CN108898591A - 图像质量的评分方法及装置、电子设备、可读存储介质 - Google Patents

Abstract

本公开是关于一种图像质量的评分方法及装置、电子设备、可读存储介质。所述方法包括：确定输入图像；确定所述输入图像在评分范围内的概率分布；根据所述概率分布确定所述输入图像的评分值。可见，本实施例中通过计算概率分布可以获取到大众用户对输入图像的评分偏好；根据大众用户的评分偏好确定的评分值能够符合用户的需求，方便用户根据评分值更好的管理图像，提升使用体验。

Description

图像质量的评分方法及装置、电子设备、可读存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及一种图像质量的评分方法及装置、电子设备、可读存储介质。

背景技术

随着智能手机上摄像头质量的提高，用户倾向于用智能手机随时随地的拍摄图像，有利于帮助用户留住美丽的瞬间。

由于现有智能手机的存储空间有限，用户需要定期将图像移存至硬盘或者删减管理。以删减管理为例，在删减的过程中，用户需要浏览所有图像，然后根据喜好将不需要的图像删除。但是，若图像数量过多，如1000张以上，则会耗费用户过多的时间。当删减到一定程度后，用户会在多张图像间犹豫，无法确定删除的图像。

发明内容

本公开提供一种图像质量的评分方法及装置、电子设备、可读存储介质，以解决相关技术中的不足。

根据本公开实施例的第一方面，提供一种图像质量的评分方法，包括：

确定输入图像；

确定所述输入图像在评分范围内的概率分布；

根据所述概率分布确定所述输入图像的评分值。

可选地，确定所述输入图像在评分范围内的概率分布包括：

对所述输入图像进行预处理，得到标准图像；

将所述标准图像输入所述特征提取模型，通过所述特征提取模型确定所述标准图像的特征向量；

将所述特征向量输入多层感知机，通过所述多层感知机确定所述输入图像在所述评分范围内的概率分布。

可选地，通过所述特征提取模型确定所述标准图像的特征向量之前，所述方法还包括：

获取N张样本图像和所述N张样本图像各自的人工标注概率分布；N为正整数；

将所述N张样本图像依次输入多层感知机，直至所述多层感知机中的损失函数收敛时停止训练所述多层感知机，得到训练后的多层感知机中；所述损失函数基于所述人工标注概率分布和所述多层感知机输出的概率分布判断是否收敛。

可选地，根据所述概率分布确定所述输入图像的评分值包括：

根据所述概率分布确定所述输入图像在所述评分范围内各评分值处的概率值；

基于所述各评分值和所述概率值确定所述输入图像的评分值。

根据本公开实施例的第二方面，提供一种图像质量的评分装置，包括：

输入图像确定模块，用于确定输入图像；

概率分布确定模块，用于确定所述输入图像在评分范围内的概率分布；

评分值确定模块，用于根据所述概率分布确定所述输入图像的评分值。

可选地，所述概率分布确定模块包括：

标准图像获取单元，用于对所述输入图像进行预处理，得到标准图像；

特征向量确定单元，用于将所述标准图像输入所述特征提取模型，通过所述特征提取模型确定所述标准图像的特征向量；

概率分布确定单元，用于将所述特征向量输入多层感知机，通过所述多层感知机确定所述输入图像在所述评分范围内的概率分布。

可选地，所述装置还包括：

概率分布获取模块，用于获取N张样本图像和所述N张样本图像各自的人工标注概率分布；N为正整数；

特征模型训练模块，用于将所述N张样本图像依次输入多层感知机，直至所述多层感知机中的损失函数收敛时停止训练所述多层感知机，得到训练后的多层感知机中；所述损失函数基于所述人工标注概率分布和所述多层感知机输出的概率分布判断是否收敛。

可选地，所述评分值确定模块包括：

概率值确定单元，用于根据所述概率分布确定所述输入图像在所述评分范围内各评分值处的概率值；

评分值确定单元，用于基于所述各评分值和所述概率值确定所述输入图像的评分值。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现第一方面所述方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例中通过确定输入图像在评分范围内的概率分布，并基于概率分布和各评分值计算出输入图像的评分值。可见，本实施例中通过计算概率分布可以获取到大众用户对输入图像的评分偏好；根据大众用户的评分偏好确定的评分值能够符合用户的需求，方便用户根据评分值更好的管理图像，提升使用体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图像质量的评分方法的流程示意图；

