具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例的核心构思之一是，根据能够反映图片美学质量的美学特征信息，判定召回图片中的低质量图片；相对于现有技术根据图片的图片属性判定低质量图片而言，本发明实施例判定低质量图片的准确性高，从而能够提高搜索质量。

参照图1，示出了本发明的一种搜索方法实施例的步骤流程图，具体可以包括如下步骤：

步骤102、接收用户输入的查询图片。

本发明实施例中，当用户需要搜索与某一图片相似的图片时，可以在搜索平台的搜索框中输入该图片，然后执行搜索操作，以进行相似图片的搜索。其中，为了便于后续描述，可以将用户输入至搜索框中的图片称为查询图片。待用户执行搜索操作后，搜索平台可以接收到包含查询图片的搜索指令，可以将该搜索指令发送至搜索引擎，由搜索引擎基于所述查询图片进行搜索。

步骤104、从图片库中召回与所述查询图片相似的多张候选图片，获取各候选图片对应的美学特征信息；所述美学特征信息用于表征图片的美学质量。

步骤106、依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片。

步骤108、对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

本发明实施例中，搜索引擎可以将所述查询图片与图片库中的图片进行相似度匹配；将图片库中与查询图片匹配的图片确定为候选图片并召回；其中，所述候选图片可以包括多张。

其中，图片的美学质量是决定图片质量的重要因素之一；图片的美学质量越高，图片质量越高；因此本发明实施例可以根据图片的美学质量，来判定图片质量。本发明的一个示例中，可以对图片的美学质量进行量化，将图片的美学质量量化为美学特征信息；也就是说采用美学特征信息，表征图片美学质量。其中，所述美学特征信息可以与图片美学质量成正比，即图片美学质量越高，美学特征信息越大；图片美学质量越低，美学特征信息越小。

本发明实施例可获取各候选图片的美学特征信息，然后依据各候选图片的美学特征信息，确定低质量的图片。其中，可以将各候选图片的美学特征信息与预设的低质量条件相比对，将满足低质量条件的图片，确定为低质量的图片。为了便于后续描述，可以将满足低质量条件的图片称为目标图片，所述目标图片可以为一张，也可以为多张，本发明实施例对此不作限制。其中，所述低质量条件可以是指能够用于判定低质量图片的条件，具体可以按照需求设置，本发明实施例对此不作限制。然后可以对多张候选图片中的目标图片进行过滤，并返回过滤后的候选图片。

综上，本发明实施例中，在接收用户输入的查询图片后，可以从图片库中召回与所述查询图片相似的多张候选图片，并获取各候选图片对应的美学特征信息；然后依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，再对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片；其中，所述美学特征信息是用于表征图片的美学质量的，因此相对于根据图片的图片属性判定低质量图片而言，本发明实施例根据图片的美学特征信息判定召回图片中低质量的图片的方式，能够更准确的判定出低质量图片，进而能够提高搜索质量。

本发明的一个实施例中，可以采用预先训练的美学模型，来确定图片的美学特征信息；以下对如何训练美学模型进行说明。

参照图2，示出了本发明的一种美学模型训练方法实施例的步骤流程图。

步骤202、依据预设的美学分类规则标注训练图片对应的参考美学质量类别。

本发明实施例中，可以收集训练图片，然后采用训练图片对美学模型进行训练。其中，若本发明实施例应用于相似人物图片召回的场景，则收集的训练图片可以是人物图片；若本发明实施例应用于判定相似动物图片召回的场景，收集的训练图片可以是动物图片；等等。换而言之，本发明实施例收集的训练图片中主体的类型，与本发明实施例应用场景中召回图片中的主体类型相对应；其中，所述主体的类型可以划分为多种，如人物、动物、植物等等，本发明实施例对此不作限制。

本发明实施例中，可以预先按照需求设置多种美学质量类别，并分别为每种美学质量类别设置对应的美学分值区间；再采用各种美学质量类别和对应的美学分值区间，生成美学分类规则。本发明的一个示例中，可以设置三种美学质量类别：高美学质量、中美学质量和低美学质量，对应的美学分值区间可以分别如：0.8～1，0.4～0.8，0～0.4；然后采用这三种美学质量类别和对应的美学分值区间，生成美学分类规则。

