具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请实施例公开的一种兴趣区域评估方法的流程图，本申请实施例可以适用于对地图中的兴趣区域进行评估的情况，该方法可以由兴趣区域评估装置来执行，该装置可以采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。

如图1所示，本申请实施例公开的兴趣区域评估方法可以包括：

S101、确定兴趣区域的待评估图像。

其中，兴趣区域可以是地图上的任意区域状的物理实体，例如景区、街区、商场等；待评估图像包括任意的能够用于对兴趣区域进行评估的图像。待评估图像可以通过专业采集人员利用采集设备在不同采集角度和不同采集距离等条件下进行采集得到，也可以通过地图用户采集图像并上传至后台服务器的方式得到，还可以通过挖掘网络图像数据的方式得到，本申请实施例对此不作具体限定。

可选的，兴趣区域的待评估图像包括街景图像，街景图像包括两部分内容：图像以及图像对应的定位信息，该定位信息为采集设备采集街景图像时的定位信息，例如GPS坐标信息；进一步的，确定兴趣区域的待评估图像，包括：根据采集的街景图像携带的定位信息与兴趣区域的位置关系，确定兴趣区域的待评估图像。即在采集的大量街景图像中，定位信息与兴趣区域的位置关系满足位置条件时，则认为该街景图像属于兴趣区域的待评估图像，其中，位置条件包括但不限于：街景图像中携带的定位信息处于兴趣区域的预先设定区域范围内，或者，街景图像中携带的定位信息与兴趣区域中指定位置的距离小于距离阈值等，距离阈值可适应性设置。通过采用街景图像，可以按照定位信息对图像进行分类，并高效地确定图像所属的兴趣区域。

S102、确定待评估图像在至少一个维度下的图像评估结果。

在本申请实施例中，可以利用任意可用的图像处理技术，对待评估图像进行识别处理，从而从至少一个维度对待评估图像进行评估。示例性的，可以利用预先训练的用于对图像进行评估的评估模型，确定待评估图像的评估结果。

待评估图像的评估维度可以用于从不同的角度表征兴趣区域的特点，从而使得地图用户在搜索兴趣区域时，可以得到更多的关于兴趣区域的参考信息。评估维度可以包括但不限于兴趣区域的美观度、兴趣区域的特色度、兴趣区域所对应的景点等级、兴趣区域中的建筑风格(包括但不限于按照地域区分风格和按照年代区分风格等)、兴趣区域的商业繁华程度、以及兴趣区域中商铺类型的数量等其他可以用于评估兴趣区域的考虑维度。

相应的，待评估图像在至少一个维度下的图像评估结果包括：图像美观度评估结果和图像特色度评估结果。其中，图像美观度评估结果用于从实体环境的角度表征兴趣区域，例如兴趣区域的环境整洁程度、环境美丽程度等，实体环境包括自然环境和人为创造的环境；图像特色度评估结果用于从人文民俗的角度表征兴趣区域，例如当前兴趣区域在民族风格和形式上区别于其他兴趣区域的程度。待评估图像在至少一个维度下的图像评估结果还可以包括景点等级评估结果、建筑风格评估结果、商业繁华程度评估结果、商铺类型数量评估结果等。

针对任一兴趣区域，均可以收集大量的待评估图像进行图像评估，例如兴趣区域A_i对应的街景图像数据集合I_i＝{I_i，1，I_i，2，I_i，3...}，集合中的每张街景图像均可以存在至少一个维度下的图像评估结果。图像评估结果可以采用具体分值或者评估等级等形式表示，本申请实施例不作具体限定。以评估维度-美观度为例，可以将美观度分为5个档次或等级，B＝{0，1，2，3，4}，每个等级即对应一个图像美观度评估结果；同样的，以特色度为例，也可以将特色度分为5个档次或等级，C＝{0，1，2，3，4}，每个等级即对应一个图像特色度评估结果。

