图像处理方法、装置、电子设备、存储介质及程序产品.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850828A(43)申请公布日2021.12.28(21)申请号202111437410.9(22)申请日2021.11.30(71)申请人腾讯科技（深圳）有限公司地址518057广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人黄超(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人赵翠萍张颖玲(51)Int.Cl.G06T7/11(2017.01)G06T7/00(2017.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书3页说明书17页附图7页(54)发明名称图像处理方法、装置、电子设备、存储介质及程序产品(57)摘要本申请提供了一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品；方法包括：对目标图像进行显著性预测处理，得到所述目标图像中每个像素的关注度；对所述目标图像进行分割处理，得到所述目标图像的多个区域；对每个所述区域进行画质评分预测处理，得到每个所述区域的画质评分；基于所述目标图像中每个像素的关注度以及每个所述区域的画质评分，确定所述目标图像的画质评分。通过本申请，能够提升图像的画质评价准确度。CN113850828ACN113850828A权利要求书1/3页1.一种基于人工智能的图像处理方法，其特征在于，所述方法包括：对目标图像进行显著性预测处理，得到所述目标图像中每个像素的关注度；对所述目标图像进行分割处理，得到所述目标图像的多个区域；对每个所述区域进行画质评分预测处理，得到每个所述区域的画质评分；基于所述目标图像中每个像素的关注度以及每个所述区域的画质评分，确定所述目标图像的画质评分。2.根据权利要求1所述的方法，其特征在于，所述显著性预测处理是通过调用显著预测模型实现的，所述显著预测模型包括N个级联的显著卷积网络以及M个级联的上采样网络，其中，N为大于或者等于2的整数，M与N相等；所述对目标图像进行显著性预测处理，得到所述目标图像中每个像素的关注度，包括：通过所述N个级联的显著卷积网络对所述目标图像进行显著特征提取处理，得到所述目标图像的显著性特征；通过所述M个级联的上采样网络对所述显著性特征进行上采样处理，得到所述目标图像中每个像素的关注度。3.根据权利要求2所述的方法，其特征在于，所述通过所述N个级联的显著卷积网络对所述目标图像进行显著特征提取处理，得到所述目标图像的显著性特征，包括：通过N个级联的显著卷积网络中的第n显著卷积网络，对所述第n显著卷积网络的输入进行多尺度卷积特征提取处理，并将所述第n显著卷积网络输出的第n多尺度特征提取结果传输到第n+1显著卷积网络以继续进行多尺度卷积特征提取处理，得到对应所述第n+1显著卷积网络的第n+1多尺度特征提取结果；其中，n为取值从1开始递增的整数变量，n的取值范围为，当n取值为1时，所述第n显著卷积网络的输入为所述目标图像，当n取值为时，所述第n显著卷积网络的输入为第n‑1显著卷积网络输出的第n‑1多尺度特征提取结果，当n取值为N‑1时，所述第n+1多尺度特征提取结果为所述显著性特征。4.根据权利要求3所述的方法，其特征在于，所述第n显著卷积网络包括与多个卷积核尺度一一对应的多个第n卷积层，所述通过N个级联的显著卷积网络中的第n显著卷积网络，对所述第n显著卷积网络的输入进行多尺度卷积特征提取处理，包括：通过所述多个第n卷积层中每个所述第n卷积层对所述第n显著卷积网络的输入进行对应所述卷积核尺度的卷积特征提取处理，得到对应每个所述第n卷积层的卷积特征；将对应每个所述第n卷积层的卷积特征进行拼接处理，得到对应所述第n显著卷积网络的第n多尺度特征提取结果。5.根据权利要求2所述的方法，其特征在于，所述通过所述M个级联的上采样网络对所述显著性特征进行上采样处理，得到所述目标图像中每个像素的关注度，包括：通过M个级联的上采样网络中的第m上采样网络，对所述第m上采样网络的输入进行尺度扩大处理，并将所述第m上采样网络输出的第m尺度扩大结果传输到第m+1上采样网络以继续进行尺度扩大处理，得到对应所述第m+1上采样网络的第m+1尺度扩大结果；其中，m为取值从1开始递增的整数变量，m的取值范围为，当m取值为1时，所述第m上采样网络的输入为所述显著性特征，当m取值为时，所述第m上采样网络的输入为第m‑1上采样网络输出的第m‑1尺度扩大结果，当n取值为M‑1时，所述第m+1尺度2CN113850828A权利要求书2/3页扩大结果为每个所述像素的关注度。6.根据权利要求5所述的方法，其特征在于，所述通过M个级联的上采样网络中的第m上采样网络，对所述第m上采样网络的输入进行尺度扩大处理之前，所述方法还包括：当