图像处理方法、装置、电子设备及存储介质与流程

1.本技术属于人工智能领域，具体涉及一种图像处理方法、装置、电子设备及存储介质。


背景技术：

2.目前，电子设备在进行拍摄后，可以将拍摄得到的图片保存至图库应用程序中，而当电子设备拍摄保存的图片较多时，图片会占据电子设备的大量存储空间，以及图库应用程序中存在一些拍摄质量差的图片，通常，用户可以根据自身的需求对图库应用程序中存储的图片进行对应的操作。
3.然而，由于图库应用程序中存在的图片较多，用户需要从图库应用程序中的所有图片中依次查找需求处理的图片(例如用户手动翻页以查找需求删除的图片)，导致用户需求查找处理的图片的操作繁琐且耗时，如此，电子设备对图像处理的灵活性和效率较差。


技术实现要素：

4.本技术实施例的目的是提供一种图像处理方法、装置、电子设备及存储介质，能够解决电子设备对图像处理的灵活性和效率较差的问题。
5.第一方面，本技术实施例提供了一种图像处理方法，该图像处理方法包括：获取m个图像的第一特征信息，每个图像的第一特征信息分别用于指示一个图像所属的图像类别，m为正整数；根据m个图像的第一特征信息，通过至少一个第二算法结构，对m个图像进行处理，得到m个图像的分值，每个第二算法结构分别对应一个图像类别，每个第二算法结构对应m个图像中属于同一图像类别的至少一个图像，每个图像的分值用于指示一个图像在一个图像对应的图像类别下的图像质量；根据m个图像的分值，对m个图像进行图像处理。
6.第二方面，本技术实施例提供了一种图像处理装置，该图像处理装置包括：获取模块和处理模块。获取模块，用于获取m个图像的第一特征信息，每个图像的第一特征信息分别用于指示一个图像所属的图像类别，m为正整数。处理模块，用于根据m个图像的第一特征信息，通过至少一个第二算法结构，对m个图像进行处理，得到m个图像的分值，每个第二算法结构分别对应一个图像类别，每个第二算法结构对应m个图像中属于同一图像类别的至少一个图像，每个图像的分值用于指示一个图像在一个图像对应的图像类别下的图像质量。处理模块，还用于根据m个图像的分值，对m个图像进行图像处理。
7.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
8.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
9.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方
法。
10.第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
11.在本技术实施例中，由于电子设备可以根据与m个图像的第一特征信息，将m个图像中的每个图像输出至与图像类别匹配的第二算法结构中，即电子设备可以根据m个图像的特征信息进行分类，并将m个图像中的每个图像输出至对应类别的第二算法结构中，以使得至少一个第二算法结构可以根据m个图像所属的类别对不同类别的图像进行不同的处理，得到m个图像的分值，以根据m个图像的分值准确地判断出m个图像的图像质量，从而根据m个图像的图像质量对m个图像进行处理，以实现对m个图像的准确、有效管理，避免了用户需要从电子设备的图库应用程序中依次查找需求处理的图片，导致用户查找需求处理的图片的操作繁琐且耗时，因此本技术的方案提升了电子设备对图像处理的灵活性和效率。
附图说明
12.图1是本技术实施例提供的一种图像处理方法的示意图之一；
13.图2是本技术实施例提供的一种第一算法结构的结构示意图之一；
14.图3是本技术实施例提供的一种第一算法结构的结构示意图之二；
15.图4是本技术实施例提供的一种第一算法结构的结构示意图之三；
16.图5是本技术实施例提供的一种第二算法结构的结构示意图；
17.图6是本技术实施例提供的一种图像处理装置的结构示意图；
18.图7是本技术实施例提供的一种电子设备的硬件结构示意图之一；
19.图8是本技术实施例提供的一种电子设备的硬件结构示意图之二。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
22.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的图像处理方法进行详细地说明。
23.随着移动智能终端的不断发展，电子设备的摄像头的配置也日趋增多，并且电子设备的摄像头的像素也不断增大，现在，通过电子设备的摄像头获取的照片的大小一般为几兆或者十多兆，一段视频则可达到几十兆或几个吉(g)。当电子设备经过一段时间的使用后，电子设备中会存在大量的图像，如果用户不对已存储的图像进行删除操作，图像则会占
用电子设备大量的存储空间，同时用户寻找图像也会变的非常困难。相关技术中，电子设备可以采用相似度评分，对存储的图像进行搜索，以将该搜索得到的图像，作为删除候选集，从而用户可以在删除候选集中查找需求删除的图像，然而，上述方法中，电子设备对于不同类别的图片均采用相同的评分标准来进行筛选，导致电子设备不具备可以根据用户的个性审美和场景特征，来针对性的对需要删除的图片进行筛选，如此，电子设备对图像处理的灵活性和效率较差。
