CN105225222B - 对不同图像集的感知视觉质量的自动评估 - Google Patents

Abstract

本发明涉及对不同图像集的感知视觉质量的自动评估。在一个实施例中，一种计算设备包括处理器和耦合到所述处理器且包括图像质量评估模块的存储器。所述图像质量评估模块被配置用于从每个图像集获得特征，并且生成与所获得的特征相对应特征向量。进一步，所述图像质量评估模块被配置用于计算与所述每个图像集所关联于的特征向量相对应的质量分数集。此外，所述图像质量评估模块被配置用于使用对应的质量分数集来在图像集当中自动确定感知视觉质量为最佳的图像集。

Description

对不同图像集的感知视觉质量的自动评估

技术领域

本发明涉及图像质量评估的领域，并且更具体地涉及自动评估不同图像集的感知视觉质量。

背景技术

一般地，在图像(例如，数字照片、医学图像、CT扫描图像等)被输出之前，它们经过影响图像质量的许多处理阶段。例如，图像处理的每个阶段可能引入失真，该失真可能降低所产生的最终图像的质量。由于光学器件、传感器噪声、颜色校准、曝光控制、相机运动等，由相机所采集的图像可能表现出失真。其他的失真来源可能包括压缩算法和比特误差。此外，用于处理图像的成像平台的类型也可能影响图像的质量。

与理想或完美的图像参考相比，图像质量是与所感知的图像劣化有关的图像的特性。典型地，图像的质量是通过图像质量评估所测量的。

在现有技术之一中，基于人为差异平均意见分数(DMOS)执行图像质量评估。在基于人为DMOS的技术中，很多人都被要求基于通过裸眼感知的图像质量来评价图像。然而，基于人为DMOS的技术是昂贵的以及耗时的。在另一种技术中，基于峰值信号噪声比(PSNR)质量度量来执行图像质量评估。在又一种技术中，基于均方误差(MSE)质量度量来执行图像质量评估。然而，这些技术需要用于比较的参考图像。而且，这些技术提供了相对于基于人为DMOS的技术不一致的结果。为了克服上述问题，开发了与基于人类DMOS的技术一起认知的诸如结构相似性(SSIM)指数之类的度量标准。在基于度量标准的技术中，相对于作为参考图像的初始未压缩或无失真的图像来评估图像的质量。然而，基于度量标准的技术可能不适合于比较两种不同图像集的图像质量。例如，基于度量标准的技术可能需要复杂的配准技术，以便正确对准不同的图像来计算两个不同图像集的图像质量。

术语“不同的图像集”指的是使用不同成像平台所生成的两个图像集。不同的成像平台可以使用不同的压缩算法、图像捕获算法、不同的模态(modality)等。例如，由来自两个不同制造商的计算机化断层摄影术(CT)扫描仪所产生的特定图像类型被称为“不同的图像集”。

鉴于上述内容，存在对于自动评估不同图像集的感知视觉质量的需要。

发明内容

因此，本发明的目的在于提供用于自动评估不同图像集的感知视觉质量的方法和装置。

本发明的目的通过一种自动评估多个图像集的感知视觉质量的方法来实现。例如，使用不同的成像平台来生成图像集。该方法包括从所述多个图像集中的每个图像集获得特征。每个图像集包括多个图像。例如，所述特征对应于所述每个图像集中的每个图像的像素。从所述每个图像集获得的特征是相应图像集的感知视觉质量的度量。能够注意到的是，使用任何公知的特征提取算法来从图像集获得特征。该方法进一步包括：基于对应特征，为所述多个图像集中的每个图像集生成质量分数集。所述质量分数集指示相应图像集的感知视觉质量。此外，该方法包括：使用对应的质量分数集来在所述多个图像集当中自动确定所述多个图像集中感知视觉质量为最佳的至少一个图像集。此外，该方法包括：将所述至少一个图像集声明为在所述多个图像集当中具有最佳感知视觉质量。因此，在图像集当中自动识别具有最佳感知视觉质量的图像集。有利地，识别具有最佳感知视觉质量的图像集所需的时间和努力被显著减少。

