CN108074241A - 目标图像的质量评分方法、装置、终端及存储介质 - Google Patents

目标图像的质量评分方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN108074241A
CN108074241A CN201810038725.8A CN201810038725A CN108074241A CN 108074241 A CN108074241 A CN 108074241A CN 201810038725 A CN201810038725 A CN 201810038725A CN 108074241 A CN108074241 A CN 108074241A
Authority
CN
China
Prior art keywords
image
target image
original image
target
primitive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810038725.8A
Other languages
English (en)
Other versions
CN108074241B (zh
Inventor
王旭
刘小华
江健民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201810038725.8A priority Critical patent/CN108074241B/zh
Publication of CN108074241A publication Critical patent/CN108074241A/zh
Application granted granted Critical
Publication of CN108074241B publication Critical patent/CN108074241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用计算机技术领域，提供了一种图像的质量评分方法、装置、终端及存储介质，该方法包括：当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。

Description

目标图像的质量评分方法、装置、终端及存储介质
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像的质量评分方法、装置、终端及存储介质。
背景技术
随着各类数码产品日益普及，人们的大部分娱乐时间都在用各式各样的智能终端来玩游戏、聊天、看电影、拍照等主观感受来评价被测试图像的质量，这种方式需针对多个测试图像进行大量重等，其中拍照是一项较主流的娱乐项目，人们对自拍或者拍照的喜欢程度增加了，对拍摄的图像质量的要求也随之逐渐提高，而图像在编辑、压缩、存储、传输、解码和重组等过程中会产生各种各样的失真，这些失真会不同程度上影响视觉感受。因此在图像编辑、编码压缩、网络传输等领域建立有效的图像质量评价机制具有重要的意义。
目前，图像质量评价方法主要分为两类，一是主观质量评价，另一类是客观质量评价。现有的客观质量评价算法主要针对自然场景图像设计，对其他图像的质量评价误差较大，而主观质量评价是凭人眼感知重复实验，成本高，难以操作，在人眼的内部生成机制(IGM，Internal Generative Mechanism)中，大脑首先同时分析遇到的场景，它检测刺激(图像中的像素值)之间的相关性，然后结合固有的经验知识，大脑预测主要视觉信息来优化输入场景，即大脑将根据局部信息推测与其相邻的区域的信息，当实际图像信息与这些推测的信息有差异时，将吸引更多的注意力。
发明内容
本发明的目的在于提供一种图像的质量评分方法、装置、终端以及介质，旨在解决由于现有技术无法提供一种有效的图像的质量评分方法，导致在评价目标图像的质量时操作难度大、精确度低的问题。
一方面，本发明提供了一种目标图像的质量评分方法，所述方法包括下述步骤：
当接收到对目标图像的质量评分请求时，获取所述目标图像对应的原始图像；
根据视觉敏感模型以及信息内容模型提取所述原始图像特征图和所述目标图像特征图；
根据所述原始图像特征图以及所述目标图像特征图获取所述原始图像特征图的特征参数和所述目标图像特征图的特征参数；
根据所述原始图像特征图的特征参数和所述目标图像特征图的特征参数获取所述目标图像的质量评分。
另一方面，本发明提供了一种目标图像的质量评分装置，所述装置包括：
原图获取单元，用于当接收到对目标图像的质量评分请求时，获取所述目标图像对应的原始图像；
特征图提取单元，用于根据视觉敏感模型以及信息内容模型提取所述原始图像特征图和所述目标图像特征图；
参数获取单元，用于根据所述原始图像特征图以及所述目标图像特征图获取所述原始图像特征图的特征参数和所述目标图像特征图的特征参数；以及
评分获取单元，用于根据所述原始图像特征图的特征参数和所述目标图像特征图的特征参数获取所述目标图像的质量评分。
另一方面，本发明还提供了一种计算终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述图像的质量评分方法的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述图像的质量评分方法的步骤。
