images for selected world regions | |
CN103631819B (zh) | 一种图片命名的方法及系统 | |
US8995716B1 (en) | Image search results by seasonal time period | |
CN102591868B (zh) | 用于拍照指南自动生成的系统和方法 | |
TWI583191B (zh) | 相片及視頻搜尋 | |
US20120113121A1 (en) | Aligning and summarizing different photo streams | |
US10089762B2 (en) | Methods for navigating through a set of images | |
CN113111026A (zh) | 具有共享兴趣的消息的图库 | |
WO2014090034A1 (zh) | 实现增强现实应用的方法及设备 | |
EP2695134A2 (en) | Event determination from photos | |
KR20220112666A (ko) | 증강-현실 타겟들을 검출하는 방법 | |
CN104054091A (zh) | 用于图像识别的面部印记生成 | |
US20110218984A1 (en) | Method and system for searching for information pertaining target objects | |
US10810466B2 (en) | Method for location inference from map images | |
CN105630791B (zh) | 网络相册浏览方法和装置 | |
US10467284B2 (en) | Establishment anchoring with geolocated imagery | |
CN104102732B (zh) | 图像展现方法及装置 | |
TWI662420B (zh) | 相片及視頻分享 | |
Tsai et al. | Photo sundial: estimating the time of capture in consumer photos | |
CN113366420B (zh) | 图像处理方法、计算机可读存储介质和计算机设备 | |
CN104572830A (zh) | 推荐拍摄信息的处理方法及装置 | |
TW200928311A (en) | Satellite navigation method and system | |
CN110503123B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
US20150379040A1 (en) | Generating automated tours of geographic-location related features | |
US9064020B2 (en) | Information providing device, information providing processing program, recording medium having information providing processing program recorded thereon, and information providing method |
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 |