CN110246110B - 图像评估方法、装置及存储介质 - Google Patents
图像评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110246110B CN110246110B CN201810170617.6A CN201810170617A CN110246110B CN 110246110 B CN110246110 B CN 110246110B CN 201810170617 A CN201810170617 A CN 201810170617A CN 110246110 B CN110246110 B CN 110246110B
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- target
- grade
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 162
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 441
- 238000005457 optimization Methods 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims description 52
- 238000013136 deep learning model Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 27
- 238000007477 logistic regression Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像评估方法、装置及存储介质，属于计算机技术领域。该方法包括：获取目标图像，所述目标图像包括至少一个目标图像素材；确定所述目标图像的预测等级，所述预测等级用于反映所述目标图像被关注的概率；根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作；输出所述预测等级和所述优化建议。本申请可以解决通过人工评估目标图像的效率较低的问题；由于服务器可以自动根据目标图像输出对应的预测等级，而服务器的计算速度较快，因此，可以提高图像评估的效率。
Description
技术领域
本申请实施例涉及计算机技术领域，特别涉及一种图像评估方法、装置及存储介质。
背景技术
随着网络技术的不断发展，很多广告主会将自己产品的广告图像投放到互联网。广告图像可以包括很多素材，比如：文本素材、图片素材等。为了提高广告图像被用户关注的概率，需要对静态广告图图像进行评估。
在典型的图像评估方法中，一般会通过人工根据经验对该广告图像进行质量的审核和评估。
但是，人工对广告图像进行审核时，需要对广告图像逐张地进行分析，效率较低。
发明内容
本申请实施例提供了一种图像评估方法及装置，可以解决人工评估图像的效率低的问题。所述技术方案如下：
一个方面，提供了一种图像评估方法，所述方法包括：
获取目标图像，所述目标图像包括至少一个目标图像素材；
确定所述目标图像的预测等级，所述预测等级用于反映所述目标图像被关注的概率；
根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作；
输出所述预测等级和所述优化建议。
可选地，所述预测等级为违规等级、基础等级和优秀等级中的一种；
所述违规等级是指包含非法图像素材的目标图像的等级；
所述基础等级是指未包含所述非法图像素材、且未包含优秀图像素材的目标图像的等级；
所述优秀等级是指未包含所述非法图像素材、且包含至少一个所述优秀图像素材的目标图像的等级，所述优秀图像素材预存储在优秀素材库中。
可选地，所述确定所述目标图像的预测等级，包括：
识别所述目标图像是否包括所述非法图像素材；
在所述目标图像包括所述非法图像素材时，确定所述目标图像的预测等级为所述违规等级。
可选地，所述识别所述目标图像是否包括所述非法图像素材，包括：
获取所述目标图像所属的目标行业；
识别所述目标图像是否包括所述目标行业对应的非法图像素材。
可选地，所述确定所述目标图像的预测等级，包括：
将所述目标图像输入等级预测模型，得到预测关注度；
在所述预测关注度小于关注度阈值时，确定所述目标图像的预测等级为所述基础等级；
在所述预测关注度大于或等于关注度阈值时，确定所述目标图像的预测等级为所述优秀等级。
可选地，所述根据所述预测等级确定优化建议，包括：
在所述预测等级为所述基础等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议使用所述推荐图像素材替换所述目标图像中的所述目标图像素材。
可选地，所述根据所述预测等级确定优化建议，包括：
在所述预测等级为所述优秀等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议制作所述目标图像的扩展图像素材。
可选地，所述根据所述目标图像从所述优秀素材库中确定推荐图像素材，包括：
将所述目标图像输入前向神经网络，得到素材特征向量；
计算所述素材特征向量与所述优秀素材库中至少一个优秀图像素材的特征向量之间的相似度；
将相似度排名在前n位的优秀图像素材确定为所述推荐图像素材。
可选地，所述计算所述素材特征向量与所述优秀素材库中至少一个优秀图像素材的特征向量之间的相似度，包括：
从至少两个优秀素材库中，确定所述目标图像所属的目标行业对应的优秀素材库；
计算所述素材特征向量与所述目标行业对应的优秀素材库中的特征向量之间的相似度。
可选地，所述将所述目标图像输入等级预测模型，得到预测关注度，包括：
获取所述目标图像所属的目标行业的实际关注度；
将所述目标图像和所述实际关注度输入所述等级预测模型，得到所述目标图像在所述目标行业中的预测关注度。
另一个方面，提供了一种图像评估方法，所述方法包括：
在图像评估页面中显示目标图像，所述目标图像包括至少一个目标图像素材；
在所述图像评估页面中显示图像评估控件；
接收作用于所述图像评估控件的触发操作；
根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，所述预测等级用于反映所述目标图像被关注的概率；所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作。
另一个方面，提供了一种图像评估装置，所述装置包括：
图像获取模块，用于获取目标图像，所述目标图像包括至少一个目标图像素材；
等级预测模块，用于确定所述目标图像的预测等级，所述预测等级用于反映所述目标图像被关注的概率；
建议确定模块，用于根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作；
输出模块，用于输出所述预测等级和所述优化建议。
另一个方面，提供了一种图像评估装置，所述装置包括：
图像显示模块，用于在图像评估页面中显示目标图像，所述目标图像包括至少一个目标图像素材；
第一控件显示模块，用于在所述图像评估页面中显示图像评估控件；
第一操作接收模块，用于接收作用于所述图像评估控件的触发操作；
评估显示模块，用于根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，所述预测等级用于反映所述目标图像被关注的概率；所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作。
另一个方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述提供的图像评估方法。
另一个方面，提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述提供的图像评估方法。
另一个方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述提供的图像评估方法。
本申请实施例提供的技术方案带来的有益效果是：
通过获取目标图像，并确定该目标图像的预测等级；可以解决通过人工评估目标图像的效率较低的问题；由于服务器可以自动根据目标图像输出对应的预测等级，而服务器的计算速度较快，因此，可以提高图像评估的效率。
另外，通过根据预测等级确定目标图像的优化建议，可以解决仅确定预测等级时，用户无法确定目标图像的优化方向的问题；由于优化建议可以表示对至少一个目标图像素材进行图像处理的建议操作，使得用户可以根据该优化建议优化目标图像，从而可以提高优化目标图像的效率。
附图说明
图1是本申请一个示例性实施例提供的图像评估系统的结构示意图；
图2是本申请一个示例性实施例提供的图像评估方法的流程图；
图3是本申请一个示例性实施例提供的图像评估方法的流程图；
图4是本申请一个示例性实施例提供的图像评估页面的示意图；
图5是本申请一个示例性实施例提供的图像评估页面的示意图；
图6是本申请一个示例性实施例提供的图像评估页面的示意图；
图7是本申请一个示例性实施例提供的图像评估页面的示意图；
图8是本申请另一个示例性实施例提供的图像评估方法的流程图；
图9是本申请一个示例性实施例提供的非法图像素材的示意图；
图10是本申请一个示例性实施例提供的计算预测关注度的示意图；
图11是本申请一个示例性实施例提供的确定推荐图像素材的示意图；
图12是本申请另一个示例性实施例提供的图像评估方法的流程图；
图13是本申请另一个示例性实施例提供的计算预测关注度的示意图；
图14是本申请另一个示例性实施例提供的图像评估过程的示意图；
图15是本申请另一个示例性实施例提供的图像评估过程的示意图；
图16是本申请另一个示例性实施例提供的图像评估过程的示意图；
图17是本申请一个实施例提供的图像评估装置的结构示意图；
图18是本申请一个实施例提供的图像评估装置的结构示意图；
图19是本申请一个实施例提供的终端的结构示意图；
图20是本申请一个实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的图像评估系统的结构示意图，该系统包括：至少一个终端110和服务器120。
终端110为手机、平板电脑、可穿戴式设备、虚拟现实(Virtual Reality，VR)设备、增强现实(Augmented Reality，AR)设备、智能家居设备、膝上型便携计算机和台式计算机等具有通信功能的电子设备。
终端110用于接收目标图像，并将该目标图像上传至服务器120进行评估。
其中，目标图像包括至少一个目标图像素材。
可选地，目标图像是指待评估的图像，比如：静态广告图像。
终端110与服务器120之间通过有线网络或者无线网络建立通信连接。
服务器120用于获取终端110发送的目标图像，对该目标图像进行评估，得到该目标图像的预测等级；并根据该预测等级确定对该目标图像的优化建议。
其中，预测等级用于反映目标图像被关注的概率；优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作。
服务器120还用于将预测等级和优化建议发送至终端110。
终端110还用于显示服务器120发送的预测等级和优化建议。
本申请以服务器120的个数为一个为例进行说明，在实际实现时，服务器120的数量可以为多个，本实施例对此不作限定。
