亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

酒店房型圖像的排序方法與流程

文檔序號:11143373閱讀:902來源:國知局
酒店房型圖像的排序方法與制造工藝

本發(fā)明涉及一種圖像處理領(lǐng)域,特別是涉及一種酒店房型圖像的排序方法。



背景技術(shù):

當(dāng)前,通過互聯(lián)網(wǎng)對酒店的房型進行售賣已經(jīng)成為了常用的手段。在網(wǎng)上售賣時,售賣方一般會提供房型圖像給用戶,從而直觀地展示酒店房型的信息。售賣方在展示房型圖像前,需要對圖像進行排序,優(yōu)先展示吸引用戶的圖像,以提升用戶的體驗和下單率。隨著互聯(lián)網(wǎng)的飛速發(fā)展,售賣方每天都會利用用戶上傳、爬蟲下載等諸多途徑獲取大量酒店房型的圖像,數(shù)量已遠遠超過人工排序的限度。因此,利用計算機讀取房型圖像信息,自動對其進行排序成為了迫切的需求。現(xiàn)階段,對酒店房型圖像排序的研究尚未深入展開,鮮有有效的酒店房型圖像排序技術(shù),實現(xiàn)酒店房型圖像的合理排序是一項具有挑戰(zhàn)性的任務(wù)。



技術(shù)實現(xiàn)要素:

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中無法對酒店房型圖像進行精準(zhǔn)排序的缺陷,提供一種實用性強、排序效果好的酒店房型圖像的排序方法。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的:

本發(fā)明提供了一種酒店房型圖像的排序方法,其特點在于,包括以下步驟:

S1、建立酒店房型圖像的內(nèi)容分類模型;

S2、建立酒店房型圖像的質(zhì)量量化模型;

S3、結(jié)合所述內(nèi)容分類模型及所述質(zhì)量量化模型對酒店房型圖像進行排序。

較佳地,步驟S1包括:

S11、收集多個圖像,并生成第一圖像訓(xùn)練集;

S12、利用所述第一圖像訓(xùn)練集訓(xùn)練基于深度神經(jīng)網(wǎng)絡(luò)的圖像特征提取器;

S13、收集酒店房型圖像,并生成第二圖像訓(xùn)練集;

S14、利用所述第二圖像訓(xùn)練集訓(xùn)練酒店房型圖像的內(nèi)容分類模型。

較佳地,步驟S12中所訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)為19層的VGG網(wǎng)絡(luò),包括16個卷積層和3個全連接層。

較佳地,步驟S12中所述圖像特征提取器提取每張圖像在所述VGG網(wǎng)絡(luò)中特定層的輸出值作為該張圖像的特征。

較佳地,步驟S14包括:

S141、將通過步驟S13生成的所述第二圖像訓(xùn)練集中的所有圖像,利用步驟S12訓(xùn)練得到的所述圖像特征提取器進行特征提取;

S142、利用通過步驟S141提取到的所述第二圖像訓(xùn)練集中的圖像對應(yīng)的圖像特征和圖像的類別,訓(xùn)練得到最優(yōu)分類超平面,以對酒店房型圖像的內(nèi)容進行自動分類。

較佳地,步驟S2包括:

S21、量化酒店房型圖像的清晰度,獲取圖像的清晰度分數(shù);

S22、量化酒店房型圖像的色彩豐富度;

S23、結(jié)合所述清晰度分數(shù)及所述色彩豐富度得到酒店房型圖像的質(zhì)量分數(shù)。

較佳地,步驟S21、包括:

S211、對酒店房型圖像進行高斯濾波得到濾波后的目標(biāo)圖像;

S212、分別對所述酒店房型圖像和所述目標(biāo)圖像進行拉普拉斯濾波;

S213、計算所述酒店房型圖像經(jīng)過拉普拉斯濾波后圖像的第一像素值方差,并計算所述目標(biāo)圖像經(jīng)過拉普拉斯濾波后圖像的第二像素值方差;

S214、計算所述酒店房型圖像的清晰度分數(shù),計算公式為C=(Var1-Var2)/Var1;其中,C表示清晰度分數(shù),Var1表示所述第一像素值方差,Var2表示所述第二像素值方差。

較佳地,在步驟S22中,所述色彩豐富度與酒店房型圖像的像素值方差呈正相關(guān)。

較佳地,在步驟S23中,根據(jù)步驟S22中量化的色彩豐富度換算對應(yīng)的懲罰系數(shù),并計算酒店房型圖像的質(zhì)量分數(shù),計算公式為Q=(a*C)*100,其中Q表示質(zhì)量分數(shù),a表示懲罰系數(shù)。

較佳地,步驟S3包括:

