图像处理是淘宝店主在产品上店前必做的工作之一,有视觉冲击感的图像会第一时间勾起消费者的消费欲望。当下不少店主,尤其是新店主,经常遇到因图像过大而不能上传的问题;因亮度、清晰度等因素不合适影响产品销售的问题;甚至对处理图像无从下手的问题。目前市面上的图像处理工具很少有能匹配淘宝图像规范一键进行评估的功能,图像修正时往往要通过复杂调参来完成。为了解决上述问题,本文将采用深度迁移学习技术和无参考图像质量评价方法实现图像批量自动评估。首先通过网络爬虫获取淘宝图像数据集,然后对图像进行预处理,通过微调Res Net50训练出神经网络模型用于图像分类系统。为了解决实验过程中部分图像被系统评估为合格但实际效果不佳的问题,本文提出了一种改进办法,重在改进研究亮度和清晰度阈值的方法,从而实现系统优化。具体进行了如下研究工作:(1)基于亮度改进超像素算法。基于HSV颜色空间,先建好一个forest,把所有像素点连接的边按权值大小(亮度值差)升序排列,然后计算对应区域的内部差值,然后对图中所有的边进行遍历。如果两个相邻区域顶点的亮度权值均小于各自区域的内部差,那么就合并这两个区域。(2)自建数据集。网络爬虫淘宝店铺图像建立数据集,使用改进后的超像素算法和Laplacian变换的方差值公式实验得出更佳的亮度阈值和清晰度阈值。根据亮度阈值和清晰度阈值对数据集进行分类,建好合格图像数据集和不合格图像数据集。(3)训练神经网络模型。基于改进的数据集,微调Res Net50,训练出契合评估淘宝图像的神经网络模型。(4)开发图像质量分类系统。利用训练好的神经网络模型,设计并编程实现一个图像质量分类系统。系统主功能通过批量综合评估模块来实现,辅助功能通过一键淘宝化模块、尺寸文字模块、压缩模块和后台服务模块来实现。并在真实环境中进行了测试,取得了符合预期的实验结果。