本发明实施例中，可以依据预设的美学分类规则标注各训练图片对应的参考美学质量类别。其中，可以分别为各张训练图片进行美学打分，得到各训练图片对应的美学分值；然后再依据各训练图片对应的美学分值和美学分类规则，为各张训练图片标注对应的参考美学质量类别。其中，针对每张训练图片，可以将美学分类规则中该张训练图片的美学分值所属的美学分值区间对应的美学质量类别，确定为该张训练图片的参考美学质量类别。

本发明实施例中，可以从多个维度为每张训练图片进行美学打分；然后根据各维度的权重信息，对每张训练图片各个维度的美学分值进行加权计算，得到各张训练图片的美学分值。一个示例中，所述美学分类规则可以包括四个维度：有无水印，图片大小，主体清晰度和背景杂乱度；对应的权重信息可以如：0.1，0.2，0.5和0.2。

本发明实施例中，可以由电子设备通过对训练图片处理分析，为每张训练图片进行美学打分，确定每张训练图片的美学分值。也可以是电子设备依据用户针对每张训练图片进行美学打分输入的美学分值，确定每张训练图片的美学分值。其中，由于不同用户的感知不同，导致不同用户对同一图片进行打分得到美学分值可能不同。因此针对每一张训练图片，可以获取多个用户针对该张训练图片输入的美学分值；然后统计各美学分值对应的用户数，可以将对应用户数最多的美学分值，确定为该张训练图片的美学分值。

本发明实施例中，由于进行相似图片召回时，可能存在误召回的情况；例如进行人物相似图片召回时，可能误召回动物图片。因此为了进一步提高搜索质量，可以收集的训练图片可以包括：主体的类型与本发明实施例应用场景中召回图片中的主体类型相对应的图片(作为正样例)，和主体类型是其他主体类型的图片(作为负样例)；其中，所述其他主体类型可以是指除本发明实施例应用场景中召回图片中的主体类型之外的主体类型。其中，可以参照上述方法针对作为正样例的训练图片标注对应的参考美学质量类别；以及直接将作为负样例的训练图片的参考美学质量类别标注为其他类别，所述其他类别可以是指除上述美学分类规则中质量类别之外的类别。

步骤204、依据训练图片和对应的参考美学质量类别，对所述美学模型进行训练。

本发明实施例中，一种依据各训练图片和对应的参考美学质量类别，对所述美学模型进行训练的方式可以包括如下子步骤22-子步骤24：

子步骤22、将训练图片的图片特征信息输入至所述美学模型进行前向计算，得到所述美学模型输出的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤24、依据所述美学质量分类信息和训练图片的参考美学质量类别对所述美学模型进行反向传播，调整所述美学模型的模型参数。

本发明实施例中，可以预先将所有的训练图片划分为X批次，每个批次包括至少一张训练图片；然后依次采用每个批次的训练图片，对美学模型进行训练；其中，所述X为正整数。

现以采用一个批次的训练图片，对美学模型进行训练为了进行说明。本发明实施例中，可以将该批次的训练图片输入至训练好的特征提取模型中，由该特征提取模型对该批次中的各训练图片进行特征提取，得到该批次中各训练图片的图像特征信息。其中，所述特征提取模型可以是指所有可用于提取图片的图片特征的模型，如VGG模型等，本发明实施例对此不作限制。然后再将该批次训练图片的图片特征信息输入至美学模型中进行前向计算，得到所述美学模型输出的美学质量分类信息。其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值，所述美学质量分类信息中美学质量类别，与上述对训练图片标注的参考美学质量类别对应。再依据所述美学质量分类信息和训练图片的参考美学质量类别，计算损失函数；然后依据所述损失函数对所述美学模型进行反向传播，调整所述美学模型的模型参数。其中，在每采用一个批次的训练图片对美学模型进行训练后，可以判断训练后的美学模型是否满足结束训练的条件；若训练后的美学模型满足结束训练条件，则停止对美学模型进行训练。若训练后的美学模型不满足结束训练条件，则采用下一批次的训练图片对美学模型进行训练。

