图像评估方法、装置、电子设备及计算机可读介质与流程

本公开涉及计算机信息处理领域，具体而言，涉及一种图像评估方法、装置、电子设备及计算机可读介质。

背景技术：

随着信息时代的到来，数字图像作为一种重要的信息载体，能满足日益增长的现代化业务需求。计算机和网络的发展扩展了图像应用领域，图像在获取、压缩、处理、传输、存储等过程中会带来不同程度和类型的失真，直接影响信息的获取。因此，在图像处理和应用领域建立有效的图像质量评价体系具有重大意义。

目前图像质量评价方法有两大类。(1)主观评价方法。由人工对图像质量进行评分,人是图像的最终使用者主观质量评价是最为准确、可靠的图像质量评价方法。但是由于其耗时、昂贵非常不适用于大数据时代对数据的处理要求。(2)客观评价方法。具有简单、实时、可重复和易集成等优点，近几十年发展快速，成为图像质量评价体系中的研究热点。利用数学和工程方法对图像质量进行度量，弥补了主观评价方法的不足。由于人是图像的最终受体，客观评价与主观评价结果的一致性是客观评价方法好坏的重要衡量指标。结合图像自身特点和人类视觉系统的生理和心理特性的方法成为了当今研究的热点。

因此，需要一种能够准确的对图像进行评估的方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

有鉴于此，本公开提供一种图像评估方法、装置、电子设备及计算机可读介质，能够快速准确的对图像质量进行评估。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种图像评估方法，该方法包括：对原始图像进行预处理，生成标准图像；获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；以及将所述特征向量输入图像评分模型中以获取所述原始图像的评分。

在本公开的一种示例性实施例中，还包括：通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。

在本公开的一种示例性实施例中，通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型包括：确定训练图像的所述梯度特征图与所述高斯拉普拉斯特征图；根据所述特征图确定所述训练图像的特征向量；确定所述训练图像的评分；以及根据所述训练图像的评分与所述训练图像的特征向量对支持向量机模型进行训练，以获取所述图像评分模型。

在本公开的一种示例性实施例中，根据所述训练图像的评分与所述训练图像的特征向量对支持向量机模型进行训练，以获取所述图像评分模型包括：将所述训练图像输入支持向量机模型中；通过所述训练图像的评分对所述支持向量机模型中的参数进行调整；以及所述支持向量机模型中的参数满足阈值时，生成所述图像评分模型。

在本公开的一种示例性实施例中，对原始图像进行预处理，生成标准图像包括：对所述原始图像进行调整分辨率处理；对调整分辨率处理之后的原始图像进行标准化处理；将标准化处理之后的原始图像进行色彩空间转换处理，生成所述标准图像。

在本公开的一种示例性实施例中，将标准化处理之后的原始图像进行色彩空间转换处理包括：将标准化处理之后的原始图像由rgb颜色空间转换到ycbcr颜色空间中。

在本公开的一种示例性实施例中，获取所述标准图像的梯度特征图与高斯拉普拉斯特征图包括：将所述标准图像进行梯度变换生成所述梯度特征图；以及将所述梯度特征图进行高斯拉普拉斯生成所述高斯拉普拉斯特征图。

在本公开的一种示例性实施例中，获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量包括：通过灰度设置分别确定所述梯度特征图与所述高斯拉普拉斯特征图的灰度；分别获取所述梯度特征图与所述高斯拉普拉斯特征图的特征映射图；以及根据特征映射图确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量。

在本公开的一种示例性实施例中，根据特征映射图确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量包括：确定特征向量系数；以及根据所述特征向量系数与特征映射图确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量。

根据本公开的一方面，提出一种图像评估装置，该装置包括：原始图像处理模块，用于对原始图像进行预处理，生成标准图像；标准图像处理模块，用于获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；特征向量模块，用于获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；以及评分模块，用于将所述特征向量输入图像评分模型中以获取所述原始图像的质量评分。