其中，在计算所述每个图像集的质量分数集方面，该方法包括：生成与从所述多个图像集中的所述每个图像集获得的特征相对应的特征向量。例如，特征向量是从所述每个图像集获得的特征的n维向量。此外，该方法包括：计算与所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

其中，在计算与特征向量相对应的质量分数集方面，该方法包括：生成与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布。该方法进一步包括：确定在与所述第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布和与第二域相对应的参考图像集的特征向量的概率分布之间是否存在重叠。例如，第一域可以是医疗域，以及第二域可以是计算机视觉领域。如果在第一域和第二域中的特征向量的概率分布之间存在重叠，该方法包括：向与所述第二域相对应的参考图像集的特征向量分配权重值，以及基于与所述参考图像集相关联的特征向量、特征向量的对应权重值和对应的质量分数，来重新训练针对所述每个图像集的回归算法。此外，该方法包括：使用相应的经重新训练的回归算法来计算与所述第一域中的所述多个图像集中的每个图像集所关联于的特性向量相对应的质量分数集。

其中，在自动确定所述多个图像集中的所述至少一个图像集方面，该方法包括：比较与所述多个图像集相对应的质量分数集。此外，该方法包括：基于比较的结果，在所述多个图像集当中确定具有最佳感知视觉质量的所述至少一个图像集。

其中，在向与第二域相对应的参考图像集的特征向量分配权重值方面，该方法包括：计算与第一域中的所述每个图像集相关联的特征向量的概率分布和与第二域中的参考图像集相关联的特征向量的概率分布之间的差异的度量。此外，该方法包括：基于所计算的度量，向与第二域相对应的参考图像集的每个特征向量分配唯一权重值。因此，分配给参考图像集的特征向量的权重值促进了将第二域的概率分布与第一域的概率分布相匹配。

本发明的目的还通过一种装置来实现，所述装置包括：处理器和耦合到所述处理器且包括图像质量评估模块的存储器。所述图像质量评估模块能够从多个图像集中的每个图像集获得特征，并基于对应特征为所述多个图像集中的每个图像集生成质量分数集。此外，所述图像质量评估模块能够使用对应的质量分数集来在所述多个图像集当中自动地确定所述多个图像集中感知视觉质量为最佳的至少一个图像集。此外，所述图像质量评估模块能够将所述至少一个图像集声明为在所述多个图像集当中具有最佳感知视觉质量。

其中，在计算针对所述多个图像集中的所述每个图像集的质量分数集方面，所述图像质量评估模块能够生成与从所述多个图像集中的所述每个图像集获得的特征相对应的特征向量。此外，所述图像评估模块能够计算与所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

其中，在计算与特征向量相对应的质量分数集方面，所述图像质量评估模块能够生成与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布。此外，所述图像质量评估模块能够确定在与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布和与第二域相对应的参考图像集的特征向量的概率分布之间是否存在重叠。如果在第一域和第二域中的特征向量的概率分布之间存在重叠，则所述图像质量评估模块能够向与第二域相对应的参考图像集的特征向量分配权重值。此外，所述图像质量评估模块能够基于分配给第二域中的参考图像集的对应特征向量的权重来计算与第一域中的所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

其中，在向与第二域相对应的参考图像集的特征向量分配权重值方面，所述图像质量评估模块能够计算与第一域中的所述每个图像集相关联的特征向量的概率分布和与第二域中的参考图像集相关联的特征向量的概率分布之间的差异的度量。此外，所述图像质量评估模块能够基于所计算的差异的度量，向与第二域相对应的参考图像集的每个特征向量分配唯一权重值。

其中，在自动确定所述多个图像集的所述至少一个图像集方面，所述图像质量评估模块能够比较与所述多个图像集相对应的质量分数集，并基于比较的结果来在所述多个图像集当中确定所述至少一个图像集。以这种方式，所述装置自动地评估图像集的感知视觉质量。

所述装置可以是计算设备，诸如台式计算机、膝上型计算机、服务器计算机、平板设备、智能电话，等等。所述图像质量评估模块可以按照机器可读指令的形式被存储在存储器中，该机器可读指令是由处理器可执行的。

