一种基于深度学习的图像评分的方法及系统与流程

本发明涉及计算机深度学习领域，特别是涉及一种基于深度学习的图像评分的方法及系统。

背景技术：

在各类网站或app中，图片是一种最直观的展现形式，好的图片能够快速吸引用户的眼球，从而带来比较高的点击和转化。而每天图片的更新量是非常庞大的，靠人工评分显然是不现实的，而图片好坏与拍摄硬件、目标环境、拍摄技巧等多个因素都非常相关，如何自动正确高效的对图片进行评分是一个比较热门的问题。

传统的图像评分方法包括均方误差、峰值信噪比等方法，但这些方法只是反映了图像在像素上的差异，与人眼的视觉观察效果没有关系，因此存在一定的缺陷，人眼的视觉观察效果是由包括清晰度、曝光效果和构图等各种因素综合影响的，现有技术对于这些因素的取舍、分析和结合还缺乏行之有效的方案。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于深度学习的图像评分的方法及系统。

为解决上述技术问题，本发明提供基于深度学习的图像评分的方法，其特征在于，包括如下步骤：

步骤1：准备图片数据集，从不同维度对图片进行评分标注；具体为，为图片数据集搜集图片，标注每张图片不止一个维度的评分，所述每个维度的评分的分数范围为1-3，分数越高代表该维度下图片表现越好，每张图片对应的标注信息为{scorek}，scorek代表第k个维度的评分，其中k＝1,2...,n，搜集图片，直至每个维度每个分数的样本数量达到至少500张；

步骤2：利用深度神经网络训练图片评分模型，用于评价图片在所设计的不止一个维度下的得分；具体为，输入为图片image，输出为不止一个维度下的评分{scorek}，训练一个多分类深度学习模型，使得f(image)＝{scorek}；

步骤3：将各个维度下的评分进行加权求和，得到图片最终评分s＝σwkscorek，其中wk为各个维度评分的权重。

所述步骤1中的准备数据集，所述维度包括图片清晰度、曝光、噪声情况、颜色、主体构图，

所述清晰度评分是根据图片中符合清晰度要求的区域的占比来打分；

所述曝光评分是根据图片中在预设曝光参数范围以外的区域的占比来打分；所述预设曝光参数范围用于表示符合曝光要求的曝光参数范围，在预设曝光参数范围以外的区域表示曝光效果不符合要求的区域；

所述噪声情况评分是根据图片中噪点出现的区域占比来打分；

所述颜色评分是根据图片中偏色的区域占比来打分；

所述主体构图评分是根据图片中的疑似主体的数量来打分；所述疑似主体为构图中可能被判定为主体的内容；

设计各个维度的评分标准表为：

所述步骤3中，设定权重值如下：

一种基于深度学习的图像评分的系统，其特征在于：依次相连的数据源模块、模型训练模块和图片评分模块；

所述数据源模块，用于训练图片评分模型所需的数据集，所述数据集包括：图片及不止一个维度下的评分标注信息；

所述模型训练模块，用于利用数据集和深度神经网络训练深度学习模型；

所述图片评分模块，用于提供图片评分的接口，接收待评分的图片，通过调用模型最终返回评分结果，其中包括四个依次相连的子模块：待评分图片接收子模块、获取图片各维度下评分结果子模块、各维度评分加权求和子模块、评分结果返回子模块；所述待评分图片接收子模块，用于接收待评分的图片信息；所述获取图片各维度下评分结果子模块，对于待评分的图片，调用深度学习模型获取图片各维度下评分结果；所述各维度评分加权求和子模块，对各维度评分进行加权求和，计算图片最终评分；所述评分结果返回子模块，将最终评分的结果返回。

本发明所达到的有益效果:参考人眼对图片评分的角度，实际上包括清晰度、曝光效果、颜色、构图等各种因素综合的评价结果，从而通过评价维度的设计、图片的搜集及信息标注，利用深度神经利用深度神经网络训练图片评分模型，通过该模型，能够得到图片各个维度下的评分结果，再通过加权求和实现图片的最终评分，该方法和系统能够充分考虑了人眼在进行图片评分的各个因素，图片评分的结果更加符合人眼判断的标准，大大提升了评分的准确率，能够大大降低网站或app的图片筛选工作量，并能提升网站图片点击率。

