信息推送方法及装置的制造方法
【专利摘要】本公开是关于信息推送方法及装置。该方法包括：获取待处理图像的目标特征；根据所述目标特征确定所述待处理图像的目标图像评价值；控制目标终端显示所述目标图像评价值。该技术方案使得用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
【专利说明】
信息推送方法及装置
技术领域
[0001 ]本公开涉及图像处理技术领域，尤其涉及信息推送方法及装置。
【背景技术】
[0002]目前，对于摄影爱好者，很想获知自己拍摄的作品的图像质量，以便对自己的摄影技术打一个分，但要得到一个较权威的评价是很不方便的。
【发明内容】
[0003]本公开实施例提供信息推送方法及装置。所述技术方案如下:
[0004]根据本公开实施例的第一方面，提供一种信息推送方法，包括:
[0005]获取待处理图像的目标特征；
[0006]根据所述目标特征确定所述待处理图像的目标图像评价值；
[0007]控制目标终端显示所述目标图像评价值。
[0008]可选的，所述根据所述目标特征确定所述待处理图像的目标图像评价值，包括:根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值，所述图像评价模型指示所述目标特征与所述目标图像评价值的对应关系。
[0009]可选的，在根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值之前，所述方法还包括:
[0010]获取样本图像；
[0011 ]获取所述样本图像的样本特征；
[0012]获取所述样本图像的预定图像评价值；
[0013]根据所述预定图像评价值及所述样本特征进行模型训练，得到所述图像评价模型。
[0014]可选的，所述根据所述预定图像评价值及所述样本特征进行模型训练，包括:
[0015]根据所述预定图像评价值及所述样本特征进行卷积神经网络模型训练。
[0016]可选的，所述方法还包括:
[0017]获取标记为预定时间的图像集合；
[0018]获取所述图像集合中所有待处理图像的图像评价值集合；
[0019]根据所述图像评价值集合获取综合评价值信息；
[0020]控制所述目标终端显示所述综合评价值信息。
[0021 ]可选的，所述综合评价值信息包括以下至少一项:
[0022]所述图像评价值集合中所有目标图像评价值的平均值；
[0023]所述图像评价值集合中的最大值；
[0024]所述图像评价值集合中所有目标图像评价值的图表。
[0025]可选的，所述目标特征包括以下至少一项特征:图像特征及所述图像的拍摄特征；
[0026]所述图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征；
[0027]所述拍摄特征包括以下至少一个特征:所述拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声音、拍摄地点及缩略图。
[0028]根据本公开实施例的第二方面，提供一种信息推送装置，包括:
[0029]第一获取模块，用于获取待处理图像的目标特征；
[0030]确定模块，用于根据所述获取模块获取的目标特征确定所述待处理图像的目标图像评价值；
[0031 ]第一控制模块，用于控制目标终端显示所述确定模块确定的目标图像评价值。
[0032]可选的，所述确定模块，用于根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值，所述图像评价模型指示所述目标特征与所述目标图像评价值的对应关系。
[0033]可选的，所述装置还包括:
[0034]第二获取模块，用于在所述确定模块根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值之前，获取样本图像；
[0035]第三获取模块，获取所述第二获取模块获取的样本图像的样本特征；
[0036]第四获取模块，获取所述第二获取模块获取的样本图像的预定图像评价值；
[0037]训练模块，用于根据所述第四获取模块获取的预定图像评价值及所述第三获取模块获取的样本特征进行模型训练，得到所述图像评价模型。
[0038]可选的，所述训练模块，用于根据所述预定图像评价值及所述样本特征进行卷积神经网络模型训练。
[0039]可选的，所述装置还包括:
[0040]第五获取模块，用于获取标记为预定时间的图像集合；
[0041]第六获取模块，用于获取所述第五获取模块获取的图像集合中所有待处理图像的图像评价值集合；
[0042]第七获取模块，用于根据所述第六获取模块获取的图像评价值集合获取综合评价值?目息;
[0043]第二控制模块，用于控制所述目标终端显示所述第七获取模块获取的综合评价值
?目息O
[0044]可选的，所述第七获取模块获取的综合评价值信息包括以下至少一项:
[0045]所述图像评价值集合中所有目标图像评价值的平均值；
[0046]所述图像评价值集合中的最大值；
[0047]所述图像评价值集合中所有目标图像评价值的图表。