请参考图2，其示出了本申请一个实施例提供的图像评估方法的流程图，本实施例以该图像评估方法应用于图1所示的图像评估系统中，且每个步骤的执行主体为服务器120为例进行说明，该方法包括：
步骤201，获取目标图像。
目标图像包括至少一个目标图像素材。
目标图像为待评估的图像。可选地，目标图像可以是终端发送的；或者，也可以是从可移动存储介质中读取到的，本实施例对此不作限定。
目标图像素材是指目标图像的组成元素。可选地，目标图像素材包括但不限于：图片素材和/或文字素材。
可选地，目标图像还包括图像背景，目标图像素材覆盖在图像背景之上。
步骤202，确定目标图像的预测等级。
预测等级用于反映目标图像被关注的概率。
可选地，预测等级包括但不限于：违规等级、基础等级和优秀等级中的至少一种。
违规等级是指包含非法图像素材的目标图像的等级，此时，由于目标图像可能无法通过审核，因此，该目标图像预测被关注的概率为0；基础等级是指未包含非法图像素材、且未包含优秀图像素材的目标图像的等级，此时，由于目标图像未包含优秀图像素材，因此，该目标图像预测被关注的概率较低；优秀等级是指未包含非法图像素材、且包含优秀图像素材的目标图像的等级，此时，由于目标图像包含优秀图像素材，因此，该目标图像预测被关注的概率较高。其中，优秀图像素材预存储在优秀素材库中。
当然，预测等级也可以按照其它方式划分，本实施例对此不作限定。
步骤203，根据预测等级确定优化建议。
优化建议用于表示对至少一个目标图像素材进行图像处理的建议操作。
可选地，不同的预测等级对应不同的优化建议。
示意性地，在预测等级为违规等级时，优化建议根据目标图像的违规原因生成；在预测等级为基础等级时，优化建议根据推荐图像素材生成，该推荐图像素材用于替换目标图像素材；在预测等级为优秀等级时，优化建议也根据推荐图像素材生成，该推荐图像素材用于提供扩展的图像素材。
示意性地，服务器中预测等级、确定等级的作用与优化建议的作用之间的对应关系参考下表一。
表一：
步骤204，输出预测等级和优化建议。
可选地，服务器输出预测等级和优化建议是指：将预测等级和优化建议发送至终端。
综上所述，本实施例提供的图像评估方法，通过获取目标图像，并确定该目标图像的预测等级；可以解决通过人工评估目标图像的效率较低的问题；由于服务器可以自动根据目标图像输出对应的预测等级，而服务器的计算速度较快，因此，可以提高图像评估的效率。
另外，通过根据预测等级确定目标图像的优化建议，可以解决仅确定预测等级时，用户无法确定目标图像的优化方向的问题；由于优化建议可以表示对至少一个目标图像素材进行图像处理的建议操作，使得用户可以根据该优化建议优化目标图像，从而可以提高优化目标图像的效率。
可选地，上述过程也可以由终端110来执行，本实施例对此不作限定。
请参考图3，其示出了本申请一个实施例提供的图像评估方法的流程图，本实施例以该图像评估方法应用于图1所示的图像评估系统中，且每个步骤的执行主体为终端110为例进行说明，该方法包括：
步骤301，在图像评估页面中显示目标图像。
目标图像包括至少一个目标图像素材。
目标图像为待评估的图像。可选地，目标图像可以是在制作广告图像过程中，广告制作客户端接收到的图像；或者，也可以是制作广告图像完成时，广告制作客户端接收到的最终图像；或者，也可以是通过图像评估页面中的上传控件上传得到的本地存储的图像。
可选地，图像评估页面可以是广告制作客户端中的页面；或者，也可以是图像评估网站中的页面。
广告制作客户端是指用于制作目标图像的应用程序，图像评估网站是指对目标图像进行评估的网站。
在一个示例中，参考图4所示的目标图像，该目标图像是在制作广告图像完成时，广告制作客户端接收到的图像。
在又一个示例中，参考图5所示的目标图像，该目标图像是在图像评估网站的图像评估页面中的上传控件被触发时，上传的本地存储的图像。
步骤302，在图像评估页面中显示图像评估控件。
图像评估控件用于提供终端的图像评估功能与用户之间的交互接口。
可选地，图像评估控件可以显示在图像评估页面的左下角、中间、右上角、底部等，本实施不对图像评估控件的显示位置作限定。比如：在图4中，图像评估控件401显示在图像评估页面的左下角；又比如：在图5中，图像评估控件501显示在图像评估页面的底部。
步骤303，接收作用于图像评估控件的触发操作。
可选地，触发操作可以是单击操作、双击操作、滑动操作、长按操作等，本实施例对此不作限定。
步骤304，根据触发操作在图像评估页面中显示目标图像的预测等级和优化建议。
预测等级用于反映目标图像被关注的概率；优化建议用于表示对至少一个目标图像素材进行图像处理的建议操作。
可选地，在本步骤之前终端还可以将目标图像发送至服务器，此时，预测等级和优化建议是由服务器根据目标图像确定并发送至终端的。
可选地，预测等级包括但不限于：违规等级、基础等级和优秀等级中的至少一种。
违规等级是指包含非法图像素材的目标图像的等级；基础等级是指未包含非法图像素材、且未包含优秀图像素材的目标图像的等级；优秀等级是指未包含非法图像素材、且包含优秀图像素材的目标图像的等级。其中，优秀图像素材预存储在优秀素材库中。
当然，预测等级也可以按照其它方式划分，本实施例对此不作限定。
可选地，不同的预测等级对应不同的优化建议。
示意性地，在预测等级为违规等级时，优化建议根据目标图像的违规原因生成；在预测等级为基础等级时，优化建议根据推荐图像素材生成，该推荐图像素材用于替换目标图像素材；在预测等级为优秀等级时，优化建议也根据推荐图像素材生成，该推荐图像素材用于提供扩展的图像素材。
示意性地，参考图6，广告制作客户端接收到作用于图像评估控件的触发操作之后，显示预测等级601和优化建议602。其中，预测等级601为违规等级，优化建议602包括目标图像的违规原因。
示意性地，参考图7，图像评估网站的图像评估页面接收到作用于图像评估控件的触发操作之后，显示预测等级701和优化建议702。其中，预测等级701为优秀等级，优化建议702包括推荐图像素材。
综上所述，本实施例提供的图像评估方法，通过显示目标图像和图像评估控件，在接收到作用于图像评估控件的触发操作时，显示目标图像的预测等级；可以解决通过人工评估目标图像的效率较低的问题；由于终端提供图像评估控件，通过触发该图像评估控件可以自动输出对应的预测等级，而服务器的计算速度较快，因此，可以提高图像评估的效率。
另外，通过在接收到作用于图像评估控件的触发操作时，还显示目标图像的优化建议，可以解决仅确定预测等级时，用户无法确定目标图像的优化方向的问题；由于该优化建议可以表示对至少一个目标图像素材进行图像处理的建议操作，使得用户可以根据该优化建议优化目标图像，从而可以提高优化目标图像的效率。
下面对服务器确定预测等级和优化建议的方式进行详细介绍。
请参考图8，其示出了本申请一个实施例提供的图像评估方法的流程图，本实施例以该图像评估方法应用于图1所示的图像评估系统中为例进行说明，该方法包括：
步骤801，终端在图像评估页面中显示目标图像。
本步骤的相关说明详见步骤301，本实施例在此不作赘述。
步骤802，终端接收作用于图像评估控件的触发操作。
可选地，触发操作可以是单击操作、双击操作、滑动操作、长按操作等，本实施例对此不作限定。
其中，触发操作用于触发终端从服务器获取目标图像的预测等级和优化建议。预测等级用于反映目标图像被关注的概率；优化建议用于表示对至少一个目标图像素材进行优化的方案。
步骤803，终端向服务器发送目标图像。
可选地，终端可以在接收到作用于图像评估控件的触发操作时，将显示的目标图像发送至服务器；或者，终端也可以在接收到作用于上传控件的触发操作时，将本地存储的目标图像发送至服务器。
在一个示例中，参考图4，在接收到作用于图像评估控件401的触发操作时，终端将广告制作客户端接收到的目标图像发送至服务器。
在又一个示例中，参考图5，在接收到作用于上传控件的触发操作时，终端将本地存储的目标图像显示在图像评估页面中，并将该目标图像发送至目标图像发送至服务器。
步骤804，服务器获取目标图像。
服务器获取客户端发送的目标图像。
步骤805，服务器识别目标图像是否包括非法图像素材。
非法图像素材是指被相关法律禁止使用的图像素材。比如：被国家广告法规、内容媒体资源方的广告素材审核条款规范明文规定的图像素材。
可选地，非法图像素材包括但不限于以下几种中的至少一种：模糊程度高于模糊阈值的图像素材、在背景色为白色的图像中且边缘不是矩形的图像素材、由白色线条分割的至少两个图像素材、以宫格形式拼接且数量大于素材阈值的图像素材、文字面积与所在图像的面积之间的比值大于比例阈值的图像素材、文字边缘与目标图像的边缘之间的间隔小于距离阈值的图像素材、包含敏感词汇的图像素材、人脸的面积与目标图像的面积的比值大于人脸阈值的图像素材、包含黑名单场景的图像素材、相似度高于相似度阈值的至少两个图像素材。当然，非法图像素材还可以包括其它类型的图像素材，本实施例在此不再一一列举。
可选地，服务器识别不同的非法图像素材可以使用不同的方式，下面对服务器识别非法图像素材的方式进行详细介绍。
1、识别模糊程度高于模糊阈值的图像素材。
服务器通过模糊检测算法识别模糊程度高于模糊阈值的图像素材。示意性地，服务器首先计算目标图像中每个像素点的模糊值；然后，根据每个像素点的模糊值计算模糊值的均值和/或方差；在该均值和/或方差高于模糊阈值时，确定该目标图像包括模糊程度高于模糊阈值的目标图像素材。
上述计算过程可以通过下述公式来表示：
其中，L为拉普拉斯算子，或者称为拉普拉斯掩膜。根据拉普拉斯算子中的9个数字可以计算目标图像中每个像素点与周围最近邻的4个像素点之前的差异。I表示目标图像(Image)。M为目标图像的像素点的列数。N为目标图像的像素点的行数。(m，n)为第m列第n行的像素点。|L(m，n)|是指目标图像中第(m，n)个像素点上的模糊值。LAP(I)为目标图像中所有像素点的模糊值的和。NM为目标图像中像素点的总数；是指目标图像中所有像素点的模糊值的均值。LAP_VAR(I)为所有像素点的模糊值的方差，该方差代表像素点的变化程度，可以用来衡量图片是否清晰。
可选地，服务器中存储有模糊阈值，该模糊阈值是根据经验值得到的。该模糊阈值可以动态调试。
参考图9，服务器通过模糊检测算法识别得到图像901，图像901包括模糊程度高于模糊阈值的图像素材。
2、识别在背景色为白色的图像中且边缘不是矩形的图像素材。
服务器识别目标图像的边缘部分的背景色是否为白色；若是，则在该目标图像中检测至少一个目标图像素材的边缘像素分布；若至少一个目标图像素材的边缘像素均未与该边缘部分重合，则确定该目标图像包括在背景色为白色的图像中且边缘不是矩形的目标图像素材。
当然，服务器也可以通过其它方式识别在背景色为白色的图像中且边缘不是矩形的图像素材，比如：通过直方图检测方式来识别，本实施例对此不作限定。
参考图9，服务器通过检测目标图像素材的边缘像素分布识别得到图像902，图像902包括在背景色为白色的图像中且边缘不是矩形的图像素材。
3、识别由白色线条分割的至少两个图像素材。
服务器确定目标图像中的至少两个目标图像素材是否是拼图结构；若是，则通过Hough变换确定目标图像的白色直线，若该白色直线的长度大于预设长度阈值、和/或、白色直线的比例大于预设长度比例阈值，则确定目标图像包括由白色线条分割的至少两个图像素材。
参考图9，服务器通过Hough变换识别得到图像903，图像903包括由白色线条分割的至少两个图像素材。
当然，服务器也可以通过其它方式来识别由白色线条分割的至少两个图像素材，比如：通过直方图检测方式来识别，本实施例对此不作限定。
4、识别以宫格形式拼接且数量大于素材阈值的图像素材。
