CN117689656A - 一种pc端图片管理方法及系统 - Google Patents

一种pc端图片管理方法及系统 Download PDF

Info

Publication number
CN117689656A
CN117689656A CN202410132922.1A CN202410132922A CN117689656A CN 117689656 A CN117689656 A CN 117689656A CN 202410132922 A CN202410132922 A CN 202410132922A CN 117689656 A CN117689656 A CN 117689656A
Authority
CN
China
Prior art keywords
picture
network
evaluation model
attribute
pictures
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
CN202410132922.1A
Other languages
English (en)
Other versions
CN117689656B (zh
Inventor
冀彦丞
李育瑾
王露源
金鑫
肖朝恩
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.)
BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
Original Assignee
BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
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 BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE filed Critical BEIJING ELECTRONIC SCIENCE AND TECHNOLOGY INSTITUTE
Priority to CN202410132922.1A priority Critical patent/CN117689656B/zh
Publication of CN117689656A publication Critical patent/CN117689656A/zh
Application granted granted Critical
Publication of CN117689656B publication Critical patent/CN117689656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉技术领域，具体涉及一种PC端图片管理方法及系统，方法包括：构建包括主干网络、属性子网络、分类子网络和回归子网络的图片评估模型；主干网络提取图片特征；属性子网络对图片特征中的光线特征、颜色特征和构图特征进行进一步提取，并分别输出图片在光线、颜色和构图三方面的属性特征评分；分类子网络确定图片类别；回归子网络输出图片的整体评分；采用图片训练集对图片评估模型进行训练；基于训练好的图片评估模型对待处理图片集中的每张图片进行评分和分类，基于评分结果实现图片智能选优、垃圾图片自动筛选和参赛图片智能推荐功能。本发明可实现对图片集进行美学评分、以图识图及挖掘图片潜在价值，并进行智能推荐。

