图像质量评价方法、装置、电子设备及存储介质与流程

本公开涉及图像处理技术领域，具体而言，涉及一种图像质量评价方法、图像质量评价装置、电子设备以及计算机可读存储介质。

背景技术：

随着图像技术的发展，可以对图像的质量进行评分，以便于对图像进行后续处理。

相关技术中，一般是基于模型对图像进行质量评价。这种方式中，对图像的美学质量评价结果不准确，并且不能满足实际需求，具有较大的局限性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种图像质量评价方法、装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像质量评价不准确的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种图像质量评价方法，包括：获取待处理图像；对所述待处理图像进行特征提取，并根据用户偏好信息对特征提取结果执行预测偏置处理，生成用于表征所述用户偏好信息的评分信息；根据所述评分信息对所述待处理图像进行美学质量评价，以得到所述待处理图像的评价结果。

根据本公开的一个方面，提供一种图像质量评价装置，包括：图像获取模块，用于获取待处理图像；评分确定模块，用于对所述待处理图像进行特征提取，并根据用户偏好信息对特征提取结果执行预测偏置处理，生成用于表征所述用户偏好信息的评分信息；图像评价模块，用于根据所述评分信息对所述待处理图像进行美学质量评价，以得到所述待处理图像的评价结果。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像质量评价方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的图像质量评价方法。

本示例性实施例提供的图像质量评价方法、装置、电子设备及计算机可读存储介质中，一方面，通过结合用户的用户偏好信息来进行特征提取，从而对待处理图像的特征提取结果进行预测偏置处理，生成用于表征用户偏好信息的待处理图像的评分信息，能够从用户本身的用户偏好信息的角度出发获取偏向于用户偏好信息的评分信息，准确地实现待处理图像针对于每一个用户进行美学质量评价的功能，从而对于每一个用户而言，能够得到符合该用户的用户偏好信息的评价结果，提高了该待处理图像的图像美学评价的准确性。另一方面，由于结合了用户的用户偏好信息来确定评分信息进而进行图像美学质量评价，提高了进行图像美学质量评价的合理性，能够得到待处理图像针对于用户的评分信息，避免了对每个用户的评分信息均相同的局限性，增加了多样性，实现了个性化的图像评价，能够满足实际应用中的需求。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出用于实现图像质量评价方法的系统架构的示意图。

图2示意性示出本公开示例性实施例中图像质量评价方法的示意图。

图3示意性示出本公开示例性实施例中确定评分信息的流程示意图。

图4示意性示出本公开示例性实施例中确定预测评分信息的流程图。

图5示意性示出本公开示例性实施例中对预测评分信息进行映射的具体流程图。

图6示意性示出本公开示例性实施例中图像美学评价的具体流程图。

图7示意性示出本公开示例性实施例中图像质量评价装置的框图。

图8示意性示出本公开示例性实施例中的电子设备的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例性实施例中，首先提供了一种用于执行图像质量评价方法的系统架构图。参考图1中所示，系统架构100可以包括第一端101、网络102、第二端103。其中，第一端101可以是用户端，例如可以为各种具有拍照功能以及图像存储功能和图像展示功能的手持设备(智能手机)、台式计算机、车载设备以及可穿戴设备等等。网络102用以在第一端101和第二端103之间提供通信链路的介质，网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等，在本公开实施例中，第一端101和第二端103之间的网络102可以是有线通信链路，例如可以通过串口连接线提供通信链路，也可以是无线通信链路，通过无线网络提供通信链路。第二端103可以是用户端，例如便携式计算机、台式计算机、智能手机等具有数据处理功能的终端设备，用于对输入的待处理图像进行评分处理。其中，当第一端和第二端均为用户端时，二者可以为同一个用户端。

应该理解，图1中的第一端、网络和第二端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的用户端、网络和服务器。

需要说明的是，本公开实施例所提供的图像质量评价方法可以完全由第二端或第一端执行，也可以部分由第一端执行，部分由第二端执行，此处对图像质量评价方法的执行主体不做特殊限定。相应地，图像质量评价装置可设置于第二端103中或设置于第一端101中。

