图像质量偏序处理方法、装置、电子设备以及存储介质

技术领域

本公开实施例涉及图像处理技术领域，尤其涉及一种图像质量偏序处理方法、装置、电子设备以及存储介质。

背景技术

在很多面向广大用户的消费场景中，比如分类页等，可以对分类页面中的图像内容配置后进行排序显示，供用户导出使用。

目前，主要通过对图像进行人工打分给予图像相应的凭据意见得分来表征图像质量，但是随着业务体系的日渐庞大，图像类目与数量不断增加，通过人工配置很难做到定期更新。此外，很多图像质量不高，实际导出使用的次数也不高，但是图像排序靠前展示且点击率较高，导致很多优质图像无法得到较好的展现而错过被导出使用。因此，对类似分类页面中图像进行分析，以便将优质图像进行优化展示变得尤为重要。

发明内容

本公开实施例中提供了一种图像质量偏序处理方法、装置、电子设备以及存储介质，以对图像质量评价过程进行优化，尽可能自动挑选优质图像进行优化展示，极大地提升图像排序效率与准确率。

第一方面，本公开实施例中提供了一种图像质量偏序处理方法，所述方法包括：

确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征；

将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量；

依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

第二方面，本公开实施例中还提供了一种图像质量偏序处理装置，所述装置包括：

信息确定模块，用于确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征；

图像质量判定模块，用于将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量；

图像偏序处理模块，用于依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

第三方面，本公开实施例中还提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例中任一项所述的图像质量偏序处理方法。

第四方面，本公开实施例中还提供了一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现上述实施例中任一项所述的图像质量偏序处理方法。

本公开实施例的技术方案，在进行图像偏序处理时，确定待处理图像的视觉信息与非视觉信息，所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征，并将视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量，进而依据待处理图像的预测图像质量对待处理图像执行图像偏序操作，通过将图像的视觉信息与非视觉信息同时引入图像质量判定过程中，在图像质量判定时既会考虑图像画面内容等很容易直观识别到的信息，同时又会考虑那些无法直观识别的特征，保证能从画面整体特征来实现图像质量判定有效性，极大地提升图像之间的偏序处理效率，进而可对优质图像进行自动筛选。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例提供的一种图像质量偏序处理方法的流程图；

图2为本公开实施例提供的另一种图像质量偏序处理方法的流程图；

图3为本公开实施例提供的适用第一图像质量判定模型的原理图；

图4为本公开实施例提供的适用第二图像质量判定模型的原理图；

图5为本公开实施例提供的适用的对训练样本图像按图像导出点击比进行排序的示意图；

图6为本公开实施例提供的一种图像质量判定模型的测试方法流程图；

图7为本公开实施例提供的一种图像质量偏序处理装置的结构框图；

图8为实现本公开实施例的图像质量偏序处理方法的电子设备的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。此外，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

图1为本公开实施例提供的一种图像质量偏序处理方法的流程图，本实施例的技术方案可适用于图像间偏序处理以筛选优质图像的情况，尤其是对分类页面中展示图像进行偏序处理的情形，该方法可以由图像质量偏序处理装置来执行，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于电脑、个人数字助理等设备。如图1所示，本实施例的图像质量偏序处理方法，可包括以下步骤S110-S130：

S110、确定待处理图像的视觉信息与非视觉信息；视觉信息包括能够通过待处理图像中的视觉元素获取到的图像特征，非视觉信息包括通过待处理图像关联的非视觉元素进行解析获取的图像特征。

待处理图像可为需要与其他图像进行偏序关系分析的图像。比如，在分类页中可以对多个图像进行排序展示，对于分类页中需要展示的任一图像，均可作为待处理图像与分类页中其他图像进行偏序分析。

视觉信息与非视觉信息的区别在于通过视觉感知是否能从待处理图像中直观识别出图像特征进行图像区分。对于待处理图像的视觉信息而言，视觉信息包括能够通过待处理图像中的视觉元素获取到的图像特征，比如视觉信息可以包括能从待处理图像的画面内容中直接识别出图像特征的信息，视觉信息中包括可从待处理图像中通过视觉感知直观获取到的图像特征。

