信息處理方法及電子設備的制造方法
【技術領域】
[0001] 本發明涉及信息技術領域，尤其涉及一種信息處理方法及電子設備。
【背景技術】
[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，電子設備從大量連拍的圖像辨識圖像質量高的圖像成為了迫切需求。圖像的質量 測量系統一方面可以從海量的相冊中精選高質量的圖像，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用挑選高質量的圖像，以提圖像翻譯或圖像搜 索效率等。
[0003] 現有技術中提出了一些圖像質量測量方式，但是要不準確度太低，要不處理過程 十分復雜；故提出一種簡便易行且精確度高的圖像質量測量方法是現有技術仍需繼續解決 的一個問題。

【發明內容】

[0004] 有鑒于此，本發明實施例期望提供一種信息處理方法及電子設備，至少部分解決 圖像質量評分精確度不過和/或處理過程十分復雜的問題。
[0005] 為達到上述目的，本發明的技術方案是這樣實現的：
[0006] 本發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] 對一幅訓練圖像進行采樣，形成η個圖像訓練組海一個所述圖像訓練組包括m個 來自所述訓練圖像的圖像塊；所述η為不小于1的整數；所述m為不小于2的整數；
[0008] 利用所述η個圖像訓練組及所述訓練圖像的質量分數，對神經網絡進行訓練，形 成訓練結果；
[0009] 基于所述訓練結果確定圖像質量測量參數；其中，所述圖像質量測量參數用于對 待測圖像進行質量評分。
[0010] 基于上述方案，所述方法還包括：
[0011] 在對所述訓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各圖像作為所述訓練圖像時的質 量分數。
[0014] 基于上述方案，所述對一幅訓練圖像進行采樣，形成η個圖像訓練組，包括：
[0015] 對一幅所述訓練圖像進行η次隨機分割；其中，每一次隨機分割將所述訓練圖像 分割成m個所述圖像塊。
[0016] 基于上述方案，所述利用所述η個圖像訓練組及所述訓練圖像的質量分數，對神 經網絡進行訓練，形成訓練結果，包括：
[0017] 利用所述η個圖像訓練組及所述訓練圖像的質量分數，對c? =i；P(-V) 〃）·(Λ·)進行 d 訓練，獲得所述Ρ(χ)的取值；
[0018] 其中，所述y(x)表示第X個質量分數；所述Ρ(χ)為訓練圖像為第X個質量分數的 概率；所述X為所述質量分數的總個數，為不小于2的正整數；所述Q為所述訓練圖像的質 量分數。
[0019] 基于上述方案，所述方法還包括：
[0020] 定時更新所述圖像質量測量參數；
[0021] 對待測圖像進行圖像采樣，形成待測圖像組；
[0022] 依據所述定時更新的圖像質量測量參數，對所述待測圖像組進行質量評分。
[0023] 本發明實施例第二方面還提供了一種電子設備，所述電子設備包括：
[0024] 形成單元，用于對一幅訓練圖像進行采樣，形成η個圖像訓練組；每一個所述圖像 訓練組包括m個來自所述訓練圖像的圖像塊；所述η為不小于1的整數；所述m為不小于2 的整數；
[0025] 訓練單元，用于利用所述η個圖像訓練組及所述訓練圖像的質量分數，對神經網 絡進行訓練，形成訓練結果；
[0026] 第一確定單元，用于基于所述訓練結果確定圖像質量測量參數；其中，所述圖像質 量測量參數用于對待測圖像進行質量評分。
[0027] 基于上述方案，所述電子設備還包括：
[0028] 輸出單元，用于在對所述訓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各圖像作為 所述訓練圖像時的質量分數。
[0031] 基于上述方案，所述形成單元，具體用于對一幅所述訓練圖像進行η次隨機分割； 其中，每一次隨機分割將所述訓練圖像分割成m個所述圖像塊。
[0032] 基于上述方案，所述訓練單元，具體用于利用所述η個圖像訓練組及所述訓練圖 像的質量分數，對β=? 進行訓練，獲得所述Ρ(X)的取值； Λ：:~1