本发明实施例中，另一种依据各训练图片和对应的参考美学质量类别，对所述美学模型进行训练的方式可以包括如下子步骤42-子步骤44：

子步骤42、将训练图片输入至所述美学模型进行前向计算，得到所述美学模型输出的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤44、依据所述美学质量分类信息和训练图片的参考美学质量类别对所述美学模型进行反向传播，调整所述美学模型的模型参数。

本发明实施例中，在将训练图片划分为X批次后；针对每个批次，可以直接将该批次的训练图片直接输入至美学模型中进行前向计算，得到所述美学模型输出的美学质量分类信息。后续子步骤44与上述子步骤26类似，在此不再赘述。

本发明的一个可选实施例中，所述美学模型的结构可以是：全连接层-全连接层-softmax层。

以下对如何采用训练后的美学模型确定各候选图片对应的美学特征信息，以及对依据各候选图片的美学特征信息，如何确定多张候选图片中满足低质量条件的目标图片进行说明。

参照图3，示出了本发明的一种搜索方法可选实施例的步骤流程图。

步骤302、接收用户输入的查询图片。

步骤304、从图片库中召回与所述查询图片相似的多张候选图片。

本发明实施例中，搜索引擎在识别出所述查询图片为人物图片时，可以基于人脸部位的识别分析(如眼鼻嘴，胡子等)，从图片库中查找与所述查询图片相似的其他人物图片并召回。

步骤306、获取各候选图片对应的美学特征信息。

本发明实施例中，一种获取各候选图片对应的美学特征信息的方式可以是，采用所述美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息。即在确定候选图片之后，采用上述训练后的美学模型对各候选图片进行美学打分，确定各候选图片的美学特征信息。

其中，当美学模型训练过程中输入的信息不同时，采用训练后的美学模型对各候选图片进行美学打分的方式也不同。当美学模型训练过程中输入的信息为训练图片时，采用所述美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息的方式可以参照如下子步骤62-子步骤66：

子步骤62、针对每一张候选图片，将所述候选图片输入至所述美学模型中，得到所述候选图片对应的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤64、确定各美学质量类别对应的权重信息。

子步骤66、依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。

本发明实施例中，当美学模型训练过程中输入的信息为训练图片时，可以直接将候选图片输入至训练后的美学模型中，由美学模型对候选图片进行打分，确定候选图片对应的美学质量类别信息。

本发明实施例中，可以预先为美学质量类别信息中各美学质量类别设置对应的权重信息；例如美学质量类别包括：高美学质量、中美学质量、低美学质量和其他类别；分别设置的权重信息可以如：2、1、0和-1。然后可以依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。例如在上述示例的基础上，若各美学质量类别对应的分值为：高美学质量(0.1)、中美学质量(0.1)、低美学质量(0.2)和其他类别(-0.6)，则可以得到该候选图片的美学特征信息为-0.3。

当美学模型训练过程中输入的信息为训练图片的图片特征信息时，采用所述美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息的方式可以参照如下子步骤82-子步骤86：

子步骤82、针对每一张候选图片，将所述候选图片对应的图片特征信息输入至所述美学模型中，得到所述候选图片对应的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤84、确定各美学质量类别对应的权重信息。

子步骤86、依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。

本发明实施例中，当美学模型训练过程中输入的信息为训练图片的图片特征信息时，可以先将候选图片输入至特征提取模型中，得到候选图片的图片特征信息；再将候选图片的图片特征信息输入训练后的美学模型中，由美学模型对候选图片进行打分，确定候选图片对应的美学质量类别信息。其中，子步骤84-子步骤86，与上述子步骤64-子步骤66类似，在此不再赘述。

本发明实施例中，可以预先确定所述图片库中各图片对应的美学特征信息并存储。在确定候选图片后，从预先存储的美学特征信息中，获取候选图片的美学特征信息。

本发明实施例中，可以预先采用所述美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息并存储；建立所述图片库中各图片与对应美学特征信息之间的关联关系并存储。

其中，采用所述美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息的一种方式可以包括如下子步骤S22-S26：

子步骤S22、针对所述图片库中每一张图片，将所述图片输入至所述美学模型中，得到所述图片对应的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤S24、确定各美学质量类别对应的权重信息。