S103、根据待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估。

由于每个兴趣区域均可以包括大量的待评估图像，因此，针对每个评估维度，可以综合考虑各待评估图像的图像评估结果，确定出兴趣区域在该评估维度下的区域评估结果，例如某兴趣区域的待评估图像中，大多数图像美观度评估结果为优，则可以确定该兴趣区域在美观度方面的区域评估结果为优；进一步，确定出兴趣区域在各个评估维度下区域评估结果后，可以综合考虑各维度的区域评估结果，确定出兴趣区域的综合评估结果。

根据本申请实施例的技术方案，通过利用兴趣区域的待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估，由于图像评估结果不依赖人为的主观评估，因此，图像评估结果的客观性确保了兴趣区域的评估客观性，解决了现有兴趣区域评估客观性差的问题，提高了兴趣区域评估的客观性、准确性；并且，基于图像评估结果对兴趣区域进行评估，无需相关人员进行实地考察评估，减少了人力与时间成本，提高了兴趣区域评估的效率，解决了现有兴趣区域评估效率低的问题，还保证了兴趣区域评估的时效性；同时，多维度的图像评估结果也确保了对兴趣区域评估的多维度，解决了现有兴趣区域评估维度单一的问题，例如只考虑兴趣区域对应的标准景区等级，丰富了兴趣区域的评估维度。

图2是根据本申请实施例公开的另一种兴趣区域评估方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，该方法可以包括：

S201、确定兴趣区域的待评估图像。

S202、利用图像评估模型，确定待评估图像在至少一个维度下的图像评估结果。

其中，图像评估模型是基于样本兴趣区域的样本图像、以及样本图像在至少一个维度下的标注评估结果，训练得到。在本申请实施例中，参与模型训练的样本是通过采用大规模随机图像及大量用户标注来获取，例如样本兴趣区域集合可以表示为A，任一样本兴趣区域A_i∈A＝{A₁，A₂，A₃，...}，任一样本兴趣区域A_i对应的样本图像集合可以表示为I_i＝{I_i，1，I_i，2，I_i，3...}。每张样本图像的标注评估结果可以采用具体分值或者评估等级等形式表示，本申请实施例不作具体限定。

针对每张样本图像在每个维度下的标注评估结果(或者称为标注分类值)，可以采用多人同时标注，然后按照每个标注评估结果对应的人数，确定每张样本图像在每个维度下的目标标注评估结果，例如将标注人数最多的标注评估结果作为目标标注评估结果，然后将目标标注评估结果用于模型训练过程中。对比于传统的方式，通过模型训练，可以基于大数据思想，学习图像与各维度的图像评估结果之间关系，使得后续图像评估更客观且更符合用户的评判标准，而且，基于大数据思想，可以提高用于模型训练的样本图像标注评估结果的客观性，确保图像评估模型的置信度，为后续得到客观、准确的兴趣区域评估结果奠定了基础。

可选的，利用图像评估模型，确定待评估图像在至少一个维度下的图像评估结果，包括：利用基于多任务学习预先训练的图像评估模型，确定待评估图像在不同维度下的图像评估结果。多任务学习(Multi-Task Learning)是基于共享表示(SharedRepresentation)，把多个相关的任务放在一起学习的一种机器学习方法。在模型训练过程中，可以将样本图像作为输入，将样本图像在至少一个维度下的标注评估结果同时作为输出，基于任意可用的神经网络结构，训练得到多任务图像评估模型。通过利用基于多任务学习训练的图像评估模型，可以提高图像评估的效率。

此外，利用图像评估模型，确定待评估图像在至少一个维度下的图像评估结果，还可以包括：利用针对每个维度单独训练的图像评估模型，分别确定待评估图像在不同维度下的图像评估结果。在针对每个维度单独训练模型的过程中，可以将样本图像作为输入，将样本图像在每个维度下的标注评估结果作为输出，基于任意可用的神经网络模型，训练得到每个维度下的图像评估模型。

本申请实施例中的图像评估模型包括基于卷积神经网络的深度神经网络图像分类模型，神经网络模型可以选择但不限于VGG(Visual Geometry Group Network)模型、ResNet(Residual Network)模型、Inception模型等。