在本公开的一种示例性实施例中，还包括：模型训练模块，用于通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的图像评估方法、装置、电子设备及计算机可读介质，通过计算获取原始图像的梯度特征图与高斯拉普拉斯特征图；进而根据梯度特征图与高斯拉普拉斯特征图与输入图像评分模型确定所述原始图像的评分的方式，能够快速准确的对图像质量进行评估。

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的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种图像评估方法及装置的系统框图。

图2是根据一示例性实施例示出的一种图像评估方法及装置的应用场景示意图。

图3是根据一示例性实施例示出的一种图像评估方法及装置的应用场景示意图。

图4是根据一示例性实施例示出的一种图像评估方法的流程图。

图5是根据另一示例性实施例示出的一种图像评估方法的流程图。

图6是根据一示例性实施例示出的一种图像评估装置的框图。

图7是根据另一示例性实施例示出的一种图像评估装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

图9是根据一示例性实施例示出一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本公开的发明人发现，在现有的图像质量客观评估算法中，主要包括两个部分：有参考的图像质量评估方法和无参考的图像质量评估方法。其中有参考的图像质量评估由于有对应的参考标准，可以通过机器学习的方法较为准确的判断出图像的质量。而无参考的图像质量评估由于对输入图像没有任何先验的知识，需要更多的借助于图像处理、模式识别以及机器学习等相关技术。

在现有的技术方案中，主要包括基于传统的特征提取方法对图像进行评估，该类方法对小样本测试集通常会有比较理想的结果，无法满足实际的工程需求。

更进一步的说，图像质量评估的最终目的是从海量图像信息中快速找到不符合业务需求的图像，解决工作人员事后处理的难度。图像质量评估算法作为一种重要的预处理手段，人们对图像质量评价算法进行了广泛的研究。但是现有的无参考图像质量评价方法大都基于特定场景进行先验性的假设为前提条件，可扩展性较差；现有技术方案中也提出了一些基于神经网络模型的图像质量预估方法，但是由于缺乏大量的标记样本，在实际应用中表现也不尽人意。在大规模的图像处理领域，鲁棒性也较差。

基于以上问题，本公开提出了一种图像评估方法及装置。该方法在一定程度上解决了现有技术方案遇到的一些技术难题。

图1是根据一示例性实施例示出的一种图像评估方法及装置的系统框图。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所拍摄图片提供支持的后台服务器。服务器105可以对接收到的图片数据进行分析等处理，并将处理结果反馈给终端设备。

用户可通过终端设备101、102、103获取图片，终端设备101、102、103可例如对原始图像进行预处理，生成标准图像；终端设备101、102、103可例如获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；终端设备101、102、103可例如获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；以及终端设备101、102、103可例如将所述特征向量输入图像评分模型中以获取所述原始图像的评分。

终端设备101、102、103还可例如通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。

用户可通过终端设备101、102、103获取图片，终端设备101、102、103可例如将图片转发至服务器105中，服务器105可例如对原始图像进行预处理，生成标准图像；服务器105可例如获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；服务器105可例如获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；以及服务器105可例如将所述特征向量输入图像评分模型中以获取所述原始图像的评分。服务器105还可例如直接输出图像的评分结果。服务器105还可例如图像评分结果返回终端设备101、102、103。

服务器105还可例如通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的图像评估方法可以由服务器105和/或终端设备101、102、103执行，相应地，图像评估装置可以设置于服务器105和/或终端设备101、102、103中。而提供给用户获取图片的接收端一般位于终端设备101、102、103中。

根据本公开的图像评估方法及装置，通过计算获取原始图像的梯度特征图与高斯拉普拉斯特征图；进而根据梯度特征图与高斯拉普拉斯特征图与输入图像评分模型确定所述原始图像的评分的方式，能够快速准确的对图像质量进行评估。

