一种基于AI的图片评估筛选方法及其系统与流程

本发明涉及图像处理，特别是一种基于ai的图片评估筛选方法及其系统。

背景技术：

1、人们在外出旅游后，经常会对旅游时拍摄的照片进行筛选，选出同一场景下最好的照片进行收藏或分享，此时需要针对照片逐一进行查看，耗时较长，且长时间的筛选会引起使用者的视觉疲劳，而难以筛选出最佳的照片。目前已有较多的ai模型应用于诸如拍摄照片的处理中，如对照片进行相似度处理的筛选，目前的采用ai技术来对图片质量，特别是人物和环境的不佳状态进行分级筛选的应用较少；

2、例如在公开号cn118154571a名称为一种ai图像的图像质量评价方法、系统、设备及介质中，包括：获取初始ai图像及对应文本提示数据；对所述初始ai图像进行预处理，得到若干不同尺度的ai图像；将各不同尺度的ai图像及对应文本提示数据输入多尺度图像质量评价模型中进行质量评价，得到图像质量评价分数；其中，所述图像质量评价分数包括ai图像的内容一致性分数、视觉质量分数和真实性分数；所述多尺度图像质量评价模型包括依次连接的特征提取模块、aff模块和评价模块；所述特征提取模块是基于图像编码器构建的，所述评价模块包括若干平行设置的全连接层。本发明所述技术方案在ai生成图像的多维度评价上表现出强大的性能。

3、公开号cn118115831a名称为基于ai训练平台的图像数据智能处理方法涉及图像智能化技术，针对现有技术中样本数据体量影响模型质量的问题提出本方案。首先基于ai训练平台通过数据筛选模块对收集到的样本数据进行筛选，然后对筛选后的数据进行标注；然后进行样本数据的预处理，在预处理过程中，利用数据增强模块对样本数据的进行增强以提升泛化能力。优点在于，从两个方面进行，一是通过预置的模型对大量数据进行排选；二是采用数据增强模块对小样本数据进行数据增强，进一步提高模型的泛化能力，增加样本量。通过该方法既可以节约人工的投入也可以提高泛化能力。

4、面对现阶段图像处理中，对于图像质量的准确分级、评估以及智能筛选，为此我们提出一种基于ai的图片评估筛选方法及其系统。

技术实现思路

1、鉴于上述现有的图像处理中存在的问题，提出了本发明。

2、因此，本发明其中的一个目的是提供一种基于ai的图片评估筛选方法及其系统，其利用应用ai进行图片质量筛选，可智能筛选出更加准确、美观和观感佳的图片，并结合犹豫模糊评价改善了图像分级评估方法，进一步地提高了对图片分类的层级评判效果。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供一种基于ai的图片评估筛选方法及其系统，包括：

5、获取相册中的图像数据，基于图像数据的分类特征将所述图像数据依次进行特征抽取、聚类分析和场景时间识别，并根据场景时间分类特征对图像数据进行归集，归集为不同组别的目标图像数据，并生成相应的目标图像数据集；

6、通过ai大模型调用所述目标图像数据集，对输入的目标图像数据集进行数据的归类、训练、识别和关联后，确定在图像筛选过程中的图像筛选影响特征和对应的图像筛选影响特征因素集，基于ai大模型对所述图像筛选影响特征因素集进行ai智能分析，生成图像评估的结果数据；

7、获取并响应所述图像评估的结果数据，构建相册中的图像的筛选模型，即基于深度学习网络，通过划分训练集和测试集并进行参数优化后，将目标图像数据集中的图片基于相应的权重进行质量评估和分级后，得出目标筛选图片结果数据；

8、响应所述目标筛选图片结果数据，对相册中的图像数据进行对应的筛选和可视化呈现。

9、作为本发明的一种优选方案，其中：所述图像筛选影响特征包括人物眯眼眨眼状态、人物体态晃动抖动状态、人物遮挡脸部状态、环境阴暗或曝光光线状态的特征因素。

10、作为本发明的一种优选方案，其中：基于深度学习网络，通过划分训练集和测试集并进行参数优化，具体地采用ain-cnns特征提取模型对所述目标图像数据集中人物状态和环境状态进行筛选出人物状态的人脸和体态区域特征以及环境光线状态特征并提取后，依次进行编码生成对应的人脸、体态以及环境光线状态的特征数据；根据特征数据确定目标特征数据。