Description

一种PC端图片管理方法及系统
技术领域
本发明涉及计算机视觉技术领域，更具体的说是涉及一种PC端图片管理方法及系统。
背景技术
目前，市面上的图片管理软件多侧重于基础的编辑功能，例如裁剪、颜色调整和分类归档。这些工具在处理如美学评价和商业价值评估等更高级需求时，表现出明显的局限性。即便一些软件集成了图像识别功能，其在处理具有复杂构图、模糊细节或高艺术性的图像时，效果通常并不理想，这在需要深度评估图片的美学和艺术价值的情境下尤其突出，难以提供全面而精准的分析。
同时，现有的以图识图技术也存在诸多不足，尽管某些系统能够识别特定物体或场景，但它们在解析图像中的细节、理解图像背后的复杂上下文或情感含义方面仍显不足。这一点在寻找具有特定主题或风格的图片时尤为重要，高效且准确的图像识别功能能显著提升用户体验。此外，现有的软件也无法挖掘图片的潜在商业价值。
因此，迫切需要一种集成美学评分、高效以图识图功能及挖掘图片潜在价值的智能图像管理软件。
发明内容
有鉴于此，本发明提供了一种PC端图片管理方法及系统，可实现对图片集进行美学评分、以图识图及挖掘图片潜在价值，并进行智能推荐。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种PC端图片管理方法，包括以下步骤：
构建图片评估模型；所述图片评估模型包括基于EfficientNet-B0的主干网络、属性子网络、分类子网络和回归子网络；
基于所述主干网络提取图片特征；
基于所述属性子网络对图片特征中的光线特征、颜色特征和构图特征进行进一步提取，并分别输出图片在光线、颜色和构图三方面的属性特征评分；
基于所述分类子网络根据图片特征识别图片中的对象，并根据图片中对象和类别间的映射关系，确定图片类别；
基于所述回归子网络结合所述主干网提取出的图片特征、所述属性子网络提取出的属性特征和所述分类子网络提取出的图片类别进行回归特征融合，输出图片的整体评分；
采用图片训练集对所述图片评估模型进行训练；
基于训练好的图片评估模型对待处理图片集中的每张图片进行评分和分类，并基于评分结果实现图片智能选优、垃圾图片自动筛选和参赛图片智能推荐功能。
进一步的，所述属性子网络提取出的光线特征包括：亮度均值和标准差。
进一步的，所述属性子网络提取出的颜色特征包括：颜色通道权值、RGB主色个数、RGB主色度、HSV主色个数、HSV主色个数、主色调个数和主色调对比度。
进一步的，所述属性子网络提取出的构图特征包括：黄金分割、中心、倾斜、三角形、指导线、三分线、对称、对角、框和圆。
进一步的，当所述图片评估模型用于实现图片智能选优、垃圾图片自动筛选和参赛照片智能推荐功能时，所述图片训练集中的每张图片包含三个属性标签、一个整体标签和一个分类标签，三个所述属性标签分别为图片在光线、颜色和构图上的属性得分，所述整体标签为图片的整体分数，所述分类标签代表图片中对象的所属类别。
进一步的，所述图片评估模型还用于实现价值图片自动挖掘功能，所述图片训练集中的每张图片还包含价格标签，利用训练好的所述图片评估模型进行价值图片自动挖掘时，对待处理图片集中的每张图片进行价值评估，并识别具备潜在价值的图片进行推荐。
进一步的，所述图片评估模型还用于实现全景照片智能裁剪；
当进行全景照片智能裁剪时，通过识别模块识别出全景照片中的关键视觉元素；
对全景照片进行预裁剪，得到多个预裁剪照片；
通过所述图片评估模型分别对各预裁剪照片进行整体评分；
筛选出得分最高的预裁剪图片作为最后的裁剪结果。
进一步的，所述识别模块采用yolo算法识别全景照片中的关键视觉元素进行识别，所述关键视觉元素包含主体、前景和背景。
进一步的，当利用所述图片评估模型进行图片智能选优时，根据待处理图片集中的每张图片的整体评分，对各图片进行排序，选择排名前N的图片进行突出显示。
进一步的，当利用所述图片评估模型进行垃圾图片自动筛选时，将待处理图片集中的每张图片的整体评分与预设阈值进行比较，将低于预设阈值的图片进行标记或删除。
进一步的，当利用所述图片评估模型进行参赛照片智能推荐时，将待处理图片集中的每张图片的类别与比赛要求进行比对，同时将图片在光线、颜色和构图三方面的属性特征评分以及整体评分分别与预设的评分标准进行比对，选取最匹配的图片进行推荐。
第二方面，本发明提供一种PC端图片管理系统，包括：上传模块、分析模块和推荐模块；
所述上传模块用于获取待处理图片集；
所述分析模块用于采用训练好的图片评估模型对待处理图片集中的每张图片进行打分和分类，或对待处理图片集中的每张图片进行价值评估；
所述推荐模块用于根据评分结果对图片集进行图片智能选优、垃圾图片自动筛选和参赛图片智能推荐，或根据价值评估结果，识别待处理图片集中具备潜在价值的图片进行推荐。
