信息处理方法及电子设备的制造方法
【技术领域】
[0001] 本发明涉及信息技术领域，尤其涉及一种信息处理方法及电子设备。
【背景技术】
[0002] 随着消费电子相机的繁荣，尤其是手机相机、可穿戴式相机、车载相机和航拍相机 的兴起，电子设备从大量连拍的图像辨识图像质量高的图像成为了迫切需求。图像的质量 测量系统一方面可以从海量的相册中精选高质量的图像，从而方便用户整理；另一方面可 以为图像翻译及图像搜索等这类图像识别应用挑选高质量的图像，以提图像翻译或图像搜 索效率等。
[0003] 现有技术中提出了一些图像质量测量方式，但是要不准确度太低，要不处理过程 十分复杂；故提出一种简便易行且精确度高的图像质量测量方法是现有技术仍需继续解决 的一个问题。
【发明内容】
[0004] 有鉴于此，本发明实施例期望提供一种信息处理方法及电子设备，至少部分解决 图像质量评分精确度不过和/或处理过程十分复杂的问题。
[0005] 为达到上述目的，本发明的技术方案是这样实现的：
[0006] 本发明实施例第一方面提供了一种信息处理方法，所述方法包括：
[0007] 对一幅训练图像进行采样，形成η个图像训练组海一个所述图像训练组包括m个 来自所述训练图像的图像块；所述η为不小于1的整数；所述m为不小于2的整数；
[0008] 利用所述η个图像训练组及所述训练图像的质量分数，对神经网络进行训练，形 成训练结果；
[0009] 基于所述训练结果确定图像质量测量参数；其中，所述图像质量测量参数用于对 待测图像进行质量评分。
[0010] 基于上述方案，所述方法还包括：
[0011] 在对所述训练图像进行采样之前，输出第一图像组；所述第一图像组至少包括两 张待评分的图像；
[0012] 接收所述第一图像组内各图像的评分排序信息；
[0013] 基于所述评分排序信息，确定所述第一图像组内各图像作为所述训练图像时的质 量分数。
[0014] 基于上述方案，所述对一幅训练图像进行采样，形成η个图像训练组，包括：
[0015] 对一幅所述训练图像进行η次随机分割；其中，每一次随机分割将所述训练图像 分割成m个所述图像块。
[0016] 基于上述方案，所述利用所述η个图像训练组及所述训练图像的质量分数，对神 经网络进行训练，形成训练结果，包括：
[0017] 利用所述η个图像训练组及所述训练图像的质量分数，对c? =i；P(-V) 〃）·(Λ·)进行 d 训练，获得所述Ρ(χ)的取值；
[0018] 其中，所述y(x)表示第X个质量分数；所述Ρ(χ)为训练图像为第X个质量分数的 概率；所述X为所述质量分数的总个数，为不小于2的正整数；所述Q为所述训练图像的质 量分数。
[0019] 基于上述方案，所述方法还包括：
[0020] 定时更新所述图像质量测量参数；
[0021] 对待测图像进行图像采样，形成待测图像组；
[0022] 依据所述定时更新的图像质量测量参数，对所述待测图像组进行质量评分。
[0023] 本发明实施例第二方面还提供了一种电子设备，所述电子设备包括：
[0024] 形成单元，用于对一幅训练图像进行采样，形成η个图像训练组；每一个所述图像 训练组包括m个来自所述训练图像的图像块；所述η为不小于1的整数；所述m为不小于2 的整数；
[0025] 训练单元，用于利用所述η个图像训练组及所述训练图像的质量分数，对神经网 络进行训练，形成训练结果；
[0026] 第一确定单元，用于基于所述训练结果确定图像质量测量参数；其中，所述图像质 量测量参数用于对待测图像进行质量评分。
[0027] 基于上述方案，所述电子设备还包括：
[0028] 输出单元，用于在对所述训练图像进行采样之前，输出第一图像组；所述第一图像 组至少包括两张待评分的图像；
[0029] 接收单元，用于接收所述第一图像组内各图像的评分排序信息；
[0030] 第二确定单元，用于基于所述评分排序信息，确定所述第一图像组内各图像作为 所述训练图像时的质量分数。
[0031] 基于上述方案，所述形成单元，具体用于对一幅所述训练图像进行η次随机分割； 其中，每一次随机分割将所述训练图像分割成m个所述图像块。
[0032] 基于上述方案，所述训练单元，具体用于利用所述η个图像训练组及所述训练图 像的质量分数，对β=? 进行训练，获得所述Ρ(X)的取值； Λ：:~1
[0033] 其中，所述y(x)表示第X个质量分数；所述Ρ(χ)为训练图像为第X个质量分数的 概率；所述X为所述质量分数的总个数，为不小于2的正整数；所述Q为所述训练图像的质 量分数。
[0034] 基于上述方案，所述电子设备还包括测量单元：
[0035] 所述第一确定单元，还用于定时更新所述图像质量测量参数；
[0036] 所述形成单元，还用于对待测图像进行图像采样，形成待测图像组；
[0037] 所述依据所述定时更新的图像质量测量参数，对所述待测图像组进行质量评分。
[0038]本发明实施例提供的信息处理方法及电子设备，会将一幅训练图像分割成η个图 像训练组；一个图像训练组可用于神经网络训练一次，这样一幅训练图像可对神经网络进 行η次训练，从而能够减少训练图像的数量；同时η个图像训练组对应一个质量分数，可以 减少多个训练图像在质量分数上的差异导致的训练结果不够精确，进而导致后续利用神经 网络对待测图像进行质量评分时导致的结果不够精确的现象。
【附图说明】
[0039]图1为本发明实施例提供的第一种信息处理方法的流程示意图；
[0040] 图2为本发明实施例提供的第二种信息处理方法的流程示意图；
[0041] 图3为本发明实施例提供的一种电子设备的结构示意图；
[0042]图4为本发明实施例提供给的一种图像清晰度分数测评系统示意图；
[0043] 图5为本发明实施例提供的一种神经网络的结构示意图。
【具体实施方式】
[0044] 以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。
[0045] 实施例一：
[0046] 如图1所示，本实施例提供一种信息处理方法，所述方法包括：
[0047] 步骤S110 :对一幅训练图像进行采样，形成η个图像训练组；每一个所述图像训练 组包括m个来自所述训练图像的图像块；所述η为不小于1的整数；所述m为不小于2的整 数；
[0048] 步骤S120:利用所述η个图像训练组及所述训练图像的质量分数，对神经网络进 行训练，形成训练结果；
[0049] 步骤S130:基于所述训练结果确定图像质量测量参数；其中，所述图像质量测量 参数用于对待测图像进行质量评分。
[0050] 在本实施例中所述信息处理方法可以应用于手机、平板电脑、笔记本电脑、台式电 脑或服务器或服务平台等各种电子设备。
[0051] 所述步骤S110对一幅训练图像进行采样，可包括将该副训练图像进行分割，分割 η次；且每次将该副训练图像分割成m个互不重叠的图像块。显然这里的每一个图像块均 为所述训练图像的一部分。
[0052] 在本实施例中所述训练图像对应了一个质量分数。这里的质量分数为表征该训练 图像的一个质量参数。这里的质量分数可为所述训练图像的清晰度分数。例如，将所述清 晰度采用10分制来进行评价，这样该副训练图像会对应于一个从〇到10之间的一个分数。 该分数表示了该训练图像的清晰度。
[0053] 通常所述质量分数与训练图像的质量参数是一一映射的关系，例如，清晰度越高， 清晰度分数就越高；一个清晰度分数不会用于对应于两幅清晰度差异很大的训练图像。
[0054]当然本实施例所述的质量分数还可以是模糊度分数，表征的是图像的模糊程度， 与所述清晰度为相反的对图像进行评价的评价量。
[0055] 在步骤S120中会对这η个图像训练组进行训练，形成训练结果。这里的采用神经 网络进行训练。这里的神经网络值得是利用电子设备模仿的人工神经网络。人工神经网络 (ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络（NNs)或称作连接模型 (ConnectionModel)。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行 信息处理的算法数学模型。这种人工神经网络依靠系统的复杂程度，通过调整内部大量节 点之间相互连接的关系，从而达到处理信息的目的。人工神经网络的计算模型模仿自动物 的中枢神经系统（尤其是脑），并且被用于估计或可以依赖于大量的输入和一般的未知近 似函数。人工神经网络通常呈现为相互连接的"神经元"。神经网络可以从输入的计算值， 并且能够机器学习以及模式识别由于它们的自适应性质的系统。
[0056]总之经过训练的神经网络，将能够形成