基于上述系统架构，本公开实施例中提供了一种图像质量评价方法，该图像质量评价方法可以应用于对照片、视频或者是图片的质量进行评价和评估的任何场景。接下来，参考图2所示，对本示例性实施例中的图像质量评价方法进行详细说明。详细介绍如下：

在步骤s210中，获取待处理图像。

本公开实施例中，待处理图像可以为采用任意摄像头拍摄的图像、或者是从网络上下载的图像、或者是从其它存储设备中获取的图像。待处理图像可以为静态图像或者是处于运动状态的图像等等。待处理图像也可以为处于拍摄状态但是还未生成和存储的图像，即预览图像。待处理图像可以是经过图像处理操作的图像，也可以是未经图像处理操作的图像。待处理图像的数量可以为多个，可以用于发布至信息交互平台或者是用于封面提取等实际应用场景中。

在步骤s220中，对所述待处理图像进行特征提取，并根据用户偏好信息对特征提取结果执行预测偏置处理，生成用于表征所述用户偏好信息的评分信息。

本公开实施例中，用户可以为使用某一个终端设备的用户，且一个用户可以对应一个终端设备。用户偏好信息指的是用于描述用户审美情况的美学偏好信息，且每个用户的用户偏好信息可以相同或不同，例如用户a的用户偏好信息为图像操作1，用户b的用户偏好信息为图像操作2。用户偏好信息可以用于表征该用户对某些图像操作的偏好程度，具体可以用数值信息或者是向量来表示，且数值信息越大则说明偏好程度越大。

用户偏好信息可以按照预设周期和预设采集方式在线采集。预设周期例如可以为一个月或者是三个月等等，预设采集方式指的是对用户行为对应的用户行为数据的采集方式。基于此，用户偏好信息具体可以根据该用户的用户行为数据而确定和表征，且每个用户的用户偏好信息可以通过多个用户行为对应的用户行为数据来刻画。根据采集方式的不同，刻画用户偏好信息的形式可以为数值信息或者是向量等等，此处以数值信息为例进行说明。用户行为数据可以为用户打分行为中对图像进行处理的行为数据。具体地，用户行为数据可以为对相册中或者是其他位置存储的图像美化过程中，用户对用于执行图像处理的各个操作按钮的使用频率或者是使用次数等数值信息。除此之外，用户行为数据还可以包括特效操作的使用频率，特效操作例如滤镜或者是添加特效等等。本公开实施例中，可以筛选出用户行为数据中的部分或者是全部来刻画用户的用户偏好信息。例如，可以根据全部的用户行为数据来确定用户偏好信息。用户对操作1、操作2以及操作3的使用次数为5次、对操作4的使用次数为50次、对操作5的使用次数为35次，则可以用这些操作以及对应的使用次数来刻画该用户的用户偏好信息，且可以认为其中用户偏好程度最大的为操作2。除此之外，也可以仅使用次数最多的一个操作来刻画用户的用户偏好信息。用户偏好信息可以通过反馈模块来执行。具体地，反馈模块按照预设周期和预设采集方式来采集每一个用户的用户行为数据，根据用户行为数据确定用户的用户偏好信息，再根据用户偏好信息反向传递至反馈模块。需要补充的是，根据用户行为数据得到的用户偏好行为只能存储和保留在用户端，以保证用户隐私以及用户偏好信息的安全性和私密性。

本公开实施例中，可以对待处理图像进行特征提取得到特征提取结果，并进一步根据用户偏好信息对特征提取结果来进行预测偏置处理。特征提取结果指的是执行特征提取操作而生成的结果，具体可以用预测评分信息来表示。对待处理图像进行特征提取可以与确定用户偏好信息同时执行，也可以在其之前或之后执行，此处对执行顺序不作限定。预测偏置处理指的是预测处理与偏置处理的结合，预测处理用于通过美学质量评价模型或者是其它模型来预测待处理图像的评分分布。偏置处理指的是对预测的评分分布进行转换，例如沿着某一个方向或者是向某些信息而偏移的操作。通过预测偏置处理，可以使得到的评分信息更符合实际需求，例如更符合用户偏好信息或者是更符合场景信息等。因此，通过预测处理以及偏置处理，能够使得到的用于表征用户偏好信息的评分信息更准确更符合实际需求。