经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：
1、本发明模型能够评估照片的美学价值，从光照、色彩、构图三个维度分别对照片打分，再进行整体的美学评价，帮助用户高效快速地从图片集中筛选出高质量的图片，以提升用户的审美能力。
2、本发明可以实现对照片潜在商业价值进行分析，可以达到对照片资源的充分利用和价值挖掘，帮助用户判断是否适合用于广告、展览等。
3、本发明基于PC端本地部署或多端协同部署，结合时光轴、物品分类、图片分类等功能，可以使得用户更便捷的实现图片的检索功能，提高用户的使用体验。
4、本发明还具备AI拓展功能，相册留有后端接口，可以实现AI功能的集成和拓展，以便于接入用户的自建AI照片功能、AI模型库以及GPTs功能等，使用户探索照片管理的更多可能。
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的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的PC端图片管理方法的流程图；
图2为本发明提供的图片评估模型的网络结构图；
图3为本发明提供的PC端图片管理系统的结构示意图。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图2所示，本发明实施例公开了一种PC端图片管理方法，包括以下步骤：
构建图片评估模型；所述图片评估模型包括基于EfficientNet-B0的主干网络、属性子网络、分类子网络和回归子网络；
基于主干网络提取图片特征；
基于属性子网络对图片特征中的光线特征、颜色特征和构图特征进行进一步提取，并分别输出图片在光线、颜色和构图三方面的属性特征评分；
基于分类子网络根据图片特征识别图片中的对象，并根据图片中对象和类别间的映射关系，确定图片类别；
基于回归子网络结合所述主干网提取出的图片特征、所述属性子网络提取出的属性特征和所述分类子网络提取出的图片类别进行回归特征融合，输出图片的整体评分；
采用图片训练集对所述图片评估模型进行训练；
基于训练好的图片评估模型对待处理图片集中的每张图片进行评分和分类，并基于评分结果实现图片智能选优、垃圾图片自动筛选和参赛图片智能推荐功能。
具体来说，属性子网络提取出的光线特征包括：亮度均值和标准差。
光线特征主要通过计算L通道和V通道的均值和标准差来获得。用I表示图片，用x来表示图片中的像素。L通道的平均亮度(f1)和亮度标准差(f2)，和V通道的平均亮度(f3)和亮度标准差(f4)的计算公式如下：
；
颜色特征包括：颜色通道权值f1、RGB主色个数f2、RGB主色度f3、HSV主色个数f4、HSV主色个数f5、主色调个数f6和主色调对比度f7。
通过计算RGB颜色通道的近似度，将图像分为彩色三通道图像、近似灰度通道图像和灰度单通道图像。通过将图像转换为RGB通道来计算颜色通道权值。如果三个通道的值完全相同，则颜色通道权值f1=0。如果三个通道不完全一致，将计算每个像素处RGB通道之间的平均差值，当平均差值小于10时，颜色通道权值f1=0.5;否则，将图像视为彩色三通道图像，颜色通道权值f1=1。
主色主要通过RGB通道的颜色直方图和HSV通道的色相直方图来计算。对于RGB主色个数f2，将每个RGB通道量化为8个值，这样就可以创建512维直方图，如果某一颜色在RGB中的数量大于51，则可以认为该颜色为RGB主色。定义RGB主色的数量(f2)如下：
；
RGB主色度f3表示主色在图像颜色中占据的程度。
同样，将RGB通道替换为HSV通道，可以得到HSV主色的数量f4和HSV主色的程度f5。
对于主色调个数f6和主色调对比度f7，剔除了饱和度消除值小于0.2的像素，换句话说，剔除了所有明暗像素。然后，用20个均匀间隔计算剩余像素的色调直方图，每个间隔占据色调环的18°扇区。色调直方图表示为：
；
其中，hi代表第i个区间的像素直方图。
主色调数量的公式如下：
；
主色调的对比度(f7)表示图像中两个主色调之间的最大对比度。
属性子网络提取出的构图特征包括：黄金分割f1、中心f2、倾斜f3、三角形f4、指导线f5、三分线f6、对称f7、对角f8、框f9和圆f10。
其中，对于黄金分割f1和中心f2，首先通过显著性检测得到图像的显著区域，然后根据显著区域内像素坐标的中心位置计算与图像黄金分割和中心点的距离d。之后，将距离d除以的斜向长度图像来表示与构图的接近程度。