子步骤S26、依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述图片对应的美学特征信息。

其中，子步骤S22-子步骤S26，与上述子步骤62-子步骤66类似，在此不再赘述。

其中，采用所述美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息的另一种方式可以包括如下子步骤S42-S46：

子步骤S42、针对所述图片库中的每一张图片，将所述图片对应的图片特征信息输入至所述美学模型中，得到所述图片对应的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值。

子步骤S44、确定各美学质量类别对应的权重信息。

子步骤S46、依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述图片对应的美学特征信息。

其中，子步骤S42-子步骤S46，与上述子步骤82-子步骤86类似，在此不再赘述。

对应的，另一种获取各候选图片对应的美学特征信息的方式可以包括：基于各候选图片查找关联关系，确定各候选图片对应的美学特征信息。

本发明实施例中，一种依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，所述美学特征信息用于表征图片的美学质量的方式，可以参照步骤308-步骤310：

步骤308、分别判断各候选图片的美学特征信息是否低于美学特征阈值。

步骤310、将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的目标图片。

本发明的一个实施例中，所述低质量条件可以设置为：美学特征信息低于美学特征阈值；其中，所述美学特征阈值可以按照需求设置，本发明实施例对此不作限制。

本发明实施例中，可以分别将各候选图片的美学特征信息与低质量条件中的美学特征阈值相比对；判断各候选图片的美学特征信息是否低于美学特征阈值。若某一候选图片的美学特征信息低于美学特征阈值，则将该候选图片确定为满足低质量条件的目标图片。

步骤312、对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

本发明实施例中，对多张候选图片中目标图片进行过滤的方式可以包括多种，其中一种方式可以是：将所述目标图片排在其他图片之后，所述其他图片为所述多张候选图片中除目标图片之外的图片。即将候选图片中，美学特征信息低于美学特征阈值的图片，排在美学特征信息高于美学特征阈值的图片之后。进而在展示召回的候选图片时，低质量图片(即美学特征信息低于美学特征阈值的图片)，也排在高质量图片(即美学特征信息高于美学特征阈值的图片)之后展示，从而优先给用户展示高质量的图片，提高了搜索质量。

本发明实施例中，可以在返回过滤后的候选图片之前，对候选图片中除目标图片之外的图片进行排序，然后再将排序后的候选图片返回；进而优先给用户展示质量高的图片中的优质图片，进一步提高了搜索质量。

本发明实施例中，另一种对多张候选图片中目标图片进行过滤的方式可以是：将所述多张候选图片中的所述目标图片删除。进而在展示召回的候选图片时，仅为用户展示高质量图片，也能够提高搜索质量。

当然，本发明的一个可选实施例中，在确定目标图片后，可以为目标图片添加设定标识；然后将召回的多张候选图片(包括被标记的目标图片)返回。客户端在接收到返回的多张候选图片后，可以确定具有设定标识的目标图片；然后对所述多张候选图片中，除具有设定标识的目标图片之外的其他图片进行展示。

综上，本发明实施例中，可以分别判断各候选图片的美学特征信息是否低于美学特征阈值；然后将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的目标图片；进而能够提高确定召回的图片中低质量图片的准确性，从而提高搜索质量。

其次，本发明实施例中，可以采用训练后的美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息；进而提高了确定候选图片美学特征信息的准确性，从而能够提高确定召回的候选图片中低质量图片的准确性，进一步提高搜索质量。

进一步，本发明实施例中，可以预先采用美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息并存储；以及建立所述图片库中各图片与对应美学特征信息之间的关联关系并存储；然后可以基于各候选图片查找所述关联关系，确定各候选图片对应的美学特征信息；进而提高了获取各候选图片对应美学特征信息的效率。

再次，本发明实施例中，在对所述多张候选图片中的目标图片进行过滤的过程中，可以将所述目标图片排在其他图片之后，所述其他图片为所述多张候选图片中除目标图片之外的图片；或将所述多张候选图片中的所述目标图片删除；进而优先将高质量图片展示给用户，提高了用户体验。