本发明在当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
附图说明
图1是本发明实施例一提供的图像的质量评分方法的实现流程图；
图2是本发明实施例二提供的图像的质量评分装置的结构示意图；
图3是本发明实施例三提供的图像的质量评分装置的结构示意图；以及
图4是本发明实施例四提供的计算终端的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的图像的质量评分方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像。
本发明实施例适用于可进行图像处理的计算设备，例如手机、平板电脑、学习机等。在本发明实施例中，目标图像可以为一失真图像，该失真图像可以是原始图像经过一些列操作后产生的，例如，对原始图像进行编辑、压缩、存储、传输、解码和重组等操作后产生的。
在步骤S102中，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图。
在本发明实施例中，视觉敏感模型是模拟人眼在看图像时对图像各个区域的重视(敏感)程度的一种模型，例如，人眼在观察图像时，对一些线条密集的部分或者色彩鲜艳的部分比较注意，投入更多的注意力，如果这些部分图像有失真，就更容易被人眼察觉，从而影响视觉体验。信息内容模型是模拟图像失真影响到人眼对图像内容的理解的一种模型，例如，人眼在观察图像时，从图像中看出图像所要表达的信息，包括线条、色彩以及具体的人像、物体等目标信息，对比原始图像与目标图像的信息内容可用于评估失真的程度。
优选地，在提取原始图像特征图和目标图像的特征图时，通过视觉敏感模型分别对原始图像和目标图像在像素域和梯度域的显著性进行融合，以得到原始图像的显著性图和目标图像的显著性图，通过分别对原始图像和目标图像做卷积计算，获取原始图像的信息内容图和目标图像的信息内容图，通过对原始图像的显著性图和信息内容图进行点乘，并对目标图像的显著性图和信息内容图进行点乘，分别获取原始图像特征图和目标图像特征图，从而模拟出人类视觉系统的多通道特点，从人类视觉上以及图像内容上全面捕捉到原始图像和目标图像的特征。在具体实施过程中，根据“人眼的内部生成机制”的概念，本发明实施例采用最小二乘法模拟人眼生成的图像，在获取原始图像的信息内容图和目标图像的信息内容图时，将梯度幅值作为度量图像信息内容的方式，使用梯度幅值提取算法来提取图像中的边等对比度高的信息内容，并使用简单的作差法模拟敏感度。
进一步优选地，通过视觉敏感模型分别对原始图像和目标图像在像素域和梯度域的显著性进行融合时，根据公式 以及分别获取原始图像和目标图像在像素点邻域的显著性图，根据公式以及分别获取原始图像和目标图像的梯度幅值域，再根据原始图像的梯度幅值域和原始图像在像素点邻域的显著性图获取原始图像在梯度幅值域的显著性图,并根据目标图像的梯度幅值域和目标图像在像素点邻域的显著性图获取目标图像在梯度幅值域的显著性图，根据公式分别获取原始图像和目标图像的显著性图，从而模拟出人类视觉系统多通道的特点，进而提高了质量评价和主观评价的一致性，其中，X为原始图像或目标图像的待预测像素点邻域内的像素点，Y为待预测像素点邻域内的像素点组成的待预测图像，为待预测图像预测得到的预测图像，SX为X邻域对应域的显著性图，GM(i,j)为在像素点(i,j)的梯度幅值，gx为像素点(i,j)的水平方向梯度，gy为像素点(i,j)的垂直方向梯度，H、V为3ⅹ3矩阵，分别用于提取原始图像或目标图像的水平梯度和垂直梯度，S为原始图像和目标图像的视觉敏感模型，SX为在X邻域对应域的显著性图，SGM为在梯度域的显著性图。在具体实施过程中，在提取原始图像或目标图像的水平梯度和垂直梯度以及获取原始图像的信息内容图和目标图像的信息内容图时，可使用Sobel算子、Prewitt算子、Scharr算子计算，不同H、V对应着不同的算子，具体地，可根据实验效果来确定使用的矩阵H和V的矩阵数值。
在步骤S103中，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数。
在本发明实施例中，原始图像特征图或目标图像特征图的特征参数包括特征图系数的均值、特征图系数的方差、特征图的形状参数、特征图的尺度参数以及KL散度，特征图的形状参数以及特征图的尺度参数由特征图系数对应的频率直方图通过韦伯分布拟合得到，KL散度(Kullback–Leibler divergence，KLD，相对熵)由原始图像或目标图像拟合得到。
优选地，在获取原始图像特征图的特征参数和目标图像特征图的特征参数时，根据原始图像特征图的形状参数和特征图的尺度参数获取目标图像的韦伯分布曲线，根据公式获取原始图像或目标图像的KL散度，从而在原始图像和目标图像不在一个设备上时减少了需要传输的数据量，其中kld(pm||q)为原始图像或目标图像的KL散度，pm为原始图像的韦伯分布曲线，q(x)为原始图像或目标图像的系数频率。
在步骤S104中，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分。
优选地，在获取目标图像的质量评分时，通过公式获取目标图像的质量评分(score)，从而简化了图像质量评分的计算过程，其中，fr＝{μ,σ,γ,θ,KLD}，fd＝{μ,σ,γ,θ,KLD}，fr为原始图像特征图的特征参数集合，fd为目标图像特征图的特征参数集合，ε为常数，N表示原始图像或目标图像的特征参数总个数，μ为特征图的系数的均值，σ为特征图的系数的方差，γ为特征图的形状参数，θ为特征图的尺度参数，KLD为KL散度。