本发明的目的通过具有存储于其中的指令的非暂时性计算机可读存储介质来实现，所述指令在由计算设备执行时，使所述计算设备执行以上所述的方法步骤。

附图说明

将参照本发明的附图来提出本发明的以上提及的特征和其他特征。所说明出的实施例意在说明而不是限制本发明。

下文参照附图中示出的所说明的实施例进一步描述本发明，其中：

图1是图示出根据本发明实施例的示例性计算设备的框图，所述示例性计算设备被配置用于自动评估不同图像集的感知视觉质量；

图2图示出根据本发明实施例的图1的图像质量评估模块的框图；

图3图示出根据本发明实施例的图2的分数计算模块的框图；以及

图4是图示出根据本发明实施例的自动评估图像集的感知视觉质量的示例性方法的过程流程图。

具体实施方式

参照附图来描述各种实施例，其中，相同的附图标记被用于涉及附图，其中相同的附图标记被到处用于提及相同的元素。在下面的描述中，为解释的目的，许多具体细节被阐述，以便提供对一个或多个实施例的透彻理解。可以明显的是，这些实施例可以在没有这些具体细节的情况下被实践。

图1是图示出根据本发明实施例的示例性计算设备100的框图，所述示例性计算设备100被配置用于自动评估不同图像集的感知视觉质量。计算设备100可以是个人计算机、膝上型计算机、服务器计算机、平板设备等。在图1中，计算设备100包括处理器102、存储器104、存储单元106、输入/输出设备108以及总线110。

如本文所使用的，处理器102意指任何类型的计算电路，诸如但不限于，微处理器、微控制器、复杂指令集计算微处理器、精简指令集计算微处理器、超长指令字微处理器、显式并行指令计算微处理器、图形处理器、数字信号处理器或任何其他类型的处理电路。处理器102还可以包括嵌入式控制器，诸如通用或可变程逻辑器件或阵列、专用集成电路、单片计算机等等。

存储器104可以是易失性存储器和非易失性存储器。各种计算机可读存储介质被存储在存储器104中并且从存储器104被访问。存储器104可包括用于存储数据和机器可读指令的任何合适元件，诸如只读存储器、随机存取存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、硬盘驱动器、用于处理紧致盘的可移除介质驱动器、数字视频盘、软磁盘、磁带盒、存储卡等。如所描绘的，存储器104包括图像质量评估模块112，该图像质量评估模块112以机器可读指令的形式被存储在以上提及的存储介质中的任意存储介质上并且是由处理器102可执行的。例如，当由处理器102执行时，图像质量评估模块112使处理器102剪切每个图像集的关注区域，并从与每个图像集相关联的经剪切的关注区域提取特征。然后，图像质量评估模块112使处理器102生成与从所述每个图像集获得的特征相对应的特征向量。例如，从每个图像集提取的特征包括量化所述每个图像集的质量和/或在可能存在于图像集中的不同类型的失真之间进行区分的特征。基于这些特征，处理器102为所述每个图像集生成特征向量。在示例性实施方式中，特征向量是通过建模与所述每个图像集相关联的自然场景统计数据所获得的超参数(hyper-parameter)。这是可能的，因为与自然场景统计数据的规律性的偏差度量了所述每个图像集的感知视觉质量。例如，对于图像强度I(i，j)，计算系数O(i，j)(也称为均值减损对比归一化(MSCN)系数)。该系数使用下面的等式来计算：

其中C是常数，以及u(i，j)和σ(i，j)使用下面的等式来计算：

其中W是采样出三个标准差且重标度为单位量的二维对称高斯加权函数。K和L的值等于3。然后分别使用广义高斯分布(GGD)和非对称广义高斯分布(AGGD)对MSCN系数O(i，j)及其组合进行建模。因此，所建模的系数的超参数及其组合被用作与所述每个图像集中的每个图像相关联的特征向量。