S203、根据待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估。

根据本申请实施例的技术方案，首先利用图像评估模型，确定待评估图像在至少一个维度下的图像评估结果，实现了对待评估图像的自动评分，提高了图像评估的效率，并且保证了图像评估结果的准确性，然后利用图像评估结果对兴趣区域进行评估。其中，由于图像评估结果不依赖人为的主观评估，因此，图像评估结果的客观性确保了兴趣区域的评估客观性；图像评估的效率提升，确保了兴趣区域评估实现的时效性以及评估效率，进而本申请实施例解决了现有兴趣区域评估客观性差、评估效率低的问题；多维度的图像评估结果也确保了对兴趣区域评估的多维度，解决了现有兴趣区域评估维度单一的问题，丰富了兴趣区域的评估维度。

图3是根据本申请实施例公开的另一种兴趣区域评估方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。具体地，以下以图像评估模型是基于多任务学习预先训练的神经网络模型为例，对本申请实施例进行示例性说明。如图3所示，该方法可以包括：

S301、确定兴趣区域的待评估图像。

S302、利用图像评估模型中的特征提取网络，提取待评估图像的图像特征。

S303、基于图像特征，利用图像评估模型中对应不同维度的预测网络，确定待评估图像在不同维度下的图像评估结果。

其中，特征提取网络可以是卷积神经网络，对应不同维度的预测网络可以包括多层的全连接网络，也即在模型训练过程中，可以基于卷积神经网络与对应多个(两个及以上)维度的多层全连接网络，执行模型训练操作。

可选的，在基于多任务学习预先训练的图像评估模型中，目标函数与图像评估模型中各网络分支的权重、以及图像评估模型中对应不同维度的预测网络的损失函数有关。示例性的，图像评估模型中目标函数L可以采用以下公式表示：

其中，W表示图像评估模型中特征提取网络的权重矩阵，W_m和W_n表示图像评估模型中对应不同维度的预测网络的权重矩阵，W_m和W_n对应的总数量与图像评估维度数有关，λ表示模型参数或称为超参数，λ可以是一个经验值或者在模型训练过程中适应性调整，I表示输入模型的样本图像的图像数据，Y_m和Y_n表示模型训练过程中样本图像在不同维度下的标注评估结果，L_m(W，W_m，I，Y_m)和L_n(W，W_n，I，Y_n)表示对应不同维度的预测网络的损失函数，||W||₂、||W_m||₂、||W_n||₂分别表示对应权重矩阵的二范数。具体的，L_m(W，W_m，I，Y_m)和L_n(W，W_n，I，Y_n)可以分别为softmax交叉熵损失函数，以L_m(W，W_m，I，Y_m)为例，函数形式可以表示如下：

其中，N表示输入的样本图像的数量，K表示在当前维度下图像评估结果的预测分类数量，f_j表示表示第i个样本图像在当前维度下图像评估结果的预测向量f中第j个分类的值，表示表示第i个样本图像在当前维度下图像评估预测向量f中实际分类的值。关于softmax交叉熵损失函数的具体介绍，可以参考现有技术原理的介绍，本申请实施例不作赘述。

本申请实施例通过在多任务模型训练过程中，自定义图像评估模型中目标函数，综合考虑各维度的预测网络的损失函数以及各网络分支的权重，确保了模型训练的准确性，保证了待评估图像在各维度的评估结果的准确性。

S304、根据待评估图像在不同维度下的图像评估结果，对兴趣区域进行评估。

根据本申请实施例的技术方案，首先利用基于多任务学习预先训练图像评估模型，确定待评估图像在至少一个维度下的图像评估结果，实现了对待评估图像的自动评分，提高了图像评估的效率，并且保证了图像评估结果的准确性，然后利用图像评估结果对兴趣区域进行评估。其中，由于图像评估结果不依赖人为的主观评估，因此，图像评估结果的客观性确保了兴趣区域的评估客观性；图像评估的效率提升，确保了兴趣区域评估实现的时效性以及评估效率，进而本申请实施例解决了现有兴趣区域评估客观性差、评估效率低的问题；多维度的图像评估结果也确保了对兴趣区域评估的多维度，解决了现有兴趣区域评估维度单一的问题，丰富了兴趣区域的评估维度。