图2是根据另一示例性实施例示出的一种图像质量的评分方法的流程示意图；

图3是根据一示例性实施例示出的一种应用场景图；

图4是根据另一示例性实施例示出的一种应用场景图；

图5～图8根据一示例性实施例示出的一种图像质量的评分装置的框图；

图9是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置例子。

目前，用户倾向于用智能手机随时随地的拍摄图像，以留住美丽的瞬间。由于现有智能手机的存储空间有限，用户需要定期将图像移存至硬盘或者删减管理。以删减管理为例，在删减的过程中，用户需要浏览所有图像，然后根据喜好将不需要的图像删除。但是，若图像数量过多，如1000张以上，则会耗费用户过多的时间。当删减到一定程度后，用户会在多张图像间犹豫，无法确定删除的图像。

为解决上述技术问题，本发明实施例提供了一种图像质量的评分方法，图1是根据一示例性实施例示出的一种图像质量的评分方法。可理解的是，本发明实施例提供的评分方法，可以应用于计算机、手机、平板电脑等电子设备，为方便描述，后续实施例中以智能手机为例进行描述。参见图1，一种图像质量的评分方法包括步骤101、步骤102和步骤103：

101，确定输入图像。

本实施例中，智能手机的处理器可以自动获取输入图像，例如当用户选择“图库”时，意味着用户需要浏览其中的图像，此场景下，处理器可以依次获取“图库”中存储的图像作为输入图像。当然，处理器还可以检测用户的选择操作，将选择操作对应的图像作为输入图像。

102，确定所述输入图像在评分范围内的概率分布。

本实施例中，处理器可以调用预置的算法提取输入图像的特征向量，根据特征向量可以确定出该输入图像在评分范围内的概率分布。由于后续实施例会作详细描述，在此先不作说明。

其中，评分范围是指输入图像评分值的最大值和最小值构成评分区间，例如评分范围可以为1～10或者1～100等。在一实施例中，评分范围选择为1～10。概率分布，是指用于表述评分范围内各评分值的概率规律。

103，根据所述概率分布确定所述输入图像的评分值。

本实施例中，处理器根据概率分布可以确定出输入图像在各评分值处的概率值，之后根据各评分值及其对应的概率值可以确定出输入图像的评分值。

至此，本实施例中通过确定输入图像的概率分布，可以获取到大众用户对输入图像的评分偏好，即本实施例中根据大众用户的评分偏好确定出输入图像的评分值更能够符合用户的评分需求，方便用户根据评分值更好的管理图像，提升使用体验。

图2是根据一示例性实施例示出的一种图像质量的评分方法的流程示意图。参见图2，一种图像质量的评分方法包括步骤201～步骤203：

201，确定输入图像。

步骤201和步骤101的具体方法和原理一致，详细描述请参考图1及步骤101的相关内容，此处不再赘述。

202，确定所述输入图像在评分范围内的概率分布。

本实施例中，处理器获取概率分布的方式，至少可以包括方式一和方式二。下面对方式一和方式二进行描述：

方式一

首先，处理器可以调用预置的深层神经网络，该深层神经网络已经训练完毕。

考虑到智能手机的计算资源，上述深层神经网络可以采用MobileNet网络、ShuffleNet网络、SqueezeNet网络等轻量化的网络，从而可以节省智能手机的计算资源。当然，电子设备为PC、服务器等设备时，处理器可以调用其他神经网络，例如CNN神经网络、BP神经网络等，同样可以达到提取出输入图像的特征向量的效果，相应的方案落入本申请的保护范围。