[0048]可选的，所述第一获取模块获取的目标特征包括以下至少一项特征:图像特征及所述图像的拍摄特征；
[0049]所述图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征；
[0050]所述拍摄特征包括以下至少一个特征:所述拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声音、拍摄地点及缩略图。
[0051]根据本公开实施例的第三方面，提供一种信息推送装置，包括:
[0052]处理器；
[0053]用于存储处理器可执行指令的存储器；
[0054]其中，所述处理器被配置为:
[0055]获取待处理图像的目标特征；
[0056]根据所述目标特征确定所述待处理图像的目标图像评价值；
[0057]控制目标终端显示所述目标图像评价值。
[0058]本公开的实施例提供的技术方案可以包括以下有益效果:
[0059]本实施例中，通过根据待处理图像的目标特征对待处理图像进行评价，从而为用户显示这些图像的图像评价值，使得用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0060]在另一个实施例中，通过预先学习的评价模型对待处理图像进行评价，获得待处理图像的评价值，使得对待处理图像的评价更加准确，且更加快速方便，用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0061]在另一个实施例中，通过对大量的带有评价值的摄影作品样本的样本特性进行训练学习，可以得到图像的样本特征与评价值之间的对应关系，即得到图像评价模型。这样，当对图像评价模型输入待处理图像的目标特征后，即可得到待处理图像的目标图像评价值。
[0062]在另一个实施例中，由于卷积网络模型在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络模型加以训练，网络模型就具有输入输出之间的映射能力。
[0063]在另一个实施例中，用户可以根据综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0064]在另一个实施例中，用户可以根据多种综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0065]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0066]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0067]图1是根据一示例性实施例示出的一种信息推送方法的流程图。
[0068]图2是根据另一示例性实施例示出的一种信息推送方法的流程图。
[0069]图3是根据另一示例性实施例示出的一种信息推送方法的流程图。
[0070]图4是根据一示例性实施例示出的一种信息推送装置的框图。
[0071]图5是根据另一示例性实施例示出的一种信息推送装置的框图。
[0072]图6是根据另一示例性实施例示出的一种信息推送装置的框图。
[0073]图7是根据一示例性实施例示出的用于信息推送的装置的框图。
[0074]图8是根据一示例性实施例示出的用于信息推送的装置的框图。
【具体实施方式】
[0075]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0076]本公开实施例提供的技术方案，涉及终端或服务器，对待处理图像的特点图像特征进行提取，根据提取到的特征分析该待处理图像的评价值，从而控制目标终端显示该评价值，使得用户可以获知该待处理图像的图像质量评价值。该终端可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等任一具有图像处理功能的设备。
[0077]图1是根据一示例性实施例示出的一种信息推送方法的流程图，如图1所示，信息推送方法用于终端或服务器中，包括以下步骤:
[0078]在步骤Sll中，获取待处理图像的目标特征。
[0079]其中，可通过获取待处理图像的可交换图像文件(Exchangeable Image File，简称exif)来提取待处理图像的目标特征，exif中包含了专门为数码相机的照片而定制的元数据。目标特征可以包括以下至少一项特征:图像特征及图像的拍摄特征。
[0080]图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征。
[0081]拍摄特征包括以下至少一个特征:拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声音、拍摄地点及缩略图。
[0082]在步骤S12中，根据目标特征确定待处理图像的目标图像评价值。
[0083]在步骤S13中，控制目标终端显示目标图像评价值。其中，目标终端可以为执行信息推送方法的终端，也可以是另外的终端。