服务器确定目标图像中的目标图像素材的数量是否大于素材阈值，且目标图像素材是否是拼图结构；若是，则通过Hough变换确定目标图像的直线的数量，若该直线的数量大于或等于预设阈值；则在直线的长度大于预设长度阈值、和/或、直线的比例大于预设长度比例阈值时，确定目标图像包括以宫格形式拼接且数量大于素材阈值的图像素材。
参考图9，服务器通过Hough变换识别得到图像904，图像904包括以宫格形式拼接且数量大于素材阈值的图像素材。
当然，服务器也可以通过其它方式来识别由白色线条分割的至少两个图像素材，比如：通过直方图检测方式来识别，本实施例对此不作限定。
5、识别文字面积与所在图像的面积之间的比值大于比例阈值的图像素材。
服务器通过文字识别技术检测目标图像是否包括文字素材；若是，则计算该文字素材的面积与目标图像的面积之间的比值；在该比值大于比例阈值时，确定目标图像包括文字面积与所在图像的面积之间的比值大于比例阈值的图像素材。
可选地，比例阈值预先存储在服务器中，该比例阈值是根据相关法律设置的，本实施例不对比例阈值的具体数值作限定。示意性地，比例阈值为2/3。
参考图9，服务器通过文字识别技术得到图像905，图像905包括文字面积与所在图像的面积之间的比值大于比例阈值的图像素材。
6、识别文字边缘与所在图像的边缘之间的间隔小于距离阈值的图像素材。
服务器通过文字识别技术检测目标图像是否包括文字素材；若是，则确定该文字素材的边缘与目标图像的最近的边缘之间的距离；在该距离大于距离阈值时，确定目标图像包括文字边缘与目标图像的边缘之间的间隔小于距离阈值的图像素材。
可选地，距离阈值预先存储在服务器中，该距离阈值是根据相关法律设置的，本实施例不对距离阈值的具体数值作限定。示意性地，距离阈值为3像素(pixel，px)。
参考图9，服务器通过文字识别技术得到图像906，图像906包括文字边缘与所在图像的边缘之间的间隔小于距离阈值的图像素材。
7、识别包含敏感词汇的图像素材。
服务器通过文字识别技术检测目标图像是否包括文字素材；若是，则对该文字素材进行语义识别，得到至少一个关键词；将至少一个关键词与敏感词汇库中每个的敏感词汇进行比较；在存在一个关键词与敏感词汇匹配时，确定目标图像包括包含敏感词汇的图像素材。
参考图9，服务器通过文字识别技术得到图像907，图像907包括包含敏感词汇的图像素材。
8、识别人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材。
在目标图像中，服务器通过卷积神经网络模型确定人脸所在区域的面积；计算该面积与目标图像的面积的比值；在该比值大于人脸阈值时，确定目标图像包括人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材。
可选地，人脸阈值预先存储在服务器中，该人脸阈值是根据相关法律设置的，本实施例不对人脸阈值的具体数值作限定。示意性地，人脸阈值为50％。
当然，服务器还可以通过其它人脸识别的方式来识别目标图像中的人脸，本实施例对此不作限定。
参考图9，服务器通过卷积神经网络模型识别得到图像908，图像908包括人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材。
9、识别包含黑名单场景的图像素材。
服务器确定目标图像所属的目标行业；通过卷积神经网络模型确定目标图像素材是否是该目标行业的黑名单场景；若是，则确定目标图像包括包含黑名单场景的图像素材。
比如：在目标行业是游戏行业时，黑名单场景可以为手持手机玩游戏的场景。
当然，服务器也可以其它分类算法来识别目标图像素材是否是目标行业的黑名单场景，比如：二分类算法等，本实施例对此不作限定。
参考图9，服务器通过卷积神经网络模型识别得到图像909，图像909包括包含手持手机玩游戏的场景的图像素材。
10、识别相似度高于相似度阈值的至少两个图像素材。
在目标图像包括至少两个图像素材时，服务器计算该至少两个图像素材之间的汉明距离；在该汉明距离小于预设汉明距离时，确定目标图像包括相似度高于相似度阈值的至少两个图像素材。可选地，服务器可以通过平均哈希、感知哈希等来计算至少两个图像素材之间的汉明距离，本实施例对此不作限定。
当然，服务器也可以使用其它相似度算法来识别相似度高于相似度阈值的至少两个图像素材，本实施例对此不作限定。
参考图9，服务器通过相似度识别算法识别得到图像910，图像910包括相似度高于相似度阈值的至少两个图像素材。
可选地，本实施例不对上述10种非法图像素材的识别顺序作限定。
可选地，当服务器识别出目标图像包括非法图像素材时，执行步骤806；当服务器识别出目标图像未包括非法图像素材时，执行步骤808。
步骤806，在目标图像包括非法图像素材时，服务器确定目标图像的预测等级为违规等级。
步骤807，服务器根据目标图像的违规原因生成优化建议，执行步骤813。
其中，违规原因用于指示目标图像中的非法图像素材的类型，优化建议用于建议对目标图像中的非法图像素材进行修改。
可选地，违规原因包括目标图像中非法图像素材的类型；或者，违规原因包括目标图像中非法图像素材的类型和非法图像素材的标识。其中，非法图像素材的标识为非法图像素材的哈希值、非法图像素材的编号和非法图像素材的名称中的至少一种，本实施例对此不作限定。
可选地，不同的违规原因对应的优化建议不同。
比如：参考图9，在违规原因为：目标图像包括模糊程度高于模糊阈值的目标图像素材时，对应的优化建议为“素材画质模糊，广告投放中建议使用高精度素材，提升审核通过率的同时也能有助于彰显推广产品的品质”。
在违规原因为：目标图像包括在背景色为白色的图像中且边缘不是矩形的目标图像素材时，对应的优化建议为“素材边缘部分区域为白色，易造成广告投放时素材呈现不规则轮廓的情况，审核风险较大”。
在违规原因为：目标图像包括由白色线条分割的至少两个目标图像素材时，对应的优化建议为“素材使用白色线段切割结构，易造成广告投放时素材破坏整体界面结构的情况，审核风险较大”。
在违规原因为：目标图像包括以宫格形式拼接且数量大于素材阈值的目标图像素材时，对应的优化建议为“素材中拼图结构包含宫格过多，易导致素材内容过载，审核风险较大”。
在违规原因为：目标图像包括文字面积与目标图像的面积之间的比值大于比例阈值的目标图像素材时，对应的优化建议为“文字超过素材整体面积2/3，过大的文字面积易影响素材的视觉感染力，过多的文字则影响素材的可读性”。
在违规原因为：目标图像文字边缘与目标图像的边缘之间的间隔小于距离阈值的目标图像素材时，对应的优化建议为“文字与素材边缘过于贴合，可读性受到很大影响，素材的整体视觉美观度也易受此影响，建议文字与素材边缘保持至少3px以上间距”。
在违规原因为：目标图像包括包含敏感词汇的目标图像素材时，对应的优化建议为“包含敏感词汇，建议重新编写文字内容”。
在违规原因为：目标图像包括人脸的面积与目标图像的面积的比值大于人脸阈值的目标图像素材时，对应的优化建议为“素材中人物脸部面积超过素材整体面积50％以上，易干扰和影响素材的内容传达，审核风险较大”。
在违规原因为：目标图像包括包含黑名单场景的目标图像素材时，对应的优化建议为“游戏行业广告素材中出现玩家玩游戏的相关场景，审核风格较大”。
在违规原因为：目标图像包括相似度高于相似度阈值的至少两个目标图像素材时，对应的优化建议为“信息流三小图素材中出现相似素材，单个广告创意中素材的重复使用易影响创意质量和效果，审核风险较大”。
可选地，当目标图像的违规原因为至少两种时，最终的优化建议可以根据每种违规原因对应的优化建议生成。
可选地，服务器也可以设置所有的违规原因对应一种优化建议，比如：图像包括非法图像素材，审核风险较大，建议更换图像素材，本实施例对此不作限定。
步骤808，在目标图像未包括非法图像素材时，服务器将目标图像输入等级预测模型，得到预测关注度。
可选地，关注度用于反映目标图像受到关注的程度，关注度可以通过点击率、使用率等来表示，本实施例对此不作限定。
可选地，等级预测模型包括深度学习(Deep Learning，DL)模型和/或逻辑回归(Logistic Regression，LR)模型。
深度学习模型用于模仿人脑的机制来解析数据，比如：在本申请中深度学习模型用于解析目标图像。
可选地，本申请中，深度学习模型包括卷积神经网络(Convolutional NeuralNetwork，CNN或者ConvNet)、第一全连接神经网络(Fully Connected Neural Network)和第二全连接神经网络。
其中，卷积神经网络用于提取目标图像的第一特征；第一全连接神经网络用于提取目标图像的第二特征；第二全连接神经网络用于根据目标图像的第三特征计算预测关注度。
第一特征可以是目标图像的抽象特征。抽象特征是指：无法通过感官直接得到的特征，比如：饱腹感特征、活力特征、温暖特征等。
第二特征可以是目标图像的基础特征。基础特征是指：通过感官直接获取到的特征，比如：色调(Hue，H)、饱和度(Saturation，S)、亮度(Value，V)、对比度、尺度不变特征转换(Scale-invariant feature transform，SIFT)关键点的数量、是否存在人脸等。
可选地，卷积神经网络、第一全连接神经网络和第二全连接神经网络是根据已存储的图像素材和对应的实际关注度训练得到的。
服务器将目标图像输入等级预测模型，得到预测关注度，包括：将目标图像输入深度学习模型中的卷积神经网络，得到目标图像的第一特征；将目标图像输入深度学习模型中的第一全连接神经网络，得到目标图像的第二特征；将第一特征和第二特征进行拼接，得到目标图像的第三特征；将第三特征输入深度学习模型中的第二全连接神经网络，得到预测关注度。
参考图10所示的通过深度学习模型来获取预测关注度的过程，服务器将目标图像分别输入卷积神经网络1001和第一全连接神经网络1002，通过卷积神经网络1001输出目标图像的第一特征，通过第一全连接神经网络1002输出目标图像的第二特征。然后，将第一特征和第二特征通过拼接模型1003进行拼接，得到目标图像的第三特征。最后，将第三特征输入第二全连接模型1004，得到预测关注度。示意性地，本实例中，预测关注度以预测点击率(Predict Click-Through Rate，pCTR)来表示为例。
当然，深度学习模型也可以采用其它神经网络模型，比如：递归神经网络模型等，本实施例对此不作限定。
可选地，等级预测模型还包括逻辑回归模型，逻辑回归模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。示意性地，逻辑回归模型通过如下数学模型表示：
其中，其中w和b为逻辑回归模型的模型参数，w和b可以是根据已存储的图像素材和对应的实际关注度训练得到的。y＝1表示目标图像被点击；y＝0表示目标图像不被点击。x表示目标图像。
此时，服务器将第三特征输入深度学习模型中的第二全连接神经网络，得到预测关注度，包括：将第三特征输入第二全连接神经网络，得到第一初始关注度；将目标图像输入逻辑回归模型，得到第二初始关注度；根据第一初始关注度和第二初始关注度，计算预测关注度。
可选地，根据第一初始关注度和第二初始关注度，计算预测关注度是指：计算第一初始关注度和第二初始关注度的平均值，得到预测关注度；或者，计算第一初始关注度和第二初始关注度的加权平均值，得到预测关注度。
其中，计算第一初始关注度和第二初始关注度的加权平均值，得到预测关注度，包括：将第一初始关注度乘以第一系数加上第二初始关注度乘以第二系数，得到预测关注度。