[0033] 其中，所述y(x)表示第X個質量分數；所述Ρ(χ)為訓練圖像為第X個質量分數的 概率；所述X為所述質量分數的總個數，為不小于2的正整數；所述Q為所述訓練圖像的質 量分數。
[0034] 基于上述方案，所述電子設備還包括測量單元：
[0035] 所述第一確定單元，還用于定時更新所述圖像質量測量參數；
[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] 所述依據所述定時更新的圖像質量測量參數，對所述待測圖像組進行質量評分。
[0038]本發明實施例提供的信息處理方法及電子設備，會將一幅訓練圖像分割成η個圖 像訓練組；一個圖像訓練組可用于神經網絡訓練一次，這樣一幅訓練圖像可對神經網絡進 行η次訓練，從而能夠減少訓練圖像的數量；同時η個圖像訓練組對應一個質量分數，可以 減少多個訓練圖像在質量分數上的差異導致的訓練結果不夠精確，進而導致后續利用神經 網絡對待測圖像進行質量評分時導致的結果不夠精確的現象。
【附圖說明】
[0039]圖1為本發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為本發明實施例提供的一種電子設備的結構示意圖；
[0042]圖4為本發明實施例提供給的一種圖像清晰度分數測評系統示意圖；
[0043] 圖5為本發明實施例提供的一種神經網絡的結構示意圖。
【具體實施方式】
[0044] 以下結合說明書附圖及具體實施例對本發明的技術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 :對一幅訓練圖像進行采樣，形成η個圖像訓練組；每一個所述圖像訓練 組包括m個來自所述訓練圖像的圖像塊；所述η為不小于1的整數；所述m為不小于2的整 數；
[0048] 步驟S120:利用所述η個圖像訓練組及所述訓練圖像的質量分數，對神經網絡進 行訓練，形成訓練結果；
[0049] 步驟S130:基于所述訓練結果確定圖像質量測量參數；其中，所述圖像質量測量 參數用于對待測圖像進行質量評分。
[0050] 在本實施例中所述信息處理方法可以應用于手機、平板電腦、筆記本電腦、臺式電 腦或服務器或服務平臺等各種電子設備。
[0051] 所述步驟S110對一幅訓練圖像進行采樣，可包括將該副訓練圖像進行分割，分割 η次；且每次將該副訓練圖像分割成m個互不重疊的圖像塊。顯然這里的每一個圖像塊均 為所述訓練圖像的一部分。
[0052] 在本實施例中所述訓練圖像對應了一個質量分數。這里的質量分數為表征該訓練 圖像的一個質量參數。這里的質量分數可為所述訓練圖像的清晰度分數。例如，將所述清 晰度采用10分制來進行評價，這樣該副訓練圖像會對應于一個從〇到10之間的一個分數。 該分數表示了該訓練圖像的清晰度。
[0053] 通常所述質量分數與訓練圖像的質量參數是一一映射的關系，例如，清晰度越高， 清晰度分數就越高；一個清晰度分數不會用于對應于兩幅清晰度差異很大的訓練圖像。
[0054]當然本實施例所述的質量分數還可以是模糊度分數，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個圖像訓練組進行訓練，形成訓練結果。這里的采用神經 網絡進行訓練。這里的神經網絡值得是利用電子設備模仿的人工神經網絡。人工神經網絡 (ArtificialNeuralNetworks，簡寫為ANNs)也簡稱為神經網絡（NNs)或稱作連接模型 (ConnectionModel)。人工神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行 信息處理的算法數學模型。這種人工神經網絡依靠系統的復雜程度，通過調整內部大量節 點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡的計算模型模仿自動物 的中樞神經系統（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。人工神經網絡通常呈現為相互連接的"神經元"。神經網絡可以從輸入的計算值， 并且能夠機器學習以及模式識別由于它們的自適應性質的系統。
[0056]總之經過訓練的神經網絡，將能夠形成