在本发明实施例中，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
实施例二：
图2示出了本发明实施例二提供的图像的质量评分装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
原图获取单元21，用于当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像；
特征图提取单元22，用于根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图；
参数获取单元23，用于根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数；以及
评分获取单元24，用于根据原始图像特征图的特征和目标图像特征图的特征获取目标图像的质量评分。
在本发明实施例中，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
在本发明实施例中，图像的质量评分装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。各单元的具体实施方式可参考实施例一的描述，在此不再赘述。
实施例三：
图3示出了本发明实施例三提供的图像的质量评分装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
原图获取单元31，用于当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像；
特征图提取单元32，用于根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图；
参数获取单元33，用于根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数；以及
评分获取单元34，用于根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分。
其中，特征图提取单元32，包括：
显著性融合单元321，通过视觉敏感模型分别对原始图像和目标图像在像素域和梯度域的显著性进行融合，以得到原始图像的显著性图和目标图像的显著性图；
内容获取单元322，用于通过分别对原始图像和目标图像做卷积计算，获取原始图像的信息内容图和目标图像的信息内容图；以及
特征图获取单元323，用于通过对原始图像的显著性图和信息内容图进行点乘，并对目标图像的显著性图和信息内容图进行点乘，分别获取原始图像特征图和目标图像特征图。
参数获取单元33，包括：
曲线获取单元331，用于根据原始图像特征图的形状参数和尺度参数获取目标图像的韦伯分布曲线；以及
散度获取单元332，用于根据公式分别获取原始图像或目标图像的KL散度。
在本发明实施例中，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
在本发明实施例中，图像的质量评分装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。各单元的具体实施方式可参考实施例一的描述，在此不再赘述。
实施例四：
图4示出了本发明实施例四提供的计算终端的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
本发明实施例的计算终端4包括处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。该处理器41执行计算机程序43时实现上述图像的质量评分方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器31执行计算机程序33时实现上述各个图像的质量评分装置实施例中各单元的功能，例如图2所示单元21至24以及图3所示单元31至34的功能。
在本发明实施例中，该处理器执行计算机程序时，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
该处理器执行计算机程序时实现上述目标图像的质量评分方法实施例中的步骤可参考实施例一的描述，在此不再赘述。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述图像的质量评分方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述各个图像的质量评分装置实施例中各单元的功能，例如图2所示单元21至24以及图3所示单元31至34的功能。
在本发明实施例中，在计算机程序被处理器执行后，当接收到对目标图像的质量评分请求时，获取目标图像对应的原始图像，根据视觉敏感模型以及信息内容模型提取原始图像特征图和目标图像特征图，根据原始图像特征图以及目标图像特征图获取原始图像特征图的特征参数和目标图像特征图的特征参数，根据原始图像特征图的特征参数和目标图像特征图的特征参数获取目标图像的质量评分，从而通过模拟人眼的内部生成机制实现了对图像的质量进行评分，提高了对图像质量进行评分的速度以及精确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像的质量评分方法，其特征在于，所述方法包括下述步骤：