其次，处理器将输入图像输入到深层神经网络，通过该深层神经网络提取出该输入图像的特征，并以特征向量的形式输出(对应步骤2021)。

可理解的是，处理器将输入图像输入到深层神经网络前，可以根据深层神经网络的要求对输入图像做预处理。以尺寸调整为例，处理器可以根据深层神经网络的需求将输入图像的尺寸调整为设定尺寸，例如设定尺寸可以为224*224(单位像素)，从而得到标准图像。之后处理器将标准图像输入到深层神经网络中，这样能够提升深层神经网络提取特征向量的效率。技术人员可以根据具体场景，调整预处理的组成内容，例如预处理还可以包括归一化处理(减均值、除方差)等，调整后的方案同样落入本申请的保护范围。

再次，处理器将特征向量输入到多层感知机(MLP)中，通过逻辑回归模型可以确定出输入图像在评分范围内的概率分布(对应步骤2022)。

可理解的是，处理器还可以调用其他神经网络，例如BP神经网络，以替代多层感知机，以使神经网络根据特征向量确定出其对应分类的概率值，然后将多个分类及其概率值组合成评分范围的概率分布，同样可以实现本步骤的方案。技术人员可以根据具体场景选择合适的模型、算法等确定概率分布，在此不作限定。

需要说明的是，本实施例中将获取概率分布分为两个步骤来处理，优势在于：处理器可以单独训练深层神经网络或多层感知机，将提取特征向量过程和识别特征向量过程解耦，使两者对应网络的训练无直接联系，可以提高深层神经网络提取特征向量的准确度以及提高多层感知机识别特征向量的准确度。

在一实施例中，为获取到大众用户对输入图像的评分偏好，在训练深层神经网络或多层感知机时，可以采用N(N为正整数)张样本图像，N的取值可以根据深层神经网络的精度进行调整，例如1000、2000或者10000等，在此不作限定。其中每张样本图像可以包括对应的人工标注概率分布，该人工标注概率分布是统计至少M个大众用户对样本图像进行人工标注的评分值(例如1～10分)得到的。例如M取值100，标注评分值为1、2、3、4、5、6、7、8、9、10的用户数量分别为：0、5、8、9、9、10、12、15、16、10和6，则该样本图像对应的人工标注概率分布P＝{0，0.05，0.08，0.09，0.09，0.10，0.10，0.12，0.15，0.16，0.10，0.06}。

处理器利用N张样本图像训练多层感知机过程可以包括：

第一，处理器将N张样本图像和每张样本图像的人工标注概率分布形成图像训练集。

第二，处理器将图像训练集中每张样本图像分别输入到多层感知机，通过多层感知机确定出评分范围内的概率分布。

第三，处理器根据每张样本图像的人工标注概率分布和多层感知机输出的概率分布确定损失函数是否收敛，在不收敛时返回第二步，在收敛时结束训练。

其中，损失函数如下所示：

其中

其中，i表示取值范围内第i个评分值；k表示取值范围内第k个评分值；pi表示基于多层感知机所确定出概率分布而得到的评分值i的概率值；表示根据多层感知机确定出的概率分布而计算的积分值；pi’表示基于人工标注概率分布而得到的评分值i的概率值；表示根据人工标注概率分布而计算出的积分值。

本实施例中训练多层感知机的过程中，充分利用了所有人工标注的评分值，能够提升样本图像的使用效率。并且，训练好的多层感知机的输出值为概率分布，即多个评分值及概率值而不是一个评分值，能够模拟大众用户中不同用户的评分偏好，从而使输入图像的最终评分值更加贴近大众用户的评分偏好，即评分值的准确度更高。

方式二

首先，处理器可以调用预置的神经网络，该神经网络已经训练完毕。

然后，处理器将输入图像输入到预置的神经网络，得到其输出数据即是评分范围的概率分布。例如处理器可以将神经网络中全连接层对应的数据作为一个概率分布输出。其中，处理器将全连接层中各连接点的序号作为评分值，各连接点的数据作为概率值，这样可以得到评分值和对应概率值形成的概率分布，如下式所示：

其中，i表示评分范围内的第i个评分值，pi表示第i个评分值对应的概率值，当i＝10时，10个评分值对应的概率值之和等于1；P表示概率分布。

203，根据所述概率分布确定所述输入图像的评分值。

本实施例中，处理器根据概率分布可确定出输入图像在评分范围内各评分值处的概率值(对应步骤2031)，例如1分(0.05)(1分是评分值，0.05是概率值)、2分(0.06)、3分(0.08)、……、8分(0.30)、9分(0.25)和10分(0.20)。