图4是根据本申请实施例公开的兴趣区域的一种评估架构的示意图，具体以美观度评价和特色度评价这两个维度为例，对本申请实施例的评估架构进行示例性说明。如图4所示，待评估图像可以为街景图像，将待评估图像输入图像评估模型，利用特征提取网络，即卷积神经网络，对待评估图像进行编码，提取图像特征，然后将图像特征分别输入美观度预测网络以及特色度预测网络中，得到待评估图像的图像美观度评估结果和图像特色度评估结果；进而可以基于同一兴趣区域的多张待评估图像的图像美观度评估结果和图像特色度评估结果，对该兴趣区域的美观度和特色度进行评估。针对美观度和特色度的多任务图像评估模型中，模型的目标函数可以表示如下：

其中，W表示图像评估模型中特征提取网络的权重矩阵，W_B和W_C表示图像评估模型中对应美观度预测网络和特色度预测网络的权重矩阵，λ表示模型参数或称为超参数，I表示模型训练过程中输入的样本图像的图像数据，Y_B和Y_C分别表示样本图像的美观度标注评估结果和特色度标注评估结果，L_B(W，W_B，I，Y_B)和L_C(W，W_C，I，Y_C)表示对应美观度预测网络和特色度预测网络的损失函数。具体的，L_B(W，W_B，I，Y_B)和L_C(W，W_C，I，Y_C)可以分别为softmax交叉熵损失函数，以L_B(W，W_B，I，Y_B)为例，函数形式可以表示如下：

图5是根据本申请实施例公开的另一种兴趣区域评估方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图5所示，该方法可以包括：

S401、确定兴趣区域的待评估图像。

S402、确定待评估图像在至少一个维度下的图像评估结果。

S403、根据待评估图像在至少一个维度下的图像评估结果，确定兴趣区域对应至少一个维度的区域评估结果。

S404、根据兴趣区域的区域评估结果，确定兴趣区域的综合评估结果。

在本申请实施例中，对于任一兴趣区域，均可以对应大量待评估图像，每张待评估图像均存在至少一个维度的图像评估结果，针对每个维度，可以将多张待评估图像在该维度下的图像评估结果按照预设计算策略进行计算处理，将计算结果作为兴趣区域在该维度下的区域评估结果，例如，以预设计算策略为求均值为例，将当前维度下的图像评估结果均值作为兴趣区域在该维度下的区域评估结果。得到兴趣区域在各个维度下的区域评估结果后，可以按照预设综合评估计算策略，确定兴趣区域的综合评估结果。

其中，预设综合评估计算策略可以是利用与各维度的区域评估结果相关的预设线性函数或预设非线性函数计算兴趣区域的综合评估结果，或者是按照预设的区域评估结果的权重分配(例如评估结果值越大或等级越高，对应权重越大)，计算兴趣区域的综合评估结果，或者是通过预先训练的综合评估确定模型，确定兴趣区域的综合评估结果。其中，综合评估确定模型是指基于监督学习思想，预先训练的监督学习模型，具体的，可以利用兴趣区域的大量人工综合评估结果以及兴趣区域对应各维度的区域评估结果，进行模型训练，学习人工综合评估结果与各维度的区域评估结果之间的拟合关系。综合评估确定模型训练完成后，便可以直接用于其他兴趣区域的综合评估结果确定过程中。

以待评估图像为街景图像，评估维度包括美观度和特色度为例，对如何确定兴趣区域的综合评估结果进行示例性说明。假设兴趣区域A_i中所有街景图像的图像美观度评估结果(或者称为美观度分值分类)可以表示为B_i＝{B_i，1，B_i，2，B_i，3...}，以及图像特色度评估结果(或者称为特色度分值分类)可以表示为C_i＝{C_i，1，C_i，2，C_i，3...}。通过取均值的方式，可以得到兴趣区域A_i针对美观度的区域评估结果以及针对特色度的区域评估结果