当接收到对目标图像的质量评分请求时，获取所述目标图像对应的原始图像；
根据视觉敏感模型以及信息内容模型提取所述原始图像特征图和所述目标图像特征图；
根据所述原始图像特征图以及所述目标图像特征图获取所述原始图像特征图的特征参数和所述目标图像特征图的特征参数；
根据所述原始图像特征图的特征参数和所述目标图像特征图的特征参数获取所述目标图像的质量评分。
2.如权利要求1所述的方法，其特征在于，根据视觉敏感模型以及信息内容模型提取所述原始图像特征图和所述目标图像特征图的步骤，包括：
通过视觉敏感模型分别对所述原始图像和所述目标图像在像素域和梯度域的显著性进行融合，以得到所述原始图像的显著性图和所述目标图像的显著性图；
通过分别对所述原始图像和所述目标图像做卷积计算，获取所述原始图像的信息内容图和所述目标图像的信息内容图；
通过对所述原始图像的显著性图和信息内容图进行点乘，并对所述目标图像的显著性图和信息内容图进行点乘，分别获取所述原始图像特征图和所述目标图像特征图。
3.如权利要求2所述的方法，其特征在于，通过视觉敏感模型分别对所述原始图像和所述目标图像在像素域和梯度域的显著性进行融合的步骤，包括：
根据公式CYX＝E[YXT]以及分别获取所述原始图像和所述目标图像在像素点邻域的显著性图，其中，X为所述原始图像或所述目标图像的待预测像素点邻域内的像素点，Y为所述待预测像素点邻域内的像素点组成的待预测图像，为所述待预测图像预测得到的预测图像，SX为所述X邻域对应域的显著性图；
根据公式以及分别获取所述原始图像和所述目标图像的梯度幅值域，其中，GM(i,j)为在像素点(i,j)的梯度幅值，gx为所述像素点(i,j)的水平方向梯度，gy为所述像素点(i,j)的垂直方向梯度，x为以所述像素点(i,j)为中心的3ⅹ3的像素区域，H、V为3ⅹ3矩阵；
根据所述原始图像的梯度幅值域和所述原始图像在像素点邻域的显著性图获取所述原始图像在梯度幅值域的显著性图,并根据所述目标图像的梯度幅值域和所述目标图像在像素点邻域的显著性图获取所述目标图像在梯度幅值域的显著性图；
根据公式分别获取所述原始图像和所述目标图像的显著性图，其中，S为所述原始图像或所述目标图像的显著性图，SX为所述原始图像或所述目标图像在所述X邻域对应域的显著性图，SGM为所述原始图像或所述目标图像在梯度域的显著性图。
4.如权利要求1所述的方法，其特征在于，获取所述原始图像特征图的特征参数和所述目标图像特征图的特征参数的步骤，包括：
根据所述原始图像特征图的形状参数和尺度参数获取所述目标图像的韦伯分布曲线；
根据公式分别获取所述原始图像和所述目标图像的KL散度，其中kld(pm||q)为所述原始图像或所述目标图像的KL散度，pm为所述原始图像的韦伯分布曲线，q(x)为所述原始图像或所述目标图像的系数频率。
5.如权利要求1所述的方法，其特征在于，根据所述原始图像特征图的特征参数和所述目标图像特征图的特征参数获取所述目标图像的质量评分的步骤，包括：
通过公式获取所述目标图像的质量评分，其中，fr＝{μ,σ,γ,θ,KLD}，fd＝{μ,σ,γ,θ,KLD}，fr为所述原始图像特征图的特征参数集合，fd为所述目标图像特征图的特征参数集合，ε为常数，N表示所述原始图像或所述目标图像的特征参数总个数，μ为所述原始图像或所述目标图像的特征图系数的均值，σ为所述原始图像或所述目标图像的特征图系数的方差，γ为所述原始图像或所述目标图像的形状参数，θ为所述原始图像或所述目标图像的尺度参数，KLD为KL散度。
6.一种图像的质量评分装置，其特征在于，所述装置包括：
原图获取单元，用于当接收到对目标图像的质量评分请求时，获取所述目标图像对应的原始图像；
特征图提取单元，用于根据视觉敏感模型以及信息内容模型提取所述原始图像特征图和所述目标图像特征图；
参数获取单元，用于根据所述原始图像特征图以及所述目标图像特征图获取所述原始图像特征图的特征参数和所述目标图像特征图的特征参数；以及
评分获取单元，用于根据所述原始图像特征图的特征和所述目标图像特征图的特征获取所述目标图像的质量评分。
7.如权利要求6所述的装置，其特征在于，所述特征图提取单元，包括：
显著性融合单元，用于通过视觉敏感模型分别对所述原始图像和所述目标图像在像素域和梯度域的显著性进行融合，以得到所述原始图像的显著性图和所述目标图像的显著性图；
内容获取单元，用于通过分别对所述原始图像和所述目标图像做卷积计算，获取所述原始图像的信息内容图和所述目标图像的信息内容图；以及
特征图获取单元，用于通过对所述原始图像的显著性图和信息内容图进行点乘，并对所述目标图像的显著性图和信息内容图进行点乘，分别获取所述原始图像特征图和所述目标图像特征图。
8.如权利要求7所述的装置，其特征在于，所述参数获取单元，包括：
曲线获取单元，用于根据所述原始图像特征图的形状参数和尺度参数获取所述目标图像的韦伯分布曲线；以及
散度获取单元，用于根据公式分别获取所述原始图像或所述目标图像的KL散度。
9.一种计算终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5项所述方法的步骤。