之后，处理器根据各评分值和概率值计算输入图像的评分值(对应步骤2032)，如下：

其中，i表示评分范围内的第i个评分值，pi表示第i个评分值对应的概率值，s表示输入图像最终的评分值。

204，将评分值与输入图像同时展现。

本实施例中，处理器将输入图像的评分值输出，使评分值与输入图像同时展现。展现方式可以包括：评分值和输入图像并排，或者评分值叠加在输入图像之上。参见图3，处理器以弹窗的方式将评分值叠加以输入图像之上。

当然，处理器还可以将“图库”中的图像按照评分值分类，分类结果如图4所示，这样用户可以直接对每个分类进行批量管理，例如删除评分较低的多个图像，从而提高管理效率。

至此，本实施例中通过采用大量样本图像对多层感知机进行训练，由于每张样本图像由多个用户进行人工标注，因此处理器确定出输入图像的概率分布能够反映出大众用户对输入图像的评分偏好，根据大众用户的评分偏好确定出输入图像的评分值更能够符合用户的评分需求，这样用户可以根据评分值更好的管理图像，提高管理效率和提升使用体验。

图5是根据一示例性实施例示出的一种图像质量的评分装置的框图。参见图5，一种图像质量的评分装置500包括：

输入图像确定模块501，用于确定输入图像；

概率分布确定模块502，用于确定所述输入图像在评分范围内的概率分布；

评分值确定模块503，用于根据所述概率分布确定所述输入图像的评分值。

可见，本实施例中通过计算概率分布可以获取到大众用户对输入图像的评分偏好；根据大众用户的评分偏好确定出的评分值能够符合用户的需求，方便用户根据评分值更好的管理图像，提升使用体验。

图6是根据一示例性实施例示出的一种图像质量的评分装置的框图。参见图6，在图5所示评分装置500的基础上，概率分布确定模块502包括：

标准图像获取单元601，用于对所述输入图像进行预处理，得到标准图像；

特征向量确定单元602，用于将所述标准图像输入所述特征提取模型，通过所述特征提取模型确定所述标准图像的特征向量；

概率分布确定单元603，用于将所述特征向量输入多层感知机，通过所述多层感知机确定所述输入图像在所述评分范围内的概率分布。

可见，本实施例中将提取输入图像的特征向量和识别特征向量分为两个步骤，可以单独训练特征提取模型和多层感知机，能够提高样本图像的利用率，以及提高特征提取模型确定特征向量的准确度和提高多层感知机确定概率分布的准确度。

图7是根据一示例性实施例示出的一种图像质量的评分装置的框图。参见图7，在图6所示评分装置的基础上，还包括：

概率分布获取模块701，用于获取N张样本图像和所述N张样本图像各自的人工标注概率分布；N为正整数；

特征模型训练模块702，用于将所述N张样本图像依次输入多层感知机，直至所述多层感知机中的损失函数收敛时停止训练所述多层感知机，得到训练后的多层感知机中；所述损失函数基于所述人工标注概率分布和所述多层感知机输出的概率分布判断是否收敛。

可见，本实施例中训练多层感知机的过程中，充分利用了所有人工标注的评分值，能够提升样本图像的使用效率。并且，训练好的多层感知机的输出值为概率分布，即多个评分值及概率值而不是一个评分值，能够模拟大众用户中不同用户的评分偏好，从而使输入图像的最终评分值更加贴近大众用户的评分偏好，即评分值的准确度更高。

图8是根据一示例性实施例示出的一种图像质量的评分装置的框图。参见图8，在图5所示评分装置500的基础上，所述评分值确定模块503包括：

概率值确定单元801，用于根据所述概率分布确定所述输入图像在所述评分范围内各评分值处的概率值；

评分值确定单元802，用于基于所述各评分值和所述概率值确定所述输入图像的评分值。

本实施例中通过概率分布获取概率值，然后根据概率值确定评分值，不但可以方便技术人员训练多层感知机，还方便用户根据评分值管理图像。

图9是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，电子设备900可以包括以下一个或多个组件：处理组件902，存储器904，电源组件906，多媒体组件908，音频组件910，输入/输出(I/O)的接口912，传感器组件914，以及通信组件916。其中，存储器904用于存储处理组件902可执行的指令。处理组件902从存储器904读取指令以实现：

