CN113379749B 图像处理方法、可读存储介质及计算机程序产品 （贝壳技术有限公司）

综合服务区办公楼C座一层112室05单元选子图的初始美感分数及所述待裁切图像的深度信息，预测所述多个候选子图的目标美感分数；以及根据所述多个候选子图的目标美感分合考虑子图的美感因素与深度信息来实现对图2通过初始分数预测模型获取待裁切图像的目标尺寸下的多个候选子图的初始美感分根据所述多个候选子图的初始美感分数及所述待裁切图像的深度其中，所述通过初始分数预测模型获取所述待裁切图像的目所述特征图上的多个子特征图与所述待裁切图像上的多个候选子图之间的位置映射关系括所述多个候选子图与所述待裁切图像的目标长度比例与目标宽度根据所述待裁切图像的深度信息、所述多个子特根据所述多个候选子图的深度因子及所述多个候选子图的初始美感按照第一预设规则对所述待裁切图像的特征图进行预裁切，以获取多个个子特征图与所述待裁切图像的特征图的长度比例与宽度比例分别为目标长度比例与目标宽度比例且所述多个子特征图的位置为多个第一根据所述映射关系与所述多个子特征图的初始美感分数，获取与所述多其中，所述图像训练样本集中的每一者包括：第一图像及通过从所述图像训练样本集中随机选取的图像训练样本组对所述初始分数预测模型进行训练，以获取所选取的图像训练样本组中的每一者的多个第一子图的初始美感分数，3根据所述多个第一子图的初始美感分数与所述多个第一通过从所述图像训练样本集中随机选取的图像训练样本组对优化后的初始分数预测通过图像验证样本集对多个预设轮次训练对应的优化后的初始分数预测模型进行验根据所述多个第二子图的初始美感分数与所述多定所述多个预设轮次训练相对应的优化后的初始分数预测相应地，所述图像处理方法还包括：从迭代训练和优化过程中采用基于网格锚点的方法获取所述多个第一样本子图与所述多个第二根据所述多个第一样本子图中的每个第一样本子图的信息丰富度与根据所述多个第二样本子图中的每个第二样本子图的信息丰富度与针对所述多个候选子图中的候选子图i，根据所述候选子图i的最大深度值dhex与最4从所述待裁切图像中裁切出所述目标美感分数最高的候程序，该计算机程序被处理器执行时实现上述权利要求1_9中任一项所述的图像处理方法算机程序被处理器执行时实现上述权利要求1_9中任一项所述的图5切图像的深度信息；根据所述多个候选子图的初始美感分数及所述待裁切图像的深度信图与所述待裁切图像之间的映射关系；以及根据所述待裁切图像的特征图及所述映射关个候选子图与所述待裁切图像的目标长度比例与目标宽度征图与所述待裁切图像的特征图的长度比例与宽度比例分别为目标长度比例与目标宽度6从所述图像训练样本集中随机选取的图像训练样本组对所述初始分数预测模型进行训练，多个第一子图的目标美感分数与所述多个第一子图的初始美感分数的差值均小于预设差dn及下式，确定所7比例与宽度比例分别为目标长度比例与目标宽度比例且所述多个子特征图的位置为多个[0021]优选地，所述目标分数获取装置用于预测所述多个候选子图的目标美感分数包8对所述多个候选子图中的候选子图i，根据所述候选子图i的最大深度值dax与最小深度[0023]优选地，所述目标分数确定模块用于确定所述多个候选子图的目标美感分数包[0025]有关本发明提供的图像处理系统的具体细节及益处可参阅上述针对图像处理方[0028]本发明第五方面提供一种计算机程序产品，所述计算机程序产品包括计算机程[0032]图2是本发明一实施例提供的获取所述待裁切图像的目标尺寸下的多个候选子图[0034]图4是本发明一实施例提供的获取所述目标尺寸下的多个候选子图的初始美感分9及所述待裁切图像的特征图与所述待裁切图像之间神经网络)。