图3中示意性示出了确定评分信息的示意图，参考图3中所示，主要包括以下步骤：

在步骤s310中，对所述待处理图像进行特征提取以进行预测处理，生成所述待处理图像的预测评分信息。

本公开实施例中，在结合用户偏好信息对待处理图像进行预测之前，首先可以对该待处理图像进行普通预测，即基于通用模型对待处理图像进行特征提取从而初次进行预测得到预测评分信息，进而在初次预测的预测评分信息的基础上进行调整，以得到最终的评分信息。

图4中示意性示出了通过通用模型确定预测评分信息的过程，参考图4中所示，主要包括以下步骤：

在步骤s410中，对所述待处理图像进行特征提取得到特征数据；

在步骤s420中，通过所述特征数据获取所述待处理图像的预测评分分布，并根据所述预测评分分布确定所述预测评分信息。

本公开实施例中，通用模型指的是对所有用户都适用的共有的模型，通用模型可以为用于进行美学质量评估且能够适用于所有用户的美学质量评价模型。美学质量评价模型可以为训练好的机器学习模型，以通过训练好的机器学习模型的卷积层、池化层、全连接层来提取用于表征待处理图像的特征或特点的特征数据。卷积层中卷积核的大小、数量可以根据实际需要进行设定。特征数据可以包括但不限于形状特征、纹理特征等等。

其中，为了提高特征数据提取的准确性，可以对机器学习模型进行训练，以得到训练好的机器学习模型作为美学质量评价模型。可以基于公共数据池中的数据集训练模型。具体地，训练模型的过程可以包括：根据公共数据池中的样本图像以及样本图像的人工标注的评分信息对机器学习模型进行训练，得到训练好的机器学习模型。本公开实施例中，样本图像指的是已经得到评分信息和图像质量的图像。样本图像可以与待处理图像中包含的对象相同或不同，样本图像的场景可以与待处理图像相同或不同。样本图像的数量可以为多个，以用于提升训练的准确性和可靠性。人工标注的样本图像的评分信息可以用于表征人工标注的样本图像的类别标签，具体可以为真实评分信息。真实评分信息指的是真实评分分布，即真实分数的分布情况，具体可以为1-5或者是1-10之间的任意数量的数值来表示。每个真实分数均对应一个权重参数，权重参数指的是多个用户对某一个样本图像进行评分时评分为该真实分数的人数所占的比例。例如，1-3分的权重参数均为5％，4分的权重参数为50％，5分的权重参数为35％。进一步地，可以将样本图像作为机器学习模型的输入，得到样本图像的预测评分信息，进而根据人工标注的样本图像的评分信息对模型进行训练，直至预测评分信息与人工标注的评分信息一致或者是直至模型收敛为止，以结束模型训练过程并得到训练好的机器学习模型作为美学质量评价模型，以提高美学质量评价模型的准确性和可靠性。

本公开实施例中，在得到待处理图像的特征数据之后，可以通过训练好的机器学习模型对特征数据进行预测处理，以得到待处理图像的预测评分信息。此处的预测处理可以通过卷积层对特征数据进行卷积操作以及通过全连接层对特征数据进行全连接处理来实现。预测评分信息的表现形式可以为预测评分分布，且预测评分信息可以为归一化之后的信息。需要说明的是，可以将训练好的美学质量评价模型部署至用户端或者是服务器等具有处理器的终端设备，此处不作限定，只要能够实现预测即可。通过美学质量评价模型来对待处理图像进行普通预测，可以保留对待处理图像的公共审美，避免了偏差较大的问题。