图2是根据一示例性实施例示出的一种图像评估方法及装置的应用场景示意图。图2示例性的说明了在保险领域，本公开中的图像评估方法的具体应用场景。

在保险领域，客户在购买相关产品的过程中都需要上传身份证等图像相关信息，而这些信息需要保存到后台数据库中，由于图像数据在获取、传输和存储的过程中可能会存在一定的失真模糊都现象。随着信息量的增加，而人工逐个的查看校验也变的越来越难以控制，为了提高入库的效率和实时性，通过对待入库的证件图像进行图像质量评估，能够非常高效的解决资料入库的问题，同时节省了大量的人力成本。

在保险领域，客户在购买相关产品的过程中都需要上传身份证等图像相关信息，而这些信息需要保存到后台数据库中，由于图像数据在获取、传输和存储的过程中可能会存在一定的失真模糊都现象。随着信息量的增加，而人工逐个的查看校验也变的越来越难以控制。

为了提高入库的效率和实时性，可通过预先经过设定的证件获取终端获取客户的身份证等图像，证件获取终端身份证图像进行预处理，生成标准图像；确定所述标准图像的梯度特征图与高斯拉普拉斯特征图；进而确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；再将所述特征向量输入证件获取终端中预存的图像评分模型中以获取证件图像的评分。通过对待入库的证件图像进行图像质量评估，能够非常高效的解决资料入库的问题，同时节省了大量的人力成本。

图3是根据一示例性实施例示出的一种图像评估方法及装置的应用场景示意图。图3示例性的说明了在保险赔付领域，本公开中的图像评估方法的具体应用场景。

在保险赔付领域，客户通常需要提交所用的理赔资料，而这些纸质的资料需要以文本的形式录入到数据库中以便事后查看校验等。而数据的录入通常都要晚于数据的上传，一旦出现图像资料模糊无法上传的情况，往往需要耗费巨大的人力物力去从海量的数据中查找某一个原始数据。

可例如将客户的匹配资料中的图像实时上传到服务器端，服务器对图像进行预处理，进而输入图像评分模型中以获取图像的评分。通过对上传的图像资料进行实时的预估判断，能够最大程度上避免这种情况的出现，从而大大节省人工成本。

图4是根据一示例性实施例示出的一种图像评估方法的流程图。图像评估方法40至少包括步骤s402至s408。

如图4所示，在s402中，对原始图像进行预处理，生成标准图像。可例如，对所述原始图像进行调整分辨率处理；对调整分辨率处理之后的原始图像进行标准化处理；将标准化处理之后的原始图像进行色彩空间转换处理，生成所述标准图像。

在一个实施例中，对所述原始图像进行调整分辨率处理包括：对小于预定分辨率的图像进行图像增强处理，增加原始图像的分辨率；对大于预定分辨率的图像进行图像压缩处理，以减少原始图像的分辨率，便于后续的其他计算。

在一个实施例中，对调整分辨率处理之后的原始图像进行标准化处理包括：图像的标准化处理可例如为将图像的格式进行统一整理，可例如统一转化为jpg格式的图像以进行后续处理。还可例如对图像的外形尺寸进行处理，以将图像调整到预定的尺寸中。

在一个实施例中，将标准化处理之后的原始图像进行色彩空间转换处理包括：将标准化处理之后的原始图像由rgb颜色空间转换到ycbcr颜色空间中。其中ycbcr是色彩空间的一种，通常会用于影片中的影像连续处理，或是数字摄影系统中。y为颜色的亮度(luma)成分、而cb和cr则为蓝色和红色的浓度偏移量成份。正如几何上用坐标空间来描述坐标集合，色彩空间用数学方式来描述颜色集合。常见的3个基本色彩模型是rgb，cmyk和yuv。ycbcr则是在世界数字组织视频标准研制的一部分，其实是yuv经过缩放和偏移的翻版。其中y与yuv中的y含义一致,cb,cr同样都指色彩，只是在表示方法上不同而已。在yuv家族中，ycbcr是在计算机系统中应用最多的成员，其应用领域很广泛，jpeg、mpeg均采用此格式。一般人们所讲的yuv大多是指ycbcr。