11、作为本发明的一种优选方案，其中：将所获得目标图像数据集中相同人物的人脸和体态区域图像并将图像缩放到相同的尺寸大小；

12、以人脸和体态区域图像中心作为原点，建立图像直角坐标系；

13、将人脸和体态区域图像各坐标的特征数据与目标特征数据进行对比，得到特征数据出现差异的坐标，确定为被筛选状态，即人物眯眼眨眼状态、人物体态晃动抖动状态、人物遮挡脸部状态、环境阴暗或曝光光线状态；

14、通过去除人脸和体态区域图像中对应的坐标，基于所述目标图像数据集筛选人脸和体态剩下的图像信息并确定为图像评估的结果数据；

15、响应所述图像评估的结果数据，并根据所述质量评估和分级后，得出目标筛选图片结果数据，对相册中的图像数据进行对应的筛选和可视化呈现。

16、作为本发明的一种优选方案，其中：基于深度学习网络，通过划分训练集和测试集并进行参数优化还包括生成目标图像数据集在图像筛选过程中的异常样本并完成训练；

17、将图像筛选的正常样本和目标图像待筛选样本作为一个测试样本对进行预处理操作；

18、利用训练好的编码模块和解码模块输出相应的预测结果，并对解码后的结果进行逻辑判断，实时进行图像筛选异常情况报警。

19、作为本发明的一种优选方案，其中：还包括选取人物或景物作为为重点关注，以增加被筛选的优先级。

20、作为本发明的一种优选方案，其中：基于ai大模型对所述图像筛选影响特征因素集进行ai智能分析，还包括优化图像评估的结果数据，具体地将所述图像评估的结果数据结合模糊综合评价进行处理生成评估后的图像优化结果数据，即采用犹豫模糊集对ai智能分析评估的图像结果数据进行评价，生成图像筛选优化结果数据。

21、作为本发明的一种优选方案，其中：将所述图像评估的结果数据结合模糊综合评价进行处理生成评估后的图像优化结果数据，具体地如下：

22、犹豫模糊综合评价通过确定所评价的目标图像数据集，根据图像筛选影响特征进行聚类分析影响图像筛选影响特征和对应的图像筛选影响特征因素集；

23、确定图像筛选影响特征因素集以及图像评估指标后，并根据图像评估指标确定相应的评价等级和判断阈值；

24、根据不同评价等级和判断阈值，并响应图像评估的结果数据进行犹豫模糊评价，得到目标图像数据集的犹豫模糊评价矩阵；具体地，设x＝{x1,x2,…,xn}为目标图像数据集中图片的集合u＝{y1,y2,…,ym}为图像评估指标集合，根据犹豫模糊集和直觉模糊集的定义，通过ai大模型智能分析得出综合犹豫模糊矩阵

25、将所述综合犹豫模糊评价矩阵与权重向量进行模糊合成，具体地计算隶属度集合，得到犹豫模糊集合的广义比较表，利用特征函数进行对比后计算与所述广义比较表的行和、列和以及行和、列和之差，计算得到目标图像数据集的综合评价结果，生成图像筛选优化结果数据并输出。

26、作为本发明的一种优选方案，其中：所述进行质量评估和分级，其中分级评估计算如下式所示：

27、其中,q为分级评估值，q1为上一层级评估值，e为分级评估的第e层数，为新层级在神经网络中评估值。

28、第二方面，本发明提供一种基于ai的图片评估筛选方法的系统，包括：

29、获取处理模块，用于获取相册中的图像数据，基于图像数据的分类特征将所述图像数据依次进行特征抽取、聚类分析和场景时间识别，并根据场景时间分类特征对图像数据进行归集，归集为不同组别的目标图像数据，并生成相应的目标图像数据集；

30、ai大模型分析模块，用于通过ai大模型调用所述目标图像数据集，对输入的目标图像数据集进行数据的归类、训练、识别和关联后，确定在图像筛选过程中的图像筛选影响特征和对应的图像筛选影响特征因素集，基于ai大模型对所述图像筛选影响特征因素集进行ai智能分析，生成图像评估的结果数据；

31、分级评估模块，用于获取并响应所述图像评估的结果数据，构建相册中的图像的筛选模型，即基于深度学习网络，通过划分训练集和测试集并进行参数优化后，将目标图像数据集中的图片基于相应的权重进行质量评估和分级后，得出目标筛选图片结果数据；

32、输出模块，用于响应所述目标筛选图片结果数据，对相册中的图像数据进行对应的筛选和可视化呈现。

33、本发明的有益效果：

34、本发明应用ai进行图片质量筛选，可智能筛选出更加准确、美观和观感佳的图片，并结合犹豫模糊评价改善了图像分级评估方法，进一步地提高了对图片分类的层级评判效果。