此外，图像质量评估模块112使处理器102计算与所述每个图像集所关联于的特征向量相对应的质量分数集。此外，图像质量评估模块112使处理器102使用对应的质量分数集来确定图像集当中的至少一个图像集。

存储单元106可以是配置用于存储数据库的非临时性存储介质。例如，存储单元106包含存储不同图像集的图像数据库114，将对所述不同图像集执行质量评估。存储单元106还包含标记数据库，其存储用于在与图像数据库114中的图像集不同的域中的参考图像集的特征向量和对应质量分数集。例如，在图像集数据库114中存储的图像集可以与医疗域相关联，而在标记数据库116中存储的特征向量被存储用于计算机视觉域中的图像集。存储单元106包含分数数据库118，该分数数据库118用于存储与每个图像集相关联的质量分数集。能够注意的是，图像数据库114、标记数据库116和分数数据库118可以驻留在远程服务器处，并且可以由计算设备100经由网络连接所远程访问。

输入/输出设备108可以包括键盘、小键盘、监视器、触敏显示屏、鼠标等。该输入设备/输出设备108使用户能够与计算设备100对接。例如，输入设备可以使得对感知视觉质量将被确定的图像集的选择能够实现。输出设备可以输出与其他图像集相比具有最佳感知视觉质量的图像集。总线110可以充当处理器102、存储器104、存储单元106和输入/输出模块108之间的接口。虽然在图1中未示出，但计算设备100可以包括通信模块，该通信模块用于在网络上与其他计算设备相交互。例如，当被存储在远程服务器上时，该通信模块可以协助访问图像集。

可以设想的是，本发明可以被实现在客户端-服务器体系结构中，其中远程服务器托管图像质量评估模块112，以及若干个客户端设备访问图像质量评估模块112，以用于确定图像集的感知视觉质量。而且，本发明可以被实现在云计算环境中，其中，图像质量评估模块112被托管在云服务器上。

图2图示出根据本发明实施例的图1的图像质量评估模块112的框图。图像质量评估模块112包括特征提取模块202、分数生成模块204和感知视觉质量确定模块206。

特征提取模块202从每个图像集提取特征。例如，特征提取模块202可使用本领域中公知的任何特征提取算法来从所述每个图像集提取特征。该分数生成模块204生成与所述每个图像集所关联于的所提取特征相对应的特征向量。分数生成模块204计算与用于所述每个图像集的特征向量相对应的质量分数集。在示例性实施方式中，分数生成模块204使用域自适应技术来计算质量分数集。下面更加详细地解释域自适应技术。

感知视觉质量确定模块206比较与每个图像集的特征向量相对应的质量分数集，并基于比较的结果来确定具有最佳感知视觉质量的一个或多个图像集。例如，感知视觉质量确定模块206执行统计假设测试，以确定具有最佳感知视觉质量的图像集。统计假设测试是一种使用来自科学研究的数据进行统计推断的方法。在示例性实施方式中，感知视觉质量确定模块206使用对差异测试，以便比较与从不同成像平台生成的图像集相关联的分数集。在另一示例性实施方式中，当图像集之间的差异的分布围绕中值对称时，感知视觉质量确定模块206使用符号秩测试。在又一示例性实施方式中，感知视觉质量确定模块206使用曼-惠特尼U(Mann-Whitney U)测试，以比较不同模态的图像集的感知视觉质量，该不同模态诸如是磁共振(MR)和计算机化断层摄影术(CT)。此外，感知视觉质量确定模块206将所确定的一个或多个图像集声明为在图像集当中具有最佳感知视觉质量的图像集。

图3图示出根据本发明实施例的图2的分数计算模块204的框图。分数计算模块204包括概率分布计算模块302、域重叠确定模块304、域白适应模块306和质量分数计算模块308。

概率分布计算模块302计算与所述每个图像集相关联的特征向量的概率分布。能够注意的是，图像集属于诸如医疗域的第一域。域重叠确定模块304确定在属于第一域的相应图像集的特征向量的概率分布和属于第二域的参考图像集的特征向量的概率分布之间是否存在重叠。第二域是不同于第一域的域。例如，第二域可以是计算机视觉域。在示例性实施方式中，概率分布计算模块302使用以下等式计算第一域中的概率分布和第二域中的概率分布之间的重叠(OVL(X，Y))：