[0084]本实施例中，通过根据待处理图像的目标特征对待处理图像进行评价，从而为用户显示这些图像的图像评价值，使得用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提尚用户的体验度。
[0085]在另一个实施例中，待处理图像的目标图像评价值可通过预先学习的图像评价模型进行计算。上述根据目标特征确定待处理图像的目标图像评价值，包括:
[0086]根据图像评价模型和目标特征，获取待处理图像的目标图像评价值，图像评价模型指示目标特征与目标图像评价值的对应关系。
[0087]其中，图像评价模型可以为神经网络模型，神经网络模型包括:卷积网络模型，多层前馈(BP)网络模型、感知器(Perceptron)模型、Hopfield网络模型、Bpltzmann机模型、双向联想记忆网络模型、自适应共振网络模型、对传网络模型等等。采用神经网络模型，将待处理图像的目标特征作为图像评价模型的输入数据，由于图像评价模型指示目标特征与目标图像评价值的对应关系，因此，可根据输入的目标特征计算出该待处理图像对应的目标图像评价值。
[0088]本实施例中，通过预先学习的评价模型对待处理图像进行评价，获得待处理图像的评价值，使得对待处理图像的评价更加准确，且更加快速方便，用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0089]在另一个实施例中，在根据图像评价模型和目标特征，获取待处理图像的目标图像评价值之前，图像评价模型可以采用以下方法获得，图2是根据另一示例性实施例示出的一种信息推送方法的流程图，如图2所示，该方法还包括以下步骤:
[0090]在步骤S21中，获取样本图像。样本图像可从摄影大赛的参赛作品中获得，可根据参赛作品的获奖等价作为样本图像的预定图像评价值的依据，或者，还可以请摄影领域专业人士对摄影作品进行打分，从而得到样本图像的集合。
[0091]在步骤S22中，获取样本图像的样本特征。其中，样本特征的类型与上述目标特征的类型相同。
[0092]在步骤S23中，获取样本图像的预定图像评价值。
[0093]在步骤S24中，根据预定图像评价值及样本特征进行模型训练，得到图像评价模型。
[0094]其中，模型训练可根据选择的模型种类采用相应的神经网络学习算法。例如，卷积网络模型对应卷积神经网络算法，多层前馈(Back Propagat1n，简称BP)网络模型对应BP算法，感知器(Perceptron)神经网络模型对应感知器神经网络算法、Hopf ie Id网络模型对应Hopfield算法，等等。
[0095]本实施例中，通过对大量的带有评价值的摄影作品样本的样本特性进行训练学习，可以得到图像的样本特征与评价值之间的对应关系，即得到图像评价模型。这样，当对图像评价模型输入待处理图像的目标特征后，即可得到待处理图像的目标图像评价值。
[0096]在另一个实施例中，根据预定图像评价值及样本特征进行模型训练，包括:根据预定图像评价值及样本特征进行卷积神经网络模型训练。
[0097]其中，卷积神经网络模型训练可以采用有指导学习网络，对于有指导的模式识别，由于任一样本的类别是已知的，样本在空间的分布不再是依据其自然分布倾向来划分，而是要根据同类样本在空间的分布及不同类样本之间的分离程度找一种适当的空间划分方法，或者找到一个分类边界，使得不同类样本分别位于不同的区域内。这就需要一个长时间且复杂的学习过程，不断调整用以划分样本空间的分类边界的位置，使尽可能少的样本被划分到非同类区域中。
[0098]由于卷积网络模型在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络模型加以训练，网络模型就具有输入输出之间的映射能力。
[0099]在另一个实施例中，在获得某个用户的每张摄影作品的评价值后，可以根据每张待处理图像的评价值，对该用户的所有摄影作品进行综合评价。图3是根据另一示例性实施例示出的一种信息推送方法的流程图，如图3所示，该方法还包括:
[0100]在步骤S31中，获取标记为预定时间的图像集合；
[0101]在步骤S32中，获取图像集合中所有待处理图像的图像评价值集合；
[0102]在步骤S33中，根据图像评价值集合获取综合评价值信息；
[0103]在步骤S34中，控制目标终端显示综合评价值信息。
[0104]例如，可以获取某一用户最近一个月内拍摄的图像作品，根据这些图像作品的图像评价值结合，对该用户拍摄的图像作品进行综合评价，并将综合评价的结果展示给该用户。
[0105]在本实施例中，用户可以根据综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0106]在上述实施例中，综合评价值信息可以包括以下至少一项:
[0107]图像评价值集合中所有目标图像评价值的平均值；
[0108]图像评价值集合中的最大值；
[0109]图像评价值集合中所有目标图像评价值的图表。
[0110]例如，对该用户最近一个月内拍摄的所有图像作品的图像评价值求平均值作为综合评价值信息；或者，可以获取该用户最近一个月内拍摄的所有图像作品中图像评价值的最大值作为综合评价值信息；或者，可以根据图像作品的拍摄时间及每张图像作品的图像评价值生成该用户最近一个月内拍摄图像作品的图表，即绘制出用户摄影技术的成长曲线。这样，用户可以根据该综合评价值信息对最近一个月的作品拍摄效果有更清楚、更直观的了解。