非视觉信息包括通过待处理图像关联的非视觉元素进行解析获取的图像特征，比如非视觉信息可以包括无法从待处理图像的画面内容中直接识别出特征的信息，非视觉信息中包括不可通过视觉感知直观获取但可通过对待处理图像进行解析间接获取的图像特征。视觉信息反映的内容与人类感知有很高相关性，受主观影响较大，在进行图像偏序分析时可能会存在一定偏差，为此在对待处理图像进行偏序处理时，可引入待处理图像的非视觉信息。

S120、将视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量。

作为一种可选的但非限定性的实现方式，视觉信息用于衡量图像画面内容属性，视觉信息包括可从图像中通过视觉感知直观获取到的图像特征，通过视觉信息可以直观地反映出待处理图像中画面内容的特征。例如，图像画面内容属性可以通过以下至少一项描述：图像色彩、图像纹理、图像线条以及图像内容丰富度等能直观识别的特征。

作为一种可选的但非限定性的实现方式，非视觉信息用于衡量除图像画面内容以外的图像附加属性，非视觉信息包括不可通过视觉感知直观获取但可通过图像解析间接获取的图像特征。例如，图像附加属性可以通过以下至少一项描述：图像格式、图像色彩空间类型、图像尺寸以及图像创作信息(比如发布用户是否为图像的创作者)。通过非视觉信息可能无法直观地反映出待处理图像中画面内容的特征，但是其可从非视觉角度对视觉信息进行补充，通过对图像尺寸测量，对图像线条形状进行测算等，对图像中内容信息进行多样性分析后补充到视觉信息中，完成视觉信息对图像偏序分析带来的不足，让图像偏序分析更全面。

可选地，本实施例中的图像格式可包括但不限于png、jpeg、gif等格式类型，图像色彩空间类型可包括但不限于RGB、RGBA等类型，图像尺寸可包括但不限于图像的宽与高等尺寸信息，具体参见表1所示。

表1非视觉信息中的图像附加属性

在得到待处理图像的视觉信息与非视觉信息后，可以将视觉信息与非视觉信息融合在一起参与图像质量判定操作，这样在图像质量判定过程中不仅考虑图像的视觉信息对图像质量造成的影像，比如对图像色彩、纹理、线条以及内容丰富度进行充分考虑；同时，通过图像的一些非视觉信息，比如图像格式以及图像色彩空间类型等从另一个维度刻画了图像的“高矮胖瘦”等特征，通过蕴含的有用信息对视觉信息的不足进行充分补充，提高图像质量判定精准性。

S130、依据待处理图像的预测图像质量对待处理图像执行图像偏序操作。

待处理图像的预测图像质量可以在一定程度上反映待处理图像在分类页中展示时的重要程度。这样，就可以基于预测图像质量确定待处理图像与其他图像之间的偏序关系，实现对待处理图像在分类页中展现排序进行指导。

其中，待处理图像的预测图像质量越高，待处理图像在分类页中展示时的展示位置越靠前，能够向外更好地展示；待处理图像的预测图像质量越低，待处理图像在分类页中展示时的展示位置越靠后。

作为一种可选的但非限定性的实现方式，待处理图像的预测图像质量可采用但不限于以下指标进行衡量表示：图像点击展现比(CTR，Click Through Rate)、图像导出展现比(ETR，Export Through Rate)以及图像导出点击比(ECR，ExportClick Rate)。其中，图像点击展现比可通过对图像点击次数与对图像浏览次数之间的比值确定；图像导出展现比可通过对图像导出使用次数与对图像浏览次数之间的比值确定；图像导出点击比可通过对图像导出使用次数与对图像点击选中次数之间的比值确定。

针对图像质量评价主要通过人工打分的方式构建训练数据集，受人工主观感知影响较大，且难以大量标注。因此，图像质量偏序的界定依靠人工较为困难，仅能从全量图像中挑选少量优质图像，无法人工标注整体的图像质量偏序，也无法捞取大量质量较差的图像作为训练负例。

针对人工标注困难的场景，采用图像消费的后验指标作为模型拟合的衡量指标，直接表征图像质量，即可认为用户在对图像挑选过程中蕴含了对图像质量偏序的判断。其中，后验指标可包括但不限于图像点击展现比、图像导出展现比以及图像导出点击比。

根据本公开实施例的技术方案，在进行图像偏序处理时，通过将图像的视觉信息与非视觉信息同时引入图像质量判定过程中，在图像质量判定时既会考虑图像画面内容等很容易直观识别到的信息，同时又会考虑那些无法直观识别的特征，保证能从画面整体特征来实现图像质量判定有效性，极大地提升图像之间的偏序处理效率，进而可对优质图像进行自动筛选。