对于f3-f6，通过回归拟合得到图像的结构特征线。首先，根据三分线、对称线、对角线和斜线的规则确定构图特征线；然后，分别计算每条构图特征线的两个端点与构图特征线的两个端点之间的距离，将其除以图像的长边并取平均值。最后，用1减去这个值来表示构成特征计算值。为了更好地区分这些值的准确性，将阈值设置为0.3，高于此值将产生一个正值，否则为0。
下面对图片评估模型的图片训练集做进一步的说明。
图片训练集中的每张图片包含三个属性标签、一个整体标签和一个分类标签，三个属性标签分别为图片在光线、颜色和构图上的属性得分，整体标签为图片的整体分数，分类标签代表图片中对象的所属类别。
具体从DPCallenge.com、SCUI-FBP5500、Photo.net和SPAQ等数据集进行图像收集，构建了包含16924张图片的具有属性的美学混合数据集AESTHETIC MIXED DATASETWITH ATTRIBUTES（AMD-A），对各图片在光线、颜色、构图和整体进行评分，同时构建图片中对象—类别的映射关系，使得在识别图片中对象之后将其映射到如风景、人物、美食、动漫、抽象等大类下，为图片打上分类标签以提高用户对图片进行检索的效率。模型可包含500+种物体对象的识别和10+场景的分类。
本发明还可通过开发模型动态训练的能力，使用户能够在使用的过程中自定义添加、修改分类。使用设备空闲时间算力进行模型重训练，以达到千人千面的定制级图片管理效果。
基于上述构建的数据集AMD-A，完成了图片评估模型的训练，使其能够对不同种类的图片进行光线、颜色、结构进行三维美学打分和进行整体评价，并有着较高的准确率。
以该训练好的模型为基础，实现了图片的三维美学打分和整体美学评价的功能，有效填补了行业内图片美学评估一块的空白。
此外，本发明还基于训练好的图片评估模型的打分能力进一步开发了智能选优、垃圾照片自动筛选、全景照片智能裁剪、参赛照片智能推荐、值钱照片自动挖掘的五大特色功能，具体功能及技术方案如下：
1）当利用图片评估模型进行图片智能选优时，根据待处理图片集中的每张图片的整体评分，对各图片进行排序，选择排名前N的图片进行突出显示。该过程中，通过一个界面供用户上传图片集，显示评分结果，并突出显示选中的最佳图片。
2）当利用图片评估模型进行垃圾图片自动筛选时，将待处理图片集中的每张图片的整体评分与预设阈值进行比较，将低于预设阈值的图片进行标记或删除。该功能实施时，具备用户反馈机制，即允许用户调整阈值并对筛选结果提供反馈，以优化图片评估模型的准确度。
3）当利用图片评估模型进行参赛照片智能推荐时，将待处理图片集中的每张图片的类别与比赛要求进行比对，同时将图片在光线、颜色和构图三方面的属性特征评分以及整体评分分别与预设的评分标准进行比对，选取最匹配的图片进行推荐。该功能实施时，同样需要提供一个界面供用户输入比赛要求和评分标准，并展示推荐的照片。
4）当利用图片评估模型进行价值图片自动挖掘时，通过爬取中国图库、锐景创意、视觉中国、Shutterstock等相片网站的图片及其对应价格，确定价格标签，构建图片-价值数据集，用以对图片评估模型进行训练，确定图片价值与属性子网络提取的光线、颜色、构图属性特征，以及分类子网络提取分图像类别间的联系。具体评估时，利用训练好的图片评估模型进行价值图片自动挖掘时，对待处理图片集中的每张图片进行价值评估，将大于某个价格阈值的图片筛选出来，进行推荐。
5）当利用图片评估模型进行全景照片智能裁剪时，通过识别模块（yolo算法）识别出全景照片中的关键视觉元素（如主体、前景、背景）；对全景照片进行预裁剪，得到多个预裁剪照片；通过所述图片评估模型分别对各预裁剪照片进行整体评分；筛选出得分最高的预裁剪图片作为最后的裁剪结果。
裁剪时，根据关键元素和构图原则，自动进行裁剪，保证裁剪后的图片美学质量。
具体来说，根据构图原则调整图像裁剪的位置和比例，如下所示：
黄金分割：将图像分成两个部分，使其中一个部分的比例与黄金分割比例相符。黄金分割比例约为1:1.618。
对称性：确保图像中的元素相对于中心或其他关键线是对称的。
平衡感：在裁剪时考虑元素的分布，以确保整体图像感觉平衡而不失去重要元素。
实施该功能时，需要提供手动调整裁剪框的选项，以满足特定用户需求。
如图3所示，本发明实施例还提供一种PC端图片管理系统，包括：上传模块、分析模块和推荐模块；
上传模块用于获取待处理图片集；
分析模块用于采用上述训练好的图片评估模型对待处理图片集中的每张图片进行打分和分类，或对待处理图片集中的每张图片进行价值评估；
推荐模块用于根据评分结果对图片集进行图片智能选优、垃圾图片自动筛选和参赛图片智能推荐，或根据价值评估结果，识别待处理图片集中具备潜在价值的图片进行推荐。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种PC端图片管理方法，其特征在于，包括以下步骤：