参照图4，示出了本发明的另一种搜索方法可选实施例的步骤流程图。

步骤402、接收用户输入的查询图片。

步骤404、从图片库中召回与所述查询图片相似的多张候选图片。

步骤406、获取各候选图片对应的美学特征信息。

其中，步骤402-步骤406，与上述步骤302-步骤306类似，在此不再赘述。

本发明实施例中，低质量条件可以是：图片集合中美学特征信息最低的M张图片。本发明实施例中，一种依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，所述美学特征信息用于表征图片的美学质量的方式，可以参照步骤408-步骤410：

步骤408、计算所述多张候选图片中各候选图片与其他候选图片之间的相似度。

步骤410、针对多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数。

步骤412、将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片，M为小于N的正整数。

本发明实施例中，从图片库中召回的与所述查询图片相似的多张候选图片中，可能包括重复的图片，例如，人物B的海报和海报中人物B被拼接到商品的图片，是重复的图片；这些重复的图片中可能包括高质量的图片和低质量的图片。因此本发明实施例，针对多张候选图片中的每一张候选图片，可以计算该候选图片与所有候选图片中其他图片的相似度；然后可以将各其他图片与该候选图片的相似度与相似度阈值比对；查找出与该候选图片相似度高于相似度阈值的图片。若查找到与该候选图片相似度高于相似度阈值的图片，则可以将该候选图片和与该候选图片的相似度高于相似度阈值的多张图片确定为一个图片集合；所述图片集合中可以包括N张图片，所述N为大于1的正整数。

然后再将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片；其中，M为小于N的正整数。本发明的一个示例中，所述M与N的差值可以为1，即将各图片集合中除美学特征信息最高的图片之外的其他图片确定为目标图片。

步骤414、对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

其中，步骤414与上述步骤312类似，在此不再赘述。

综上，本发明实施例中，在依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片的过程中，可以计算所述多张候选图片中各候选图片与其他候选图片之间的相似度；然后针对多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数；再将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片，M为小于N的正整数；进而能够提高确定召回的图片中低质量图片的准确性，从而提高搜索质量。

参照图5，示出了本发明的又一种搜索方法可选实施例的步骤流程图。

步骤502、接收用户输入的查询图片。

步骤504、从图片库中召回与所述查询图片相似的多张候选图片。

步骤506、获取各候选图片对应的美学特征信息。

步骤508、分别判断各候选图片的美学特征信息是否低于美学特征阈值。

步骤510、将多张候选图片中低于美学特征阈值的图片，确定为满足低质量条件的第一目标图片。

其中，步骤502-步骤510，与上述步骤302-步骤310类似，在此不再赘述。

步骤512、计算除第一目标图片外的多张候选图片中，各候选图片与其他候选图片之间的相似度。

步骤514、针对除第一目标图片外的多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数

步骤516、将各图片集合中美学特征信息最低的后M张图片，确定为满足低质量条件的第二目标图片，M为小于N的正整数。

其中，步骤510-步骤516，与步骤408-步骤414类似，在此不再赘述。

步骤518、对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片，所述目标图片包括第一目标图片和第二目标图片。

本发明实施例中，若对所述多张图片中的目标图片进行过滤是将所述目标图片排在其他图片之后，则可以先将第一目标图片向后排列，将第一目标图片排在候选图片中其他图片之后。然后再对第二目标图片向后排列；其中，可以将第二目标图片排在第一目标图片之后。

综上，本发明实施例中，在依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片的过程中，可以先分别判断各候选图片的美学特征信息是否低于美学特征阈值，然后将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的第一目标图片；再计算除第一目标图片外的多张候选图片中，各候选图片与其他候选图片之间的相似度，并针对除第一目标图片外的多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数；然后将各图片集合中美学特征信息最低的后M张图片，确定为满足低质量条件的第二目标图片，再对所述多张候选图片中的第一目标图片和第二目标图片进行过滤，返回过滤后的候选图片；进而通过多次从召回的图片中筛选出目标图片，能够进一步提高确定召回的图片中低质量图片的准确性，从而进一步提高搜索质量。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图6，示出了本发明的一种搜索装置实施例的结构框图，具体可以包括如下模块：