图2为本公开实施例提供的另一种图像质量偏序处理方法的流程图，本实施例的技术方案在上述实施例的基础上对前述实施例中将视觉信息与非视觉信息融合执行图像质量判定操作的过程进行进一步优化，本实施例可与上述一个或多个实施例中各个可选方案结合。如图2所示，本实施例的图像质量偏序处理方法，可包括以下步骤S210-S240：

S210、确定待处理图像的视觉信息与非视觉信息；视觉信息与非视觉信息通过是否能从图像中直接识别特征进行区分。

S220、将待处理图像的视觉信息输入到第一图像质量判定模型，通过执行视觉特征提取操作得到待处理图像的视觉特征。

其中，第一图像质量判定模型采用训练集中训练样本图像的视觉信息进行模型训练得到。

参见图3，在第一模型训练阶段，获取第一图像质量判定模型所需要的训练集，将训练集中训练样本图像的视觉信息输入到待训练的第一图像质量判定模型中，通过第一图像质量判定模型计算训练样本图像的视觉信息的特征向量，并基于计算的特征向量直接拟合预测，采用预设的损失函数对拟合预测的结果进行损失计算，采用计算的损失对模型进行训练，得到训练完成的第二图像质量判定模型。

通过上述模型训练，第一图像质量判定模型能充分关注图像色彩、图像纹理、图像线条以及图像内容是否丰富等信息对图像质量判定带来的影响，这样后续就可以使用训练好的第一图像质量判定模型对待处理图像进行图像质量判定操作，在执行图像质量判定操作的过程中提取可用于后续特征拟合使用的待处理图像的视觉特征。

作为一种可选的但非限定性的实现方式，第一图像质量判定模型至少基于视觉特征提取网络进行模型迭代训练得到。其中，第一图像质量判定模型采用卷积神经网络CNN网络框架，以Swin-Transformer架构作为视觉特征提取网络，以实现第一图像质量判定模型能够提取图像的视觉特征。

作为一种可选的但非限定性的实现方式，第一图像质量判定模型可采用训练集中训练样本图像的视觉信息以图像导出点击比作为图像质量判定衡量指标进行模型训练得到。

对于图像点击展现比、图像导出展现比以及图像导出点击比，由于图像点击展现比CTR与图像导出展现比ETR受到图像原始展现排序位置影响较大，而图像导出点击比ECR是在用户已经点选图像的情况下实际导出图像成品的概率，已经摒除了图像展现排序位置的影响，且用户对图像质量的判断更为准确，因此采用图像导出点击比ECR作为模型训练的拟合指标。

可选地，第一图像质量判定模型在模型训练过程中可采用但不限于均方根误差RMSE进行损失计算。均方根误差RMSE损失计算公式如下：

其中，ecr

S230、将非视觉信息中非视觉特征与视觉特征融合输入到第二图像质量判定模型，得到待处理图像的预测图像质量。

其中，第二图像质量判定模型在第一图像质量判定模型的基础上采用训练样本图像的视觉信息与非视觉信息进行模型训练得到。

参见图4，在第二模型训练阶段，可采用第一模型训练阶段训练好的第一图像质量判定模型对训练集中训练样本图像进行推理，保存从中提取的训练样本图像的视觉特征。同时，还可从训练样本图像的非视觉信息中获取训练样本图像的非视觉特征。将训练样本图像的非视觉特征与视觉特征融合输入到待训练的第二图像质量判定模型中，通过第二图像质量判定模型对融合的特征向量进行拟合预测，采用预设的损失函数对拟合预测的结果进行损失计算，采用计算的损失对模型进行训练，得到训练完成的第二图像质量判定模型。

通过上述模型训练，第二图像质量判定模型既关注图像色彩，纹理，线条等内容是否丰富，同时结合图像宽高，格式等原始的非视觉信息，让模型更全面地学习图像特征，既能判断图像的“五官”(即局部细节)是否精致，同时关注图像的“高矮胖瘦”，以便从图像整体角度进行质量判定，这样后续就可以使用训练好的第二图像质量判定模型对待处理图像进行图像质量判定操作，有效表征图像整体的质量，提高图像质量判定的精准性。此外，上述之所以使用第一图像质量判定模型的输出来进行训练是为了更好地将第一图像质量判定模型与第二图像质量判定模型的处理过程进行衔接。