在一个实施例中，将图像从rgb颜色空间转换到ycbcr颜色空间，转换公式可如(1)所示：

其中r,g,b,分别表示rgb颜色空间上不通颜色通道的值。

对于得到的ycbcr图像，可提取图像y通道做为标准处理图像并标记为i(x，y)。

在s404中，获取所述标准图像的梯度特征图与高斯拉普拉斯特征图。可例如：将所述标准图像进行梯度变换生成所述梯度特征图；以及将所述梯度特征图进行高斯拉普拉斯生成所述高斯拉普拉斯特征图。

其中，由于图像在计算机中以数字图像的形式进行存储，即图像是离散的数字信号，对数字图像的梯度使用差分来代替连续信号中的微分。

可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导：

图像梯度:g(x,y)＝dx(i,j)+dy(i,j)；

dx(i,j)＝i(i+1,j)-i(i,j)；

dy(i,j)＝i(i,j+1)-i(i,j)；

其中，i是图像像素的值，(i,j)为像素的坐标。

图像梯度一般也可以用中值差分：

dx(i,j)＝[i(i+1,j)-i(i-1,j)]/2；

dy(i,j)＝[i(i,j+1)-i(i,j-1)]/2；

图像边缘一般都是通过对图像进行梯度运算来实现的。

在一个实施例中，对于标准图像i(x，y)，可通过公式(2)计算图像的梯度特征图，并标记为gi。

其中表示线性的卷积操作，hd(d∈(x，y))分别表示x方向和y方向的高斯滤波算子,其计算方法如公式(3)所示。

其中，拉普拉斯算子是一种高通滤波器，是影像灰度函数在两个垂直方向二阶偏导数之和。在离散数字影像的情况下,直接用影像灰度级的二阶差分代替连续情形下的二阶偏导数,对噪声很敏感,在提取边缘时往往会出现伪边缘响应。为克服拉普拉斯算子的不足,宜先对数字影像进行低通滤波，抑制噪声。高斯函数是一种很好的归一化低通滤波器,可用于对数字影像进行低通滤波以减少噪声的影响，在此基础上再利用拉普拉斯算子提取边缘,这就是高斯拉普拉斯算子，又称为log(laplacianofgaussian)算子。

在一个实施例中，对于标准图像i(x,y)，可通过公式(4)计算图像的高斯-拉普拉斯特征图并标记为li。

其中高斯-拉普拉斯算子可以通过公式(5)表示，具体的

在s406中，获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量。可例如，通过灰度设置分别确定所述梯度特征图与所述高斯拉普拉斯特征图的灰度；分别获取所述梯度特征图与所述高斯拉普拉斯特征图的特征映射图；以及根据特征映射图确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量。

在一个实施例中，根据所述梯度特征图与所述高斯拉普拉斯特征图，我们将特征图gi的灰度级设置为m,，特征图li的灰度级设置为n。则对应的特征映射图可以通过公式(6)表示。

km，n＝p(g＝gm，l＝ln),m＝1,...,m；n＝1,...n.(6)

通过得到的特征映射图，

根据km，n，定义对应的独立系数为dm，n。对应的计算公式如下图所示：

则对应的特征向量可以定义为为

在s408中，将所述特征向量输入图像评分模型中以获取所述原始图像的评分。

在一个实施例中，可通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。可例如，确定训练图像的所述梯度特征图与所述高斯拉普拉斯特征图；根据所述特征图确定所述训练图像的特征向量；确定所述训练图像的评分；以及根据所述训练图像的评分与所述训练图像的特征向量对支持向量机模型进行训练，以获取所述图像评分模型。模型训练的内容将会在图5对应的实施例中进行详细说明。