其中，第一系数和第二系数为大于0且小于1的值，且第一系数和第二系数的和为1，本实施例不对第一系数和第二系数的取值作限定。
当然，服务器也可以直接将逻辑回归模型的输出结果确定为目标图像的预测关注度，本实施例对此不作限定。
步骤809，在预测关注度小于关注度阈值时，服务器确定目标图像的预测等级为基础等级，执行步骤811。
可选地，关注度阈值存储在服务器中，该关注度阈值可以为一个固定值；或者，该关注度阈值是根据目标图像所属的目标行业的实际关注度确定的。
其中，目标行业的实际关注度为：目标行业中的每个图像的点击次数/该图像的展现量。
可选地，目标图像所属的目标行业可以是终端发送的；或者，也可以是服务器对目标图像进行图像识别得到的。
步骤810，在预测关注度大于或等于关注度阈值时，服务器确定目标图像的预测等级为优秀等级。
步骤811，服务器根据目标图像从优秀素材库中确定推荐图像素材。
可选地，本实施例中，服务器确定出目标图像为基础等级时，可以确定推荐图像素材来优化目标图像中的目标图像素材；服务器确定出目标图像为优秀等级时，可以确定推荐图像素材来扩展制作目标图像的思路。
服务器根据目标图像从优秀素材库中确定推荐图像素材，包括：将目标图像输入前向神经网络，得到素材特征向量；计算素材特征向量与优秀素材库中至少一个优秀图像素材的特征向量之间的相似度；将相似度排名在前n位的优秀图像素材确定为推荐图像素材。
可选地，本实施例不对n的取值作限定，示意性地，n为5。
可选地，前向神经网络的模型参数是根据已存储的图像素材确定的。由于前向神经网络相较于其它神经网络来说计算速度较快，因此，可以提高服务器确定推荐图像素材的速度。
可选地，优秀素材库中的至少一个优秀图像素材的特征向量是预先提取出来的。示意性地，优秀图像素材的特征向量是经过SIFT特征点学习、素材构图特征识别、素材主色识别和素材场景识别中的至少一种处理方式得到的。
示意性地，参考图11所示的确定推荐图像素材的过程，服务器将目标图像输入前向神经网络1101，得到素材特征向量。然后，将素材特征向量与优秀素材库1102中的优秀图像素材的特征向量进行相似度比较，得到排名在前n位的优秀图像素材。这n个优秀图像素材为推荐图像素材。
步骤812，服务器根据推荐图像素材生成优化建议。
可选地，基础等级对应的优化建议与优秀等级对应的优化建议不同。基础等级对应的优化建议用于建议使用推荐图像素材替换目标图像中的目标图像素材；优秀等级对应的优化建议用于建议制作目标图像的扩展图像素材。
示意性地，基础等级对应的优化建议为“您的素材还有可以优化的空间哦。应用推荐模板高效制作优质素材，试试看吧！”。优秀等级对应的优化建议为“您的素材棒棒哒！与您同行业的以下创意投放效果也很不错哦，有机会试试看吧！”。
可选地，服务器确定出推荐图像素材所属的推荐图像之后，还会生成该推荐图像在广告制作客户端中的跳转链接地址，该跳转链接地址在终端中被触发时，终端可以调用广告制作客户端并跳转至包括该推荐图像的显示页面。
可选地，服务器可以将包括推荐图像素材的优秀图像添加至优化建议中；或者，服务器可以将该推荐图像素材添加至优化建议中。
步骤813，服务器将预测等级和优化建议发送至终端。
步骤814，终端接收服务器发送的预测等级和优化建议。
步骤815，终端根据触发操作在图像评估页面中显示目标图像的预测等级和优化建议。
本步骤的相关描述详见步骤304，本实施例在此不作赘述。
综上所述，本实施例提供的图像评估方法，通过显示目标图像和图像评估控件，在接收到作用于图像评估控件的触发操作时，显示目标图像的预测等级；可以解决通过人工评估目标图像，导致消耗大量的人力资源，评估效率较低的问题；由于终端可以自动根据目标图像显示对应的预测等级，因此，可以节省人力资源，提高图像评估的效率。
另外，通过在接收到作用于图像评估控件的触发操作时，还显示目标图像的优化建议，可以解决仅显示预测等级时，用户无法确定优化方向的问题；由于优化建议可以表示对至少一个目标图像素材进行优化的方案，使得用户可以根据该优化建议对目标图像进行优化，从而可以提高图像优化的效率。
另外，通过先确定目标图像是否包括非法图像素材，可以降低目标图像无法通过审核的风险，可以提高目标图像通过审核的概率。
另外，通过根据目标图像确定推荐图像素材，然后根据推荐图像素材生成优化建议，既可以提示用户使用更加优秀的图像素材来制作目标图像，从而提高目标图像的关注度，还可以为用户扩展制作目标图像的思路。
另外，通过采用前向神经网络来确定推荐图像素材，由于相较于其它神经网络来说，前向神经网络提取素材特征向量的计算速度较快，因此，可以提高服务器确定推荐图像素材的速度。
可选地，本实施例中，步骤801-803、814和815可单独实现为终端侧的方法实施例；步骤804-813可单独实现为服务器侧的方法实施例。
可选地，基于上述各个实施例，终端还可以获取目标图像所属的目标行业，并将该目标行业发送至服务器，此时，服务器获取该目标图像所属的目标行业；确定目标图像在目标行业中的预测等级。
参考图12，其示出了本申请另一个实施例提供的图像评估方法的流程图，本实施例以该图像评估方法应用于图1所示的图像评估系统中为例进行说明，基于图8所示的实施例，该方法还包括以下几个步骤：
在步骤802之前，步骤1201，终端在图像评估页面中显示行业选择控件。
行业选择控件可以显示在图像评估页面的中间、左下角、右上角等，本实施例对此不作限定。
行业选择控件用于提供终端的行业选择功能与用户之间交互的接口。
步骤1202，终端接收作用于行业选择控件的选择操作。
可选地，选择操作可以是单击操作、双击操作、滑动操作、长按操作等，本实施例对此不作限定。
步骤1203，终端在图像评估页面中显示选择操作指示的目标行业。
可选地，终端中存储有多种行业分类，在终端接收到作用于行业选择控件的选择操作时，显示该多种行业分类；终端将选择操作指示的行业分类作为目标行业。
其中，行业分类可以包括一级行业分类和二级行业分类。二级行业分类是对一级行业分类的细化划分。当然，行业分类还可以包括更多级的行业分类，本实施例对此不作限定。
比如：在图4中，行业分类仅包括一级，该行业分类包括：网络游戏类、网站服务类、服饰类、娱乐休闲类、个人用品类、家居装饰类、日化类、教育出国类。当终端接收到作用于行业选择控件402和个人用品类的选择操作时，在图像评估页面中显示目标行业“个人用品类”。
又比如：在图5中，行业分类包括两级，一级行业分类包括：网络游戏类、网站服务类、服饰类、娱乐休闲类、个人用品类、家居装饰类、日化类、教育出国类。当终端接收到作用于行业选择控件502和网站服务类的选择操作时，显示二级行业分类，网站服务器类对应的二级分类包括：购物、订餐、定位服务。当终端接收到作用于购物的选择操作时，在图像评估页面中显示目标行业“网站服务类”和“购物”。
在步骤802之后，步骤1204，终端将目标行业发送至服务器。
可选地，步骤1204可以在步骤803之前执行；或者，也可以在步骤803执行；或者，也可以与步骤803同时执行，本实施例对此不作限定。
步骤1205，服务器接收终端发送的目标行业。
作为步骤805的可替换步骤，步骤1206，服务器识别目标图像是否包括目标行业对应的非法图像素材。
可选地，不同的目标行业对应的判断非法图像素材的规则可能有所差异。示意性地，比如：在游戏行业中，包含手持手机玩游戏的场景的图像素材被判断为非法图像素材；而在网站服务器行业中，包含手持手机玩游戏的场景的图像素材被判断为不是非法图像素材。
可选地，服务器接收到目标图像所属的目标行业之后，根据目标行业对应的判断非法图像素材的规则来识别目标图像是否包括目标行业对应的非法图像素材。
可选地，目标行业对应的判断非法图像素材的规则预存在服务器中，服务器识别非法图像素材的方式参见上述步骤805，本实施例对此不作限定。
作为步骤808的可替换步骤，步骤1207，在目标图像未包括非法图像素材时，服务器将目标图像和目标行业的实际关注度输入等级预测模型，得到预测关注度。
可选地，等级预测模型包括深度学习模型和/或逻辑回归模型。
深度学习模型用于模仿人脑的机制来解析数据，比如：在本申请中深度学习模型用于解析目标图像。
可选地，本申请中，深度学习模型包括卷积神经网络、第一全连接神经网络和第二全连接神经网络。
其中，卷积神经网络用于提取目标图像的第一特征；第一全连接神经网络用于提取目标图像的第二特征；第二全连接神经网络用于根据目标图像的第三特征计算预测关注度。
可选地，卷积神经网络、第一全连接神经网络和第二全连接神经网络是根据已存储的图像素材和目标行业对应的实际关注度训练得到的。
可选地，服务器存储有每个行业分类对应的实际关注度，服务器接收到目标行业之后，获取该目标行业对应的实际关注度。
服务器将目标图像和目标行业对应的实际关注度输入等级预测模型，得到预测关注度，包括：将目标图像输入深度学习模型中的卷积神经网络，得到目标图像的第一特征；将目标图像和实际关注度输入深度学习模型中的第一全连接神经网络，得到目标图像的第二特征；将第一特征和第二特征进行拼接，得到目标图像的第三特征；将第三特征输入深度学习模型中的第二全连接神经网络，得到预测关注度。
参考图13所示的通过深度学习模型来获取预测关注度的过程，服务器将目标图像输入卷积神经网络1301，通过卷积神经网络1301输出目标图像的第一特征；将目标图像和目标行业的实际关注度输入第一全连接神经网络1302，通过第一全连接神经网络1302输出目标图像的第二特征。然后，将第一特征和第二特征通过拼接模型1303进行拼接，得到目标图像的第三特征。最后，将第三特征输入第二全连接模型1304，得到预测关注度。示意性地，本实例中，预测关注度以预测点击率来表示为例。
当然，深度学习模型也可以采用其它神经网络模型，比如：递归神经网络模型等，本实施例对此不作限定。
可选地，等级预测模型还包括逻辑回归模型，逻辑回归模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。示意性地，逻辑回归模型通过如下数学模型表示：
其中，其中w和b为逻辑回归模型的模型参数，w和b可以是根据已存储的目标行业中的图像素材和目标行业对应的实际关注度训练得到的。y＝1表示目标图像被点击；y＝0表示目标图像不被点击。x表示目标图像。
此时，服务器将第三特征输入深度学习模型中的第二全连接神经网络，得到预测关注度，包括：将第三特征输入第二全连接神经网络，得到第一初始关注度；将目标图像输入逻辑回归模型，得到第二初始关注度；根据第一初始关注度和第二初始关注度，计算预测关注度。
可选地，根据第一初始关注度和第二初始关注度，计算预测关注度的描述详见步骤808，本实施例在此不作赘述。
当然，服务器也可以直接将逻辑回归模型的输出结果确定为目标图像的预测关注度，本实施例对此不作限定。
作为步骤811的可替换步骤，步骤1208，服务器根据目标图像从目标行业对应的优秀素材库中确定推荐图像素材。
服务器中存储有每个行业分类对应的优秀素材库(一个或至少两个优秀素材库)，服务器接收到目标行业之后，确定目标行业对应的优秀素材库；在确定出的优秀素材库中确定推荐图像素材。
其中，服务器在确定出的优秀素材库中确定推荐图像素材的过程参见步骤811，本实施在此不作赘述。
综上所述，本实施例中，通过由终端获取目标图像所属的目标行业，并由服务器根据该目标行业来确定目标图像的预测等级，由于同一目标图像在不同的行业分类中的预测等级可能不同，因此，可以提高服务器确定目标图像的预测等级的准确性。