[0111]本实施例中，用户可以根据多种综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0112]下述为本公开装置实施例，可以用于执行本公开方法实施例。
[0113]图4是根据一示例性实施例示出的一种信息推送装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该信息推送装置包括:
[0114]第一获取模块41，被配置为获取待处理图像的目标特征。其中，可通过获取待处理图像的可交换图像文件(Exchangeable Image File，简称exif)来提取待处理图像的目标特征，exif中包含了专门为数码相机的照片而定制的元数据。目标特征可以包括以下至少一项特征:图像特征及图像的拍摄特征。
[0115]图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征。拍摄特征包括以下至少一个特征:拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声音、拍摄地点及缩略图。
[0116]确定模块42，被配置为根据获取模块41获取的目标特征确定待处理图像的目标图像评价值；
[0117]第一控制模块43，被配置为控制目标终端显示确定模块42确定的目标图像评价值。
[0118]本实施例中，确定模块根据待处理图像的目标特征对待处理图像进行评价，第一控制模块为用户显示这些图像的图像评价值，使得用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0119]在另一个实施例中，待处理图像的目标图像评价值可通过预先学习的图像评价模型进行计算。确定模块42，被配置为根据图像评价模型和目标特征，获取待处理图像的目标图像评价值，图像评价模型指示目标特征与目标图像评价值的对应关系。
[0120]其中，图像评价模型可以为神经网络模型，神经网络模型包括:卷积网络模型，多层前馈(BP)网络模型、感知器(Perceptron)模型、Hopfield网络模型、Bpltzmann机模型、双向联想记忆网络模型、自适应共振网络模型、对传网络模型等等。采用神经网络模型，将待处理图像的目标特征作为图像评价模型的输入数据，由于图像评价模型指示目标特征与目标图像评价值的对应关系，因此，可根据输入的目标特征计算出该待处理图像对应的目标图像评价值。
[0121 ]本实施例中，确定模块通过预先学习的评价模型对待处理图像进行评价，获得待处理图像的评价值，使得对待处理图像的评价更加准确，且更加快速方便，用户可以对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0122]图5是根据另一示例性实施例示出的一种信息推送装置的框图，如图5所示，在另一个实施例中，该装置还包括:
[0123]第二获取模块51，被配置为在确定模块42根据图像评价模型和目标特征，获取待处理图像的目标图像评价值之前，获取样本图像。样本图像可从摄影大赛的参赛作品中获得，可根据参赛作品的获奖等价作为样本图像的预定图像评价值的依据，或者，还可以请摄影领域专业人士对摄影作品进行打分，从而得到样本图像的集合。
[0124]第三获取模块52，获取第二获取模块51获取的样本图像的样本特征。其中，样本特征的类型与上述目标特征的类型相同。
[0125]第四获取模块53，获取第二获取模块51获取的样本图像的预定图像评价值；
[0126]训练模块54，被配置为根据第四获取模块53获取的预定图像评价值及第三获取模块52获取的样本特征进行模型训练，得到图像评价模型。
[0127]其中，模型训练可根据选择的模型种类采用相应的神经网络学习算法。例如，卷积网络模型对应卷积神经网络算法，多层前馈(Back Propagat1n，简称BP)网络模型对应BP算法，感知器(Perceptron)神经网络模型对应感知器神经网络算法、Hopf ie Id网络模型对应Hopfield算法，等等。
[0128]本实施例中，训练模块对大量的带有评价值的摄影作品样本的样本特性进行训练学习，可以得到图像的样本特征与评价值之间的对应关系，即得到图像评价模型。这样，当对图像评价模型输入待处理图像的目标特征后，即可得到待处理图像的目标图像评价值。
[0129]在另一个实施例中，训练模块54，被配置为根据预定图像评价值及样本特征进行卷积神经网络模型训练。
[0130]其中，卷积神经网络模型训练可以采用有指导学习网络，对于有指导的模式识别，由于任一样本的类别是已知的，样本在空间的分布不再是依据其自然分布倾向来划分，而是要根据同类样本在空间的分布及不同类样本之间的分离程度找一种适当的空间划分方法，或者找到一个分类边界，使得不同类样本分别位于不同的区域内。这就需要一个长时间且复杂的学习过程，不断调整用以划分样本空间的分类边界的位置，使尽可能少的样本被划分到非同类区域中。