接收模块602，用于接收用户输入的查询图片；

召回模块604，用于从图片库中召回与所述查询图片相似的多张候选图片，获取各候选图片对应的美学特征信息；

确定模块606，用于依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，所述美学特征信息用于表征图片的美学质量；

过滤模块608，用于对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

参照图7，示出了本发明的一种搜索装置可选实施例的结构框图。

本发明一个可选的实施例中，所述召回模块604，包括：

打分子模块6042，用于采用美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息。

本发明一个可选的实施例中，所述的装置还包括：

关系建立模块610，用于预先采用美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息并存储；建立所述图片库中各图片与对应美学特征信息之间的关联关系并存储；

所述召回模块604，包括：

查找子模块6044，用于基于各候选图片查找所述关联关系，确定各候选图片对应的美学特征信息。

本发明一个可选的实施例中，所述打分子模块6042，用于针对每一张候选图片，将所述候选图片或所述候选图片的图片特征信息输入至所述美学模型中，得到所述候选图片对应的美学质量分类信息；其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；确定各美学质量类别对应的权重信息；依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。

本发明一个可选的实施例中，所述确定模块606，包括：

第一目标图片确定子模块6062，用于分别判断各候选图片的美学特征信息是否低于美学特征阈值；将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的目标图片。

本发明一个可选的实施例中，所述确定模块606，包括：

第二目标图片确定子模块6064，用于计算所述多张候选图片中各候选图片与其他候选图片之间的相似度；针对多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数；将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片，M为小于N的正整数。

本发明一个可选的实施例中，所述过滤模块608，用于将所述目标图片排在其他图片之后，所述其他图片为所述多张候选图片中除目标图片之外的图片；或将所述多张候选图片中的所述目标图片删除。

本发明一个可选的实施例中，所述的装置还包括：

训练模块612，用于依据预设的美学分类规则标注训练图片对应的参考美学质量类别；依据所述训练图片和对应的参考美学质量类别，对所述美学模型进行训练。

本发明一个可选的实施例中，所述训练模块612，用于将所述训练图片或所述训练图片的图片特征信息输入至所述美学模型进行前向计算，得到所述美学模型输出的美学质量分类信息；其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；依据所述美学质量分类信息和训练图片的参考美学质量类别对所述美学模型进行反向传播，调整所述美学模型的模型参数。

综上，本发明实施例中，在接收用户输入的查询图片后，可以从图片库中召回与所述查询图片相似的多张候选图片，并获取各候选图片对应的美学特征信息；然后依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，再对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片；其中，所述美学特征信息是用于表征图片的美学质量的，因此相对于根据图片的图片属性判定低质量图片而言，本发明实施例根据图片的美学特征信息判定召回图片中低质量的图片的方式，能够更准确的判定出低质量图片，进而能够提高搜索质量。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图8是根据一示例性实施例示出的一种用于搜索的电子设备800的结构框图。例如，电子设备800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8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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。处理元件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理部件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800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804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。

电力组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800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，通信部件814经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件814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，电子设备800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，用于执行上述方法。

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804，上述指令可由电子设备800的处理器820执行以完成上述方法。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。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行一种搜索方法，所述方法包括：接收用户输入的查询图片；从图片库中召回与所述查询图片相似的多张候选图片，获取各候选图片对应的美学特征信息；依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，所述美学特征信息用于表征图片的美学质量；对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

可选地，所述获取各候选图片对应的美学特征信息，包括：采用美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息。

可选地，所述的方法还包括：预先采用美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息并存储；建立所述图片库中各图片与对应美学特征信息之间的关联关系并存储；所述获取各候选图片对应的美学特征信息，包括：基于各候选图片查找所述关联关系，确定各候选图片对应的美学特征信息。

可选地，所述采用所述美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息，包括：针对每一张候选图片，将所述候选图片或所述候选图片的图片特征信息输入至所述美学模型中，得到所述候选图片对应的美学质量分类信息；其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；确定各美学质量类别对应的权重信息；依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。

可选地，所述依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，包括：分别判断各候选图片的美学特征信息是否低于美学特征阈值；将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的目标图片。

可选地，所述依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，包括：计算所述多张候选图片中各候选图片与其他候选图片之间的相似度；针对多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数；将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片，M为小于N的正整数。