CN201810038725.8A 2018-01-16 2018-01-16 目标图像的质量评分方法、装置、终端及存储介质 Active CN108074241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810038725.8A CN108074241B (zh) 2018-01-16 2018-01-16 目标图像的质量评分方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810038725.8A CN108074241B (zh) 2018-01-16 2018-01-16 目标图像的质量评分方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN108074241A true CN108074241A (zh) 2018-05-25
CN108074241B CN108074241B (zh) 2021-10-22

Family

ID=62156842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810038725.8A Active CN108074241B (zh) 2018-01-16 2018-01-16 目标图像的质量评分方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN108074241B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801266A (zh) * 2018-12-27 2019-05-24 西南技术物理研究所 一种无线图像数据链的图像质量评估系统
CN110232680A (zh) * 2019-05-30 2019-09-13 广智微芯(扬州)有限公司 一种图像模糊度评价方法及装置
CN110276744A (zh) * 2019-05-15 2019-09-24 北京航空航天大学 图像拼接质量的测评方法及装置
CN110428368A (zh) * 2019-07-31 2019-11-08 北京金山云网络技术有限公司 一种算法评价方法、装置、电子设备及可读存储介质
CN110930370A (zh) * 2019-11-04 2020-03-27 北京工业大学 一种全景图像质量评估方法
CN113850828A (zh) * 2021-11-30 2021-12-28 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备、存储介质及程序产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040252906A1 (en) * 2001-07-12 2004-12-16 Bruno Liege Method and system for modifying image quality
CN102137271A (zh) * 2010-11-04 2011-07-27 华为软件技术有限公司 一种图像质量评价方法及装置
CN102708568A (zh) * 2012-05-11 2012-10-03 宁波大学 一种基于结构失真的立体图像客观质量评价方法
JP2013134193A (ja) * 2011-12-27 2013-07-08 Hitachi-Ge Nuclear Energy Ltd 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム
CN105654465A (zh) * 2015-12-21 2016-06-08 宁波大学 一种采用视差补偿视点间滤波的立体图像质量评价方法
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
CN106991670A (zh) * 2017-03-29 2017-07-28 武汉大学 一种无参考噪声图像质量评价方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040252906A1 (en) * 2001-07-12 2004-12-16 Bruno Liege Method and system for modifying image quality
CN102137271A (zh) * 2010-11-04 2011-07-27 华为软件技术有限公司 一种图像质量评价方法及装置
JP2013134193A (ja) * 2011-12-27 2013-07-08 Hitachi-Ge Nuclear Energy Ltd 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム
CN102708568A (zh) * 2012-05-11 2012-10-03 宁波大学 一种基于结构失真的立体图像客观质量评价方法
CN105654465A (zh) * 2015-12-21 2016-06-08 宁波大学 一种采用视差补偿视点间滤波的立体图像质量评价方法
CN105825503A (zh) * 2016-03-10 2016-08-03 天津大学 基于视觉显著性的图像质量评价方法
CN106991670A (zh) * 2017-03-29 2017-07-28 武汉大学 一种无参考噪声图像质量评价方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LINWEIERAN: "视觉感知特性 【1】人类视觉系统的信息处理机制的4个特性", 《HTTPS://BLOG.CSDN.NET/LINWEIERAN/ARTICLE/DETAILS/50099509》 *