通过所述特征抽取模型100可抽取待裁切图像的特征图(featuremap)及其与目标长度比例与目标宽度比例且所述多个子特征图的位置为多个第[0054]通过所述初始分数预测模型可获取所述多个子特征图的根据所述多个子特征图的信息丰富度与构图信息，可确定每个子特征图的初始美感分数[0056]其中，所述初始美感分数为仅考虑了候选子图的美感度(即子特征图的美感分数)。通过所述初始分数预测模型可根据所述映射关系与所述多个子特征图的初始美感分[0058]由此，通过上述步骤S401_S403可获取所述目标尺寸下的多个候选子图的初始美[0061]步骤S103，根据所述多个候选子图的初始美感分数及所述待裁切图像的深度信各个候选子图的深度因子与初始美感因子结合公式(2)，确定各个候选子图的目标美感因通过目标美感因子筛选出来的目标子图可显著增强裁[0072]在通过步骤S601_S603(即步骤S103)确定各个候选子图的目标美感分数(其考虑了美感度与构图的纵深的双重因素)之后，可通过后续步骤S104从多个候选子图中筛选目[0076]上述步骤S101涉及的初始分数预测模型1(其包括图3所示的所述特征抽取模型完成的初始分数预测模型1执行上述过程可得到各个子图的初始分数的非常精确的预测结RW4度与图像长度的比例，以及宽度比例为样本子图宽规则裁切(裁切操作可通过基于网格锚点(Gridanchor)影相关背景的标注人员分别对这129000张样本子图打分(以获得各个样本子图的初始美感的范围)，最终根据11个标注人员对每个样本子图所标注的11个分数的均值作为每个样本过从所述图像训练样本集中随机选取的图像训练样本组对所述初始分数预测模型进行训多个第一子图的初始美感分数与所述多个第一样本子图的初始美感分数的差值均小于预的分数预测模型的预设规则设置为第二预设规则来实现)的初始美感分数(该过程称为训化(该过程称为优化过程，优化后的初始度一一对应。这可通过将所述初始分数预测模型1中的分数预测模型的预设规则设置为第中的每个图像样本的多个子图的初始美感分数与相应图像样本的多个样本子图的初始美图像样本的多个子图的初始美感分数与相应多个样本子图的初始美感分数的差值均小于[0090]在通过从所述图像训练样本集中随机选取的图像训练样本组对优化后的初始分轮次训练相对应的优化后的初始分数预测模型的部分(其实际上并没有从整个图像/整个特征在位置4宽度与图像宽度的比例(这两种比例可提前预设，各个子预设规则中的所述多个第三预设位置与所述第二预设规则中的所述多个第二预设位置可像验证样本集的多个样本子图的初始美感分数。所述多个预设轮次可为第N轮次、第2N轮初始分数预测模型为经第二次优化的初始分数预测优化后，此时的初始分数预测模型为经第N次优化的初始分数预测模型(即第N轮次训练相据所述每个图像样本的多个子图的目标美感分数与相应的多个样本子图的初始美感分数模型为经第k*N次优化的初始分数预测模型(即第k*N轮次训练相对应的优化后的初始分数美感分数与相应的多个样本子图的初始美感分数[0096]具体地，若多个优化后的初始分数预测模型中的经第i次优化的初始分数预测模型的准确度最高，则筛选该经第i次优化的初始分数预测模型为训练完成(即训练好)的初[0097]在执行所述通过图像训练样本集对所述初始分数预测模anchor方法并采用所述第二预设规则(或第三第二样本子图)的信息丰富度与构图信息，确定各个[0100]本实施例创造性地采用图像训练样本对上述的初始分数预测模型进行训练，由裁切图像的特征图及所述映射关系，获取所述目标尺寸下的多个候选子图的初始美感分[0107]优选地，所述目标分数确定模块用于确定所述多个候选子图的目标美感分数包[0109]有关本发明提供的图像处理系统的具体细节及益处可参阅上述针对图像处理方