作为一种可选的但非限定性的实现方式，第二图像质量判定模型至少基于弱分类器的梯度提升框架网络进行模型迭代训练。其中，第二图像质量判定模型采用LightGBM(Light Gradient Boosting Machine)框架作为基于弱分类器的梯度提升框架网络，以实现对视觉特征与非视觉特征融合后图像质量判定操作得到图像质量。

对于上述LightGBM框架，其是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。LightGBM基于弱分类器(决策树)迭代训练，能够充分利用离散化数据特征，实现特征区分与数据分类。

作为一种可选的但非限定性的实现方式，第二图像质量判定模型在第一图像质量判定模型的基础上采用训练样本图像的视觉信息与非视觉信息以图像导出点击比作为图像质量判定衡量指标进行模型训练得到，具体参见前述。

可选地，第二图像质量判定模型在模型训练过程中可采用但不限于均方根误差RMSE进行损失计算。

作为一种可选的但非限定性的实现方式，训练样本图像的图像点击次数大于预设阈值，且各个训练样本图像按图像导出点击比大小排序后均匀分布于预设范围内不同图像点击比上，而未聚集于少量部分图像点击比范围内。

基于业务数据后验指标，计算各个图像的图像导出点击比ECR作为图像质量偏序衡量，从而无需人工打分，自动化筛选构建可用于模型训练的数据，同时作为算法模型训练的拟合指标。

参见图5，考虑到训练样本图像的可靠性，在选择训练样本图像时，可以挑选点击次数大于50次的图像数据加入训练集。对于训练集中的样本图像，以图像导出点击比ECR作为图像质量判定的衡量指标，计算图像的图像导出点击比ECR，按图像导出点击比ECR值从高到低排序每张图像，可以发现图像导出点击比ECR分布均匀，并不单一聚集于某一分数段，可以很好地表示图像质量分布。因此，筛选出有充分后验数据的图像，计算图像的图像导出点击比ECR，从而可以自动化地挑选训练集数据进行模型训练。

作为一种可选的但非限定性的实现方式，将非视觉信息中非视觉特征与所述视觉特征融合输入到第二图像质量判定模型，可包括步骤A1-A3：

步骤A1、将非视觉信息中非视觉特征进行编码映射得到离散化的非视觉特征。

步骤A2、将待处理图像的视觉特征与离散化的非视觉特征进行融合得到多模态特征。

步骤A3、将多模态特征输入到第二图像质量判定模型执行图像质量判定操作，以输出待处理图像的预测图像质量。

分别对图像表格特征进行编码映射，使之变成离散化数据特征，通过训练好的第一图像质量判定模型计算提取的待处理图像的视觉特征，与离散化的非视觉特征相结合，融合成多模态特征向量。将融合的多模态特征向量输到第二图像质量判定模型执行图像质量判定操作，直接拟合出预测图像质量。

作为一种可选的但非限定性的实现方式，参见图4，在第二模型训练阶段，将训练样本图像的非视觉信息中非视觉特征进行编码映射得到离散化的非视觉特征，与通过第一图像质量判定模型对训练样本图像的视觉信息进行特征提取得到的视觉特征进行融合，将融合的多模态特征向量输到待训练的第二图像质量判定模型中进行拟合预测，采用预设的损失函数对拟合预测的结果进行损失计算，采用计算的损失对模型进行训练得到训练完成的第二图像质量判定模型。

S240、依据待处理图像的预测图像质量对待处理图像执行图像偏序操作。

根据本公开实施例的技术方案，在进行图像偏序处理时，通过将图像的视觉信息与非视觉信息同时引入图像质量判定过程中，采用二阶段模型在图像质量判定时既会考虑图像画面内容等很容易直观识别到的信息，同时又会考虑那些无法直观识别的特征，实现在图像质量判定过程中既关注图像色彩，纹理，线条等视觉特征内容是否丰富，同时结合图像宽高，格式，创作信息等非视觉特征信息，让模型更全面地学习图像特征，既能判断图像的“五官”是否精致，又同时关注图像的“高矮胖瘦”，保证能从画面整体特征来实现图像质量判定有效性，极大地提升图像之间的偏序处理效率，进而可对优质图像进行自动筛选。