构建图片评估模型；所述图片评估模型包括基于EfficientNet-B0的主干网络、属性子网络、分类子网络和回归子网络；
基于所述主干网络提取图片特征；
基于所述属性子网络对图片特征中的光线特征、颜色特征和构图特征进行进一步提取，并分别输出图片在光线、颜色和构图三方面的属性特征评分；
基于所述分类子网络根据图片特征识别图片中的对象，并根据图片中对象和类别间的映射关系，确定图片类别；
基于所述回归子网络结合所述主干网提取出的图片特征、所述属性子网络提取出的属性特征和所述分类子网络提取出的图片类别进行回归特征融合，输出图片的整体评分；
采用图片训练集对所述图片评估模型进行训练；
基于训练好的图片评估模型对待处理图片集中的每张图片进行评分和分类，并基于评分结果实现图片智能选优、垃圾图片自动筛选和参赛图片智能推荐功能。
2.根据权利要求1所述的PC端图片管理方法，其特征在于，所述属性子网络提取出的光线特征包括：亮度均值和标准差；
所述属性子网络提取出的颜色特征包括：颜色通道权值、RGB主色个数、RGB主色度、HSV主色个数、HSV主色个数、主色调个数和主色调对比度；
所述属性子网络提取出的构图特征包括：黄金分割、中心、倾斜、三角形、指导线、三分线、对称、对角、框和圆。
3.根据权利要求1所述的PC端图片管理方法，其特征在于，当所述图片评估模型用于实现图片智能选优、垃圾图片自动筛选和参赛照片智能推荐功能时，所述图片训练集中的每张图片包含三个属性标签、一个整体标签和一个分类标签，三个所述属性标签分别为图片在光线、颜色和构图上的属性得分，所述整体标签为图片的整体分数，所述分类标签代表图片中对象的所属类别。
4.根据权利要求3所述的PC端图片管理方法，其特征在于，所述图片评估模型还用于实现价值图片自动挖掘功能，所述图片训练集中的每张图片还包含价格标签，利用训练好的所述图片评估模型进行价值图片自动挖掘时，对待处理图片集中的每张图片进行价值评估，并识别具备潜在价值的图片进行推荐。
5.根据权利要求1所述的PC端图片管理方法，其特征在于，所述图片评估模型还用于实现全景照片智能裁剪；
当进行全景照片智能裁剪时，通过识别模块识别出全景照片中的关键视觉元素；
对全景照片进行预裁剪，得到多个预裁剪照片；
通过所述图片评估模型分别对各预裁剪照片进行整体评分；
筛选出得分最高的预裁剪图片作为最后的裁剪结果。
6.根据权利要求5所述的PC端图片管理方法，其特征在于，所述识别模块采用yolo算法识别全景照片中的关键视觉元素进行识别，所述关键视觉元素包含主体、前景和背景。
7.根据权利要求1所述的PC端图片管理方法，其特征在于，当利用所述图片评估模型进行图片智能选优时，根据待处理图片集中的每张图片的整体评分，对各图片进行排序，选择排名前N的图片进行突出显示。
8.根据权利要求1所述的PC端图片管理方法，其特征在于，当利用所述图片评估模型进行垃圾图片自动筛选时，将待处理图片集中的每张图片的整体评分与预设阈值进行比较，将低于预设阈值的图片进行标记或删除。
9.根据权利要求1所述的PC端图片管理方法，其特征在于，当利用所述图片评估模型进行参赛照片智能推荐时，将待处理图片集中的每张图片的类别与比赛要求进行比对，同时将图片在光线、颜色和构图三方面的属性特征评分以及整体评分分别与预设的评分标准进行比对，选取最匹配的图片进行推荐。
10.一种PC端图片管理系统，其特征在于，包括：上传模块、分析模块和推荐模块；
所述上传模块用于获取待处理图片集；
所述分析模块用于采用如权利要求1-9任一项所述的训练好的图片评估模型对待处理图片集中的每张图片进行打分和分类，或对待处理图片集中的每张图片进行价值评估；
所述推荐模块用于根据评分结果对图片集进行图片智能选优、垃圾图片自动筛选和参赛图片智能推荐，或根据价值评估结果，识别待处理图片集中具备潜在价值的图片进行推荐。
CN202410132922.1A 2024-01-31 2024-01-31 一种pc端图片管理方法及系统 Active CN117689656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410132922.1A CN117689656B (zh) 2024-01-31 2024-01-31 一种pc端图片管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410132922.1A CN117689656B (zh) 2024-01-31 2024-01-31 一种pc端图片管理方法及系统

Publications (2)

Publication Number Publication Date
CN117689656A true CN117689656A (zh) 2024-03-12
CN117689656B CN117689656B (zh) 2024-07-09

Family

ID=90135627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410132922.1A Active CN117689656B (zh) 2024-01-31 2024-01-31 一种pc端图片管理方法及系统

Country Status (1)

Country Link
CN (1) CN117689656B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130188866A1 (en) * 2012-01-24 2013-07-25 Telefonica, S.A. Method to assess aesthetic quality of photographs
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
CN116091160A (zh) * 2022-12-29 2023-05-09 贵州农业职业学院 一种基于图像识别的网店后台商品管理系统及方法
CN116704398A (zh) * 2023-04-25 2023-09-05 中国科学院信息工程研究所 一种全方位、多信息融合的短视频价值评估方法
CN116778212A (zh) * 2022-03-09 2023-09-19 华为技术有限公司 一种图像处理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130188866A1 (en) * 2012-01-24 2013-07-25 Telefonica, S.A. Method to assess aesthetic quality of photographs
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
CN116778212A (zh) * 2022-03-09 2023-09-19 华为技术有限公司 一种图像处理方法及装置
CN116091160A (zh) * 2022-12-29 2023-05-09 贵州农业职业学院 一种基于图像识别的网店后台商品管理系统及方法
CN116704398A (zh) * 2023-04-25 2023-09-05 中国科学院信息工程研究所 一种全方位、多信息融合的短视频价值评估方法

Also Published As

Publication number Publication date
CN117689656B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN110163810B (zh) 一种图像处理方法、装置以及终端
US9990377B1 (en) Content based systems and methods for conducting spectrum color based image search
US11158091B2 (en) Methods and systems for human imperceptible computerized color transfer
KR100667663B1 (ko) 화상 처리 장치, 화상 처리 방법 및 그 프로그램을 기록한 컴퓨터 판독 가능한 기록매체
US8503767B2 (en) Textual attribute-based image categorization and search
US7352898B2 (en) Image processing apparatus, image processing method and program product therefor
EP3077898B1 (en) Editing options for image regions
US20110050723A1 (en) Image processing apparatus and method, and program
CN102576461A (zh) 评估数字图像的美学质量
US20130188866A1 (en) Method to assess aesthetic quality of photographs
CN102782726B (zh) 合成图像和成像产品的方法
JP2005151282A (ja) 画像処理装置、画像処理方法、およびプログラム
JP2011154687A (ja) 画像データセットをナビゲートするための方法、装置、及びプログラム
CN104978565B (zh) 一种普适性的图像文字提取方法
CN107153838A (zh) 一种照片自动分级方法及装置
CN101213576A (zh) 影集制作装置、影集制作方法及程序
WO2023138590A1 (zh) 无参考的视频质量确定方法、装置、设备和存储介质
Obrador et al. Towards category-based aesthetic models of photographs
CN110889718B (zh) 方案筛选方法、方案筛选装置、介质以及电子设备
CN116308530A (zh) 一种广告植入方法、装置、设备和可读存储介质
CN115376033A (zh) 信息生成方法及装置
CN117689656B (zh) 一种pc端图片管理方法及系统
CN101802844B (zh) 用于将分割引擎应用于数字图像的不同映射的方法和设备
CN115063800B (zh) 文本识别方法和电子设备
WO2023078281A1 (zh) 图片处理方法、装置、设备、存储介质和程序产品

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