其中，n为兴趣区域A_i的街景图像集合中图像的数量。

进一步的，可以利用兴趣区域A_i针对美观度的区域评估结果以及针对特色度的区域评估结果综合计算兴趣区域A_i的综合评估结果S_i，计算公式如下：

其中，f(*)表示综合评估函数，可以为预设线性函数或预设非线性函数，还可以通过预设的区域评估结果的权重分配规则得到，还可以是通过前述监督学习模型的训练得到，本申请实施例对此不作具体限定。

S405、根据用户对兴趣区域的搜索需求，将兴趣区域的区域评估结果和综合评估结果中的至少一种结果发送至用户终端；其中，用户终端用于展示至少一种结果。

示例性的，当用户通过用户终端的地图类应用，向后台服务器发送关于兴趣区域的搜索需求后，服务器响应的用户的搜索需求，将兴趣区域的基本信息以及区域评估结果和综合评估结果中的至少一种结果，同时下发至用户终端，以进行展示。

根据本申请实施例的技术方案，通过利用兴趣区域的待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估，由于图像评估结果不依赖人为的主观评估，因此，图像评估结果的客观性确保了兴趣区域的评估客观性，解决了现有兴趣区域评估客观性差的问题，提高了兴趣区域评估的客观性、准确性；并且，基于图像评估结果对兴趣区域进行评估，无需相关人员进行实地考察评估，减少了人力与时间成本，提高了兴趣区域评估的效率，解决了现有兴趣区域评估效率低的问题，还保证了兴趣区域评估的时效性；同时，多维度的图像评估结果也确保了对兴趣区域评估的多维度，解决了现有兴趣区域评估维度单一的问题，丰富了兴趣区域的评估维度；通过将兴趣区域的区域评估结果和综合评估结果中的至少一种结果发送至用户终端中展示，实现了在用户进行兴趣区域搜索时，为用户提供更丰富的辅助决策参考信息的效果。

图6是根据本申请实施例公开的兴趣区域评估结果的一种界面展示示意图，具体以兴趣区域的美观度评分、特色度评分和综合评分为例进行示例性说明，不应理解为对本申请实施例的具体限定。如图6所示，当用户启用终端上的地图类应用搜索兴趣区域“xxx景区”，进入搜索结果展示界面后，界面包括地图展示区域61和兴趣区域信息展示区域62。兴趣区域信息展示区域62中可以包括兴趣区域的名称、距离用户当前位置的距离以及所属行政区域等基本信息，并使用星形标记展示了“xxx景区”的多个维度的评估结果：美观度评分、特色度评分和综合评分，实现了为用户提供丰富的关于兴趣区域的辅助参考信息的效果，便于用户在不同兴趣区域之间进行决策性选择。

此外，搜索结果展示界面的最下端还可以包括收藏、搜周边、导航和添加行程等功能控件。当然，搜索结果展示界面的具体布局完全可以根据应用开发设计的需求进行变更，本申请实施例不作具体限定。

图7是根据本申请实施例公开的一种兴趣区域评估装置的结构示意图，本申请实施例可以适用于对地图中的兴趣区域进行评估的情况，该装置可以采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上，例如服务器等。