[0131 ]由于卷积网络模型在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络模型加以训练，网络模型就具有输入输出之间的映射能力。
[0132]在另一个实施例中，在获得某个用户的每张摄影作品的评价值后，可以根据每张待处理图像的评价值，对该用户的所有摄影作品进行综合评价。图6是根据另一示例性实施例示出的一种信息推送装置的框图，如图6所示，该装置还包括:
[0133]第五获取模块61，被配置为获取标记为预定时间的图像集合；
[0134]第六获取模块62，被配置为获取第五获取模块61获取的图像集合中所有待处理图像的图像评价值集合；
[0135]第七获取模块63，被配置为根据第六获取模块62获取的图像评价值集合获取综合评价值信息；
[0136]第二控制模块64，被配置为控制目标终端显示第七获取模块63获取的综合评价值
?目息O
[0137]例如，第五获取模块61可以获取某一用户最近一个月内拍摄的图像作品，第七获取模块63根据这些图像作品的图像评价值集合，对该用户拍摄的图像作品进行综合评价，第二控制模块64将综合评价的结果展示给该用户。
[0138]在本实施例中，用户可以根据综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0139]在上述实施例中，第七获取模块63获取的综合评价值信息包括以下至少一项:
[0140]图像评价值集合中所有目标图像评价值的平均值；
[0141]图像评价值集合中的最大值；
[0142]图像评价值集合中所有目标图像评价值的图表。
[0143]例如，对该用户最近一个月内拍摄的所有图像作品的图像评价值求平均值作为综合评价值信息；或者，可以获取该用户最近一个月内拍摄的所有图像作品中图像评价值的最大值作为综合评价值信息；或者，可以根据图像作品的拍摄时间及每张图像作品的图像评价值生成该用户最近一个月内拍摄图像作品的图表，即绘制出用户摄影技术的成长曲线。这样，用户可以根据该综合评价值信息对最近一个月的作品拍摄效果有更清楚、更直观的了解。
[0144]本实施例中，用户可以根据综合评价值信息对待处理图像即摄影作品的图像质量及拍摄效果有更加清楚、准确地了解，对于拍摄图像的摄影者，可以方便准确地了解自己的摄影技术，提高用户的体验度。
[0145]本公开还提供一种信息推送装置，包括:
[0146]处理器；
[0147]用于存储处理器可执行指令的存储器；
[0148]其中，处理器被配置为:
[0149]获取待处理图像的目标特征；
[0150]根据所述目标特征确定所述待处理图像的目标图像评价值；
[0151]控制目标终端显示所述目标图像评价值。
[0152]图7是根据一示例性实施例示出的一种用于信息推送装置的框图，该装置适用于终端设备。例如，装置1700可以是摄像机，录音设备，移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0153]装置1700可以包括以下一个或多个组件:处理组件1702，存储器1704，电源组件1706，多媒体组件1708，音频组件1710，输入/输出(I/0)的接口 1712，传感器组件1714，以及通信组件1716。
[0154]处理组件1702通常控制装置1700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1702可以包括一个或多个处理器1720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1702可以包括一个或多个模块，便于处理组件1702和其他组件之间的交互。例如，处理组件1702可以包括多媒体模块，以方便多媒体组件1708和处理组件1702之间的交互。
[0155]存储器1704被配置为存储各种类型的数据以支持在设备1700的操作。这些数据的示例包括用于在装置1700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPR0M)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
[0156]电源组件1706为装置1700的各种组件提供电力。电源组件1706可以包括电源管理系统，一个或多个电源，及其他与为装置1700生成、管理和分配电力相关联的组件。
[0157]多媒体组件1708包括在所述装置1700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1708包括一个前置摄像头和/或后置摄像头。当设备1700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0158]音频组件1710被配置为输出和/或输入音频信号。例如，音频组件1710包括一个麦克风(MIC)，当装置1700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1704或经由通信组件1716发送。在一些实施例中，音频组件1710还包括一个扬声器，用于输出音频信号。