在步骤s320中，根据所述用户偏好信息对所述预测评分信息进行偏置映射，获取用于表征所述用户偏好信息的所述评分信息。

本公开实施例中，预测评分信息指的是通用模型的输出结果，此步骤中可以结合用户的用户偏好信息来对通用模型输出的预测评分信息来进行转换和映射，以根据用户偏好信息和预测评分信息共同确定用于表征用户偏好信息的评分信息。此处的映射指的是重映射，即与普通的映射模式不同的映射方式。在正常情况下，重映射模型可以为一个单位映射，因此普通的映射模式可以用于将美学质量评价模型的预测评分信息原封不动不经任何处理地映射给用户端进行使用。具体而言，可以将用于表示用户偏好信息的操作的次数进行归一化处理，即对用户偏好信息进行归一化；进而基于归一化处理后的用户偏好信息对预测评分信息进行偏置映射，此处的偏置映射可以为将用户偏好信息与预测评分信息相乘。进一步可以根据偏置映射结果来得到评分信息。对预测评分信息进行映射的过程可以通过模型或者是其它程序实现，此处以通过重映射模型实现为例进行说明。重映射模型指的是用于对美学质量评价模型的输出结果进行映射，并将输出结果传输至用户端以供用户使用的模型，即重映射模型用于对预测评分信息进行映射。

图5中示意性示出了对预测评分信息进行偏置映射的示意图，参考图5中所示，主要包括以下步骤：

在步骤s510中，按照所述归一化的用户偏好信息对用于映射所述预测评分信息的重映射模型的映射参数进行更新，获取更新后的重映射模型；

在步骤s520中，根据所述更新后的重映射模型对所述预测评分信息对应的预测评分分布进行偏置映射，并对所述偏置映射结果进行归一化处理，以将所述预测评分信息映射为所述评分信息。

本公开实施例中，为了实现个性化打分和针对性评价，可以基于重映射模型来使得美学质量评价模型的预测评分信息按照用户的用户偏好信息来进行偏置映射。由于是根据用户偏好信息来对美学质量评价模型输出的预测评分信息进行偏置映射，因此可以认为偏置映射后的评分信息能够表现出用户偏好信息的特性。具体地，可以根据用户偏好信息对重映射模型中的映射参数进行更新，以得到更新后的重映射模型。在更新重映射模型的映射参数时，可以按照用户偏好信息对重映射模型进行学习，以将重映射模型的映射参数更新为与用户偏好信息关联的映射参数，从而使得更新后的重映射模型体现每个用户的用户偏好信息。例如可以采用凸优化算法等来实现重映射模型的映射参数的更新。凸优化算法例如可以包括梯度下降法、坐标下降法等等。重映射模型可以理解为一个线性模型，具体可以用矩阵来表示。美学质量评价模型的输出结果，即用预测评分分布表示的预测评分信息可以用向量来表示。

将预测评分信息映射为评分信息的映射过程可以为：将重映射模型所代表的矩阵与美学分布向量表示的预测评分信息相乘，输出一个被重新映射的美学分布向量来作为评分信息。此处的评分信息依然为评分分布。

举例而言，通用模型输出的评分分布为1-3分的权重参数均为5％，4分的权重参数为50％，5分的权重参数为35％。若用户a的用户偏好信息为：对操作1、操作2以及操作3的使用次数为5次、对操作4的使用次数为50次、对操作5的使用次数为35次。则可以根据对每种操作的使用次数来对重映射模型的映射参数进行更新，进而得到评分信息。具体过程可以为：将用户的操作进行归一化处理，然后对应乘到通用模型输出的预测评分信息上，再将得到的结果再次进行归一化，以得到最终的评分信息。

归一化处理是把数值整理成和为1的概率权重。比如，在进行归一化处理之后，操作1至操作3即可表示为5/100，操作4可以表示为50/100，操作5可以表示为35/100。归一化结果为0.05、0.5、0.35。进一步地，可以将归一化结果与美学质量评价模型输出的预测评分信息进行乘法操作，以得到参考评分信息；再进一步地，可以将参考评分信息进行归一化处理，以得到最终的评分信息。通过根据用户偏好信息对预测评分信息进行偏置映射得到评分信息，能够使评分信息更符合用户偏好信息，更具有针对性。

继续参考图2中所示，在步骤s230中，根据所述评分信息对所述待处理图像进行美学质量评价，以得到所述待处理图像的评价结果。

本公开实施例中，在得到更新后的重映射模型输出的评分信息之后，可以基于该评分信息来对待处理图像进行美学质量评价。美学质量评价用于根据评分信息来确定图像的美丑程度，以便于评价图像的美学质量，进而对图像进行后续处理。通过评分信息表示的美感分布来描述图像质量，可以避免每个用户主观因素的影响，提高准确性。将图像的分布作为评价标准，对图像美学质量进行全方位的准确评价。当给定图像后，系统能根据美学质量评价模型以及更新后的重映射模型给出具有参考意义的美学评价，该美学评价结果中能够体现每个用户的用户偏好信息，在现实场景下有比较强的指导意义。并且能避免只根据通用模型对图像质量评价的局限性影响，实现全面、合理和精细的个性化图像质量评价，提高图像美学质量评价针对于每个用户的准确性。在得到评分分布之后，可以将评分分布映射为评分分数并展示在用户端上供用户查看。评分分数可以与评价结果正相关，即评分分数越高，说明待处理图像越符合用户偏好信息，该待处理图像的美学质量越高。

需要补充的是，在得到评价结果之后，如果存在多个待处理图像，则根据多个待处理图像的评分信息的排列顺序，根据目标操作的需求信息从多个待处理图像中选择至少一个待处理图像作为目标图像，以对所述目标图像进行目标操作。目标操作可以根据待处理图像的来源而不同，待处理图像的来源可以为已经存在的图像或者是正在拍摄的图像。目标操作可以为展示操作或者是提取封面或者是生成图像中的任意一种，也可以为其他操作，具体可以根据场景类型而确定。当待处理图像属于已经拍摄好的或者是下载好的图像时，可以认为其属于已经存在的图像。对于已经存在的图像，可以基于图2中的步骤对多个待处理图像分别进行美学质量评价，以得到每个待处理图像的评分信息并将其转换为评分分数展示在用户端，以基于评分分数来对图像进行推荐从而执行目标操作。具体地，可以按照每一个待处理图像的评分信息的排列顺序来对多个待处理图像进行排序，以得到更符合用户的用户偏好信息的至少一个待处理图像作为目标图像，以对所述目标图像进行目标操作。具体选择目标图像的数量可以根据目标操作的需求信息(目标操作的场景类型以及该场景类型需要的图像数量)而确定。场景类型例如可以为上传至信息交互平台或者是提取封面。信息交互平台可以为微博、微信、朋友圈、qq以及各种即时聊天窗口等等。当场景类型为上传至信息交互平台时，如果数量为一个，则将评分信息最大的作为目标图像；如果数量为多个，则按评分信息从大到小的排列顺序依次将多个待处理图像作为目标图像。当场景类型为提取封面时，如果数量为固定一个，则将评分信息最大的作为目标图像；如果数量为可切换的一个，则按评分信息从大到小的排列顺序依次将多个待处理图像作为目标图像，且可以将评分信息最大的一个作为第一个封面进行展示。通过这种方式，可以快速筛选出符合用户偏好信息且用户喜欢的图像，为用户提供便利，实现个性化推荐和筛选图像，提升图像推荐效率和选择图像的准确性。举例而言，可以将相册中存储的10张待处理图像进行评分，得到每个待处理图像的评分信息。接下来，可以按照评分信息从大到小的排列顺序，从其中选择9个待处理图像作为目标图像，将目标图像发布至信息交互平台进行展示操作。再举例而言，可以按照评分信息从大到小的排列顺序，从其中选择1个待处理图像作为目标图像，将目标图像作为相册的封面，以执行提取封面的操作。

除此之外，如果待处理图像的来源为正在拍摄的图像，则可以结合用户偏好信息对预览图像进行评价以执行生成图像的目标操作。如果预览图像的评分信息大于一个评分阈值，比如5分，则可以直接输出该预览图像并将其作为最终输出的拍照结果；如果预览图像的评分信息小于评分阈值，则可以直接按照用户偏好信息对该预览图像进行符合用户偏好信息的图像操作(例如美化、使用滤镜等等)，以将预览图像映射为符合用户偏好信息的目标图像，并将映射后的目标图像作为最终的拍照结果。因此，基于用户偏好信息来对处于拍摄状态的预览图像进行打分，可以得到符合用户审美的拍照图像，提高拍摄效果，且提升用户体验，减少了用户后期修图的过程，为用户提供了便利。

图6中示意性示出了图像美学评价的整体流程图，参考图6中所示，主要包括以下几个部分：公共数据池601、美学质量评价模型602、重映射模块603、反馈模块604以及用户605；其中，在这几个部分的基础上，图像美学质量评价的主要交互过程可以包括：

首先，服务端根据数据池中的数据集(样本图像以及人工标注的样本图像的评分信息)训练调优得到公共的美学质量评价模型；其次，将公共的美学质量评价模型部署到用户端；再次，将反馈模块和重映射模型部署到用户端；进一步地，反馈模块按照预设周期和预设采集方式来采集每一个用户的用户行为数据，根据用户行为数据确定用户的用户偏好信息，再根据用户偏好信息反向传递至反馈模块，进而将其传输至重映射模块，以根据用户偏好信息使得重映射模型学习到新的映射参数并根据映射参数得到更新后的重映射模型，根据更新后的重映射模型改变和偏置公共的美学质量评价模型的输出分布，从而得到偏置后的符合用户偏好信息的评分信息，以根据重新得到的符合用户偏好信息的评分信息对待处理图像实现个性化的美学质量评价。其中，重映射模型与反馈模块是一一对应的，且每个用户均会对应一个反馈模块和一个重映射模块，因此可以基于通用的美学质量评价模型以及重映射模型和反馈模型，在通用评价的基础上结合每个用户的用户偏好信息来确定针对于每个用户的符合每个用户的审美偏好的评分信息，在保留公共审美的基础上能够实现个性化的美学质量评价，提高美学质量评价的效果、准确性和针对性。

本示例性实施例中，还提供了一种图像质量评价装置，参考图7所示，该装置700可以包括：图像获取模块701，用于获取待处理图像；评分确定模块702，用于对所述待处理图像进行特征提取，并根据用户偏好信息对特征提取结果执行预测偏置处理，生成用于表征所述用户偏好信息的评分信息；图像评价模块703，用于根据所述评分信息对所述待处理图像进行美学质量评价，以得到所述待处理图像的评价结果。

在本公开的一种示例性实施例中，评分确定模块包括：预测评分获取模块，用于对所述待处理图像进行特征提取以进行预测处理，生成所述待处理图像的预测评分信息；偏置模块，用于根据所述用户偏好信息对所述预测评分信息进行偏置映射，获取用于表征所述用户偏好信息的所述评分信息。

在本公开的一种示例性实施例中，预测评分获取模块包括：特征提取模块，用于对所述待处理图像进行特征提取得到特征数据；特征数据处理模块，用于通过所述特征数据获取所述待处理图像的预测评分分布，并根据所述预测评分分布确定所述预测评分信息。

在本公开的一种示例性实施例中，偏置模块包括：用户偏好确定模块，用于根据用户行为数据获取所述用户偏好信息；归一化模块，用于对所述用户偏好信息进行归一化处理，以得到归一化的用户偏好信息；偏置映射模块，用于基于所述归一化的用户偏好信息对所述预测评分信息进行偏置映射，并将偏置映射结果进行归一化处理，以得到所述评分信息。

在本公开的一种示例性实施例中，偏置映射模块包括：参数更新模块，用于按照所述归一化的用户偏好信息对用于映射所述预测评分信息的重映射模型的映射参数进行更新，获取更新后的重映射模型；模型偏置模块，用于根据所述更新后的重映射模型对所述预测评分信息对应的预测评分分布进行偏置映射，并对所述偏置映射结果进行归一化处理，以将所述预测评分信息映射为所述评分信息。

在本公开的一种示例性实施例中，所述用户偏好信息存储在用户端。

在本公开的一种示例性实施例中，所述装置还包括：目标图像获取模块，用于若存在多个待处理图像，则根据所述多个待处理图像的评分信息的排列顺序，按照目标操作的需求信息从所述多个待处理图像中选择至少一个待处理图像作为目标图像，以对所述目标图像进行所述目标操作。

需要说明的是，上述图像质量评价装置中各模块的具体细节已经在对应的方法中进行了详细阐述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明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以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的步骤。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(rom)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

显示单元840可以为具有显示功能的显示器，以通过该显示器展示由处理单元810执行本示例性实施例中的方法而得到的处理结果。显示器包括但不限于液晶显示器或者是其它显示器。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。