可选地，在本实施例中，终端也可以不获取目标图像所属的目标行业，而是由服务器对目标图像进行识别来获取该目标图像所属的目标行业。可选地，服务器对目标图像进行识别来获取目标行业的方式包括但不限于：通过深度学习模型获取、逻辑回归模型获取等，本实施例对此不作限定。
基于上述各个实施例，在目标图像发布之后，服务器可以统计该目标图像的实际关注度，然后，将目标图像再次输入等级预测模型，将等级预测模型与实际关注度进行比较，然后根据比较结果调整等级预测模型的模型参数，从而提高等级预测模型的准确性。
本实施例中，通过根据目标图像和该目标图像的实际关注度来训练等级预测模型，可以提高等级预测模型估计预测等级的准确性，从而可以提高服务器得到的预测等级的准确性。
基于上述各个实施例，服务器向终端发送根据推荐图像素材生成的优化建议之后，还可以统计被使用的推荐图像素材的类型，根据该类型统计偏好类型，这样，服务器在后续生成推荐图像素材时，可以根据该偏好类型生成，从而提高推荐图像素材被使用的概率。
可选地，服务器根据类型统计偏好类型的方式可以是通过深度学习模型统计、逻辑回归模型统计等，本实施例对此不作限定。
示意性地，参考图14所示的图像评估过程的示意图，终端接收到从本地上上传的目标图像之后，根据作用于行业选择控件上的选择操作确定目标图像所属的目标行业。服务器接收到目标图像和目标行业之后，通过预算法确定目标图像的预测等级；输出预测等级和优化建议。之后，服务器统计目标图像的实际关注度和被使用的推荐图像素材的类型，根据实际关注度和被使用的推荐图像素材的类型调整预测算法。
其中，预测算法包括确定预测等级的算法和生成优化建议的算法。
基于上述各个实施例，由于服务器可能预测目标图像的预测等级的算法不够准确，导致服务器确定出的预测等级出现错误，此时，服务器向终端发送预测等级和优化建议之后，可以接收终端反馈的反馈信息，在该反馈信息表示预测等级和优化建议出现错误时，服务器可以根据该反馈信息对预测目标图像的预测等级的算法进行修正。比如：终端通过图6所示的纠错控件来接收反馈意见，并将该反馈意见发送至服务器；或者，终端通过图7所示的意见反馈控件来接收反馈意见，并将该反馈意见发送至服务器。
为了更清楚地理解本申请提供的图像评估方法，下面对该图像评估方法举个实例进行说明。
参考图15，终端接收目标图像，服务器接收到目标图像之后，对该目标图像进行图像识别，得到目标图像的预测等级和优化建议。预测等级包括违规等级，对应的优化建议用于提示目标图像包括非法图像素材；预测等级还包括基础等级，对应的优化建议用于提示使用优秀图像素材替换目标图像中的目标图像素材；预测等级还包括优秀等级，对应的优化建议用于提供制作目标图像的扩展思路。
下面对图15所示的图像评估过程进行更详细地介绍。
参考图16，终端通过广告制作客户端获取目标图像，或者，通过图像评估网站获取本地上传的目标图像；然后，终端根据作用于图像评估页面中的行业选择控件的选择操作确定目标行业，并该目标图像和目标行业发送至服务器。
服务器接收到目标图像和目标行业之后，根据目标图像和目标行业确定目标图像是否包括非法图像素材；如果包括非法图像素材，确定目标图像为违规等级，并根据违规等级输出优化建议。如果目标图像未包括非法图像素材，则服务器将目标图像和目标行业输入等级预测模型，得到预测关注度；在该预测关注度大于或等于目标行业的关注度均值(也即，关注度阈值)时，确定目标图像的预测等级为基础等级，并通过前向神经网络确定推荐图像素材，根据该推荐图像素材生成优化建议。在该预测关注度小于目标行业的关注度均值(也即，关注度阈值)时，确定目标图像的预测等级为优秀等级，并通过前向神经网络确定推荐图像素材，根据该推荐图像素材生成优化建议。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图17，其示出了本申请一个实施例提供的图像评估装置的结构示意图。该图像评估装置可以通过专用硬件电路，或者，软硬件的结合实现成为服务器的全部或一部分，该图像评估装置包括：图像获取模块1710、等级预测模块1720、建议确定模块1730和输出模块1740。
图像获取模块1710，用于获取目标图像，所述目标图像包括至少一个目标图像素材；
等级预测模块1720，用于确定所述目标图像的预测等级，所述预测等级用于反映所述目标图像被关注的概率；
建议确定模块1730，用于根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作；
输出模块1740，用于输出所述预测等级和所述优化建议。
可选地，所述预测等级为违规等级、基础等级和优秀等级中的一种；
所述违规等级是指包含非法图像素材的目标图像的等级；
所述基础等级是指未包含所述非法图像素材、且未包含优秀图像素材的目标图像的等级；
所述优秀等级是指未包含所述非法图像素材、且包含至少一个所述优秀图像素材的目标图像的等级，所述优秀图像素材预存储在优秀素材库中。
可选地，所述等级预测模块1720，包括：非法素材识别单元和第一等级确定单元。
非法素材识别单元，用于识别所述目标图像是否包括所述非法图像素材；
第一等级确定单元，用于在所述目标图像包括所述非法图像素材时，确定所述目标图像的预测等级为所述违规等级；
其中，所述非法图像素材包括以下几种中的至少一种：模糊程度高于模糊阈值的图像素材、在背景色为白色的图像中且边缘不是矩形的图像素材、由白色线条分割的至少两个图像素材、以宫格形式拼接且数量大于素材阈值的图像素材、文字面积与所在图像的面积之间的比值大于比例阈值的图像素材、文字边缘与所在图像的边缘之间的间隔小于距离阈值的图像素材、包含敏感词汇的图像素材、人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材、包含黑名单场景的图像素材、相似度高于相似度阈值的至少两个图像素材。
可选地，所述建议确定模块1730，用于：
在所述目标图像的预测等级为所述违规等级时，根据所述目标图像的违规原因生成所述优化建议；
其中，所述违规原因用于指示所述目标图像中的非法图像素材的类型，所述优化建议用于建议对所述目标图像中的非法图像素材进行修改。
可选地，所述非法素材识别单元，用于：
获取所述目标图像所属的目标行业；
识别所述目标图像是否包括所述目标行业对应的非法图像素材。
可选地，所述等级预测模块1720，包括：关注度预测单元、第二等级确定单元和第三等级确定单元。
关注度预测单元，用于将所述目标图像输入等级预测模型，得到预测关注度；
第二等级确定单元，用于在所述预测关注度小于关注度阈值时，确定所述目标图像的预测等级为所述基础等级；
第三等级确定单元，用于在所述预测关注度大于或等于关注度阈值时，确定所述目标图像的预测等级为所述优秀等级。
可选地，所述关注度预测单元，用于：
将所述目标图像输入所述深度学习模型中的卷积神经网络，得到所述目标图像的第一特征；
将所述目标图像输入所述深度学习模型中的第一全连接神经网络，得到所述目标图像的第二特征；
将所述第一特征和所述第二特征进行拼接，得到所述目标图像的第三特征；
将所述第三特征输入所述深度学习模型中的第二全连接神经网络，得到所述预测关注度。
可选地，所述等级预测模型还包括逻辑回归模型，所述关注度预测单元，用于：
将所述全面特征输入所述第二全连接神经网络，得到第一初始关注度；
将所述目标图像输入所述逻辑回归模型，得到第二初始关注度；
根据所述第一初始关注度和所述第二初始关注度，计算所述预测关注度。
可选地，所述关注度预测单元，用于：
计算所述第一初始关注度和所述第二初始关注度的平均值，得到所述预测关注度；
或者，
计算所述第一初始关注度和所述第二初始关注度的加权平均值，得到所述预测关注度。
可选地，所述建议确定模块1730，用于：
在所述预测等级为所述基础等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议使用所述推荐图像素材替换所述目标图像中的所述目标图像素材。
可选地，所述建议确定模块1730，用于：
在所述预测等级为所述优秀等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议制作所述目标图像的扩展图像素材。
可选地，所述建议确定模块1730，用于：
将所述目标图像输入前向神经网络，得到素材特征向量；
计算所述素材特征向量与所述优秀素材库中至少一个优秀图像素材的特征向量之间的相似度；
将相似度排名在前n位的优秀图像素材确定为所述推荐图像素材。
可选地，所述建议确定模块1730，用于：
从至少两个优秀素材库中，确定所述目标图像所属的目标行业对应的优秀素材库；
计算所述素材特征向量与所述目标行业对应的优秀素材库中的特征向量之间的相似度。
可选地，所述关注度预测单元，用于：
获取所述目标图像所属的目标行业的实际关注度；
将所述目标图像和所述实际关注度输入所述等级预测模型，得到所述目标图像在所述目标行业中的预测关注度。
相关细节可结合参考上述方法实施例。
请参考图18，其示出了本申请一个实施例提供的图像评估装置的结构示意图。该图像评估装置可以通过专用硬件电路，或者，软硬件的结合实现成为终端的全部或一部分，该图像评估装置包括：图像显示模块1810、第一控件显示模块1820、第一操作接收模块1830和评估显示模块1840。
图像显示模块1810，用于在图像评估页面中显示目标图像，所述目标图像包括至少一个目标图像素材；
第一控件显示模块1820，用于在所述图像评估页面中显示图像评估控件；
第一操作接收模块1830，用于接收作用于所述图像评估控件的触发操作；
评估显示模块1840，用于根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，所述预测等级用于反映所述目标图像被关注的概率；所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作。
可选地，所述装置还包括：第一控件显示模块、第一操作接收模块和行业显示模块。
第一控件显示模块，用于在所述图像评估页面中显示行业选择控件；
第一操作接收模块，用于接收作用于所述行业选择控件的选择操作；
行业显示模块，用于在所述图像评估页面中显示所述选择操作指示的目标行业。
可选地，所述评估显示模块1840，用于：
根据所述触发操作，在所述图像评估页面中显示所述目标图像在所述目标行业中的预测等级和所述优化建议。
相关细节可结合参考上述方法实施例。
本申请提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述各个方法实施例提供的图像评估方法。
本申请还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述各个方法实施例提供的图像评估方法。
本申请还提供了一种终端，该终端包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的图像评估方法。
图19示出了本发明一个示例性实施例提供的终端1900的结构框图。该终端1900可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端1900包括有：处理器1901和存储器1902。