[0159]I/O接口 1712为处理组件1702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
[0160]传感器组件1714包括一个或多个传感器，用于为装置1700提供各个方面的状态评估。例如，传感器组件1714可以检测到设备1700的打开/关闭状态，组件的相对定位，例如所述组件为装置1700的显示器和小键盘，传感器组件1714还可以检测装置1700或装置1700—个组件的位置改变，用户与装置1700接触的存在或不存在，装置1700方位或加速/减速和装置1700的温度变化。传感器组件1714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0161]通信组件1716被配置为便于装置1700和其他设备之间有线或无线方式的通信。装置1700可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
[0162]在示例性实施例中，装置1700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0163]在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1704，上述指令可由装置1700的处理器1720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是R0M、随机存取存储器(RAM)、CD-R0M、磁带、软盘和光数据存储设备等。
[0164]图8是根据一示例性实施例示出的一种用于信息推送的装置的框图。例如，装置1900可以被提供为一服务器。装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
[0165]装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口 1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM,MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
[0166]—种非临时性计算机可读存储介质，当所述存储介质中的指令由装置1700或装置1900的处理器执行时，使得装置1700或装置1900能够执行上述信息推送的方法，所述方法包括:
[0167]获取待处理图像的目标特征；
[0168]根据所述目标特征确定所述待处理图像的目标图像评价值；
[0169]控制目标终端显示所述目标图像评价值。
[0170]可选的，所述根据所述目标特征确定所述待处理图像的目标图像评价值，包括:根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值，所述图像评价模型指示所述目标特征与所述目标图像评价值的对应关系。
[0171 ]可选的，在根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值之前，所述方法还包括:
[0172]获取样本图像；
[0173]获取所述样本图像的样本特征；
[0174]获取所述样本图像的预定图像评价值；
[0175]根据所述预定图像评价值及所述样本特征进行模型训练，得到所述图像评价模型。
[0176]可选的，所述根据所述预定图像评价值及所述样本特征进行模型训练，包括:
[0177]根据所述预定图像评价值及所述样本特征进行卷积神经网络模型训练。
[0178]可选的，所述方法还包括:
[0179]获取标记为预定时间的图像集合；
[0180]获取所述图像集合中所有待处理图像的图像评价值集合；
[0181 ]根据所述图像评价值集合获取综合评价值信息；
[0182]控制所述目标终端显示所述综合评价值信息。
[0183]可选的，所述综合评价值信息包括以下至少一项:
[0184]所述图像评价值集合中所有目标图像评价值的平均值；
[0185]所述图像评价值集合中的最大值；
[0186]所述图像评价值集合中所有目标图像评价值的图表。
[0187]可选的，所述目标特征包括以下至少一项特征:图像特征及所述图像的拍摄特征；
[0188]所述图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征；
[0189]所述拍摄特征包括以下至少一个特征:所述拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声音、拍摄地点及缩略图。
[0190]本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0191]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
【主权项】