S31、利用步驟S1建立的內(nèi)容分類模型計算酒店房型圖像所屬的圖像類別ID;

S32、利用步驟S2建立的質(zhì)量量化模型計算酒店房型圖像的質(zhì)量分數(shù);

S33、結(jié)合所述圖像類別ID和所述圖像質(zhì)量分數(shù)得到圖像排序分數(shù);

重復(fù)執(zhí)行步驟S31-S33,計算所有酒店房型圖像的圖像排序分數(shù),根據(jù)圖像排序分數(shù)對酒店房型圖像進行排序。

本發(fā)明的積極進步效果在于:

1)本發(fā)明建立的酒店房型圖像的內(nèi)容分類模型,實現(xiàn)了自動獲取酒店房型圖像的類別;所述內(nèi)容分類模型通過深度卷積神經(jīng)網(wǎng)絡(luò)獲取圖像特征,有效地模擬了人眼視覺處理系統(tǒng),保證了圖像內(nèi)容類別計算的準(zhǔn)確性,為酒店房型圖像排序提供了有效的內(nèi)容信息。

2)本發(fā)明建立的酒店房型圖像的質(zhì)量量化模型,實現(xiàn)自動量化酒店房型圖像的質(zhì)量好壞;所述質(zhì)量量化模型融合了圖像清晰度和色彩豐富度兩方面的信息,保證了圖像質(zhì)量量化的準(zhǔn)確性,為酒店房型圖像排序提供了有效的質(zhì)量信息。

3)本發(fā)明融合內(nèi)容分類模型和質(zhì)量量化模型實現(xiàn)圖像排序,使圖像內(nèi)容和圖像質(zhì)量兩方面的影響都被考慮,使內(nèi)容和質(zhì)量俱佳的酒店房型圖像能夠被優(yōu)先展示給用戶,保證了酒店房型圖像排序的效果。

附圖說明

圖1為本發(fā)明的較佳實施例的酒店房型圖像的排序方法的流程圖。

具體實施方式

下面通過實施例的方式進一步說明本發(fā)明,但并不因此將本發(fā)明限制在所述的實施例范圍之中。

如圖1所示,本發(fā)明的酒店房型圖像的排序方法包括以下步驟:

步驟101、建立酒店房型圖像的內(nèi)容分類模型;

步驟102、建立酒店房型圖像的質(zhì)量量化模型;

步驟103、結(jié)合所述內(nèi)容分類模型及所述質(zhì)量量化模型對酒店房型圖像進行排序。

其中,步驟101具體包括以下步驟:

步驟1011、收集多個圖像,并生成第一圖像訓(xùn)練集T1;

其中,第一圖像訓(xùn)練集T1中的圖像是通過互聯(lián)網(wǎng)批量下載得到的,下載的圖像內(nèi)容包括了風(fēng)景、建筑、客廳等類別在內(nèi)的88個類別,每個類別圖像數(shù)量為10000張。

步驟1012、利用所述第一圖像訓(xùn)練集T1訓(xùn)練基于深度神經(jīng)網(wǎng)絡(luò)的圖像特征提取器;

其中,所訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)為19層的VGG網(wǎng)絡(luò),包含了16個卷積層和3個全連接層。其中,卷積層的卷積核大小為3×3像素,步長為1個像素,各層激活函數(shù)為修正線性函數(shù),池化方式為max pooling。利用所述圖像特征提取器提取酒店房型圖像的過程具體為:將一張酒店房型圖像輸入VGG網(wǎng)絡(luò),則該張圖像在VGG網(wǎng)絡(luò)中第2個全連接層的輸出值被作為其特征向量,特征向量的維度為4096。

步驟1013、收集酒店房型圖像,并生成第二圖像訓(xùn)練集T2;

其中,酒店房型圖像是通過互聯(lián)網(wǎng)批量下載并線下整理獲取的,人工手動對圖像的內(nèi)容進行更細類別的標(biāo)注,共分4個細類別:包括含床圖像(類別ID:1)、不含床的房間圖像(類別ID:2)、房間設(shè)施圖像(類別ID:3)、衛(wèi)生間圖像(類別ID:4)。每個類別500張,總共2000張。

步驟1014、利用所述第二圖像訓(xùn)練集T2訓(xùn)練酒店房型圖像的內(nèi)容分類模型。

具體地,步驟1014包括以下步驟:

步驟10141、將通過步驟1013生成的所述第二圖像訓(xùn)練集T2中的所有圖像,利用步驟1012訓(xùn)練得到的所述基于深度神經(jīng)網(wǎng)絡(luò)的圖像特征提取器進行特征提取;

步驟10142、利用通過步驟10141提取到的所述第二圖像訓(xùn)練集T2中的圖像對應(yīng)的圖像特征和圖像的類別ID,訓(xùn)練一個4分類的支持向量機分類模型,從而得到最優(yōu)分類超平面,以對酒店房型圖像的內(nèi)容進行自動分類。其中支持向量機的核函數(shù)采用的是線性核函數(shù),懲罰系數(shù)C取1。

步驟102具體包括以下步驟:

步驟1021、量化酒店房型圖像的清晰度,獲取圖像的清晰度分數(shù);

具體地,步驟1021包括:

步驟10211、對酒店房型圖像進行高斯濾波得到濾波后的目標(biāo)圖像;其中,高斯濾波使用的卷積核大小為3*3像素;

步驟10212、分別對所述酒店房型圖像和所述目標(biāo)圖像進行拉普拉斯濾波;其中,拉普拉斯濾波使用的卷積核大小為3*3像素;

步驟10213、計算所述酒店房型圖像經(jīng)過拉普拉斯濾波后圖像的第一像素值方差,并計算所述目標(biāo)圖像經(jīng)過拉普拉斯濾波后圖像的第二像素值方差;

步驟10214、計算所述酒店房型圖像的清晰度分數(shù),計算公式為C=(Var1-Var2)/Var1;其中,C表示清晰度分數(shù),Var1表示所述第一像素值方差,Var2表示所述第二像素值方差;其中,清晰度分數(shù)越高說明圖像清晰度越高。

步驟1022、量化酒店房型圖像的色彩豐富度;其中,色彩豐富度的大小是通過酒店房型圖像的像素值方差來量化的,二者具體呈正相關(guān),方差越大代表色彩豐富度越大。

步驟1023、結(jié)合所述清晰度分數(shù)及所述色彩豐富度得到酒店房型圖像的質(zhì)量分數(shù)。首先,根據(jù)步驟1022中量化的色彩豐富度換算對應(yīng)的懲罰系數(shù),具體地,當(dāng)色彩豐富度小于1000時,對應(yīng)的懲罰系數(shù)為0.75;當(dāng)色彩豐富度大于1000而小于2000時,對應(yīng)的懲罰系數(shù)為0.85;當(dāng)色彩豐富度大于2000而小于3000時,對應(yīng)的懲罰系數(shù)為0.95;當(dāng)色彩豐富度大于3000時,對應(yīng)的懲罰系數(shù)為1。然后,計算酒店房型圖像的質(zhì)量分數(shù),計算公式為Q=(a*C)*100,其中Q表示質(zhì)量分數(shù),a表示懲罰系數(shù)。質(zhì)量分數(shù)Q在0到100之間,越高表示圖像質(zhì)量越好。

步驟103具體包括以下步驟:

步驟1031、利用步驟101建立的內(nèi)容分類模型計算酒店房型圖像所屬的圖像類別ID;具體地,對于一張酒店房型圖像,首先利用步驟1012中訓(xùn)練得到的基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取器提取該圖像的特征向量,然后將該特征向量輸入利用步驟1014中訓(xùn)練得到的支持向量機分類模型中,計算得到該圖像所屬的類別ID。其中,酒店房型圖像所屬的類別ID屬于1、2、3和4中的一個值,分別代表1:含床圖像;2:不含床的房間圖像;3:房間設(shè)施圖像;4:衛(wèi)生間圖像。

步驟1032、利用步驟102建立的質(zhì)量量化模型計算酒店房型圖像的質(zhì)量分數(shù);

步驟1033、結(jié)合所述圖像類別ID和所述圖像質(zhì)量分數(shù)得到圖像排序分數(shù);具體地,圖像排序分數(shù)=圖像類別ID*100+(100-質(zhì)量分數(shù)),圖像排序分數(shù)越小,圖像排的位置越靠前;

然后,重復(fù)執(zhí)行步驟1031-1033,計算所有酒店房型圖像的圖像排序分數(shù),根據(jù)圖像排序分數(shù)對酒店房型圖像進行排序。具體順序為:含床圖像、不含床的房間圖像、房間設(shè)施圖像、衛(wèi)生間圖像;然后相同內(nèi)容的圖像則按照圖像質(zhì)量高低進行排序。

本實施例的酒店房型圖像排序方法從圖像的內(nèi)容和質(zhì)量兩個角度精準(zhǔn)地量化房型圖像的排序分數(shù),使排序的實用性和排序的效果都得到較好的保障。

雖然以上描述了本發(fā)明的具體實施方式,但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解,這些僅是舉例說明,本發(fā)明的保護范圍是由所附權(quán)利要求書限定的。本領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實質(zhì)的前提下,可以對這些實施方式做出多種變更或修改,但這些變更和修改均落入本發(fā)明的保護范圍。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1