其中，X＝{x_i}_i＝1...Ｎ和Y＝{y_i}_i＝1...M是第一域中的概率分布和第二域中的概率分布的两个多元随机变量，以及

和

分别是针对多元随机变量X和Y的第j个的单变内核密度估计式(estimator)。如果值OVL(X，Y)处于值的预期范围内，则意味着在第一域和第二域中的概率分布之间存在重叠。

如果发现概率分布的重叠，则域自适应模块306计算相应图像集的特征向量的概率分布和参考图像集的特征向量的概率分布之间的差异的度量。在示例性实施方式中，域自适应模块306使用库勒巴克-莱布勒(kullback-Leibler，KL)发散算法来计算两个域中特征向量的概率分布之间的差异的度量。计算概率分布中的差异的度量，以解决两个不同域的特征向量的概率分布之间的域转变问题。因此，为了匹配第一域和第二域的概率分布，域自适应模块306基于所计算的差异的度量，向参考图像集的每个特征向量分配唯一权重值。在上文中，用于基于协方差转变的方法的实例加权被用于解决域转变问题。然而，其他的域自适应方法(诸如，基于自标记的方法)在基于特征表示的方法中进行改变，以及可以使用基于集群的学习方法。

基于与参考图像集相关联的特征向量、对应的权重值以及对应的质量分数，质量分数计算模块308重新训练所述每个图像集的回归算法。例如，一个图像集的经重新训练的回归算法可不同于另一个图像集。质量分数计算模块308使用相应的回归算法来计算包括与所述每个图像集的特征向量相对应的质量分数的质量分数集。

图4是图示出根据本发明实施例的自动评估图像集的感知视觉质量的示例性方法的过程流程图。在步骤402处，输入不同的图像集，以用于评估不同图像集的感知视觉质量。每个图像集包括多个图像。不同的图像集可以属于诸如医疗域的特定域。图像集是使用由不同销售商制造的成像设备、使用不同压缩算法、不同模态、不同成像平台等来生成的。为了确定成像设备中哪个或哪些更好，重要的是确定图像集中哪个或哪些具有最佳感知视觉质量。

在步骤404处，从每个图象集获得与感知视觉质量相关联的特征。在示例性实施方式中，从图像集剪切关注区域，以及在对应图像集中从经剪切的关注区域提取特征。在步骤406处，生成与相应图像集的特征相对应的特征向量。在步骤408处，计算与所述每个图像集相关联的特征向量的概率分布。在步骤410处，确定所述每个图像集的特征向量的概率分布是否与属于不同于输入图像集的域的参考图像集的特征向量的概率分布相重叠。如果该概率分布不重叠，则在步骤411处，该过程被终止。如果概率分布重叠，则在步骤412处，计算与所述每个图像集相关联的特征向量的概率分布和与参考图像集相关联的特征向量的概率分布之间的差异的度量。在示例性实施方式中，使用KL发散方法来计算两个域中特征向量的概率分布之间的差异的度量。

在步骤414处，基于所计算的差异的度量，向与参考图像集相关联的对应特征向量分配唯一权重值。在步骤416处，基于与参考图像集相关联的特征向量、对应权重值和对应质量分数，针对所述每个图像集重新训练回归算法。能够注意的是，经重新训练的回归算法协助了将相应图像集的特征向量的概率分布与参考图像集的特征向量的概率分布相匹配。在步骤418处，使用相应的经重新训练的回归算法来计算与所述每个图像集所关联于的特征向量相对应的质量分数集。

在步骤420处，使用对应的质量分数集来在图像集当中自动确定具有最佳感知视觉质量的图像集。在示例性实施方式中，使用假设测试来比较与所述每个图像集相对应的质量分数集。在该实施方式中，基于比较的结果，在图像集当中识别所述图像。所识别的图像集是具有最佳感知视觉质量的图像集。在步骤422处，所识别的图像集合被声明为在图像集当中具有最佳感知视觉质量。以这种方式，自动评估图像集的感知视觉质量。