图6为本公开实施例提供的一种图像质量偏序处理中图像质量判定模型测试方法的流程图，本实施例的技术方案在上述实施例的基础上对前述实施例中训练的第一图像质量判定模型与第二图像质量判定模型进行测试的过程进行进一步优化，本实施例可与上述一个或多个实施例中各个可选方案结合。如图6所示，本实施例的图像质量判定模型测试方法，可包括以下步骤S610-S630：

S610、从测试集中确定测试样本图像以及测试样本图像的参考图像。

S620、通过第一图像质量判定模型与第二图像质量判定模型，对测试样本图像与测试样本图像的参考图像进行图像质量判定，得到测试样本图像的图像质量与参考图像的预测图像质量。

在得到训练完成的第一图像质量判定模型与第二图像质量判定模型，可使用测试集对训练完成的模型进行测试。考虑到计算图像质量是为了进行图像偏序处理，因此对模型进行测试时需要测试模型输出结果是否满足偏序关系，这里需要针对测试集中的每一个测试样本图像均配置一个对应的参考图像。

将测试样本图像与测试样本图像的参考图像通过第一图像质量判定模型与第二图像质量判定模型进行图像质量判定，以此得到测试样本图像的图像质量与参考图像的预测图像质量，进而可以得到测试样本图像与参考图像之间的预测图像质量偏序关系。进而，还可统计出测试样本图像与参考图像之间的预标注图像质量偏序关系。这样，就可以在测试过程中验证偏序稳定性。

作为一种可选的但非限定性的实现方式，测试样本图像与参考图像之间的图像导出点击比差值大于预设倍数的测试标准差，测试标准差基于测试集中各测试样本图像的图像导出点击比标准差确定。

遍历测试集中的每一张测试样本图像为基准，随机选择测试集中另一图像作为参考图像，测试样本图像和测试样本图像的参考图像满足两者的图像导出点击比ECR的差值大于测试集中n个测试样本图像的图像导出点击比ECR的整体标准差。一个标准差的差异可以认为是有显著差异的一个界限，从而为每一张测试样本图像挑选出参考图像。其中，预设倍数可以为一倍或多倍。

S630、对测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，以确定是否启动对第一图像质量判定模型与第二图像质量判定模型进行更新。

作为一种可选的但非限定性的实现方式，对测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，可包括步骤B1-B3：

步骤B1、若测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序保持一致，则将该测试样本图像与参考图像的图像质量判定作为测试正例。

步骤B2、若测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序不一致，则将该测试样本图像与参考图像的图像质量判定作为测试负例。

步骤B3、统计测试正例的数量与测试负例的数量，计算测试正例与测试负例之间的数量比作为正逆序比。

针对每一个测试样本图像，分别进行测试样本图像与参考图像的图像质量判定，可统计测试样本图像与参考图像进行图像质量判定过程中能作为测试正例的数量与测试负例的数量，计算测试正例与测试负例之间的数量比作为正逆序比。经过实验分析，仅基于图像的视觉特征，正逆序比2.6，基于图像的非视觉特征与图像的视觉特征融合组成的多模态特征，相同测试集下正逆序比3.3，可以发现图像的非视觉特征能大幅度提升模型偏序效果。

其中，正逆序比越大，表明第一图像质量判定模型与第二图像质量判定模型实现图像质量判定时的偏序效果越明显，正逆序比越小，表明第一图像质量判定模型与第二图像质量判定模型实现图像质量判定时的偏序效果越不明显。

在确定正逆序比小于预设值的情况下，启动第一图像质量判定模型与第二图像质量判定模型的训练更新操作，对第一图像质量判定模型与第二图像质量判定模型进行继续优化训练。

图7为本公开实施例提供的一种图像质量偏序处理装置的结构框图，本实施例的技术方案可适用于图像间偏序处理以筛选优质图像的情况，尤其是分类页面中展示的图像的偏序处理情形，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于电脑、个人数字助理等设备。如图7所示，本实施例的图像质量偏序处理装置，可包括以下：信息确定模块710、图像质量判定模块720和图像偏序处理模块730。