处理器1901可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1901可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)中的至少一种硬件形式来实现。处理器1901也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1901的部分计算能力由GPU(Graphics Processing Unit，图像处理器)实现，GPU用于负责显示内容的渲染和绘制。一些实施例中，处理器1901还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1902中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1901所执行以实现本申请中方法实施例提供的图像评估方法。
在一些实施例中，终端1900还可选包括有：外围设备接口1903和至少一个外围设备。处理器1901、存储器1902和外围设备接口1903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1903相连。具体地，外围设备包括：射频电路1904、触摸显示屏1905、摄像头1906、音频电路1907、定位组件1908和电源1909中的至少一种。
外围设备接口1903可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1901和存储器1902。在一些实施例中，处理器1901、存储器1902和外围设备接口1903被集成在同一芯片或电路板上；在一些其他实施例中，处理器1901、存储器1902和外围设备接口1903中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1904用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1904将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1904包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1904可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1904还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1905用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1905是触摸显示屏时，显示屏1905还具有采集在显示屏1905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1901进行处理。此时，显示屏1905还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1905可以为一个，设置终端1900的前面板；在另一些实施例中，显示屏1905可以为至少两个，分别设置在终端1900的不同表面或呈折叠设计；在再一些实施例中，显示屏1905可以是柔性显示屏，设置在终端1900的弯曲表面上或折叠面上。甚至，显示屏1905还可以设置成非矩形的不规则图形，也即异形屏。显示屏1905可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1906用于采集图像或视频。可选地，摄像头组件1906包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1906还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1901进行处理，或者输入至射频电路1904以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1901或射频电路1904的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1907还可以包括耳机插孔。
定位组件1908用于图像评估1900的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1908可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1909用于为终端1900中的各个组件进行供电。电源1909可以是交流电、直流电、一次性电池或可充电电池。当电源1909包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端1900还包括有一个或多个传感器1910。该一个或多个传感器1910包括但不限于：加速度传感器1911、陀螺仪传感器1912、压力传感器1913、指纹传感器1914、光学传感器1915以及接近传感器1916。
加速度传感器1911可以检测以终端1900建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1911可以用于检测重力加速度在三个坐标轴上的分量。处理器1901可以根据加速度传感器1911采集的重力加速度信号，控制触摸显示屏1905以横向视图或纵向视图进行用户界面的显示。加速度传感器1911还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1912可以检测终端1900的机体方向及转动角度，陀螺仪传感器1912可以与加速度传感器1911协同采集用户对终端1900的3D动作。处理器1901根据陀螺仪传感器1912采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1913可以设置在终端1900的侧边框和/或触摸显示屏1905的下层。当压力传感器1913设置在终端1900的侧边框时，可以检测用户对终端1900的握持信号，由处理器1901根据压力传感器1913采集的握持信号进行左右手识别或快捷操作。当压力传感器1913设置在触摸显示屏1905的下层时，由处理器1901根据用户对触摸显示屏1905的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1914用于采集用户的指纹，由处理器1901根据指纹传感器1914采集到的指纹识别用户的身份，或者，由指纹传感器1914根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1901授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1914可以被设置终端1900的正面、背面或侧面。当终端1900上设置有物理按键或厂商Logo时，指纹传感器1914可以与物理按键或厂商Logo集成在一起。
光学传感器1915用于采集环境光强度。在一个实施例中，处理器1901可以根据光学传感器1915采集的环境光强度，控制触摸显示屏1905的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏1905的显示亮度；当环境光强度较低时，调低触摸显示屏1905的显示亮度。在另一个实施例中，处理器1901还可以根据光学传感器1915采集的环境光强度，动态调整摄像头组件1906的拍摄参数。
接近传感器1916，也称距离传感器，通常设置在终端1900的前面板。接近传感器1916用于采集用户与终端1900的正面之间的距离。在一个实施例中，当接近传感器1916检测到用户与终端1900的正面之间的距离逐渐变小时，由处理器1901控制触摸显示屏1905从亮屏状态切换为息屏状态；当接近传感器1916检测到用户与终端1900的正面之间的距离逐渐变大时，由处理器1901控制触摸显示屏1905从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图19中示出的结构并不构成对终端1900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请还提供了一种服务器，该服务器包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的图像评估方法。
请参考图20，其示出了本发明一个实施例提供的服务器的结构框架图。所述服务器2000包括中央处理单元(CPU)2001、包括随机存取存储器(RAM)2002和只读存储器(ROM)2003的系统存储器2004，以及连接系统存储器2004和中央处理单元2001的系统总线2005。所述服务器2000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)2006，和用于存储操作系统2013、应用程序2014和其他程序模块2015的大容量存储设备2007。
所述基本输入/输出系统2006包括有用于显示信息的显示器2008和用于用户输入信息的诸如鼠标、键盘之类的输入设备2009。其中所述显示器2008和输入设备2009都通过连接到系统总线2005的输入输出控制器2010连接到中央处理单元2001。所述基本输入/输出系统2006还可以包括输入输出控制器2010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器2010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备2007通过连接到系统总线2005的大容量存储控制器(未示出)连接到中央处理单元2001。所述大容量存储设备2007及其相关联的计算机可读介质为服务器2000提供非易失性存储。也就是说，所述大容量存储设备2007可以包括诸如硬盘或者CD-ROI驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器2004和大容量存储设备2007可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元701执行，一个或多个程序包含用于实现上述图像评估方法的指令，中央处理单元701执行该一个或多个程序实现上述各个方法实施例提供的图像评估方法。
根据本发明的各种实施例，所述服务器2000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器2000可以通过连接在所述系统总线2005上的网络接口单元2011连接到网络2012，或者说，也可以使用网络接口单元2011来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本发明实施例提供的图形码显示方法中由管理系统200所执行的步骤。
本领域普通技术人员可以理解实现上述实施例的图像评估方法中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。或者说，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述各个方法实施例中所述的图像评估方法。
Claims (25)
1.一种图像评估方法，其特征在于，所述方法包括：
获取目标图像，所述目标图像包括至少一个目标图像素材，所述目标图像是待评估的广告图像；
将所述目标图像输入深度学习模型中的卷积神经网络，得到所述目标图像的第一特征；
将所述目标图像输入所述深度学习模型中的第一全连接神经网络，得到所述目标图像的第二特征；
