信息处理网络，在该信息处理网络的各个 分支中的权值及各个分支之间的运算关系都确定了，这样的话，输入一个待测信息后，通过 所述信息处理网络得到一个处理结果。在本实施例中，训练所述神经网络的训练输入为所 述η个训练组及该副训练图像的质量分数。这样形成的神经网络，在后续工作时，向其输入 m个图像块，经过所述信息处理网络处理之后，将得到该m个图像块的质量分数。值得注意 的是，此处的所述信息处理网络为电子设备内部进行数据处理的路径形成的网络。
[0057] 在本实施例中每一个训练组为一次训练的训练输入，这样的话，在步骤S110中形 成了η个图像训练组，则在步骤S120中至少训练η次，且这η次训练对应的是同一副训练 图像的质量分数。
[0058] 由于η个图像训练组，则需要进行η次训练。这样的话，神经网络对一幅图像进行 训练时，就会进行η次不同的训练，这样就减少了对神经网络进行训练所需的训练图像的 数量；且这样η个图像训练组来自同一副训练图像，且对应了一个质量分数，这样可以相对 于多幅训练图像的η次训练，可以减少多幅训练图像的质量分数的偏差导致的训练结果的 不精确，从而导致的图像测量质量参数的不精确的问题。
[0059] 实施例二：
[0060] 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：
[0061]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；
[0062] 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；
[0063] 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。
[0064] 如图2所示，所述方法还包括：
[0065] 步骤S101 :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；
[0066] 步骤S102 :接收所述第一图像组内各图像的评分排序信息；
[0067] 步骤S103 :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。
[0068] 在本实施例中所述第一图像组可包括至少两张待评分的图像。例如，电子设备输 出图像Α和图像Β ;请求用户比对图像Α和图像Β的清晰度。步骤S102中将接收评分排序 信息，例如，接收图像A和图像B的清晰度排序信息。在具体的实现过程中，所述步骤S101 可以每次同屏输出第一图像组中的待评分的图像，这样方便用户比对后给出所述评分排序 信息；反复输出直至所述第一组图像中任意两张待评分的图像之间的评分排序确定。在步 骤S103中将根据所述评分排序信息，来确定该第一图像组内的各个图像的质量分数。
[0069]当然在具体的实现过程中，也可以直接接收用户给出的第一图像组中每一个图像 的质量分数。但是由于不同的用户对清晰度等质量参数的理解不同，可能会有很大的差异， 若这样确定出训练图像的质量分数，可能会导致这样确定的图像质量参数用于图像的质量 分数确定时，出现精确度低的现象。
[0070] 但是不同用户对于可以对照比较的两幅不同质量的待评分的图像，通过比较确定 出图像清晰度获得评分排序信息，在不同用户之间的出现差异的概率显然小于用户直接给 出质量分数导致的差异的概率，显然本实施例所述的确定训练图像的质量分数的方法，具 有精确度高的特点。
[0071] 实施例三：
[0072] 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：
[0073] 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；
[0074] 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；
[0075] 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。
[0076] 所述步骤S110可包括：
[0077] 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。
[0078] 在本实施例中对一幅所述训练图像进行η次随机分割，每一次分割都会形成m个 图像块。在本实施例中采用随机分割，以尽可能获取能够使得神经网络获得更为精确的训 练结果。当然在具体的实现过程中，也可以采用非随机分割，例如预先设置分割策略；这里 的分割策略可包括：第一次分割从图像的第一边缘开始不等分所述训练图像；第二次分割 从第二边缘开始不等分所述训练图像；第三次从图像的中间部分不等分所述训练图像；第 四次分割从第一边缘等分所述训练图像……在本实施例中所述不等分为形成的图像块的 面积不相等。这里的等分为将训练图像分割后形成的图像块的面积相等。这里的第一边缘 和第二边缘是不同的边缘。显然分割策略不同，即便是对同一个训练图像进行分割，得到的 图像块是不同的，从而能够保证η个图像训练组中至少有一个图像块是不同的。
[0079] 采用随机分割，能够尽可能的模仿图像的自然分割，从而保证了训练得到的图像 质量测量参数可以用于精确的对待测图像进行评分。
[0080] 实施例四：
[0081] 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：
[0082] 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；
[0083] 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；
[0084] 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。
[0085] 所述步骤S120可包括：
[0086] 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 = Σ P(-v) $扒*)进行 v=l 训练，获得所述Ρ(χ)的取值；
[0087] 其中，所述y(x)表示第X个质量分数；所述P(x)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。
[0088] 在本实施例中所述=IPU)'V(X)即对应了所述神经网络，所述y(X)至少对 尤=1 应所述神经网络中的一条分支。
[0089] 所述Q为训练图像的质量分数，通过训练，可以得到每一个所述P(X)。
[0090] 这样后续可以利用所述P(x)对待测图像进行质量评分，获得对应的质量分数。
[0091] 采用神经网络的上述函数关系进行训练，具有实现简便的特点。
[0092] 实施例五：
[0093] 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：
[0094] 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；
[0095] 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；
[0096] 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。
[0097] 所述方法还包括：
[0098] 定时更新所述图像质量测量参数；
[0099] 对待测图像进行图像采样，形成待测图像组；
[0100] 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。
[0101] 在本实施例中将定时更新所述图像质量测量参数，这里的定时更新可包括周期更 新，也包括按照指定时间间隔进行更新，这里的时间间隔中的每一个时间间隔可相等，也可 以不相等。例如，所述时间间隔可以根据当前时间来确定，例如白天，电子设备还可能会频 繁的应用于完成其他的功能，此时，为了减少对电子设备的资源的占用，在白天不更新，而 在晚上更新所述图像质量测量分数。
[0102] 在具体的应用时，对待测图像进行采样，这里的对待测图像的采样，通常选择与步 骤S110中对训练图像进行采样的方式，例如对待测图像进行随机采样。在本实施例中，对 待测图像进行采样，可形成一个包括m个图像块的待测图像组。将m个图像组作为所述神 经网络的输入，神经网络利用定时更新的图像质量测量参数，对所述待测图像组中的各个 图像块进行处理，将得带所述待测图像对应的质量评分。例如，将获得该待测图像的清晰度 分数等。
[0103] 本实施例所述的信息处理方法，利用一幅训练图像形成η个图像块对神经网络进 行训练，再利用神经网络