可选地，所述对所述多张候选图片中的目标图片进行过滤，包括：将所述目标图片排在其他图片之后，所述其他图片为所述多张候选图片中除目标图片之外的图片；或将所述多张候选图片中的所述目标图片删除。

可选地，所述的方法还包括训练所述美学模型的步骤：依据预设的美学分类规则标注训练图片对应的参考美学质量类别；依据所述训练图片和对应的参考美学质量类别，对所述美学模型进行训练。

可选地，所述依据所述训练图片和对应的参考美学质量类别，对所述美学模型进行训练，包括：将所述训练图片或所述训练图片的图片特征信息输入至所述美学模型进行前向计算，得到所述美学模型输出的美学质量分类信息；其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；依据所述美学质量分类信息和训练图片的参考美学质量类别对所述美学模型进行反向传播，调整所述美学模型的模型参数。

图9是本发明根据另一示例性实施例示出的一种用于搜索的电子设备900的结构示意图。该电子设备900可以是服务器，该服务器可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器922可以设置为与存储介质930通信，在服务器上执行存储介质930中的一系列指令操作。

服务器还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，一个或一个以上键盘956，和/或，一个或一个以上操作系统941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：接收用户输入的查询图片；从图片库中召回与所述查询图片相似的多张候选图片，获取各候选图片对应的美学特征信息；依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，所述美学特征信息用于表征图片的美学质量；对所述多张候选图片中的目标图片进行过滤，返回过滤后的候选图片。

可选地，所述获取各候选图片对应的美学特征信息，包括：采用美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息。

可选地，还包含用于进行以下操作的指令：预先采用美学模型对所述图片库中各图片进行美学打分，确定所述图片库中各图片对应的美学特征信息并存储；建立所述图片库中各图片与对应美学特征信息之间的关联关系并存储；所述获取各候选图片对应的美学特征信息，包括：基于各候选图片查找所述关联关系，确定各候选图片对应的美学特征信息。

可选地，所述采用所述美学模型对各候选图片进行美学打分，确定各候选图片对应的美学特征信息，包括：针对每一张候选图片，将所述候选图片或所述候选图片的图片特征信息输入至所述美学模型中，得到所述候选图片对应的美学质量分类信息；其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；确定各美学质量类别对应的权重信息；依据各美学质量类别对应的权重信息，对各美学质量类别对应的分值进行加权计算，得到所述候选图片对应的美学特征信息。

可选地，所述依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，包括：分别判断各候选图片的美学特征信息是否低于美学特征阈值；将多张候选图片中美学特征信息低于美学特征阈值的图片，确定为满足低质量条件的目标图片。

可选地，所述依据各候选图片的美学特征信息，确定多张候选图片中满足低质量条件的目标图片，包括：计算所述多张候选图片中各候选图片与其他候选图片之间的相似度；针对多张候选图片中的每一张候选图片，将所述候选图片和与所述候选图片相似度高于相似度阈值的其他候选图片确定为一图片集合，所述图片集合中包含N张图片，N为大于1的正整数；将各图片集合中美学特征信息最低的M张图片，确定为满足低质量条件的目标图片，M为小于N的正整数。

可选地，所述对所述多张候选图片中的目标图片进行过滤，包括：将所述目标图片排在其他图片之后，所述其他图片为所述多张候选图片中除目标图片之外的图片；或将所述多张候选图片中的所述目标图片删除。

可选地，还包含用于进行以下训练所述美学模型的指令：依据预设的美学分类规则标注训练图片对应的参考美学质量类别；依据所述训练图片和对应的参考美学质量类别，对所述美学模型进行训练。

可选地，所述依据训练图片和对应的参考美学质量类别，对所述美学模型进行训练，包括：将所述训练图片或所述训练图片的图片特征信息输入至所述美学模型进行前向计算，得到所述美学模型输出的美学质量分类信息，其中，所述美学质量分类信息包括多个美学质量类别和各美学质量类别对应的分值；依据所述美学质量分类信息和训练图片的参考美学质量类别对所述美学模型进行反向传播，调整所述美学模型的模型参数。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种搜索方法、一种搜索装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。