本发明可以采取计算机程序产品的形式，该计算机程序产品包括从计算机可用或计算机可读介质可访问的程序模块，所述计算机可用或计算机可读介质存储程序代码，所述程序代码供一个或多个计算机、处理器或指令执行系统使用或与其相结合地使用。为了本说明书的目的，计算机可用或计算机可读介质可以是可包含、存储、传送、传播或传输程序的任何装置，所述程序供指令执行系统、装置或设备使用或与其相结合地使用。该介质可以是电子、磁、光、电磁、红外或半导体系统(或装置或设备)、或它们自身中或它们自身的传播介质，因为信号载体不被包括在实体计算机可读介质的定义中，该实体计算机可读介质包括半导体或固态存储器、磁带、可移除软计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、刚性磁盘和光盘(诸如紧致盘只读存储器(CD-ROM)、读/写紧致盘和DVD)。如本领域技术人员所已知的，用于实现该技术的每个方面的处理器和程序代码可以是集中式或分布式的(或它们的组合)。

尽管本发明已经参照某些实施例而被详细描述，但是应该理解的是，本发明并不限于那些实施例。鉴于本公开，许多修改和变化将会自身呈现给本领域技术人员而不脱离本发明的各种实施例的范围，如本文所描述的。因此，本发明的范围由以下权利要求而不是由前述描述来表明。来自权利要求的等效方式的意义和范围内的所有改变、修改和变化都被认为处于权利要求的范围内。

Claims (15)

1.一种自动评估多个图像集的感知视觉质量的方法，所述方法包括：

使用处理器从所述多个图像集中的每个图像集获得特征，其中所述多个图像集是使用不同成像平台所生成的不同图像集；

基于对应的特征，为所述多个图像集中的每个图像集生成质量分数集；

比较与所述多个图像集相对应的质量分数集；以及

基于比较的结果来在所述多个图像集当中自动确定所述多个图像集中感知视觉质量为最佳的至少一个图像集。

2.根据权利要求1所述的方法，进一步包括：

将所述至少一个图像集声明为在所述多个图像集当中具有最佳感知视觉质量。

3.根据权利要求1所述的方法，其中为所述多个图像集中的所述每个图像集计算所述质量分数集包括：

生成与从所述多个图像集中的所述每个图像集获得的特征相对应的特征向量；以及

计算与所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

4.根据权利要求3所述的方法，其中，计算与特征向量相对应的质量分数集包括：

生成与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布；

确定在与所述第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布和与第二域相对应的参考图像集的特征向量的概率分布之间是否存在重叠；

