[发明专利]一种图像处理方法及装置

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取若干待评估的图像；

针对每个待评估的图像，将该图像输入预先训练的特征提取模型，确定所述特征提取模型中至少两层卷积层输出的图像特征；

将确定出的各卷积层输出图像特征分别输入预设的各卷积层对应的池化层，得到各图像特征的特征向量；

根据确定出的各图像特征的特征向量，确定该图像的特征向量；

将该图像的特征向量输入预先训练的质量评价模型，确定所述质量评价模型输出的该图像的质量评分；

根据各图像的质量评分，进行图像处理。

2.如权利要求1所述的方法，其特征在于，特征提取模型的训练过程如下：

获取若干图像，作为第一训练样本；

针对每个第一训练样本，将该第一训练样本的真实类别作为该第一训练样本的标注；

将该第一训练样本输入待训练的卷积神经网络模型，输出该第一训练样本的预测类别，所述卷积神经网络模型至少包含卷积神经网络层以及全连接层；

以最小化所述预测类别与该第一训练样本标注的真实类别之间的差异为目标，调整所述卷积神经网络模型中的模型参数；

将训练完成的卷积神经网络模型中除全连接层外的卷积神经网络模型，作为训练完成的特征提取模型。

3.如权利要求2所述的方法，其特征在于，质量评价模型的训练过程如下：

获取若干图像；

针对每个图像，将该图像输入预先训练的特征提取模型，确定所述特征提取模型中至少两层卷积层输出的图像特征；

将各卷积层输出图像特征分别输入预设的各卷积层对应的池化层，确定各图像特征的特征向量；

根据确定出的各图像特征的特征向量，确定该图像的特征向量；

将各图像的特征向量作为第二训练样本，并确定各图像的质量评分作为各第二训练样本的标注；

针对每个第二训练样本，将该第二训练样本输入待训练的全连接神经网络模型，确定所述全连接神经网络模型输出的该第二训练样本的质量评分；

以最小化输出的质量评分与该第二训练样本标注的质量评分之间的差异为目标，调整所述全连接神经网络模型中的模型参数；

将训练完成的全连接神经网络模型作为质量评价模型，所述质量评价模型用于评价图像的质量。

4.如权利要求1所述的方法，其特征在于，根据确定出的各图像特征的特征向量，确定该图像的特征向量，具体包括：

根据确定出的各图像特征的特征向量以及各图像特征对应的卷积层在所述特征提取模型中的顺序，确定该图像的特征向量。

5.如权利要求1所述的方法，其特征在于，所述质量评价模型为多个，每个质量评价模型分别由不同的图像数据集训练得到；

所述方法还包括：

针对每个质量评价模型，将该图像输入该质量评价模型，确定该质量评价模型输出的质量评分；

根据各质量评价模型输出的质量评分，确定该图像的质量评分。

6.如权利要求5所述的方法，其特征在于，根据各质量评价模型输出的质量评分，确定该图像的质量评分，具体包括：

对各质量评价模型输出的质量评分进行归一化；

根据预设的各质量评价模型的权重以及归一化后的各质量评价模型输出的质量评分，确定该图像的质量评分。

7.如权利要求1所述的方法，其特征在于，根据各图像的质量评分，进行图像处理，具体包括：

根据各图像的质量评分，确定各图像的排序；

根据各图像的排序，从各图像中确定目标图像，并进行展示。