刘春，等: "一种基于视觉重要性的图像质量评价方法", 《吉首大学学报(社会科学版)》 *
王智: "基于人眼视觉特性的图像质量评价方法研究", 《信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801266A (zh) * 2018-12-27 2019-05-24 西南技术物理研究所 一种无线图像数据链的图像质量评估系统
CN110276744A (zh) * 2019-05-15 2019-09-24 北京航空航天大学 图像拼接质量的测评方法及装置
CN110276744B (zh) * 2019-05-15 2021-10-26 北京航空航天大学 图像拼接质量的测评方法及装置
CN110232680A (zh) * 2019-05-30 2019-09-13 广智微芯(扬州)有限公司 一种图像模糊度评价方法及装置
CN110428368A (zh) * 2019-07-31 2019-11-08 北京金山云网络技术有限公司 一种算法评价方法、装置、电子设备及可读存储介质
CN110930370A (zh) * 2019-11-04 2020-03-27 北京工业大学 一种全景图像质量评估方法
CN110930370B (zh) * 2019-11-04 2023-03-31 北京工业大学 一种全景图像质量评估方法
CN113850828A (zh) * 2021-11-30 2021-12-28 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备、存储介质及程序产品
CN113850828B (zh) * 2021-11-30 2022-02-22 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备、存储介质及程序产品

Also Published As

Publication number Publication date
CN108074241B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108074241A (zh) 目标图像的质量评分方法、装置、终端及存储介质
CN107343211B (zh) 视频图像处理方法、装置和终端设备
CN107341805B (zh) 图像前背景分割及网络模型训练、图像处理方法和装置
Gooch et al. Human facial illustrations: Creation and psychophysical evaluation
CN105744256B (zh) 基于图谱视觉显著的立体图像质量客观评价方法
Fang et al. Bottom-up saliency detection model based on human visual sensitivity and amplitude spectrum
CN108229276B (zh) 神经网络训练及图像处理方法、装置和电子设备
CN110827193B (zh) 基于多通道特征的全景视频显著性检测方法
CN109325933A (zh) 一种翻拍图像识别方法及装置
CN106651430A (zh) 一种基于视觉注意机制的广告设计客观评价方法
Wang et al. Forgerynir: deep face forgery and detection in near-infrared scenario
CN108765407A (zh) 一种人像图片质量判定方法及装置
CN107507166A (zh) 一种基于支持向量回归的无参考屏幕图像质量评估方法
CN110136162A (zh) 无人机视角遥感目标跟踪方法及装置
CN110111347A (zh) 图像标志提取方法、装置及存储介质
CN109388725A (zh) 通过视频内容进行搜索的方法及装置
CN104346809A (zh) 采用高动态范围的图像质量数据集的图像质量评价方法
CN108933954A (zh) 视频图像处理方法、机顶盒以及计算机可读存储介质
CN110691236B (zh) 一种全景视频质量评价方法
CN108259893A (zh) 基于双流卷积神经网络的虚拟现实视频质量评价方法
Zhang et al. Learning picture quality from visual distraction: Psychophysical studies and computational models
CN117252867B (zh) 一种基于图像识别的vr设备生产产品质量监测分析方法
Mandl et al. Neural cameras: Learning camera characteristics for coherent mixed reality rendering
CN105678208B (zh) 提取人脸纹理的方法及装置
Leveque et al. An eye-tracking database of video advertising

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant