信息處理方法及電子設(shè)備的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息技術(shù)領(lǐng)域，尤其涉及一種信息處理方法及電子設(shè)備。
【背景技術(shù)】
[0002] 隨著消費電子相機的繁榮，尤其是手機相機、可穿戴式相機、車載相機和航拍相機 的興起，電子設(shè)備從大量連拍的圖像辨識圖像質(zhì)量高的圖像成為了迫切需求。圖像的質(zhì)量 測量系統(tǒng)一方面可以從海量的相冊中精選高質(zhì)量的圖像，從而方便用戶整理；另一方面可 以為圖像翻譯及圖像搜索等這類圖像識別應(yīng)用挑選高質(zhì)量的圖像，以提圖像翻譯或圖像搜 索效率等。
[0003] 現(xiàn)有技術(shù)中提出了一些圖像質(zhì)量測量方式，但是要不準確度太低，要不處理過程 十分復(fù)雜；故提出一種簡便易行且精確度高的圖像質(zhì)量測量方法是現(xiàn)有技術(shù)仍需繼續(xù)解決 的一個問題。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明實施例期望提供一種信息處理方法及電子設(shè)備，至少部分解決 圖像質(zhì)量評分精確度不過和/或處理過程十分復(fù)雜的問題。
[0005] 為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0006] 本發(fā)明實施例第一方面提供了一種信息處理方法，所述方法包括：
[0007] 對一幅訓(xùn)練圖像進行采樣，形成η個圖像訓(xùn)練組海一個所述圖像訓(xùn)練組包括m個 來自所述訓(xùn)練圖像的圖像塊；所述η為不小于1的整數(shù)；所述m為不小于2的整數(shù)；
[0008] 利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖像的質(zhì)量分數(shù)，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，形 成訓(xùn)練結(jié)果；
[0009] 基于所述訓(xùn)練結(jié)果確定圖像質(zhì)量測量參數(shù)；其中，所述圖像質(zhì)量測量參數(shù)用于對 待測圖像進行質(zhì)量評分。
[0010] 基于上述方案，所述方法還包括：
[0011] 在對所述訓(xùn)練圖像進行采樣之前，輸出第一圖像組；所述第一圖像組至少包括兩 張待評分的圖像；
[0012] 接收所述第一圖像組內(nèi)各圖像的評分排序信息；
[0013] 基于所述評分排序信息，確定所述第一圖像組內(nèi)各圖像作為所述訓(xùn)練圖像時的質(zhì) 量分數(shù)。
[0014] 基于上述方案，所述對一幅訓(xùn)練圖像進行采樣，形成η個圖像訓(xùn)練組，包括：
[0015] 對一幅所述訓(xùn)練圖像進行η次隨機分割；其中，每一次隨機分割將所述訓(xùn)練圖像 分割成m個所述圖像塊。
[0016] 基于上述方案，所述利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖像的質(zhì)量分數(shù)，對神 經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，形成訓(xùn)練結(jié)果，包括：
[0017] 利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖像的質(zhì)量分數(shù)，對c? =i；P(-V) 〃）·(Λ·)進行 d 訓(xùn)練，獲得所述Ρ(χ)的取值；
[0018] 其中，所述y(x)表示第X個質(zhì)量分數(shù)；所述Ρ(χ)為訓(xùn)練圖像為第X個質(zhì)量分數(shù)的 概率；所述X為所述質(zhì)量分數(shù)的總個數(shù)，為不小于2的正整數(shù)；所述Q為所述訓(xùn)練圖像的質(zhì) 量分數(shù)。
[0019] 基于上述方案，所述方法還包括：
[0020] 定時更新所述圖像質(zhì)量測量參數(shù)；
[0021] 對待測圖像進行圖像采樣，形成待測圖像組；
[0022] 依據(jù)所述定時更新的圖像質(zhì)量測量參數(shù)，對所述待測圖像組進行質(zhì)量評分。
[0023] 本發(fā)明實施例第二方面還提供了一種電子設(shè)備，所述電子設(shè)備包括：
[0024] 形成單元，用于對一幅訓(xùn)練圖像進行采樣，形成η個圖像訓(xùn)練組；每一個所述圖像 訓(xùn)練組包括m個來自所述訓(xùn)練圖像的圖像塊；所述η為不小于1的整數(shù)；所述m為不小于2 的整數(shù)；
[0025] 訓(xùn)練單元，用于利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖像的質(zhì)量分數(shù)，對神經(jīng)網(wǎng) 絡(luò)進行訓(xùn)練，形成訓(xùn)練結(jié)果；
[0026] 第一確定單元，用于基于所述訓(xùn)練結(jié)果確定圖像質(zhì)量測量參數(shù)；其中，所述圖像質(zhì) 量測量參數(shù)用于對待測圖像進行質(zhì)量評分。
[0027] 基于上述方案，所述電子設(shè)備還包括：
[0028] 輸出單元，用于在對所述訓(xùn)練圖像進行采樣之前，輸出第一圖像組；所述第一圖像 組至少包括兩張待評分的圖像；
[0029] 接收單元，用于接收所述第一圖像組內(nèi)各圖像的評分排序信息；
[0030] 第二確定單元，用于基于所述評分排序信息，確定所述第一圖像組內(nèi)各圖像作為 所述訓(xùn)練圖像時的質(zhì)量分數(shù)。
[0031] 基于上述方案，所述形成單元，具體用于對一幅所述訓(xùn)練圖像進行η次隨機分割； 其中，每一次隨機分割將所述訓(xùn)練圖像分割成m個所述圖像塊。
[0032] 基于上述方案，所述訓(xùn)練單元，具體用于利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖 像的質(zhì)量分數(shù)，對β=? 進行訓(xùn)練，獲得所述Ρ(X)的取值； Λ：:~1
[0033] 其中，所述y(x)表示第X個質(zhì)量分數(shù)；所述Ρ(χ)為訓(xùn)練圖像為第X個質(zhì)量分數(shù)的 概率；所述X為所述質(zhì)量分數(shù)的總個數(shù)，為不小于2的正整數(shù)；所述Q為所述訓(xùn)練圖像的質(zhì) 量分數(shù)。
[0034] 基于上述方案，所述電子設(shè)備還包括測量單元：
[0035] 所述第一確定單元，還用于定時更新所述圖像質(zhì)量測量參數(shù)；
[0036] 所述形成單元，還用于對待測圖像進行圖像采樣，形成待測圖像組；
[0037] 所述依據(jù)所述定時更新的圖像質(zhì)量測量參數(shù)，對所述待測圖像組進行質(zhì)量評分。
[0038]本發(fā)明實施例提供的信息處理方法及電子設(shè)備，會將一幅訓(xùn)練圖像分割成η個圖 像訓(xùn)練組；一個圖像訓(xùn)練組可用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練一次，這樣一幅訓(xùn)練圖像可對神經(jīng)網(wǎng)絡(luò)進 行η次訓(xùn)練，從而能夠減少訓(xùn)練圖像的數(shù)量；同時η個圖像訓(xùn)練組對應(yīng)一個質(zhì)量分數(shù)，可以 減少多個訓(xùn)練圖像在質(zhì)量分數(shù)上的差異導(dǎo)致的訓(xùn)練結(jié)果不夠精確，進而導(dǎo)致后續(xù)利用神經(jīng) 網(wǎng)絡(luò)對待測圖像進行質(zhì)量評分時導(dǎo)致的結(jié)果不夠精確的現(xiàn)象。
【附圖說明】
[0039]圖1為本發(fā)明實施例提供的第一種信息處理方法的流程示意圖；
[0040] 圖2為本發(fā)明實施例提供的第二種信息處理方法的流程示意圖；
[0041] 圖3為本發(fā)明實施例提供的一種電子設(shè)備的結(jié)構(gòu)示意圖；
[0042]圖4為本發(fā)明實施例提供給的一種圖像清晰度分數(shù)測評系統(tǒng)示意圖；
[0043] 圖5為本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0044] 以下結(jié)合說明書附圖及具體實施例對本發(fā)明的技術(shù)方案做進一步的詳細闡述。