24.本技术实施例中，电子设备可以通过第一算法结构，获取电子设备中的m个图像的第一特征信息，并从至少一个第二算法结构确定与每个图像的图像类别匹配的第二算法结构，以得到m个图像的分值，从而电子设备可以根据m个图像的分值，对m个图像进行图像处理。本方案中，由于电子设备是根据与m个图像的第一特征信息，将m个图像中的每个图像输出至与图像类别匹配的第二算法结构中，即电子设备可以根据m个图像的特征信息进行分类，并将m个图像中的每个图像输出至对应类别的第二算法结构中，以使得至少一个第二算法结构可以根据m个图像所属的类别对不同类别的图像进行不同的处理，得到m个图像的分值，从而电子设备可以根据m个图像对应的分值，对m个图像进行处理(例如排序或添加标记)，以实现用户可以快速查找到需求删除的图像，避免了用户需要从电子设备的图库应用程序中依次查找需求处理的图片，导致用户查找需求处理的图片的操作繁琐且耗时，因此本技术的方案提升了电子设备对图像处理的灵活性和效率。
25.本技术实施例提供一种图像处理方法，图1示出了本技术实施例提供的一种图像处理方法的流程图。如图1所示，本技术实施例提供的图像处理方法可以包括下述的步骤201至步骤203。
26.步骤201、电子设备获取m个图像的第一特征信息。
27.本技术实施例中，上述m个图像中的每个图像的第一特征信息分别用于指示一个图像所属的图像类别，m为正整数。
28.本技术实施例中，电子设备可以通过获取m个图像的第一特征信息，对m个图像所属的目标视频进行审核。
29.需要说明的是，本技术实施例所述的图像是广义上的描述，即图像可以理解为图片或视频。
30.可选地，本技术实施例中，上述m个图像可以为电子设备中图库应用程序中存储的图像；或者，上述m个图像可以为通信类应用程序中的图像；或者，上述m个图像可以为其他用户发送的图像；或者，上述m个图像可以为用户拍摄得到的图像。
31.可选地，本技术实施例中，上述第一特征信息可以包括以下至少一项：图像亮度信息、图像语义信息、图像内容信息、图像构图信息、图像色温信息和图像分辨率信息等。具体可以根据实际使用需求确定，本技术实施例不作限制。
32.可选地，本技术实施例中，上述步骤201具体可以通过下述的步骤201a实现。
33.步骤201a、电子设备通过第一算法结构，获取电子设备中的m个图像的第一特征信息。
34.可选地，本技术实施例中，上述第一算法结构可以为以下任一项：resnet算法结构、lenet算法结构、alexnet算法结构、vgg算法结构、nin算法结构、goolenet算法结构、densenet算法结构等。具体可以根据实际使用需求确定，本技术实施例不作限制。
35.可选地，本技术实施例中，电子设备可以对m个图像进行分类处理，以得到至少一组分类图像，并将该至少一组分类图像输入至第一算法结构中，从而获取每组分类图像的第一特征信息。
36.可选地，本技术实施例中，电子设备可以根据m个图像的内容信息进行分类，以得到至少一组分类图像；或者，电子设备可以根据用户喜爱度信息对m个图像进行分类，以得到至少一组分类图像；或者，电子设备可以根据用户的浏览次数信息对m个图像进行分类，以得到至少一组分类图像；或者，电子设备可以根据m个图像的使用频率信息进行分类，以得到至少一组分类图像。
37.可选地，本技术实施例中，上述第一算法结构包括l层算法结构，l为大于1的整数。上述步骤201a具体可以通过下述的步骤201a1和步骤201b1实现。
38.步骤201a1、电子设备依次通过l层算法结构，对m个图像中的每个图像进行特征提取，得到l个特征信息集合。
39.本技术实施例中，上述l层算法结构与l个特征信息集合一一对应，该l个特征信息中的每个特征信息集合中包括m个图像的第二特征信息、且每个特征信息集合中包括的m个图像的第二特征信息不同。
40.可以理解，l层算法结构中的每层算法结构均基于上一层算法结构的输出结果，再次进行运算，即通过逐层的特征信息的提取，最终得到l个不同的特征信息集合。从而浅层的算法结构得到的是易区分的图片表征信息，深层的算法结构得到的是抽象的、难以区分的语义信息。
41.本技术实施例中，电子设备可以通过l层算法结构中的第i层算法结构，对m个图像中的每个图像进行特征提取，以得到第i层第一算法结构对应的特征信息集合，从而得到l个特征信息集合，i＝1，2，3
…
l。
42.可以理解，电子设备可以通过l层算法结构的第一层第一算法结构，对m个图像中的每个图像进行特征提取，从而得到第一层第一算法结构对应的特征信息集合，并在第一层第一算法结构进行特征提取的基础上，电子设备可以通过第二层第一算法结构对m个图像中的每个图像再次进行特征提取，从而得到第二层第一算法结构对应的特征信息集合，即针对于每一层第一算法结构提取的m个图像中的每个图像的特征信息均不相同，以此类推，直至运算至最后一层算法结构(即第l层算法结构)，得到第l层算法结构对应的特征信息集合，从而得到l个特征信息集合。
43.示例性地，如图2所示，示出了本技术实施例提供的第一算法结构的结构示意图。电子设备可以通过4层resnet算法结构(图2中以10表示)，对m个图像中的每个图像进行特征提取，resnet算法结构的第1层算法结构s1提取出每个图像的清晰度信息集合11，第2层算法结构s2提取出该每个图像的构图信息集合12，第3层算法结构s3提取出每个图像的色温信息集合13，第4层算法结构s4提取出每个图像的语义信息集合14，从而得到4个特征信息集合。
44.可选地，本技术实施例中，上述l层算法结构中的每层算法结构包括一个卷积算法结构和一个池化算法结构。上述步骤201a1具体可以通过下述的步骤201a11和步骤201a12实现。
45.步骤201a11、针对l层算法结构中的每层算法结构，电子设备通过一层算法结构的
卷积算法结构，对m个图像中的每个图像进行卷积处理，得到m个卷积向量。
46.本技术实施例中，上述l层算法结构中的每层算法结构可以通过卷积算法结构将m个图像中的每个图像划分为至少一个方块网格，每个方块网格中包括每个图像的部分图像，将至少一个方块网格中的图像进行向量形式的转换，从而得到m个图像的卷积向量。
47.需要说明的是，上述m个图像中的每个图像包含至少一个卷积向量，即一个图像可以对应多个卷积向量。
48.可选地，本技术实施例中，上述卷积处理可以包括以下任一项：一般卷积、扩张卷积、转置卷积和可分离卷积。
49.步骤201a12、电子设备通过一层算法结构的池化算法结构，对m个卷积向量进行池化处理，得到一层算法结构对应的一个特征信息集合，以得到l个特征信息集合。
50.可以理解，电子设备可以通过l层算法结构的第一层算法结构中的卷积算法结构，对m个图像中的每个图像进行卷积处理，以得到第一层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第一层算法结构对应的一个特征信息集合；在第一层算法结构对m个图像进行卷积处理的基础上，第二层算法结构继续对第一层算法结构卷积处理后的m个图像进行卷积，以得到第二层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第二层算法结构对应的一个特征信息集合，以此类推，直至最后一层算法结构(即第l层算法结构)，得到第l层算法结构对应的特征信息集合，从而，得到l个特征信息集合。
51.可选地，本技术实施例中，上述池化处理可以为以下任一项：最大池化处理或平均池化处理。具体可以根据实际使用需求确定，本技术实施例不作限制。
52.示例性地，结合图2，如图3所示，4层resnet算法结构中的每一层算法结构均包括卷积算法结构15和池化算法结构16，电子设备可以通过第一层算法结构中的卷积算法结构，对m个图像中的每个图像进行卷积处理，以得到第一层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第一层算法结构对应的一个特征信息集合；在第一层算法结构对m个图像进行卷积处理的基础上，第二层算法结构继续对第一层算法结构卷积处理后的m个图像进行卷积，以得到第二层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第二层算法结构对应的一个特征信息集合；在第二层算法结构对m个图像进行卷积处理的基础上，第三层算法结构继续对第二层算法结构卷积处理后的m个图像进行卷积，以得到第二层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第二层算法结构对应的一个特征信息集合；在第三层算法结构对m个图像进行卷积处理的基础上，第四层算法结构继续对第三层算法结构卷积处理后的m个图像进行卷积，以得到第二层算法结构对应的m个图像的卷积向量，并对该m个图像的卷积向量进行池化处理，以得到第二层算法结构对应的一个特征信息集合，从而得到l个特征信息集合。
53.本技术实施例中，电子设备可以根据卷积算法结构得到m个图像中的每个图像的卷积向量，并通过池化算法结构选择出每个图像对应的卷积向量中最能表达该图像的特征信息的卷积向量，从而减少了电子设备的计算功耗，如此，提升了电子设备处理图像的效率。
54.步骤201b1、电子设备对l个特征信息集合进行融合处理，得到m个图像的第一特征
信息。
55.本技术实施例中，在电子设备通过l层第一结构得到l个特征信息集合之后，电子设备可以对该l个特征信息集合进行拼接处理，以得到m个图像的第一特征信息。
56.示例性地，结合图3，如图4所示，在电子设备得到4个特征信息集合之后，电子设备可以对该4个特征信息集合进行拼接处理，以得到第一特征信息17；假设4层第一算法结构中的第1层算法结构得到的特征信息集合的长度为16，第2层算法结构得到的特征信息集合的长度为16，第3层算法结构得到的特征信息集合的长度为16，第4层算法结构得到的特征信息集合的长度为176，则第一特征信息的长度为224。
57.本技术实施例中，电子设备可以通过每一层算法结构得到一个特征信息集合，针对于l层算法结构，电子设备可以得到l个特征集合，并对该l个特征集合进行拼接处理，从而得到第一特征信息，即该第一特征信息中包含有l层算法结构提取出的浅层特征信息和深层特征信息，避免了电子设备只能得到图像的深层特征信息(例如语义信息)，而丢失了图像本身的浅层特征信息(例如图像质量信息)，如此，提升了电子设备处理图像的准确性。
58.步骤202、电子设备根据m个图像的第一特征信息，通过至少一个第二算法结构，对m个图像进行处理，得到m个图像的分值。
59.本技术实施例中，上述至少一个第二算法结构中的每个第二算法结构分别对应一个图像类别，每个第二算法结构对应m个图像中属于同一图像类别的至少一个图像，每个图像的分值用于指示一个图像在该一个图像对应的图像类别下的图像质量。
60.本技术实施例中，电子设备可以根据m个图像的第一特征信息，从预设第二算法结构集合中分别确定与每个图像的图像类别匹配的第二算法结构，从而可以通过与每个图像的图像类别匹配的第二算法结构对所每个图像的图像质量进行打分，以得到m个图像的分值。
61.可以理解，上述至少一个第二算法结构中的每个第二算法结构都对应一个图像类别，即至少一个第二算法结构对不同类别的图像处理方式不同，例如，假设至少一个第二算法结构中的一个第二算法结构的类别为美食类，则在该第二算法结构中，需要注重图像的色温是否为暖色调以及色彩度是否鲜艳，当前第二算法结构中的一个图像的色调越暖，色彩越鲜艳，则该图像的得分就越高，假设至少一个第二算法结构中的一个第二算法结构的类别为风景类，则在该第二算法结构中，需要注重图像的色调是否为冷色调以及清晰度，当前第二算法结构中的一个图像的色温越冷，清晰度越高，则该图像的得分就越高。
62.可选地，本技术实施例中，若至少一个第二算法结构中的每个算法结构得到的分值小于预设分值，则认为m个图像中的每个图像均为一类，从而电子设备可以将至少一个第二算法合并为一个第二算法结构。
63.可选地，本技术实施例中，上述至少一个第二算法结构中的每个第二算法结构包括特征加权层算法结构、全连接层算法结构和线性变换层算法结构。上述步骤202具体可以通过下述的步骤202a至步骤202c实现。
64.步骤202a、电子设备根据m个图像的第一特征信息，从预设第二算法结构集合中分别确定与每个图像的图像类别匹配的第二算法结构，以得到至少一个第二算法结构。
65.本技术实施例中，在每个图像的图像类别与预设第二算法结构集合中的一个第二算法结构匹配的情况下，电子设备可以将该图像输出至对应的第二算法结构中。
66.步骤202b、针对至少一个第二算法结构中的每个第二算法结构，电子设备对一个第二算法结构对应的至少一个图像的第一特征信息、l层算法结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合进行加权和处理，得到第一向量。
67.本技术实施例中，针对至少一个第二算法结构中的一个第二算法结构，电子设备可以根据一个第二算法结构对应的至少一个图像的第一特征信息、l层算法结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合进行加权和处理，得到一个第二算法结构对应的第一向量，针对至少一个第二算法结构中的每个第二算法结构，均采用相同的处理方式得到每个第二算法结构对应的第一向量。
68.可以理解，每一个第二算法结构都需要对每一个第二算法结构对应的图像进行加权和，从而得到每个第二算法结构对应的第一向量。
69.示例性地，在电子设备将m个图像输入至对应的第二算法结构之后，每一层第二算法结构的特征加权层算法结构可以对该层中的图像进行4次加权和处理，第一次加权和处理得到的图像的向量长度为112，第二次加权和处理得到的图像向量长度为56，第三次加权和处理得到的图像的向量长度为28，第四次加权和处理得到的图像的向量长度为14(即第一向量)，每一次加权和处理得到的向量中均包含图像的语义特征和图像的质量特征。
70.步骤202c、电子设备通过一个第二算法结构的全连接层算法结构和线性变换层算法结构，对一个第一向量进行线性变换处理，得到一个第二算法结构对应的至少一个图像的分值，以得到m个图像的分值。
71.可以理解，针对至少一个第二算法中的第一个第二算法结构，电子设备可以将第一个第二算法结构中的一个第一向量通过全连接层输出至线性变换层，该线性变换层可以对该第一向量进行线性变换处理，得到第一个第二算法结构中对应的至少一个图像的分值，针对至少一个第二算法中的第二个第二算法结构，电子设备可以将第二个第二算法结构中的一个第一向量通过全连接层输出至线性变换层，该线性变换层可以对该第一向量进行线性变换处理，得到第二个第二算法结构中对应的至少一个图像的分值，以此类推，直至最后一个第二算法结构得到对应的至少一个图像的分值，从而电子设备可以得到m个图像的分值。
72.可选地，本技术实施例中，上述线性变换处理可以包括以下任一项：恒等变换、数乘变换或一线性变换等。具体可以根据实际使用需求确定，本技术实施例不作限制。
73.示例性地，如图5所示，针对一个第二算法结构18，该第二算法结构包括特征加权层算法结构(图5中以19表示)、连接层算法结构20和线性变换层算法结构21，该特征加权层算法结构19中包括每个第二算法结构对应的至少一个图像的第一特征信息(图5中以x表示)、l层算法结构中的第l层算法结构对应的卷积向量(图5中以w表示)和第l层算法结构对应的特征信息集合(图5中以b表示)，从而电子设备可以根据每个第二算法结构对应的至少一个图像的第一特征信息、l层算法结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合得到该第二特征算法结构对应的一个第一向量，并通过全连接层算法结构20和线性变换层算法结构21，对一个第一向量进行线性变换处理，得到一个第二算法结构对应的至少一个图像的分值22。
74.本技术实施例中，电子设备可以通过特征加权层算法结构、全连接层算法结构和线性变换层算法结构对每个第二算法结构对应的至少一个图像的第一特征信息、l层算法
结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合进行处理，从而使得每个第二算法结构可以关注当前类别下应该重视的图像特征，即在不同的类别下采用不同的评估方式，如此，提高了电子设备处理图像的灵活性。
75.步骤203、电子设备根据m个图像的分值，对m个图像进行图像处理。
76.本技术实施例中，电子设备可以根据m个图像的分值，对m个图像进行排序、删除或标记等处理。
77.可以理解，由于m个图像的分值可以表征m个图像在各自对应的图像类别下的图像质量，因此通过m个图像的分值电子设备可以准确的判断m个图像中是否存在图像质量较差的图像，以便于用户对m个图像进行管理。
78.可选地，本技术实施例中，上述步骤203具体可以通过下述的步骤203a或步骤203b或步骤203c实现。
79.步骤203a、电子设备按照m个图像的分值的大小，对m个图像进行排序。
80.本技术实施例中，电子设备可以根据m个图像中的每个图像的分值，采用第一顺序对m个图像进行排序。
81.可选地，本技术实施例中，上述第一顺序可以为以下任一项：对m个图像中的每个图像进行正序(例如从大到小)排序；或者对m个图像中的每个图像进行倒序(例如从小到大)排序。具体可以根据实际使用需求确定，本技术实施例不作限制。
82.本技术实施例中，电子设备可以根据m个图像的分值的大小，对m个图像进行排序，从而使得用户可以快速查找到需求删除的图像，如此，提升了电子设备处理图像的效率。
83.步骤203b、电子设备根据m个图像的分值，对m个图像中的n个图像进行删除。
84.本技术实施例中，上述n个图像为m个图像中分值小于或等于预设阈值的图像，n为小于或等于m的正整数。
85.本技术实施例中，电子设备可以将m个图像中分值小于或等于预设阈值的图像进行删除处理。
86.可以理解，在m个图像中的n个图像小于或等于预设阈值的情况下，电子设备可以确定n个图像的图像质量较差，因此电子设备可以对该n个图像进行删除处理，从而简化用户查找需求删除的图像的过程。
87.可选地，本技术实施例中，在电子设备对分值小于或等于预设阈值的图像进行删除处理之前，电子设备可以向用户显示提示信息，以提示用户是否将分值小于或等于预设阈值的图像删除。
88.本技术实施例中，电子设备可以将低于预设阈值的n个图像直接进行删除，从而避免了电子设备中存在的图像较多时，用户需要手动查找需求删除的图像，导致用户查找需求删除的图片的操作繁琐且耗时，如此提升了电子设备图像处理效率。步骤203c、电子设备根据m个图像的分值，对m个图像中的k个图像进行标记。
89.本技术实施例中，上述k个图像为m个图像中分值小于或等于预设阈值的图像，或者上述m个图像中分值大于预设阈值的图像，k为小于或等于m的正整数。
90.本技术实施例中，电子设备可以在m个图像中分值小于或等于预设阈值的图像上添加目标标记；或者，电子设备可以在m个图像中分值大于预设阈值的图像上添加目标标记，以提示用户快速查找到需求删除的图像。
91.可选地，本技术实施例中，上述目标标记可以为以下任一项：表情标记、文字标记、特殊符号标记或图案标记等。具体可以根据实际使用需求确定，本技术实施例不作限制。
92.本技术实施例中，电子设备可以在m个图像中分值低于或等于预设阈值的至少一个图像上添加标记，即在图像质量较低的图像上添加标记，以提示用户可以对图像进行删除处理；或者，电子设备可以在m个图像中分值大于预设阈值的至少一个图像上添加标记，即在图像质量较好的图像上添加标记，以提示用户该图像为需要保留的图像，如此，用户在查找需求删除的图片时，可以根据该标记来快速的判断是否进行图像删除操作，如此，提升了电子设备处理图像的灵活性。本技术实施例中，电子设备可以根据分值，对m个图像进行排序处理，或者删除处理，或者添加标记处理，从而可以提示用户快速找到需求删除的图像，如此，提高了电子设备处理图像的效率。
93.本技术实施例提供一种图像处理方法，由于电子设备可以根据与m个图像的第一特征信息，将m个图像中的每个图像输出至与图像类别匹配的第二算法结构中，即电子设备可以根据m个图像的特征信息进行分类，并将m个图像中的每个图像输出至对应类别的第二算法结构中，以使得至少一个第二算法结构可以根据m个图像所属的类别对不同类别的图像进行不同的处理，得到m个图像的分值，以根据m个图像的分值准确地判断出m个图像的图像质量，从而根据m个图像的图像质量对m个图像进行处理，以实现对m个图像的准确、有效管理，避免了用户需要从电子设备的图库应用程序中依次查找需求处理的图片，导致用户查找需求处理的图片的操作繁琐且耗时，因此本技术的方案提升了电子设备对图像处理的灵活性和效率。
94.可选地，本技术实施例中，在上述步骤201之前，本技术实施例中提供的图像处理方法还包括下述的步骤401至步骤403。
95.步骤401、电子设备通过预设多头回归模型，对目标类别的一组图像进行特征提取处理，得到一组图像的特征信息。
96.本技术实施例中，上述一组图像包括参考图像、负例图像和正例图像。
97.本技术实施例中，电子设备可以对目标类别的一组图像进行卷积和池化处理，得到该一组图像的特征信息。
98.可选地，本技术实施例中，电子设备可以通过人工智能(artificial intelligence，ai)图像识别，对目标类别的一组图像进行图像识别处理，以得到一组图像的特征信息。
99.可选地，本技术实施例中，上述目标类别可以为以下任一项：美食类别、人文类别、风景类别或动物类别等。具体可以根据实际使用需求确定，本技术实施例不作限制。
100.可选地，本技术实施例中，上述负例图像可以为在一组相似图像中，用户删除的图像；或者，与参考图像不属于同一类别的图像。
101.可选地，本技术实施例中，上述正例图像可以在一组相似图像中，用户保留的图像；或者，与参考图像属于同一类别的图像。
102.步骤402、电子设备通过预设多头回归模型，对一组图像中每个图像的特征信息进行加权和处理，得到一组图像的分值。
103.本技术实施例中，电子设备可以通过特征加权层算法结构，对一组图像中每个图像的特征信息进行加权和处理，得到一个第一向量，并通过全连接层算法结构将该一个第
一向量输出至线性变换层算法结构，该线性变换层算法结构可以对该一个第一向量进行线性变换处理，得到一组图像的分值。
104.步骤403、电子设备通过预设损失函数，对一组图像中的负例图像的分值与参考图像的分值进行优化处理，并对一组图像中的正例图像的分值与参考图像的分值进行优化处理，以更新预设多头回归模型中的参数，得到目标类别对应的第二算法结构。
105.本技术实施例中，通过损失函数算法确定损失函数后，电子设备可以对多头回归模型的参数进行训练，当输入一组带有目标类别标签的图像(参考图像，正例图像，负例图像)后，得到参考图像对应的分值、正例图像对应的分值和负例图像对应的分值，优化目标为缩小参考图像与正例图像之间的差距，扩大参考图像与负例图像之间的差距，并基于优化器承载损失函数，通过参数反向传播，从而更新多头回归模型中的参数，以得到目标类别对应的第二算法结构。
106.本技术实施例中，预设损失函数算法具体为：
[0107][0108]
其中，lq为预设损失函数，q为参考图像，k

为q的正例图像，ki为q的负例图像，分子计算参考图像与正例图像之间的点乘，分母计算参考图像与负例之间的点乘。
[0109]
需要说明的是，上述预设损失函数算法中的分子的值越大于分母的值越好，即分数部分越大越好，也即通过-log变换后的值越小越好。
[0110]
可选地，本技术实施例中，电子设备更新多头回归模型中的参数包括以下至少一项：卷积参数、加权和参数、全连接层参数和线性变换层参数。
[0111]
可选地，本技术实施例中，上述优化器可以为以下任一项：adam优化器、keras优化器或momentum优化器。具体可以根据实际使用需求确定，本技术实施例不作限制。
[0112]
本技术实施例中，电子设备可以通过用户的删除行为微调多头回归模型，对于用户选择保留的图像作为正例输入至对应的回归头中，用户删除的图像作为负例输入至对应的回归头中，通过预设损失函数来调整参考图像、正例图像、负例图像之间的差距，从而调整多头回归模型中的参数，以得到目标类别对应的第二算法结构，如此，通过对比式学习着重于学习同类图像之间共同特性，区别非同类图像之间的不同之处，不需要关系图像中的繁琐细节，只需要能够在抽象语义级别的特征空间上学会对图像的区分即可，使得电子设备优化多头回归模型更加简单，同时加强了第二算法结构的学习能力且提升了多头回归模型的泛化能力，如此，提升了电子设备处理图像的准确性。
[0113]
需要说明的是，本技术实施例提供的图像处理方法，执行主体可以为图像处理装置。本技术实施例中以图像处理装置执行图像处理方法为例，说明本技术实施例提供的图像处理装置。
[0114]
图6示出了本技术实施例中涉及的图像处理装置的一种可能的结构示意图。如图6所示，该图像处理装置70可以包括：获取模块71和处理模块72。
[0115]
其中，获取模块71，用于获取m个图像的第一特征信息，每个图像的第一特征信息分别用于指示一个图像所属的图像类别，m为正整数。处理模块72，用于根据m个图像的第一特征信息，通过至少一个第二算法结构，对m个图像进行处理，得到m个图像的分值，每个第
二算法结构分别对应一个图像类别，每个第二算法结构对应m个图像中属于同一图像类别的至少一个图像，每个图像的分值用于指示一个图像在一个图像对应的图像类别下的图像质量；并根据m个图像的分值，对m个图像进行图像处理。
[0116]
在一种可能的实现方式中，上述获取模块71，具体用于通过第一算法结构，获取电子设备中的m个图像的第一特征信息。
[0117]
在一种可能的实现方式中，上述第一算法结构包括l层算法结构，l为大于1的整数；上述获取模块71，具体用于依次通过l层算法结构，对m个图像中的每个图像进行特征提取，得到l个特征信息集合，该l层算法结构与l个特征信息集合一一对应，每个特征信息集合中包括m个图像的第二特征信息、且每个特征信息集合中包括的m个图像的第二特征信息不同；并对l个特征信息集合进行融合处理，得到m个图像的第一特征信息。
[0118]
在一种可能的实现方式中，上述l层算法结构中的每层算法结构包括一个卷积算法结构和一个池化算法结构。上述获取模块71，具体用于针对l层算法结构中的每层算法结构，通过一层算法结构的卷积算法结构，对m个图像中的每个图像进行卷积处理，得到m个卷积向量；并通过一层算法结构的池化算法结构，对m个卷积向量进行池化处理，得到一层算法结构对应的一个特征信息集合，以得到l个特征信息集合。
[0119]
在一种可能的实现方式中，上述至少第一第二算法结构中的每个第二算法结构包括特征加权层算法结构、全连接层算法结构和线性变换层算法结构；上述获取模块71，具体用于根据m个图像的第一特征信息，从预设第二算法结构集合中分别确定与每个图像的图像类别匹配的第二算法结构，以得到至少一个第二算法结构；并针对至少一个第二算法结构中的每个第二算法结构，通过一个第二算法结构的特征加权层算法结构，对一个第二算法结构对应的至少一个图像的第一特征信息、l层算法结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合进行加权和处理，得到第一向量；以及通过一个第二算法结构的全连接层算法结构和线性变换层算法结构，对第一向量进行线性变换处理，得到一个第二算法结构对应的至少一个图像的分值，以得到m个图像的分值。
[0120]
在一种可能的实现方式中，上述处理模块72，具体用于按照m个图像的分值的大小，对m个图像进行排序；或者，根据m个图像的分值，对m个图像中的n个图像进行删除，该n个图像为m个图像中分值小于或等于预设阈值的图像，n为小于或等于m的正整数；或者，根据m个图像的分值，对m个图像中的k个图像进行标记，该k个图像为m个图像中分值小于或等于预设阈值的图像，或者m个图像中分值大于预设阈值的图像，k为小于或等于m的正整数。
[0121]
在一种可能的实现方式中，在获取模块71通过第一算法结构，获取电子设备中的m个图像的第一特征信息之前，本技术实施例提供的图像处理装置70还包括：提取模块和更新模块。提取模块，用于通过预设多头回归模型，对目标类别的一组图像进行特征提取处理，得到一组图像的特征信息，该一组图像包括参考图像、负例图像和正例图像。处理模块72，还用于通过预设多头回归模型，对一组图像中每个图像的特征信息进行加权和处理，得到一组图像的分值。更新模块，用于通过预设损失函数，对一组图像中的负例图像的分值与参考图像的分值进行优化处理，并对一组图像中的正例图像的分值与参考图像的分值进行优化处理，以更新预设多头回归模型中的参数，得到目标类别对应的第二算法结构。
[0122]
本技术实施例提供一种图像处理装置，由于图像处理装置可以根据与m个图像的第一特征信息，将m个图像中的每个图像输出至与图像类别匹配的第二算法结构中，即图像
处理装置可以根据m个图像的特征信息进行分类，并将m个图像中的每个图像输出至对应类别的第二算法结构中，以使得至少一个第二算法结构可以根据m个图像所属的类别对不同类别的图像进行不同的处理，得到m个图像的分值，以根据m个图像的分值准确地判断出m个图像的图像质量，从而根据m个图像的图像质量对m个图像进行处理，以实现对m个图像的准确、有效管理，避免了用户需要从图像处理装置的图库应用程序中依次查找需求处理的图片，导致用户查找需求处理的图片的操作繁琐且耗时，因此本技术的方案提升了图像处理装置对图像处理的灵活性和效率。
[0123]
本技术实施例中的图像处理装置可以是装置，也可以是电子设备中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(mobile internet device，mid)、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0124]
本技术实施例中的图像处理装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0125]
本技术实施例提供的图像处理装置能够实现图1至图6的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0126]
可选地，如图7所示，本技术实施例还提供一种电子设备90，包括处理器91和存储器92，存储器92上存储有可在所述处理器91上运行的程序或指令，该程序或指令被处理器91执行时实现上述图像处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0127]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0128]
图8为实现本技术实施例的一种电子设备的硬件结构示意图。
[0129]
该电子设备100包括但不限于：射频单元101、网络模块102、音频输出单元103、输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、以及处理器110等部件。
[0130]
本领域技术人员可以理解，电子设备100还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0131]
其中，处理器110，用于获取m个图像的第一特征信息，每个图像的第一特征信息分别用于指示一个图像所属的图像类别，m为正整数；并根据m个图像的第一特征信息，通过至少一个第二算法结构，对m个图像进行处理，得到m个图像的分值，每个第二算法结构分别对应一个图像类别，每个第二算法结构对应m个图像中属于同一图像类别的至少一个图像，每
个图像的分值用于指示一个图像在一个图像对应的图像类别下的图像质量；以及根据m个图像的分值，对m个图像进行图像处理。
[0132]
本技术实施例提供一种电子设备，由于电子设备可以根据与m个图像的第一特征信息，将m个图像中的每个图像输出至与图像类别匹配的第二算法结构中，即电子设备可以根据m个图像的特征信息进行分类，并将m个图像中的每个图像输出至对应类别的第二算法结构中，以使得至少一个第二算法结构可以根据m个图像所属的类别对不同类别的图像进行不同的处理，得到m个图像的分值，以根据m个图像的分值准确地判断出m个图像的图像质量，从而根据m个图像的图像质量对m个图像进行处理，以实现对m个图像的准确、有效管理，避免了用户需要从电子设备的图库应用程序中依次查找需求处理的图片，导致用户查找需求处理的图片的操作繁琐且耗时，因此本技术的方案提升了电子设备对图像处理的灵活性和效率。
[0133]
可选地，本技术实施例中，上述处理器110，具体用于通过第一算法结构，获取电子设备中的m个图像的第一特征信息。
[0134]
可选地，本技术实施例中，上述第一算法结构包括l层算法结构，l为大于1的整数。上述处理器110，具体用于依次通过l层算法结构，对m个图像中的每个图像进行特征提取，得到l个特征信息集合，该l层算法结构与l个特征信息集合一一对应，每个特征信息集合中包括m个图像的第二特征信息、且每个特征信息集合中包括的m个图像的第二特征信息不同；并对l个特征信息集合进行融合处理，得到m个图像的第一特征信息。
[0135]
可选地，本技术实施例中，每层算法结构包括一个卷积算法结构和一个池化算法结构。处理器110，具体用于针对l层算法结构中的每层算法结构，通过一层算法结构的卷积算法结构，对m个图像中的每个图像进行卷积处理，得到m个卷积向量；并通过一层算法结构的池化算法结构，对m个卷积向量进行池化处理，得到一层算法结构对应的一个特征信息集合，以得到l个特征信息集合。
[0136]
可选地，本技术实施例中，每个第二算法结构包括特征加权层算法结构、全连接层算法结构和线性变换层算法结构。处理器110，具体用于根据m个图像的第一特征信息，从预设第二算法结构集合中分别确定与每个图像的图像类别匹配的第二算法结构，以得到至少一个第二算法结构；并针对至少一个第二算法结构中的每个第二算法结构，通过一个第二算法结构的特征加权层算法结构，对一个第二算法结构对应的至少一个图像的第一特征信息、l层算法结构中的第l层算法结构对应的卷积向量和第l层算法结构对应的特征信息集合进行加权和处理，得到第一向量；以及通过一个第二算法结构的全连接层算法结构和线性变换层算法结构，对第一向量进行线性变换处理，得到一个第二算法结构对应的至少一个图像的分值，以得到m个图像的分值。
[0137]
可选地，本技术实施例中，处理器110，具体用于按照m个图像的分值的大小，对m个图像进行排序；或者，根据m个图像的分值，对m个图像中的n个图像进行删除，该n个图像为m个图像中分值小于或等于预设阈值的图像，n为小于或等于m的正整数；或者，根据m个图像的分值，对m个图像中的k个图像进行标记，该k个图像为m个图像中分值小于或等于预设阈值的图像，或者m个图像中分值大于预设阈值的图像，k为小于或等于m的正整数。
[0138]
可选地，本技术实施例中，处理器110，还用于通过第一算法结构，获取电子设备中的m个图像的第一特征信息之前，通过预设多头回归模型，对目标类别的一组图像进行特征
提取处理，得到一组图像的特征信息，该一组图像包括参考图像、负例图像和正例图像；并通过预设多头回归模型，对一组图像中每个图像的特征信息进行加权和处理，得到一组图像的分值；以及通过预设损失函数，对一组图像中的负例图像的分值与参考图像的分值进行优化处理，并对一组图像中的正例图像的分值与参考图像的分值进行优化处理，以更新预设多头回归模型中的参数，得到目标类别对应的第二算法结构。
[0139]
本技术实施例提供的电子设备能够实现上述方法实施例实现的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0140]
本实施例中各种实现方式具有的有益效果具体可以参见上述方法实施例中相应实现方式所具有的有益效果，为避免重复，此处不再赘述。
[0141]
应理解的是，本技术实施例中，输入单元104可以包括图形处理器(graphics processing unit，gpu)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元106可包括显示面板1061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板1061。用户输入单元107包括触控面板1071以及其他输入设备1072中的至少一种。触控面板1071，也称为触摸屏。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0142]
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器109可以包括易失性存储器或非易失性存储器，或者，存储器109可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术实施例中的存储器109包括但不限于这些和任意其它适合类型的存储器。
[0143]
处理器110可包括一个或多个处理单元；可选的，处理器110集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。
[0144]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0145]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光
盘等。
[0146]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0147]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0148]
本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述图像处理方法方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0149]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0150]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0151]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。