信息确定模块710，用于确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征。

图像质量判定模块720，用于将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量。

图像偏序处理模块730，用于依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

在上述实施例的基础上，可选地，所述视觉信息用于衡量图像画面内容属性，图像画面内容属性通过以下至少一项描述：图像色彩、图像纹理、图像线条以及图像内容丰富度；所述非视觉信息用于衡量除图像画面内容以外的图像附加属性，所述图像附加属性通过以下至少一项描述：图像格式、图像色彩空间类型、图像尺寸以及图像的创作信息。

在上述实施例的基础上，可选地，图像质量判定模块720包括：

将待处理图像的视觉信息输入到第一图像质量判定模型，通过执行视觉特征提取操作得到待处理图像的视觉特征；

将非视觉信息中非视觉特征与所述视觉特征融合输入到第二图像质量判定模型，得到待处理图像的预测图像质量；

其中，所述第一图像质量判定模型采用训练集中训练样本图像的视觉信息进行模型训练得到；所述第二图像质量判定模型采用训练样本图像的视觉信息与非视觉信息进行模型训练得到。

在上述实施例的基础上，可选地，第一图像质量判定模型与所述第二图像质量判定模型均以图像导出点击比作为图像质量判定衡量指标进行模型训练。

在上述实施例的基础上，可选地，所述训练样本图像的图像点击次数大于预设阈值，且各个训练样本图像按图像导出点击比大小排序后均匀分布于预设范围内不同图像点击比上，而未聚集分布于部分图像点击比范围内。

在上述实施例的基础上，可选地，将非视觉信息中非视觉特征与所述视觉特征融合输入到第二图像质量判定模型，包括：

将非视觉信息中非视觉特征进行编码映射得到离散化的非视觉特征；

将待处理图像的视觉特征与离散化的非视觉特征进行融合得到多模态特征；

将多模态特征输入到第二图像质量判定模型执行图像质量判定操作，以输出待处理图像的预测图像质量。

在上述实施例的基础上，可选地，所述第一图像质量判定模型至少基于视觉特征提取网络进行模型迭代训练得到。

在上述实施例的基础上，可选地，所述第二图像质量判定模型至少基于弱分类器的梯度提升框架网络进行模型迭代训练。

在上述实施例的基础上，可选地，所述装置还包括：

从测试集中确定测试样本图像以及所述测试样本图像的参考图像；

通过所述第一图像质量判定模型与所述第二图像质量判定模型，对测试样本图像与测试样本图像的参考图像进行图像质量判定，得到测试样本图像的图像质量与参考图像的预测图像质量；

对测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，以确定是否启动对所述第一图像质量判定模型与所述第二图像质量判定模型进行更新。

在上述实施例的基础上，可选地，所述测试样本图像与所述参考图像之间的图像导出点击比差值大于预设倍数的测试标准差，所述测试标准差基于测试集中各测试样本图像的图像导出点击比标准差确定。

在上述实施例的基础上，可选地，对所述测试样本图像与所述参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，包括：

若所述测试样本图像与所述参考图像之间的预测图像质量偏序与预标注图像质量偏序保持一致，则将所述测试样本图像与所述参考图像的图像质量判定作为测试正例；

若所述测试样本图像与所述参考图像之间的预测图像质量偏序与预标注图像质量偏序不一致，则将所述测试样本图像与所述参考图像的图像质量判定作为测试负例；

统计测试正例的数量与测试负例的数量，计算测试正例与测试负例之间的数量比作为正逆序比。

本公开实施例中所提供的图像质量偏序处理装置可执行上述本公开任意实施例中所提供的图像质量偏序处理方法，具备执行该图像质量偏序处理方法相应的功能和有益效果，详细过程参见前述实施例中图像质量偏序处理方法的相关操作。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，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800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置806；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开实施例提供的电子设备与上述实施例提供的图像质量偏序处理方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的图像质量偏序处理方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置806被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的图像质量偏序处理方法中限定的上述功能。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像质量偏序处理方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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该电子设备执行时，使得该电子设备：确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征；将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量；依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

或者，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该电子设备执行时，使得该电子设备执行上述实施例中任一项所述的图像质量偏序处理方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种图像质量偏序处理方法，所述方法包括：

确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征；

将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量；

依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

根据本公开的一个或多个实施例，示例2根据示例1所述的方法，所述视觉信息用于衡量图像画面内容属性，图像画面内容属性通过以下至少一项描述：图像色彩、图像纹理、图像线条以及图像内容丰富度；和/或，所述非视觉信息用于衡量除图像画面内容以外的图像附加属性，所述图像附加属性通过以下至少一项描述：图像格式、图像色彩空间类型、图像尺寸以及图像创作信息。