[0045] 實施例一：
[0046] 如圖1所示，本實施例提供一種信息處理方法，所述方法包括：
[0047] 步驟S110 :對一幅訓(xùn)練圖像進行采樣，形成η個圖像訓(xùn)練組；每一個所述圖像訓(xùn)練 組包括m個來自所述訓(xùn)練圖像的圖像塊；所述η為不小于1的整數(shù)；所述m為不小于2的整 數(shù)；
[0048] 步驟S120:利用所述η個圖像訓(xùn)練組及所述訓(xùn)練圖像的質(zhì)量分數(shù)，對神經(jīng)網(wǎng)絡(luò)進 行訓(xùn)練，形成訓(xùn)練結(jié)果；
[0049] 步驟S130:基于所述訓(xùn)練結(jié)果確定圖像質(zhì)量測量參數(shù)；其中，所述圖像質(zhì)量測量 參數(shù)用于對待測圖像進行質(zhì)量評分。
[0050] 在本實施例中所述信息處理方法可以應(yīng)用于手機、平板電腦、筆記本電腦、臺式電 腦或服務(wù)器或服務(wù)平臺等各種電子設(shè)備。
[0051] 所述步驟S110對一幅訓(xùn)練圖像進行采樣，可包括將該副訓(xùn)練圖像進行分割，分割 η次；且每次將該副訓(xùn)練圖像分割成m個互不重疊的圖像塊。顯然這里的每一個圖像塊均 為所述訓(xùn)練圖像的一部分。
[0052] 在本實施例中所述訓(xùn)練圖像對應(yīng)了一個質(zhì)量分數(shù)。這里的質(zhì)量分數(shù)為表征該訓(xùn)練 圖像的一個質(zhì)量參數(shù)。這里的質(zhì)量分數(shù)可為所述訓(xùn)練圖像的清晰度分數(shù)。例如，將所述清 晰度采用10分制來進行評價，這樣該副訓(xùn)練圖像會對應(yīng)于一個從〇到10之間的一個分數(shù)。 該分數(shù)表示了該訓(xùn)練圖像的清晰度。
[0053] 通常所述質(zhì)量分數(shù)與訓(xùn)練圖像的質(zhì)量參數(shù)是一一映射的關(guān)系，例如，清晰度越高， 清晰度分數(shù)就越高；一個清晰度分數(shù)不會用于對應(yīng)于兩幅清晰度差異很大的訓(xùn)練圖像。
[0054]當(dāng)然本實施例所述的質(zhì)量分數(shù)還可以是模糊度分數(shù)，表征的是圖像的模糊程度， 與所述清晰度為相反的對圖像進行評價的評價量。
[0055] 在步驟S120中會對這η個圖像訓(xùn)練組進行訓(xùn)練，形成訓(xùn)練結(jié)果。這里的采用神經(jīng) 網(wǎng)絡(luò)進行訓(xùn)練。這里的神經(jīng)網(wǎng)絡(luò)值得是利用電子設(shè)備模仿的人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò) (ArtificialNeuralNetworks，簡寫為ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs)或稱作連接模型 (ConnectionModel)。人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行 信息處理的算法數(shù)學(xué)模型。這種人工神經(jīng)網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié) 點之間相互連接的關(guān)系，從而達到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)的計算模型模仿自動物 的中樞神經(jīng)系統(tǒng)（尤其是腦），并且被用于估計或可以依賴于大量的輸入和一般的未知近 似函數(shù)。人工神經(jīng)網(wǎng)絡(luò)通常呈現(xiàn)為相互連接的"神經(jīng)元"。神經(jīng)網(wǎng)絡(luò)可以從輸入的計算值， 并且能夠機器學(xué)習(xí)以及模式識別由于它們的自適應(yīng)性質(zhì)的系統(tǒng)。
[0056]總之經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，將能夠形成