通过将将所述特征向量输入训练好的图像评分模型中，可以获取所述原始图像的评分。用户可基于所述图像的评分进行后续的处理，本申请不以此为限。

根据本公开的图像评估方法，通过计算获取原始图像的梯度特征图与高斯拉普拉斯特征图；进而根据梯度特征图与高斯拉普拉斯特征图与输入图像评分模型确定所述原始图像的评分的方式，能够快速准确的对图像质量进行评估。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图5是根据另一示例性实施例示出的一种图像评估方法的流程图。图5所示的图像评估方法50“通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。”的详细描述，

如图5所示，在s502中，确定训练图像的所述梯度特征图与所述高斯拉普拉斯特征图。训练图像可例如通过各种图像源获取，也可以通过历史上的图像数据生成，本申请不以此为限。

在s504中，根据所述特征图确定所述训练图像的特征向量。

在s506中，确定所述训练图像的评分。

在s508中，根据所述训练图像的评分与所述训练图像的特征向量对支持向量机模型进行训练，以获取所述图像评分模型。可例如将所述训练图像输入支持向量机模型中；通过所述训练图像的评分对所述支持向量机模型中的参数进行调整；以及所述支持向量机模型中的参数满足阈值时，生成所述图像评分模型。

可根据上文所述的方法，将获得的标记图像的特征向量x(qg，ql，pg，pl)进行图像质量评分，然后将图像以及对应的图像质量评分y输入支持向量机模型。通过使用支持向量机回归的方法对数据进行训练，并得到对应的图像评分模型。

本公开的图像评估方法，通过梯度和高斯-拉普拉斯特征融合统计的方法可以有效的解决盲图像质量评估。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

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。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图6是根据一示例性实施例示出的一种图像评估装置的框图。如图6所示，图像评估装置60包括：原始图像处理模块602，标准图像处理模块604，特征向量模块606，以及评分模块608。

原始图像处理模块602用于对原始图像进行预处理，生成标准图像；可例如，对所述原始图像进行调整分辨率处理；对调整分辨率处理之后的原始图像进行标准化处理；将标准化处理之后的原始图像进行色彩空间转换处理，生成所述标准图像。

标准图像处理模块604用于获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；可例如：将所述标准图像进行梯度变换生成所述梯度特征图；以及将所述梯度特征图进行高斯拉普拉斯生成所述高斯拉普拉斯特征图。

特征向量模块606用于获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；可例如，通过灰度设置分别确定所述梯度特征图与所述高斯拉普拉斯特征图的灰度；分别获取所述梯度特征图与所述高斯拉普拉斯特征图的特征映射图；以及根据特征映射图确定所述梯度特征图与所述高斯拉普拉斯特征图的特征向量。

评分模块608用于将所述特征向量输入图像评分模型中以获取所述原始图像的质量评分。

根据本公开的图像评估装置，通过计算获取原始图像的梯度特征图与高斯拉普拉斯特征图；进而根据梯度特征图与高斯拉普拉斯特征图与输入图像评分模型确定所述原始图像的评分的方式，能够快速准确的对图像质量进行评估。

图7是根据另一示例性实施例示出的一种图像评估装置的框图。如图7所示的图像评估装置70在图像评估装置60的基础上还包括：模型训练模块702。

模型训练模块702用于通过训练图像对支持向量机模型进行训练，以获取所述图像评分模型。可例如，确定训练图像的所述梯度特征图与所述高斯拉普拉斯特征图；根据所述特征图确定所述训练图像的特征向量；确定所述训练图像的评分；以及根据所述训练图像的评分与所述训练图像的特征向量对支持向量机模型进行训练，以获取所述图像评分模型。

图8是根据一示例性实施例示出的一种电子设备的框图。

下面参照图8来描述根据本公开的这种实施方式的电子设备200。图8显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图4，图5中所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(rom)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

图9示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：对原始图像进行预处理，生成标准图像；获取所述标准图像的梯度特征图与高斯拉普拉斯特征图；获取所述梯度特征图与所述高斯拉普拉斯特征图的特征向量；以及将所述特征向量输入图像评分模型中以获取所述原始图像的评分。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。