附图说明

图1为本发明的示例性实施例的基于深度学习的图像评分方法的流程示意图；

图2为本发明的示例性实施例中基于深度学习的图像评分系统的结构示意图。

具体实施方式

下面结合附图和示例性实施例对本发明作进一步的说明：

如图1所示，本发明公开一种基于深度学习的图像评分的方法，包括：

步骤1：准备各类图片数据集，从不同维度对图片进行评分标注，按如下步骤准备数据集：

步骤1-1：所述维度包括图片清晰度、曝光、噪声情况、颜色、主体构图五个部分，

所述清晰度评分是根据图片中符合清晰度要求的区域的占比来打分；

所述曝光评分是根据图片中在预设曝光参数范围以外的区域的占比来打分；所述预设曝光参数范围用于表示符合曝光要求的曝光参数范围，在预设曝光参数范围以外的区域表示曝光效果不符合要求的区域；

所述噪声情况评分是根据图片中噪点出现的区域占比来打分；

所述颜色评分是根据图片中偏色的区域占比来打分；

所述主体构图评分是根据图片中的疑似主体的数量来打分；所述疑似主体为构图中可能被判定为主体的内容；

设计各个维度的评分标准表为：

步骤1-2：根据评分标准表对搜集的每张图片进行评分标注，每个图片对应的标注信息为{scorek}，scorek代表第k个维度的评分，k＝1,2...,n；

步骤1-3：搜集图片，直至每个维度每个分数的样本数量达到至少500张。

步骤2：利用深度神经网络训练图片评分模型，用于评价图片在所设计各个维度下的得分。输入为图片image，输出为各个维度下的评分{scorek}，训练一个深度学习模型，使得f(image)＝{scorek}。该深度学习模型为一个多分类的模型，即通过一个模型能够同时预测图像在各个评价维度下的得分结果，无需每个评价维度单独训练模型，大大缩减了模型的训练工作及复杂度。

步骤3：将各个维度下的评分进行加权求和，得到图片最终评分s＝σwkscorek，wk为各个维度评分的权重，可根据实际维度重要性设计权重值，默认可取wk＝1/n，n为所设计的维度数。在本实施例场景下，更加关注图片的清晰度及曝光，因此设定权重值如下：

在其他场景下可根据关注的维度重要性进行权值调整。

如图2所示，本发明公开一种基于深度学习的图像评分的系统，主要包括：依次相连的数据源模块21、模型训练模块22和图片评分模块23。

所述数据源模块21，用于训练图片评分模型所需要准备的数据集，主要包括：图片及各个维度下的评分标注信息。

所述模型训练模块22，用于利用数据集和深度神经网络训练深度学习模型。

所述图片评分模块23，用于提供图片评分的接口，接收待评分的图片，通过调用模型最终返回评分结果，其中包括四个依次相连的子模块：待评分图片接收子模块231、获取图片各维度下评分结果子模块232、各维度评分加权求和子模块233、评分结果返回子模块234。

所述待评分图片接收子模块231，用于接收待评分的图片信息；

所述获取图片各维度下评分结果子模块232，对于待评分的图片，调用深度学习模型获取图片各维度下评分结果；

所述各维度评分加权求和子模块233，对各维度评分进行加权求和，计算图片最终评分；

所述评分结果返回子模块234，将最终评分的结果返回。

本发明针对图片评分的问题进行了方法和系统的设计，参考人眼对图片评分的角度，实际上包括清晰度、曝光效果、颜色、构图等各种因素综合的评价结果，从而通过评价维度的设计、图片的搜集及信息标注，利用深度神经利用深度神经网络训练图片评分模型，通过该模型，能够得到图片各个维度下的评分结果，再通过加权求和实现图片的最终评分，该方法和系统能够充分考虑了人眼在进行图片评分的各个因素，图片评分的结果更加符合人眼判断的标准，大大提升了评分的准确率，能够大大降低网站或app的图片筛选工作量，并能提升网站图片点击率。

以上实施例不以任何方式限定本发明，凡是对以上实施例以等效变换方式做出的其它改进与应用，都属于本发明的保护范围。