确定输入图像；

确定所述输入图像在评分范围内的概率分布；

根据所述概率分布确定所述输入图像的评分值。

处理组件902通常控制装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令。此外，处理组件902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理***，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件908包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件910被配置为输出和/或输入音频信号。例如，音频组件910包括一个麦克风(MIC)，当装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中，音频组件910还包括一个扬声器，用于输出音频信号。

I/O接口912为处理组件902和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件914包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件914可以检测到装置900的打开/关闭状态，组件的相对定位，例如所述组件为装置900的显示器和小键盘，传感器组件914还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件914还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件916经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件916还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器904，上述指令可由装置900的处理器920执行，以实现图1～图4所示图像质量的评分方法的步骤。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像质量的评分方法，其特征在于，所述方法包括：

确定输入图像；

确定所述输入图像在评分范围内的概率分布；

根据所述概率分布确定所述输入图像的评分值。

2.根据权利要求1所述的评分方法，其特征在于，确定所述输入图像在评分范围内的概率分布包括：

对所述输入图像进行预处理，得到标准图像；

将所述标准图像输入所述特征提取模型，通过所述特征提取模型确定所述标准图像的特征向量；

将所述特征向量输入多层感知机，通过所述多层感知机确定所述输入图像在所述评分范围内的概率分布。

3.根据权利要求2所述的评分方法，其特征在于，通过所述特征提取模型确定所述标准图像的特征向量之前，所述方法还包括：

获取N张样本图像和所述N张样本图像各自的人工标注概率分布；N为正整数；

将所述N张样本图像依次输入多层感知机，直至所述多层感知机中的损失函数收敛时停止训练所述多层感知机，得到训练后的多层感知机中；所述损失函数基于所述人工标注概率分布和所述多层感知机输出的概率分布判断是否收敛。

4.根据权利要求1所述的评分方法，其特征在于，根据所述概率分布确定所述输入图像的评分值包括：

根据所述概率分布确定所述输入图像在所述评分范围内各评分值处的概率值；

基于所述各评分值和所述概率值确定所述输入图像的评分值。

5.一种图像质量的评分装置，其特征在于，所述装置包括：

输入图像确定模块，用于确定输入图像；

概率分布确定模块，用于确定所述输入图像在评分范围内的概率分布；

评分值确定模块，用于根据所述概率分布确定所述输入图像的评分值。

6.根据权利要求5所述的评分装置，其特征在于，所述概率分布确定模块包括：

标准图像获取单元，用于对所述输入图像进行预处理，得到标准图像；

特征向量确定单元，用于将所述标准图像输入所述特征提取模型，通过所述特征提取模型确定所述标准图像的特征向量；

概率分布确定单元，用于将所述特征向量输入多层感知机，通过所述多层感知机确定所述输入图像在所述评分范围内的概率分布。

7.根据权利要求6所述的评分装置，其特征在于，所述装置还包括：

概率分布获取模块，用于获取N张样本图像和所述N张样本图像各自的人工标注概率分布；N为正整数；

特征模型训练模块，用于将所述N张样本图像依次输入多层感知机，直至所述多层感知机中的损失函数收敛时停止训练所述多层感知机，得到训练后的多层感知机中；所述损失函数基于所述人工标注概率分布和所述多层感知机输出的概率分布判断是否收敛。

8.根据权利要求5所述的评分装置，其特征在于，所述评分值确定模块包括：

概率值确定单元，用于根据所述概率分布确定所述输入图像在所述评分范围内各评分值处的概率值；

评分值确定单元，用于基于所述各评分值和所述概率值确定所述输入图像的评分值。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现权利要求1～4任一项所述方法的步骤。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～4任一项所述方法的步骤。