1.一种信息推送方法，其特征在于，包括: 获取待处理图像的目标特征； 根据所述目标特征确定所述待处理图像的目标图像评价值； 控制目标终端显示所述目标图像评价值。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征确定所述待处理图像的目标图像评价值，包括:根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值，所述图像评价模型指示所述目标特征与所述目标图像评价值的对应关系。3.根据权利要求2所述的方法，其特征在于，在根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值之前，所述方法还包括: 获取样本图像； 获取所述样本图像的样本特征； 获取所述样本图像的预定图像评价值； 根据所述预定图像评价值及所述样本特征进行模型训练，得到所述图像评价模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述预定图像评价值及所述样本特征进行模型训练，包括: 根据所述预定图像评价值及所述样本特征进行卷积神经网络模型训练。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: 获取标记为预定时间的图像集合； 获取所述图像集合中所有待处理图像的图像评价值集合； 根据所述图像评价值集合获取综合评价值信息； 控制所述目标终端显示所述综合评价值信息。6.根据权利要求5所述的方法，其特征在于，所述综合评价值信息包括以下至少一项: 所述图像评价值集合中所有目标图像评价值的平均值； 所述图像评价值集合中的最大值； 所述图像评价值集合中所有目标图像评价值的图表。7.根据权利要求1所述的方法，其特征在于，所述目标特征包括以下至少一项特征:图像特征及所述图像的拍摄特征； 所述图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征；所述拍摄特征包括以下至少一个特征:所述拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声首、拍摄地点及缩略图。8.一种信息推送装置，其特征在于，包括: 第一获取模块，用于获取待处理图像的目标特征； 确定模块，用于根据所述获取模块获取的目标特征确定所述待处理图像的目标图像评价值； 第一控制模块，用于控制目标终端显示所述确定模块确定的目标图像评价值。9.根据权利要求8所述的装置，其特征在于，所述确定模块，用于根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值，所述图像评价模型指示所述目标特征与所述目标图像评价值的对应关系。10.根据权利要求9所述的装置，其特征在于，所述装置还包括: 第二获取模块，用于在所述确定模块根据图像评价模型和所述目标特征，获取所述待处理图像的目标图像评价值之前，获取样本图像； 第三获取模块，获取所述第二获取模块获取的样本图像的样本特征； 第四获取模块，获取所述第二获取模块获取的样本图像的预定图像评价值； 训练模块，用于根据所述第四获取模块获取的预定图像评价值及所述第三获取模块获取的样本特征进行模型训练，得到所述图像评价模型。11.根据权利要求10所述的装置，其特征在于，所述训练模块，用于根据所述预定图像评价值及所述样本特征进行卷积神经网络模型训练。12.根据权利要求8所述的装置，其特征在于，所述装置还包括: 第五获取模块，用于获取标记为预定时间的图像集合； 第六获取模块，用于获取所述第五获取模块获取的图像集合中所有待处理图像的图像评价值集合； 第七获取模块，用于根据所述第六获取模块获取的图像评价值集合获取综合评价值信息; 第二控制模块，用于控制所述目标终端显示所述第七获取模块获取的综合评价值信息。13.根据权利要求12所述的装置，其特征在于，所述第七获取模块获取的综合评价值信息包括以下至少一项: 所述图像评价值集合中所有目标图像评价值的平均值； 所述图像评价值集合中的最大值； 所述图像评价值集合中所有目标图像评价值的图表。14.根据权利要求8所述的装置，其特征在于，所述第一获取模块获取的目标特征包括以下至少一项特征:图像特征及所述图像的拍摄特征； 所述图像特征包括以下至少一个特征:颜色特征、纹理特征、形状特征、空间关系特征；所述拍摄特征包括以下至少一个特征:所述拍摄时的光圈、快门、白平衡、感光度、焦距、拍摄时间、拍摄条件、相机品牌、型号、色彩编码、拍摄时录制的声首、拍摄地点及缩略图。15.一种信息推送装置，其特征在于，包括: 处理器； 用于存储处理器可执行指令的存储器； 其中，所述处理器被配置为: 获取待处理图像的目标特征； 根据所述目标特征确定所述待处理图像的目标图像评价值； 控制目标终端显示所述目标图像评价值。
【文档编号】G06T7/00GK105913433SQ201610225716
【公开日】2016年8月31日
【申请日】2016年4月12日
【发明人】张向阳, 陈帅, 刘铁俊
【申请人】北京小米移动软件有限公司