如果在所述第一域和所述第二域中的特征向量的概率分布之间存在重叠，向与所述第二域相对应的参考图像集的特征向量分配权重值；

基于与所述参考图像集相关联的特征向量、特征向量的对应权重值以及对应的质量分数，重新训练用于所述每个图像集的回归算法；以及

使用相应的经重新训练的回归算法来计算与所述第一域中的所述多个图像集中的所述每个图像集所关联于的特性向量相对应的质量分数集。

5.根据权利要求4所述的方法，其中向与所述第二域相对应的参考图像集的特征向量分配权重值包括：

计算与所述第一域中的所述每个图像集相关联的特征向量的概率分布和与所述第二域中的参考图像集相关联的特征向量的概率分布之间的差异的度量；以及

基于所计算的度量，向与所述第二域相对应的参考图像集的每个特征向量分配唯一权重值。

6.一种自动评估多个图像集的感知视觉质量的装置，包括：

处理器；和

耦合到所述处理器的存储器，其中所述存储器包括图像质量评估模块，其能够：

从多个图像集中的每个图像集获得特征，其中所述多个图像集是使用不同成像平台所生成的不同图像集；

基于对应的特征，为所述多个图像集中的每个图像集生成质量分数集；

比较与所述多个图像集相对应的质量分数集；以及

基于比较的结果来在所述多个图像集当中自动确定所述多个图像集中感知视觉质量为最佳的至少一个图像集。

7.根据权利要求6所述的装置，其中所述图像质量评估模块能够将所述至少一个图像集声明为在所述多个图像集当中具有最佳感知视觉质量。

8.根据权利要求6所述的装置，其中在为所述多个图像集中的所述每个图像集计算所述质量分数集方面，所述图像质量评估模块（112）能够：

生成与从所述多个图像集中的所述每个图像集获得的特征相对应的特征向量；以及

计算与所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

9.根据权利要求8所述的装置，其中在计算与特征向量相对应的质量分数集方面，所述图像质量评估模块能够：

生成与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布；

确定在与所述第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布和与第二域相对应的参考图像集的特征向量的概率分布之间是否存在重叠；

如果在所述第一域和所述第二域中的特征向量的概率分布之间存在重叠，向与所述第二域相对应的参考图像集的特征向量分配权重值；

基于与所述参考图像集相关联的特征向量、对应的权重值以及对应的质量分数，重新训练用于所述每个图像集的回归算法；以及

使用相应的经重新训练的回归算法来计算与所述第一域中的所述多个图像集中的所述每个图像集所关联于的特性向量相对应的质量分数集。

10.根据权利要求9所述的装置，其中在向与所述第二域相对应的参考图像集的特征向量分配权重值方面，所述图像质量评估模块能够：

计算与所述第一域中的所述每个图像集相关联的特征向量的概率分布和与所述第二域中的参考图像集相关联的特征向量的概率分布之间的差异的度量；以及

基于所计算的差异的度量，向与所述第二域相对应的参考图像集的每个特征向量分配唯一权重值。

11.一种具有存储于其中的指令的非临时性计算机可读存储介质，所述指令在由计算设备执行时，使所述计算设备执行包括以下的方法步骤：

从多个图像集中的每个图像集获得特征，其中所述多个图像集是使用不同成像平台所生成的不同图像集；

基于对应的特征，为所述多个图像集中的每个图像集生成质量分数集；

比较与所述多个图像集相对应的质量分数集；以及

基于比较的结果来在所述多个图像集当中自动确定所述多个图像集中感知视觉质量为最佳的至少一个图像集。

12.根据权利要求11所述的存储介质，其中所述指令使所述计算设备执行包括以下的步骤：

将所述至少一个图像集声明为在所述多个图像集当中具有最佳感知视觉质量。

13.根据权利要求11所述的存储介质，其中在为所述多个图像集中的所述每个图像集计算所述质量分数集方面，所述指令使所述计算设备执行包括以下的步骤：

生成与从所述多个图像集中的所述每个图像集获得的特征相对应的特征向量；以及

计算与所述多个图像集中的所述每个图像集所关联于的特征向量相对应的质量分数集。

14.根据权利要求13所述的存储介质，其中在计算与特征向量相对应的质量分数集方面，所述指令使所述计算设备执行包括以下的步骤：

生成与第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布；

确定在与所述第一域相对应的所述多个图像集中的所述每个图像集的特征向量的概率分布和与第二域相对应的参考图像集的特征向量的概率分布之间是否存在重叠；

如果在所述第一域和所述第二域中的特征向量的概率分布之间存在重叠，向与所述第二域相对应的参考图像集的特征向量分配权重值；

基于与所述参考图像集相关联的特征向量、特征向量的对应权重值以及对应的质量分数，重新训练用于所述每个图像集的回归算法；以及

使用相应的经重新训练的回归算法来计算与所述第一域中的所述多个图像集中的所述每个图像集所关联于的特性向量相对应的质量分数集。

15.根据权利要求14所述的存储介质，其中在向与所述第二域相对应的参考图像集的特征向量分配权重值方面，所述指令使所述计算设备执行包括以下的步骤：

计算与所述第一域中的所述每个图像集相关联的特征向量的概率分布和与所述第二域中的参考图像集相关联的特征向量的概率分布之间的差异的度量；以及

基于所计算的度量，向与所述第二域相对应的参考图像集的每个特征向量分配唯一权重值。

Images