本發(fā)明涉及一種圖像處理領域，特別是涉及一種酒店房型圖像的排序方法。

背景技術：

當前，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?，F(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，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。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是為了克服現(xiàn)有技術中無法對酒店房型圖像進行精準排序的缺陷，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)明是通過下述技術方案來解決上述技術問題的：

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容分類模型；

S₂、建立酒店房型圖像的質量量化模型；

S₃、結合所述內容分類模型及所述質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，并生成第一圖像訓練集；

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

S₁₃、收集酒店房型圖像，并生成第二圖像訓練集；

S₁₄、利用所述第二圖像訓練集訓練酒店房型圖像的內容分類模型。

較佳地，步驟S₁₂中所訓練的深度神經(jīng)網(wǎng)絡為19層的VGG網(wǎng)絡，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練集中的所有圖像，利用步驟S₁₂訓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練集中的圖像對應的圖像特征和圖像的類別，訓練得到最優(yōu)分類超平面，以對酒店房型圖像的內容進行自動分類。

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圖像；

S₂₁₂、分別對所述酒店房型圖像和所述目標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。

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的懲罰系數(shù)，并計算酒店房型圖像的質量分數(shù)，計算公式為Q＝(a*C)*100，其中Q表示質量分數(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建立的質量量化模型計算酒店房型圖像的質量分數(shù)；

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

重復執(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；所述內容分類模型通過深度卷積神經(jīng)網(wǎng)絡獲取圖像特征，有效地模擬了人眼視覺處理系統(tǒng)，保證了圖像內容類別計算的準確性，為酒店房型圖像排序提供了有效的內容信息。

2)本發(fā)明建立的酒店房型圖像的質量量化模型，實現(xiàn)自動量化酒店房型圖像的質量好壞；所述質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，保證了圖像質量量化的準確性，為酒店房型圖像排序提供了有效的質量信息。

3)本發(fā)明融合內容分類模型和質量量化模型實現(xiàn)圖像排序，使圖像內容和圖像質量兩方面的影響都被考慮，使內容和質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容分類模型；

步驟102、建立酒店房型圖像的質量量化模型；

步驟103、結合所述內容分類模型及所述質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，并生成第一圖像訓練集T1；

其中，第一圖像訓練集T1中的圖像是通過互聯(lián)網(wǎng)批量下載得到的，下載的圖像內容包括了風景、建筑、客廳等類別在內的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練集T1訓練基于深度神經(jīng)網(wǎng)絡的圖像特征提取器；

其中，所訓練的深度神經(jīng)網(wǎng)絡為19層的VGG網(wǎng)絡，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，則該張圖像在VGG網(wǎng)絡中第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容進行更細類別的標注，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練集T2訓練酒店房型圖像的內容分類模型。

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練集T2中的所有圖像，利用步驟1012訓練得到的所述基于深度神經(jīng)網(wǎng)絡的圖像特征提取器進行特征提?。?/p>

步驟10142、利用通過步驟10141提取到的所述第二圖像訓練集T2中的圖像對應的圖像特征和圖像的類別ID，訓練一個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，方差越大代表色彩豐富度越大。

步驟1023、結合所述清晰度分數(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的懲罰系數(shù)，具體地，當色彩豐富度小于1000時，對應的懲罰系數(shù)為0.75；當色彩豐富度大于1000而小于2000時，對應的懲罰系數(shù)為0.85；當色彩豐富度大于2000而小于3000時，對應的懲罰系數(shù)為0.95；當色彩豐富度大于3000時，對應的懲罰系數(shù)為1。然后，計算酒店房型圖像的質量分數(shù)，計算公式為Q＝(a*C)*100，其中Q表示質量分數(shù)，a表示懲罰系數(shù)。質量分數(shù)Q在0到100之間，越高表示圖像質量越好。

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中訓練得到的基于深度卷積神經(jīng)網(wǎng)絡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：房間設施圖像；4：衛(wèi)生間圖像。

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

步驟1033、結合所述圖像類別ID和所述圖像質量分數(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、房間設施圖像、衛(wèi)生間圖像；然后相同內容的圖像則按照圖像質量高低進行排序。

本實施例的酒店房型圖像排序方法從圖像的內容和質量兩個角度精準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，但是本領域的技術人員應當理解，這些僅是舉例說明，本發(fā)明的保護范圍是由所附權利要求書限定的。本領域的技術人員在不背離本發(fā)明的原理和實質的前提下，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。