根据本公开的一个或多个实施例，示例3根据示例1所述的方法，将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量，包括：

将待处理图像的视觉信息输入到第一图像质量判定模型，通过执行视觉特征提取操作得到待处理图像的视觉特征；

将非视觉信息中非视觉特征与所述视觉特征融合输入到第二图像质量判定模型，得到待处理图像的预测图像质量；

其中，所述第一图像质量判定模型采用训练集中训练样本图像的视觉信息进行模型训练得到；所述第二图像质量判定模型采用训练样本图像的视觉信息与非视觉信息进行模型训练得到。

根据本公开的一个或多个实施例，示例4根据示例3所述的方法，所述第一图像质量判定模型与所述第二图像质量判定模型均以图像导出点击比作为图像质量判定衡量指标进行模型训练。

根据本公开的一个或多个实施例，示例5根据示例3所述的方法，所述训练样本图像的图像点击次数大于预设阈值，且各个训练样本图像按图像导出点击比大小排序后均匀分布于预设范围内不同图像点击比上。

根据本公开的一个或多个实施例，示例6根据示例3所述的方法，将非视觉信息中非视觉特征与所述视觉特征融合输入到第二图像质量判定模型，包括：

将非视觉信息中非视觉特征进行编码映射得到离散化的非视觉特征；

将待处理图像的视觉特征与离散化的非视觉特征进行融合得到多模态特征；

将多模态特征输入到第二图像质量判定模型执行图像质量判定操作，以输出待处理图像的预测图像质量。

根据本公开的一个或多个实施例，示例7根据示例3-6中任一所述的方法，所述第一图像质量判定模型至少基于视觉特征提取网络进行模型迭代训练得到。

根据本公开的一个或多个实施例，示例8根据示例3-6中任一所述的方法，所述第二图像质量判定模型至少基于弱分类器的梯度提升框架网络进行模型迭代训练。

根据本公开的一个或多个实施例，示例9根据示例3所述的方法，所述方法还包括：

从测试集中确定测试样本图像以及所述测试样本图像的参考图像；

通过所述第一图像质量判定模型与所述第二图像质量判定模型，对测试样本图像与测试样本图像的参考图像进行图像质量判定，得到测试样本图像的图像质量与参考图像的预测图像质量；

对测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，以确定是否启动对所述第一图像质量判定模型与所述第二图像质量判定模型进行更新。

根据本公开的一个或多个实施例，示例10根据示例9所述的方法，所述测试样本图像与所述参考图像之间的图像导出点击比差值大于预设倍数的测试标准差，所述测试标准差基于测试集中各测试样本图像的图像导出点击比标准差确定。

根据本公开的一个或多个实施例，示例11根据示例9所述的方法，对测试样本图像与参考图像之间的预测图像质量偏序与预标注图像质量偏序进行统计，包括：

若所述测试样本图像与所述参考图像之间的预测图像质量偏序与预标注图像质量偏序保持一致，则将所述测试样本图像与所述参考图像的图像质量判定作为测试正例；

若所述测试样本图像与所述参考图像之间的预测图像质量偏序与预标注图像质量偏序不一致，则将所述测试样本图像与所述参考图像的图像质量判定作为测试负例；

统计测试正例的数量与测试负例的数量，计算测试正例与测试负例之间的数量比作为正逆序比。

根据本公开的一个或多个实施例，示例12提供了一种图像质量偏序处理装置，所述装置包括：

信息确定模块，用于确定待处理图像的视觉信息与非视觉信息；所述视觉信息包括能够通过所述待处理图像中的视觉元素获取到的图像特征，所述非视觉信息包括通过所述待处理图像关联的非视觉元素进行解析获取的图像特征；

图像质量判定模块，用于将所述视觉信息与非视觉信息融合执行图像质量判定操作，得到待处理图像的预测图像质量；

图像偏序处理模块，用于依据待处理图像的预测图像质量对所述待处理图像执行图像偏序操作。

根据本公开的一个或多个实施例，示例13提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行示例1-11中任一项所述的图像质量偏序处理方法。

根据本公开的一个或多个实施例，示例14提供了一种计算机可读介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于使处理器执行时实现示例1-11中任一项所述的图像质量偏序处理方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。