将所述第一特征和所述第二特征进行拼接，得到所述目标图像的第三特征；
将所述第三特征输入第二全连接神经网络，得到第一初始关注度；
将所述目标图像输入逻辑回归模型，得到第二初始关注度；
根据所述第一初始关注度和所述第二初始关注度，计算预测关注度；
在所述预测关注度小于关注度阈值时，确定所述目标图像的预测等级为基础等级，所述预测等级用于反映所述目标图像被关注的概率；
根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作，在所述目标图像的预测等级为基础等级的情况下，所述优化建议用于建议使用推荐图像素材替换所述目标图像中的所述目标图像素材；
输出所述预测等级和所述优化建议。
2.根据权利要求1所述的方法，其特征在于，所述预测等级还包括违规等级和优秀等级中的一种；
所述违规等级是指包含非法图像素材的目标图像的等级；
所述基础等级是指未包含所述非法图像素材、且未包含优秀图像素材的目标图像的等级；
所述优秀等级是指未包含所述非法图像素材、且包含至少一个所述优秀图像素材的目标图像的等级，所述优秀图像素材预存储在优秀素材库中。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
识别所述目标图像是否包括所述非法图像素材；
在所述目标图像包括所述非法图像素材时，确定所述目标图像的预测等级为所述违规等级；
其中，所述非法图像素材包括以下几种中的至少一种：模糊程度高于模糊阈值的图像素材、在背景色为白色的图像中且边缘不是矩形的图像素材、由白色线条分割的至少两个图像素材、以宫格形式拼接且数量大于素材阈值的图像素材、文字面积与所在图像的面积之间的比值大于比例阈值的图像素材、文字边缘与所在图像的边缘之间的间隔小于距离阈值的图像素材、包含敏感词汇的图像素材、人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材、包含黑名单场景的图像素材、相似度高于相似度阈值的至少两个图像素材。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预测等级确定优化建议，包括：
在所述目标图像的预测等级为所述违规等级时，根据所述目标图像的违规原因生成所述优化建议；
其中，所述违规原因用于指示所述目标图像中的非法图像素材的类型，所述优化建议用于建议对所述目标图像中的非法图像素材进行修改。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述预测关注度大于或等于关注度阈值时，确定所述目标图像的预测等级为所述优秀等级。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述预测等级为所述基础等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材。
7.根据权利要求5所述的方法，其特征在于，所述根据所述预测等级确定优化建议，包括：
在所述预测等级为所述优秀等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议制作所述目标图像的扩展图像素材。
8.根据权利要求6或7所述的方法，其特征在于，所述根据所述目标图像从所述优秀素材库中确定推荐图像素材，包括：
将所述目标图像输入前向神经网络，得到素材特征向量；
计算所述素材特征向量与所述优秀素材库中至少一个优秀图像素材的特征向量之间的相似度；
将相似度排名在前n位的优秀图像素材确定为所述推荐图像素材。
9.一种图像评估方法，其特征在于，所述方法包括：
在图像评估页面中显示目标图像，所述目标图像包括至少一个目标图像素材，所述目标图像是待评估的广告图像；
在所述图像评估页面中显示图像评估控件；
接收作用于所述图像评估控件的触发操作；
根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，所述预测等级用于反映所述目标图像被关注的概率，所述目标图像的所述预测等级为基础等级用于指示所述目标图像的预测关注度小于关注度阈值；所述预测关注度是将所述目标图像输入深度学习模型中的卷积神经网络，得到所述目标图像的第一特征；将所述目标图像输入所述深度学习模型中的第一全连接神经网络，得到所述目标图像的第二特征；将所述第一特征和所述第二特征进行拼接，得到所述目标图像的第三特征；将所述第三特征输入第二全连接神经网络，得到第一初始关注度；将所述目标图像输入逻辑回归模型，得到第二初始关注度；根据所述第一初始关注度和所述第二初始关注度，计算得到所述预测关注度；所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作，在所述目标图像的预测等级为基础等级的情况下，所述优化建议用于建议使用推荐图像素材替换所述目标图像中的所述目标图像素材。
10.根据权利要求9所述的方法，其特征在于，所述接收作用于所述图像评估控件的触发操作之前，还包括：
在所述图像评估页面中显示行业选择控件；
接收作用于所述行业选择控件的选择操作；
在所述图像评估页面中显示所述选择操作指示的目标行业。
11.根据权利要求10所述的方法，其特征在于，所述根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，包括：
根据所述触发操作，在所述图像评估页面中显示所述目标图像在所述目标行业中的预测等级和所述优化建议。
12.一种图像评估装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标图像，所述目标图像包括至少一个目标图像素材，所述目标图像是待评估的广告图像；
等级预测模块，用于识别所述目标图像是否包括非法图像素材；
将所述目标图像输入深度学习模型中的卷积神经网络，得到所述目标图像的第一特征；
将所述目标图像输入所述深度学习模型中的第一全连接神经网络，得到所述目标图像的第二特征；
将所述第一特征和所述第二特征进行拼接，得到所述目标图像的第三特征；
将所述第三特征输入第二全连接神经网络，得到第一初始关注度；
将所述目标图像输入逻辑回归模型，得到第二初始关注度；
根据所述第一初始关注度和所述第二初始关注度，计算预测关注度；
在所述预测关注度小于关注度阈值时，确定所述目标图像的预测等级为基础等级，所述预测等级用于反映所述目标图像被关注的概率；
建议确定模块，用于根据所述预测等级确定优化建议，所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作，在所述目标图像的预测等级为基础等级的情况下，所述优化建议用于建议使用推荐图像素材替换所述目标图像中的所述目标图像素材；
输出模块，用于输出所述预测等级和所述优化建议。
13.根据权利要求12所述的装置，其特征在于，所述预测等级还包括违规等级和优秀等级中的一种；
所述违规等级是指包含非法图像素材的目标图像的等级；
所述基础等级是指未包含所述非法图像素材、且未包含优秀图像素材的目标图像的等级；
所述优秀等级是指未包含所述非法图像素材、且包含至少一个所述优秀图像素材的目标图像的等级，所述优秀图像素材预存储在优秀素材库中。
14.根据权利要求13所述的装置，其特征在于，等级预测模块还用于：
识别所述目标图像是否包括所述非法图像素材；
在所述目标图像包括所述非法图像素材时，确定所述目标图像的预测等级为所述违规等级；
其中，所述非法图像素材包括以下几种中的至少一种：模糊程度高于模糊阈值的图像素材、在背景色为白色的图像中且边缘不是矩形的图像素材、由白色线条分割的至少两个图像素材、以宫格形式拼接且数量大于素材阈值的图像素材、文字面积与所在图像的面积之间的比值大于比例阈值的图像素材、文字边缘与所在图像的边缘之间的间隔小于距离阈值的图像素材、包含敏感词汇的图像素材、人脸的面积与所在图像的面积的比值大于人脸阈值的图像素材、包含黑名单场景的图像素材、相似度高于相似度阈值的至少两个图像素材。
15.根据权利要求14所述的装置，其特征在于，所述建议确定模块还用于：
在所述目标图像的预测等级为所述违规等级时，根据所述目标图像的违规原因生成所述优化建议；
其中，所述违规原因用于指示所述目标图像中的非法图像素材的类型，所述优化建议用于建议对所述目标图像中的非法图像素材进行修改。
16.根据权利要求13所述的装置，其特征在于，所述等级预测模块还用于：
在所述预测关注度大于或等于关注度阈值时，确定所述目标图像的预测等级为所述优秀等级。
17.根据权利要求16所述的装置，其特征在于，所述建议确定模块还用于：
在所述预测等级为所述基础等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材。
18.根据权利要求16所述的装置，其特征在于，所述建议确定模块还用于：
在所述预测等级为所述优秀等级时，根据所述目标图像从所述优秀素材库中确定推荐图像素材；
根据所述推荐图像素材生成所述优化建议，所述优化建议用于建议制作所述目标图像的扩展图像素材。
19.根据权利要求17或18所述的装置，其特征在于，所述建议确定模块还用于：
将所述目标图像输入前向神经网络，得到素材特征向量；
计算所述素材特征向量与所述优秀素材库中至少一个优秀图像素材的特征向量之间的相似度；
将相似度排名在前n位的优秀图像素材确定为所述推荐图像素材。
20.一种图像评估装置，其特征在于，所述装置包括：
图像显示模块，用于在图像评估页面中显示目标图像，所述目标图像包括至少一个目标图像素材，所述目标图像是待评估的广告图像；
第一控件显示模块，用于在所述图像评估页面中显示图像评估控件；
第一操作接收模块，用于接收作用于所述图像评估控件的触发操作；
评估显示模块，用于根据所述触发操作在所述图像评估页面中显示所述目标图像的预测等级和优化建议，所述预测等级用于反映所述目标图像被关注的概率，所述目标图像的所述预测等级为基础等级用于指示所述目标图像的预测关注度小于关注度阈值；所述预测关注度是将所述目标图像输入深度学习模型中的卷积神经网络，得到所述目标图像的第一特征；将所述目标图像输入所述深度学习模型中的第一全连接神经网络，得到所述目标图像的第二特征；将所述第一特征和所述第二特征进行拼接，得到所述目标图像的第三特征；将所述第三特征输入第二全连接神经网络，得到第一初始关注度；将所述目标图像输入逻辑回归模型，得到第二初始关注度；根据所述第一初始关注度和所述第二初始关注度，计算得到所述预测关注度；所述优化建议用于表示对所述至少一个目标图像素材进行图像处理的建议操作，在所述目标图像的预测等级为基础等级的情况下，所述优化建议用于建议使用推荐图像素材替换所述目标图像中的所述目标图像素材。
21.根据权利要求20所述的装置，其特征在于，
所述第一控件显示模块，还用于在所述图像评估页面中显示行业选择控件；
所述第一操作接收模块，还用于接收作用于所述行业选择控件的选择操作；
所述装置还包括：
行业显示模块，用于在所述图像评估页面中显示所述选择操作指示的目标行业。
22.根据权利要求21所述的装置，其特征在于，所述评估显示模块还用于：
根据所述触发操作，在所述图像评估页面中显示所述目标图像在所述目标行业中的预测等级和所述优化建议。
23.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至8任意一项所述的图像评估方法。
24.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求9至11任意一项所述的图像评估方法。