如图7所示，本申请实施例公开的兴趣区域评估装置700可以包括待评估图像确定模块701、图像评估结果确定模块702和兴趣区域评估模块703，其中：

待评估图像确定模块701，用于确定兴趣区域的待评估图像；

图像评估结果确定模块702，用于确定待评估图像在至少一个维度下的图像评估结果；

兴趣区域评估模块703，用于根据待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估。

可选的，待评估图像在至少一个维度下的图像评估结果包括：图像美观度评估结果和图像特色度评估结果；

其中，图像美观度评估结果用于从实体环境的角度表征兴趣区域，图像特色度评估结果用于从人文民俗的角度表征兴趣区域。

可选的，图像评估结果确定模块702包括：

模型评估单元，用于利用图像评估模型，确定待评估图像在至少一个维度下的图像评估结果；

其中，图像评估模型是基于样本兴趣区域的样本图像、以及样本图像在至少一个维度下的标注评估结果，训练得到。

可选的，模型评估单元具体用于：

利用基于多任务学习预先训练的图像评估模型，确定待评估图像在不同维度下的图像评估结果。

可选的，模型评估单元包括：

图像特征提取子单元，用于利用图像评估模型中的特征提取网络，提取待评估图像的图像特征；

评估结果确定子单元，用于基于图像特征，利用图像评估模型中对应不同维度的预测网络，确定待评估图像在不同维度下的图像评估结果。

可选的，在基于多任务学习预先训练的图像评估模型中，目标函数与图像评估模型中各网络分支的权重、以及图像评估模型中对应不同维度的预测网络的损失函数有关。

可选的，目标函数L用以下公式表示：

其中，W表示图像评估模型中特征提取网络的权重矩阵，W_m和W_n表示图像评估模型中对应不同维度的预测网络的权重矩阵，λ表示模型参数，Y_m和Y_n表示模型训练过程中样本图像在不同维度下的标注评估结果，L_m(W，W_m，I，Y_m)和L_n(W，W_n，I，Y_n)表示对应不同维度的预测网络的损失函数，I表示样本图像的图像数据。

可选的，兴趣区域评估模块703包括：

区域评估结果确定单元，用于根据待评估图像在至少一个维度下的图像评估结果，确定兴趣区域对应至少一个维度的区域评估结果；

综合评估结果确定单元，用于根据兴趣区域的区域评估结果，确定兴趣区域的综合评估结果。

可选的，本申请实施例公开的装置还包括：

评估结果下发模块，用于在综合评估结果确定单元执行根据兴趣区域的区域评估结果，确定兴趣区域的综合评估结果的操作之后，根据用户对兴趣区域的搜索需求，将兴趣区域的区域评估结果和综合评估结果中的至少一种结果发送至用户终端；

其中，用户终端用于展示至少一种结果。

可选的，待评估图像包括街景图像。

可选的，待评估图像确定模块701具体用于：

根据采集的街景图像携带的定位信息与兴趣区域的位置关系，确定兴趣区域的待评估图像。

本申请实施例所公开的兴趣区域评估装置700可执行本申请实施例所公开的任一兴趣区域评估方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请实施例还提供了一种电子设备和一种可读存储介质。

如图8所示，图8是用于实现本申请实施例中兴趣区域评估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。

如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作，例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统。图8中以一个处理器801为例。

存储器802即为本申请实施例所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请实施例所提供的兴趣区域评估方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请实施例所提供的兴趣区域评估方法。

存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中兴趣区域评估方法对应的程序指令/模块，例如，附图7所示的待评估图像确定模块701、图像评估结果确定模块702和兴趣区域评估模块703。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中的兴趣区域评估方法。

存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至用于实现本实施例中兴趣区域评估方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于实现本申请实施例中兴趣区域评估方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置803可接收输入的数字或字符信息，以及产生与用于实现本实施例中兴趣区域评估方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(Light Emitting Diode，LED)；触觉反馈装置例如，振动电机等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、LED显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuit，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序，也称作程序、软件、软件应用、或者代码，包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置，例如，磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置，例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD监视器；以及键盘和指向装置，例如，鼠标或者轨迹球，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈、或者触觉反馈；并且可以用任何形式，包括声输入、语音输入或者、触觉输入，来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统，例如，作为数据服务器，或者实施在包括中间件部件的计算系统，例如，应用服务器，或者实施在包括前端部件的计算系统，例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互，或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信，例如通信网络，来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过利用兴趣区域的待评估图像在至少一个维度下的图像评估结果，对兴趣区域进行评估，解决了现有兴趣区域评估客观性差、评估效率低的问题，提高了兴趣区域评估的客观性，提高了兴趣区域评估的效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。