[发明专利]图像处理方法、装置、电子设备、存储介质及程序产品

权利要求书

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；其中，所述显著性预测处理是通过调用显著预测模型实现的，用于训练所述显著预测模型的显著预测训练样本的标注数据为真实关注度，所述真实关注度是基于眼睛对于所述显著预测训练样本中每个像素的停留时间确定的；

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特征提取处理，对得到的所述区域的画质卷积特征进行全连接处理，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确定每个所述区域的区域关注度，以每个所述区域的区域关注度为权重，对每个所述区域的画质评分进行加权求和处理，得到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的取值大于等于1且小于N，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的取值大于等于2且小于N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的取值大于等于1且小于Ｍ，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的取值大于等于2且小于M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尺度扩大结果为每个所述像素的关注度。