25.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至8任意一项所述的图像评估方法；或者，实现如权利要求9至11任意一项所述的图像评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810170617.6A CN110246110B (zh) | 2018-03-01 | 2018-03-01 | 图像评估方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810170617.6A CN110246110B (zh) | 2018-03-01 | 2018-03-01 | 图像评估方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110246110A CN110246110A (zh) | 2019-09-17 |
| CN110246110B true CN110246110B (zh) | 2023-08-18 |
Family
ID=67876158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810170617.6A Active CN110246110B (zh) | 2018-03-01 | 2018-03-01 | 图像评估方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246110B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053192B (zh) * | 2020-09-02 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 用户质量的确定方法、装置、服务器、终端、介质及产品 |
| CN112529871B (zh) * | 2020-12-11 | 2024-02-23 | 杭州海康威视系统技术有限公司 | 评价图像的方法、装置及计算机存储介质 |
| CN113538368B (zh) * | 2021-07-14 | 2024-07-16 | Oppo广东移动通信有限公司 | 图像选择方法、图像选择装置、存储介质与电子设备 |
| CN113592818B (zh) * | 2021-07-30 | 2024-08-16 | 北京小米移动软件有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114742586A (zh) * | 2022-04-11 | 2022-07-12 | 中科强基科技(北京)有限公司 | 一种基于智能显示终端的广告计费统计方法 |
| CN114880057A (zh) * | 2022-04-22 | 2022-08-09 | 北京三快在线科技有限公司 | 图像显示方法、装置、终端、服务器及存储介质 |
| CN116308748B (zh) * | 2023-03-19 | 2023-10-20 | 二十六度数字科技(广州)有限公司 | 一种基于知识图谱的用户欺诈行为判断系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
| CN103051905A (zh) * | 2011-10-12 | 2013-04-17 | 苹果公司 | 使用噪声优化的选择标准计算场景白点 |
| CN106095903A (zh) * | 2016-06-08 | 2016-11-09 | 成都三零凯天通信实业有限公司 | 一种基于深度学习技术的广播电视舆情分析方法及系统 |
| CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
| CN106507100A (zh) * | 2016-11-14 | 2017-03-15 | 厦门大学 | 一种基于传输的劣化图像主观质量素材库构建方法 |
| CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和系统 |
| CN107545301A (zh) * | 2016-06-23 | 2018-01-05 | 阿里巴巴集团控股有限公司 | 页面展示方法及装置 |
| CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170330029A1 (en) * | 2010-06-07 | 2017-11-16 | Affectiva, Inc. | Computer based convolutional processing for image analysis |
| CN104837007B (zh) * | 2014-02-11 | 2018-06-05 | 阿里巴巴集团控股有限公司 | 一种数字图像质量分级的方法和装置 |
| US9659384B2 (en) * | 2014-10-03 | 2017-05-23 | EyeEm Mobile GmbH. | Systems, methods, and computer program products for searching and sorting images by aesthetic quality |
| US9794540B2 (en) * | 2015-04-17 | 2017-10-17 | Google Inc. | Hardware-based convolutional color correction in digital images |
| US10410108B2 (en) * | 2016-08-08 | 2019-09-10 | EyeEm Mobile GmbH | Systems, methods, and computer program products for searching and sorting images by aesthetic quality personalized to users or segments |
-
2018
- 2018-03-01 CN CN201810170617.6A patent/CN110246110B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334893A (zh) * | 2008-08-01 | 2008-12-31 | 天津大学 | 基于模糊神经网络的融合图像质量综合评价方法 |
| CN103051905A (zh) * | 2011-10-12 | 2013-04-17 | 苹果公司 | 使用噪声优化的选择标准计算场景白点 |
| CN106095903A (zh) * | 2016-06-08 | 2016-11-09 | 成都三零凯天通信实业有限公司 | 一种基于深度学习技术的广播电视舆情分析方法及系统 |
| CN107545301A (zh) * | 2016-06-23 | 2018-01-05 | 阿里巴巴集团控股有限公司 | 页面展示方法及装置 |
| CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
| CN106507100A (zh) * | 2016-11-14 | 2017-03-15 | 厦门大学 | 一种基于传输的劣化图像主观质量素材库构建方法 |
| CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和系统 |
| CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 视频网站贴片广告的用户体验探讨 ——基于AIDA 模型的API 应用;谢奕等;User Friendly 2014暨UXPA中国第十一届用户体验行业年会论文;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110246110A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246110B (zh) | 图像评估方法、装置及存储介质 | |
| CN109740068B (zh) | 媒体数据推荐方法、装置及存储介质 | |
| CN108304441B (zh) | 网络资源推荐方法、装置、电子设备、服务器及存储介质 | |
| CN109284445B (zh) | 网络资源的推荐方法、装置、服务器及存储介质 | |
| CN110650379B (zh) | 视频摘要生成方法、装置、电子设备及存储介质 | |
| CN108961157B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN111506758B (zh) | 物品名称确定方法、装置、计算机设备及存储介质 | |
| CN110163066B (zh) | 多媒体数据推荐方法、装置及存储介质 | |
| CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
| CN109086742A (zh) | 场景识别方法、场景识别装置及移动终端 | |
| CN112235635B (zh) | 动画显示方法、装置、电子设备及存储介质 | |
| US20210335391A1 (en) | Resource display method, device, apparatus, and storage medium | |
| CN113822136A (zh) | 视频素材图像的选择方法、装置、设备及存储介质 | |
| CN111539795A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN109246474B (zh) | 一种视频文件编辑方法及移动终端 | |
| CN110213307B (zh) | 多媒体数据推送方法、装置、存储介质及设备 | |
| CN110909184A (zh) | 多媒体资源显示方法、装置、设备及介质 | |
| CN114741559A (zh) | 确定视频封面的方法、设备及存储介质 | |
| CN114242023A (zh) | 显示屏亮度调节方法、显示屏亮度调节装置和电子设备 | |
| CN113609358A (zh) | 内容分享方法、装置、电子设备以及存储介质 | |
| CN114691860A (zh) | 文本分类模型的训练方法、装置、电子设备及存储介质 | |
| CN112907702A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN111754272A (zh) | 广告推荐方法、推荐广告显示方法、装置及设备 | |
| CN114780181B (zh) | 资源显示方法、装置、计算机设备及介质 | |
| CN111797754B (zh) | 图像检测的方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |