CN108305240B - 图像质量检测方法及装置 - Google Patents
图像质量检测方法及装置 Download PDFInfo
- Publication number
- CN108305240B CN108305240B CN201710361810.3A CN201710361810A CN108305240B CN 108305240 B CN108305240 B CN 108305240B CN 201710361810 A CN201710361810 A CN 201710361810A CN 108305240 B CN108305240 B CN 108305240B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- detected
- quality
- color
- 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.)
- Active
Links
Images
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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
本申请涉及图像信息处理技术领域,尤其涉及一种图像质量检测方法及装置,用以解决现有技术中存在的需要提高图像质量检测效率的问题;本申请实施例提供的方法包括:基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对待检测图像的处理结果后,分别从处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出质量特征;根据提取的质量特征,确定待检测图像的图像质量。本申请实施例中,通过特征衍生层提取更多的图像特征,并进行整合,质量评价更加全面和准确。
Description
技术领域
本申请涉及图像信息处理技术领域,尤其涉及图像质量检测方法及装置。
背景技术
图像质量检测应用于各种领域,例如图像采集设备的性能评估,图像推荐、视频封面选取、图片质量监控等。传统的图像质量检测方法主要包括:基于图像边缘数量的图像质量检测、基于灰度标准差的图像质量检测、和基于像素梯度的图像质量检测等。其中:
(1)基于图像边缘数量的图像质量检测,通常采用边缘检测算子(如canny算子)提取图像边缘,然后计算边缘数量,若边缘数量越多则图像质量越好。
(2)在基于灰度标准差的图像质量检测中,灰度标准差用于表征图像中像素灰度值相对于平均灰度值的离散程度。如果灰度标准差越大,则表明图像中灰度级分布越分散,图像质量也就越好。
(3)基于像素梯度的图像质量检测的原理是,图像的像素梯度能反映图像中细节反差和纹理变换,像素梯度越大表示图像的细节和纹理较多,在一定程度上能够表示图像的清晰度越好。
然而,由于上述每一种检测方法仅参考图像的某一特定特征来进行检测。例如,仅能表征图像的边缘数量或灰度分布离散程度来检测。因此现有技术中的图像质量检测方法,具有一定的局限性,也即现有技术的方法对部分图像的清晰度检测结果准确。
发明内容
本申请实施例提供一种图像质量检测方法,用以解决现有技术中图像质量检测准确率需要提高的问题。
本申请实施例提供的一种图像质量检测方法,包括:
基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,
所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征;
根据提取的所述质量特征,确定所述待检测图像的图像质量。
本申请实施例提供的一种图像质量检测装置,包括:
质量特征提取模块,用于基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,
所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征;
图像质量确定模块,用于根据提取的所述质量特征,确定所述待检测图像的图像质量。
本申请另一实施例还提供了一种计算设备,其包括存储器和处理器,其中,所述存储器用于存储程序指令,所述处理器用于调用所述存储器中存储的程序指令,按照获得的程序执行s图像质量检测方法。
本申请另一实施例还提供了一种计算机存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行图像质量检测方法。
本申请实施例中:本申请实施例中,特征衍生层作为深度学习模型的中间层,分别从上一层的处理结果中提取出不同的图像特征,也即相当于将上一层的处理结果变成多路数据后分别被提取一次图像特征。例如一路是从处理结果中提取灰度分布特征,另一路是从处理结果中提取像素梯度。最后,特征衍生层对多路提取的图像特征进行整合后,相当于实现了对一幅图像的多方面的图像特征的整合。使得最终提取的质量特征,能够从多方面反应图像的质量。而不是用单一的一个特定特征来衡量图像质量。故此,本申请实施例提供的图像质量检测方法,检测的图像质量更加全面和准确。此外,由于深度学习可以充分利用各种海量的数据,完全自动地学习到抽象的知识表达。不管训练样本有多少,训练样本总是有限的。而使用深度学习模型进行图像质量评价的待检测图像是有无限的。本申请实施例中,由于特征衍生层的存在,使得深度学习模型根据训练样本进行训练时,每个训练样本也是被多路提取不同的图像特征进行整合。这样,一个训练样本能够被全面的提取图像特征。也相当于对训练样本的不同变形提取了图像特征。提高了一个训练样本利用率的同时,能够使得深度学习模型从一个训练样本中学习到该训练样本的变形样本的图像特征。故而,本申请实施例提供的深度学习模型不仅对训练样本的要求低了,还能够更好的适用所有的图像。
附图说明
图1为本申请实施例提供的图像质量检测方法的流程示意图;
图2a为本申请实施例提供的甲类组合层的示意图;
图2b为本申请实施例提供的乙类组合层的示意图;
图2c为本申请实施例提供的改造后的甲类组合层的示意图;
图2d为本申请实施例提供的改造后的乙类组合层的示意图;
图3为本申请实施例提供的特征衍生层的示意图;
图4a为本申请实施例提供的特征衍生层提取的图像特征的示意图之一;
图4b为本申请实施例提供的特征衍生层提取的图像特征的示意图之二;
图4c为本申请实施例提供的特征衍生层提取的图像特征的示意图之三;
图5为本申请实施例提供的深度学习模型的示意图之一;
图6为本申请实施例提供的表示左右两侧有黑边的图像的示意图;
图7为本申请实施例提供的通过滑窗确定纯色的矩形区域的示意图;
图8为本申请实施例提供的深度学习模型的示意图之二;
图9为本申请实施例提供的图像质量检测装置的结构示意图;
图10为本申请实施例提供的计算设备的结构示意图。
具体实施方式
本申请实施例提供一种图像质量检测方法,该方法包括:基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征;根据提取的所述质量特征,确定所述待检测图像的图像质量。
本申请实施例中,特征衍生层作为深度学习模型的中间层,分别从上一层的处理结果中提取出不同的图像特征,也即相当于将上一层的处理结果变成多路数据后分别被提取一次图像特征。例如一路是从处理结果中提取灰度分布特征,另一路是从处理结果中提取像素梯度。最后,特征衍生层对多路提取的图像特征进行整合后,相当于实现了对一幅图像的多方面的图像特征的整合。使得最终提取的质量特征,能够从多方面反应图像的质量。而不是用单一的一个特定特征来衡量图像质量。故此,本申请实施例提供的图像质量检测方法,检测的图像质量更加全面和准确。
此外,由于深度学习可以充分利用各种海量的数据,完全自动地学习到抽象的知识表达。不管训练样本有多少,训练样本总是有限的。而使用深度学习模型进行图像质量评价的待检测图像是有无限的。本申请实施例中,由于特征衍生层的存在,使得深度学习模型根据训练样本进行训练时,每个训练样本也是被多路提取不同的图像特征进行整合。这样,一个训练样本能够被全面的提取图像特征。也相当于对训练样本的不同变形提取了图像特征。提高了一个训练样本利用率的同时,能够使得深度学习模型从一个训练样本中学习到该训练样本的变形样本的图像特征。故而,本申请实施例提供的深度学习模型不仅对训练样本的要求低了,还能够更好的适用所有的图像。
为便于进一步理解,下面结合说明书附图对本申请实施例作进一步详细描述。需要说明的是,本申请实施例提供的图像质量检测方法适用于任何需要图像质量检测的应用场景。例如,在为视频挑选封面,为新闻稿挑选插图,为电子杂志、电子书挑选封面等。
实施例一
如图1所示,为本申请实施例提供的图像质量检测方法的流程示意图,包括以下步骤:
步骤101:基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征。
其中,不同的特征,例如是前述的灰度分布特征,像素梯度特征,还例如是,对待检测图像中同一区域提取特征时,侧重提取该区域不同位置的特征。具体实施时,可以根据实际需求确定提取的图像特征的区别。本申请实施例对此不作限定。
步骤102:根据提取的所述质量特征,确定所述待检测图像的图像质量。
其中,所述图像质量可包括以下中的任一种:清晰度、指定图像内容是否突出、指定图像内容是否在图像的指定位置等。例如,人物封面中人物主体是否突出,人物是否在图像的居中位置。
进一步的,为了能够得到准确的训练结果,本申请实施例中深度学习模型包含多种层。例如,卷积层、激活层、归一化层、池化层、串联层、全连接层。在以后的实施例中将举例说明各层的参数。由于具体实施时,各层的参数可以依照各层具体的连接关系和学习的任务进行调整,所以本申请实施例中对各层的参数不做限定。其中:
归一化层能够模仿生物神经系统的侧抑制机制,对局部神经元的活动创建竞争机制,使得响应比较大的值相对更大,能够提高深度学习模型泛化能力;
对应激活层,起作用是采用非线性函数将输入的线性关系变成非线性。如果不用激励函数(其实相当于激励函数是f(x)=x),在这种情况下每一层输出都是上层输入的线性函数,很容易验证。无论神经网络有多少层,输出都是输入的线性组合,与没有隐藏层效果相当,这种情况就是最原始的感知机(Perceptron)。有鉴于此,本申请实施例引入非线性函数作为激励函数,这样深层神经网络不再是输入的线性组合,可以逼近任意函数。具体实施时可以采用sigmoid(非线性作用函数)函数或者tanh(双曲正切函数)函数。优选的,可以采用ReLU。采用ReLU的原因在于:
第一:计算量节省,采用sigmoid等函数由于采用指数运算计算量大,反向传播求误差梯度时,求导涉及除法,计算量相对大,而采用Relu激活函数,整个过程的计算量节省很多。
第二:缓解梯度消失,对于深层网络,sigmoid函数反向传播时,很容易就会出现梯度消失的情况。因为,在sigmoid接近饱和区时,变换太缓慢,导数趋于0,这种情况会造成信息丢失,而Relu激活函数不会出现这类问题。
第三:缓解过拟合,Relu会使一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数的相互依存关系,从而能够缓解过拟合问题。
对于池化层,其能够减少提取特征的维度、突出局部感兴趣区域、减少局部细节区域,同时改善过拟合现象。
对于全连接层,其上层输入的feature map(特征向量)(即上层对图像处理后的结果)都会有节点去链接。该层最后输出整个网络提取的图像特征,用于后面的分类。在检测图像的清晰度时,最后一层全链接层可以输出2x1x1维度的质量特征,以便于根据这个质量特征进行分类。
进一步的,为了便于能够提取出不同图像特征。可以依照卷积层在先激活层在后的顺序构造甲类组合层;依照池化层、卷积层、激活层的顺序串联而成乙类组合层;特征提取层由至少一个甲类组合层串联而成,或包括一个乙类组合层;
所述特征衍生层包括多个特征提取层以及一个串联层;其中,特征提取层之间为并联关系,且每个特征提取层与所述串联层串联。
也就是说,特征提取层可以按照上述规则进行组合,这样特征提取层多变,可以提取出不同的图像特征。
例如,如图2a所示为甲类组合层的结构示意图,其包含串联的卷积层和激活层。如图2b所示为乙类组合层的结构示意图,其包含依次串联的池化层、卷积层和激活层。具体实施时,如图2c所示,甲类组合层的卷积层和激活层之间还可以依次加1个池化层和1个卷积层构成新的甲类组合层。同理,如图2d所示,乙类组合层的卷积层和激活层之间还可以依次加1个池化层和1个卷积层构成新的乙类组合层。
如图3所示为一个特征衍生层的结构示意图:特征提取层1(图中未示出)包括一个甲类组合层1;特征提取层2(图中未示出)包括一个甲类组合层2和一个甲类组合层3;特征提取层3(图中未示出)包括一个乙类组合层。上一层的处理结果A经过各特征提取层处理后,汇总到串联层进行数据整合。
优选的,串联层可以采用将相应位置点求均值的方法进行数据整合。例如,假设有4个位置点分别为S1、S2、S3、S4,且图3所示特征衍生层的提取的图像特征分别如图4a、图4b和图4c所示。则经过串联层整合后,位置点S1处的值为D11、D12和D13的均值。其它位置点依此类推,不再赘述。
进一步的,若所述图像质量包括清晰度,为了能够得到更好的清晰度检测效果,所述深度学习模型中各层的连接顺序如图5所示依次为:
第一甲类组合层501、第一池化层502、第一归一化层503、第二甲类组合层504、第三甲类组合层505、第四甲类组合层506、第二归一化层507、第二池化层508、至少一个串联的所述特征衍生层509、第三池化层510、第五甲类组合层511、第一全连接层512、激活层513、第二全连接层514。
其中,具体实施时,上述第一归一化层503和第二归一化层507之间甲类组合层的数量可以根据实际需求设定,本申请实施例对此不作限定。另外,具体实施时,也可以根据实际需求对图5所示的模型结构进行调整,本申请实施例对此不作限定。例如,第一池化层502和第二池化层508也可以择一使用。第三池化层510也可以去除。激活层513之后也可以添加归一化层等等。
进一步的,为了提高图像质量检测的准确率,本申请实施例中,图5所示的激活层和所述第二全连接层之间,还串联有一个随机抽样层。由于图像特征中,难免有些脏数据,本申请实施例在最后的全连接层(即第二全连接层)处理之前,对图像特征进行抽样。这样能够避免第二全连接层使用所有的数据进行特征提取,达到滤出部分脏数据的效果,从而能够提高质量检测的准确性。
具体实施时,随机抽样层的抽样率可以设置为70%,即使用70%的样本。当然还可以根据实际需求设定,本申请实施例对此不做限定。
其中,在一个实施例中,若所述图像质量为清晰度,所述根据提取的所述质量特征,确定所述待检测图像的图像质量,具体包括:
根据预设分类函数和提取的所述质量特征,计算所述待检测图像的清晰度。
其中,通常需要训练样本来训练目标函数,通过目标函数求得最优解,然后根据最优解来确定用于分类的预设分类函数。如softmax中自带的目标函数来训练的得到最终用于分类的分类函数。
XGBOOST(梯度级联分类器)是通过分类树实现分类的。在分类树中包含多个层级,各层级的分类能力随着层级的增加而增加。
发明人发现,XGBOOST的原始目标函数,没有考虑每个分类树的分类能力不一样。在确定最终分类结果的时候,各个分类树的结果也都一视同仁。也就是说,相当于确定分类结果的时候,各个分类树的分类结果的重要性都是一样的。为了提高最终的分类能力,本申请实施例中实现了侧重分类能力比较强的分类树的分类结果。即,通过加上一个随着分类树层次增加而增加的函数,对XGBOOST的原始目标函数进行改进,得到了如公式(1)所示的目标函数。该目标函数使得最终的分类结果侧重于分类能力强的分类树。通过对图像的清晰度的检测试验,结果证明使用公式(1)的目标函数,比XGBOOST的原始目标函数的分类结果更加准确。
故此,本申请实施例中,用于质量检测的预设分类函数为根据以下目标函数得到的:
q(xi)=sigmoid(xi)
其中:
objt表示目标分类函数名称;n为级联分类器的数量;k为常量;t表示级联分类树中第t个分类树;xi表示训练时输入的第i个样本;yi为样本标记的类型;w表示分类树中叶子结点的权重向量;N表示第t个分类树上叶子节点的个数;q(xi)表示xi这个样本输入到t这棵分类树的叶子节点输入函数中去;γ、λ均为经验常数;R表示实数空间;q(x)表示{1,2....t}这个分类树集合中每棵分类树的叶子节点输入函数;ω为权重向量;wi表示第t棵分类树中第j个叶子节点的权重向量。
进一步的,基于预设分类函数和提取的质量特征,计算的待检测图像的清晰度为一个量化值。然而在实际使用中,人类视觉只需要将清晰度分为几个等级,例如分为清晰度高、清晰度一般、清晰度差(即图像模糊)就可以了。故此,为了得到和人眼视觉评价结果基本一致的质量检测结果,所述方法还包括:
确定所述待检测图像的清晰度所在的预设清晰度范围;
根据预存的预设清晰度范围与清晰度等级之间的对应关系,确定所述待检测图像对应的清晰度等级。
例如,若经过预设分类函数计算后,清晰度取值范围在[0,100]之间,可以采用两个阈值,来将图像划分为高、中、低三个等级的清晰度。例如,阈值可以分别为20和50。其中,高于50的清晰度等级为高、20-50之间的清晰度等级为中、20以下的清晰度等级为低。
具体实施时,还可以预设多个清晰度等级参考值,每个清晰度等级参考值对应一个清晰度等级。计算待处理图像的清晰度与各清晰度等级参考值的欧式距离,选择欧式距离最近的一个清晰度等级参考值作为该待处理图像的清晰度等级。例如,清晰度等级参考值为10、50、80。待检测图像的清晰度G距离10最近,则待检测图像的清晰度等级为10,也就是最低等级。
实际使用中,有些图像不仅有清晰度的要求,同时对于其它方面也有要求。例如图像是否有黑边或者白边、图像颜色是否丰富、图像是否为人物主体突出的图像等。故此,本申请实施例中为了对待检测图像的质量有更进一步全面的检测,以便于满足实际使用需求,所述方法还包括以下(1)-(3)中的至少一种:
(1)、检测所述待检测图像是否具有纯色的矩形区域;若具有,则计算所述矩形区域与所述待检测图像的面积比;所述矩形区域的一条边界与所述待检测图像的一条边界重合。
其中,纯色的矩形区域例如是图像两侧边界处的黑边、白边、或者除了黑色和白色之外的其它颜色的边,例如红色边。
其中,面积比可以用纯色的矩形区域的像素总数除以待检测图像的总像素数来表示。
具体实施时,可以对图像的边缘进行行扫描,以便于确定图像的上下边界是否存在纯色的边界。同理,对图像边缘进行列扫描,以便于确定图像的左右边界是否存在纯色的边界。
进一步的,人眼视觉对于颜色有一定的容忍度。例如,由于对于色差较小的颜色,人眼视觉难以分辨,通常将其视为一种颜色。而在图像当中,纯色的矩形区域中各像素点的颜色值不一定完全相同,但也会被视觉认为是一种颜色。有鉴于此,本申请实施例中为了提高检测纯色的矩形区域的准确性以及提高处理效率,具体实施时针对所述待检测图像的每一像素,若该像素的颜色值在预设颜色值范围内,则该像素为所述预设颜色值范围表征的纯色。
确定了确定纯色的方法后,可以根据以下方法确定纯色的矩形区域,为便于理解,本申请实施例中将逐行扫描或逐列扫描统称为逐组扫描:
从所述待检测图像的指定边界开始,对所述待检测图像进行逐组扫描,并针对扫描的每一组像素,获得该组像素中的每一像素的颜色值;其中,所述逐组扫描包括逐行扫描或逐列扫描;以及,
针对每组像素,确定该组像素中颜色值在预设颜色值范围内的像素数,并计算该像素数与该组像素的总像素数的比值;若该比值大于预设比值,则确定该组像素的颜色属于所述预设颜色值范围表征的纯色;若该比值小于或等于所述预设比值,则确定该组像素的上一组像素为表征的所述纯色的矩形区域的边界。
因为一列或一行黑色像素中,如果出现极少的点不属于纯色的矩形区域表征的纯色,往往也可以认为该纯色的矩形区域存在。尤其对印刷品扫描后的图像,原图是黑边,原图当中也可能因为印刷品磨损黑边中有脏点。扫描后难免会有脏点。故此,本申请实施例中为了适应人眼视觉感受和认知,通过比值小于或等于所述预设比值,则确定该组像素的上一组像素为表征的所述纯色的矩形区域的边界。这样,即使一列像素中有个别点颜色不属于纯色,最终也会被认为属于纯色的矩形区域,并不影响对纯色的的矩形区域的判定。使得纯的矩形区域的判断更加准确。
如图6所示,以检测图像左右边界是否存在黑边为例对此进行说明:可以设定属于黑色的颜色值范围,例如,如表1所示为属于黑色的R(red,红)、G(green,绿)、B(blue,蓝)值的取值范围。需要说明的是,表1仅用于说明本申请实施例,具体实施时,R、G、B各通道颜色的取值范围也可以不同,本申请实施例对此不做限定。
表1属于黑色的颜色取值范围
R | G | B |
0-10 | 0-10 | 0-10 |
若从左边第一列开始逐列扫描,直到扫描到不是黑边的一列结束,最终可确定图6中的左边的黑边。
需要说明的是,任何能够确定纯色的矩形区域的方法均适用于本申请实施例,例如还可以采用滑窗的方法。例如,以扫描左侧边界为例。以列像素数为滑窗的长度、以预设宽度为滑窗的宽度。从待检测图像的左侧边界开始,计算第一个滑窗内的颜色平均色差,若平均色差小于预设色差,则确定滑窗内颜色相同。然后以预设步长向右移动滑窗,并计算每个滑窗内的颜色色差,直到滑窗的颜色色差大于或等于预设色差为止。将最后一个滑窗的上一个滑窗的右边界确定为纯色的矩形区域的边界。
如图7所示,滑窗1和滑窗2的颜色色差均小于预设色差,而滑窗3的颜色色差大于预设色差,则由滑窗1和滑窗2构成的矩形区域为纯色的矩形区域。
(2)、计算所述待检测图像中指定颜色的总像素数与所述图像的总像素数的数量比值。
同理,由于人眼视觉不一定能够感受所有的色差,所以会将色差小的颜色视为一种颜色。针对所述待检测图像的每一像素,若该像素的颜色值在预设颜色值范围内,则该像素为所述指定颜色。
具体确定颜色是否属于同一指定颜色的方法,可以如表1所示的判断黑色的方法类似。这里不再赘述。
(3)、若所述待检测图像中包含人物影像,则根据预先构建的用于评价人物主体是否突出的影像模型得到所述待检测图像的人物主体评价结果。
其中,用于评价人物主体是否突出的影像模型可以根据本申请实施例构建的模型结构进行训练得到,也可以采用其他技术方法得到。本申请对此不作限定。
进一步的,在选择封面图像时,所述待检测图像为待选封面图像;所述方法还包括:
从所述待选封面图像中,选取满足预设条件的待检测图像作为优选封面;其中,所述预设条件包括以下中的至少一种:清晰度高于预设的清晰度等级、所述矩形区域与所述待检测图像的面积比小于预设的面积比、所述指定颜色的总像素数与所述待检测图像的总像素数的数量比值小于预设数量比值、人物主体的评价结果为人物主体突出。
这样,选择出的封面图像从多个方面能够符合要求。
其中,在一个实施例中,本申请实施例还可以对视频图像进行一个整体评价。即若所述待检测图像为指定视频的各帧图像;所述方法还包括:
计算所述指定视频的各帧图像对应的清晰度等级的平均值,作为所述指定视频的综合清晰度。
这样,在选择视频时,可以根据画质清晰度对视频进行评价。
其中,在一个实施例中,为了不断完善深度学习模型,使得深度学习模型所述根据提取的所述质量特征,确定所述待检测图像的图像质量之后,所述方法还包括:
若存在所述待检测图像的标准质量,则计算所述待检测图像的图像质量与所述标准质量之间的差距;
若所述差距大于预设差距,则将所述待检测图像以及所述标标准质量作为训练样本,并添加到训练样本集合中;
并在接收到模型优化指令后,根据所述训练样本集合优化所述深度学习模型。
其中,具体实施时,可以周期性根据所述训练样本集合优化所述深度学习模型。也即,当到达预设的更新时间时,则视为接收到模型优化指令。当然,也可以根据训练样本集合中训练样本的数量来决定是否优化深度学习模型。也即,当训练样本集合中训练样本的数量达到预设数量时,视为接收到模型优化指令。当然,具体实施时还可以设定其它事件用于表征接收到模型优化指令,例如接收到手动触发的模型优化指令等,本申请实施例对此不作限定。
综上所述,本申请实施例中的图像质量评价方法,能够更加全面的评价图像质量,提高图像质量评价的准确性。
下面,为便于进一步理解本申请实施例提供的图像质量检测方法。下面通过实施例二,以应用于图像的清晰度检测为例对此进行说明。
实施例二
本申请实施例包括三部分内容,一是用于检测图像的清晰度的深度学习模型的训练,二是使用训练后的该深度学习模型进行图像质量检测。
1)深度学习模型的训练:
(1)训练样本的准备:收集各类训练样本原始图,共200万张。然后,采用视觉正常的多个人,对200万张原始图的清晰度进行评价分类。可以得到清晰和模糊两个类别。去掉等不符合设定要求的原始图后剩余190万张原始图。然后对这190万张训练样本进行切分等预处理,生成用于深度学习训的练样本。
当然,具体实施时,也可以根据实际需求不进行预处理,本申请实施例对此不作限定。
(2)深度学习模型的训练:
如图8所示,为本申请实施例提供的深度学习模型的结构图。需要说明的是,图8所示的模型结构,仅用于说明本申请实施例,并不用于限定本申请实施例。具体实施时,可以根据实际需要进行相应的调整。
其中,包括卷积层(Convolution)、激活层(ReLU)、归一化层(LRN),池化层(Pooling),串联层(Concat),以及全连接层(InnerProduct)。
其中,图8所示深度学习模型中各层主要参数的设定可参考表2-1到表2-4所示。需要说明的是表2-1到表2-4仅用于说明本申请实施例,并不用于限定本申请实施例。其中,各表中没有参数值的表示为空。
表2-1卷积层的参数设置
表2-2归一化层的参数设置
表2-3池化层的参数设置
表2-4全连接层的参数设置
2)图像清晰度检测:
通过预设分类函数计算出清晰度值以后,可以根据清晰度,将待检测图像划分为三档。具体的,采用参考值10、50、80分别表示清晰度等级为低、中、高。具体实施时,针对待处理图像,计算该待处理图像的清晰度与上述三个参考值各自的欧式距离,选择欧式距离最近的一个参考值作为该待处理图像的清晰度等级。
此外,本申请实施例中,以清晰度检测的准确率达到99%为训练目标训练得到一个另一个深度学习模型。通过前后调整深度学习模型中的base_lr(过滤器的步长)、average_loss(平均损失)、momentum(学习率)、stepsize(学习率步长)等参数共迭代训练数据20余次后,清晰和模糊图像的整体检测准确率达到99.2%。
将封面图像清晰度评价事务作为实验对象。该实验对象中,标记为清晰的占比约13.06%,标记一般为模糊占比约为31.64%,标记为模糊的占比约为:55.3%。目前人工每天标记量为大约为2w左右。采用本申请实施例提供的图像质量评价方法后能够节省88.23%的人力成本,每天的处理总量也提升到141万。
此外,目前短视频个性化推荐是视频业务很重要的一个环节。尤其是在今日头条这类短视频个性化推荐中,其播放量增长飞速。腾讯视频web层、天天快报、视频移动端需要尽快的确定和展现出清晰的封面图以及视频,来提升用户体验。因为一张画质清晰封面图会吸引用户去点击播放视频,提高视频曝光率。相反视频封面图模糊则会降低用户点击的欲望。而在某些特定视频中,推荐画质清晰,人物主体突出的封面也能提高用户播放视频的欲望。
实施例三
基于同一发明构思,本申请实施例中还提供了一种与图像质量检测方法对应的装置,由于该装置解决问题的原理与本申请实施例的方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图9所示,为该装置的结构示意图,所述装置包括:
质量特征提取模块901,用于基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,
所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征;
图像质量确定模块902,用于根据提取的所述质量特征,确定所述待检测图像的图像质量。
在一个实施例中,所述图像质量包括以下中的任一种:清晰度、指定图像内容是否突出、指定图像内容是否在图像的指定位置。
在一个实施例中,所述深度学习模型包括:
卷积层、激活层、归一化层、池化层、串联层以及全连接层。
在一个实施例中,依照卷积层在先激活层在后的顺序构造甲类组合层;依照池化层、卷积层、激活层的顺序串联而成乙类组合层;特征提取层由至少一个甲类组合层串联而成,或包括一个乙类组合层;
所述特征衍生层包括多个特征提取层以及一个串联层;其中,特征提取层之间为并联关系,且每个特征提取层与所述串联层串联。
在一个实施例中,若所述图像质量包括清晰度,所述深度学习模型中各层的连接顺序依次为:
第一甲类组合层、第一池化层、第一归一化层、第二甲类组合层、第三甲类组合层、第四甲类组合层、第二归一化层、第二池化层、至少一个串联的所述特征衍生层、第三池化层、第五甲类组合层、第一全连接层、激活层、第二全连接层。
在一个实施例中,所述激活层和所述第二全连接层之间,还串联有一个随机抽样层。
在一个实施例中,若所述图像质量为清晰度,所述图像质量确定模块,具体用于根据预设分类函数和提取的所述质量特征,计算所述待检测图像的清晰度。
在一个实施例中,所述预设分类函数为根据以下目标函数得到的:
q(xi)=sigmoid(xi)
其中:
objt表示目标分类函数名称;n为级联分类器的数量;k为常量;t表示级联分类树中第t个分类树;xi表示训练时输入的第i个样本;yi为样本标记的类型;w表示分类树中叶子结点的权重向量;N表示第t个分类树上叶子节点的个数;q(xi)表示xi这个样本输入到t这棵分类树的叶子节点输入函数中去;γ、λ均为经验常数;R表示实数空间;q(x)表示{1,2....t}这个分类树集合中每棵分类树的叶子节点输入函数;ω为权重向量;wi表示第t棵分类树中第j个叶子节点的权重向量。
在一个实施例中,所述装置还包括:
预设清晰度范围确定模块,用于在所述图像质量确定模块根据预设分类函数和提取的所述质量特征,计算所述待检测图像的图像清晰度之后,确定所述待检测图像的清晰度所在的预设清晰度范围;
清晰度等级确定模块,用于根据预存的预设清晰度范围与清晰度等级之间的对应关系,确定所述待检测图像对应的清晰度等级。
在一个实施例中,所述装置还包括以下模块中的至少一种:
纯色矩形区域处理模块,用于检测所述待检测图像是否具有纯色的矩形区域;若具有,则计算所述矩形区域与所述待检测图像的面积比;所述矩形区域的一条边界与所述待检测图像的一条边界重合;
纯色占比确定模块,用于计算所述待检测图像中指定颜色的总像素数与所述待检测图像的总像素数的数量比值;
人物图像评价模块,用于若所述待检测图像中包含人物影像,则根据预先构建的用于评价人物主体是否突出的影像模型得到所述待检测图像的人物主体评价结果。
在一个实施例中,所述装置还包括:
颜色确定模块,用于针对所述待检测图像的每一像素,若该像素的颜色值在预设颜色值范围内,则该像素为所述预设颜色值范围表征的纯色或所述指定颜色。
在一个实施例中,所述装置还包括:
纯色矩形区域确定模块,用于根据以下方法置确定所述纯色的矩形区域:
从所述待检测图像的指定边界开始,对所述待检测图像进行逐组扫描,并针对扫描的每一组像素,获得该组像素中的每一像素的颜色值;其中,所述逐组扫描包括逐行扫描或逐列扫描;以及,
针对每组像素,确定该组像素中颜色值在预设颜色值范围内的像素数,并计算该像素数与该组像素的总像素数的比值;若该比值大于预设比值,则确定该组像素的颜色属于所述预设颜色值范围表征的纯色;若该比值小于或等于所述预设比值,则确定该组像素的上一组像素为表征的所述纯色的矩形区域的边界。
在一个实施例中,所述待检测图像为待选封面图像;所述装置还包括:
优选封面确定模块,用于从所述待选封面图像中,选取满足预设条件的待检测图像作为优选封面;其中,所述预设条件包括以下中的至少一种:清晰度高于预设的清晰度等级、所述矩形区域与所述待检测图像的面积比小于预设的面积比、所述指定颜色的总像素数与所述待检测图像的总像素数的数量比值小于预设数量比值、人物主体的评价结果为人物主体突出。
在一个实施例中,所述待检测图像为指定视频的各帧图像;所述装置还包括:
视频图像质量确定模块,用于计算所述指定视频的各帧图像对应的清晰度等级的平均值,作为所述指定视频的综合清晰度。
在一个实施例中,所述装置还包括:
差距确定模块,用于在所述图像质量确定模块根据提取的所述质量特征,确定所述待检测图像的图像质量之后,若存在所述待检测图像的标准质量,则计算所述待检测图像的图像质量与所述标准质量之间的差距;
训练样本整理模块,用于若所述差距大于预设差距,则将所述待检测图像以及所述标标准质量作为训练样本,并添加到训练样本集合中;
优化模块,用于在接收到模型优化指令后,根据所述训练样本集合优化所述深度学习模型。
本申请实施例中,特征衍生层作为深度学习模型的中间层,分别从上一层的处理结果中提取出不同的图像特征,也即相当于将上一层的处理结果变成多路数据后分别被提取一次图像特征。例如一路是从处理结果中提取灰度分布特征,另一路是从处理结果中提取像素梯度。最后,特征衍生层对多路提取的图像特征进行整合后,相当于实现了对一幅图像的多方面的图像特征的整合。使得最终提取的质量特征,能够从多方面反应图像的质量。而不是用单一的一个特定特征来衡量图像质量。故此,本申请实施例提供的图像质量检测方法,检测的图像质量更加全面和准确。
此外,由于深度学习可以充分利用各种海量的数据,完全自动地学习到抽象的知识表达。不管训练样本有多少,训练样本总是有限的。而使用深度学习模型进行图像质量评价的待检测图像是有无限的。本申请实施例中,由于特征衍生层的存在,使得深度学习模型根据训练样本进行训练时,每个训练样本也是被多路提取不同的图像特征进行整合。这样,一个训练样本能够被全面的提取图像特征。也相当于对训练样本的不同变形提取了图像特征。提高了一个训练样本利用率的同时,能够使得深度学习模型从一个训练样本中学习到该训练样本的变形样本的图像特征。故而,本申请实施例提供的深度学习模型不仅对训练样本的要求低了,还能够更好的适用所有的图像。
本申请实施例还提供了一种计算设备,该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)等。如图10所示,该计算设备可以包括处理器(Center Processing Unit,CPU)1001、存储器1002、输入设备1003,输出设备1004等,输入设备可以包括键盘、鼠标、触摸屏等,输出设备可以包括显示设备,如液晶显示器(Liquid Crystal Display,LCD)、阴极射线管(Cathode RayTube,CRT)等。
存储器可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中,存储器可以用于存储图像质量检测方法的程序。
处理器通过调用存储器存储的程序指令,处理器用于按照获得的程序指令执行:基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征;根据提取的所述质量特征,确定所述待检测图像的图像质量。
此外,本申请实施例提供了一种计算机存储介质,用于储存为上述计算设备所用的计算机程序指令,其包含用于执行上述图像质量检测方法的程序。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种图像质量检测方法,其特征在于,所述方法包括:
基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,
所述深度学习模型中包括至少一个串联的作为中间层的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征,所述深度学习模型还包括:卷积层、激活层、归一化层、池化层、串联层以及全连接层;
依照卷积层在先激活层在后的顺序构造甲类组合层;依照池化层、卷积层、激活层的顺序串联而成乙类组合层;特征提取层由至少一个甲类组合层串联而成,或包括一个乙类组合层;
所述特征衍生层包括多个特征提取层以及一个串联层;其中,特征提取层之间为并联关系,且每个特征提取层与所述串联层串联;
根据提取的所述质量特征,确定所述待检测图像的图像质量。
2.根据权利要求1所述的方法,其特征在于,若所述图像质量包括清晰度,所述深度学习模型中各层的连接顺序依次为:
第一甲类组合层、第一池化层、第一归一化层、第二甲类组合层、第三甲类组合层、第四甲类组合层、第二归一化层、第二池化层、至少一个串联的所述特征衍生层、第三池化层、第五甲类组合层、第一全连接层、激活层、第二全连接层。
3.根据权利要求2所述的方法,其特征在于,所述激活层和所述第二全连接层之间,还串联有一个随机抽样层。
4.根据权利要求1所述的方法,其特征在于,若所述图像质量为清晰度,所述根据提取的所述质量特征,确定所述待检测图像的图像质量,具体包括:
根据预设分类函数和提取的所述质量特征,计算所述待检测图像的清晰度;其中,所述预设分类函数为通过以下目标函数求得最优解,并根据所述最优解来确定的分类函数:
q(xi)=sigmoid(xi)
其中:
objt表示目标分类函数名称;n为级联分类器的数量;k为常量;t表示级联分类树中第t个分类树;xi表示训练时输入的第i个样本;yi为样本标记的类型;w表示分类树中叶子结点的权重向量;N表示第t个分类树上叶子节点的个数;q(xi)表示xi这个样本输入到t这棵分类树的叶子节点输入函数中去;γ、λ均为经验常数;R表示实数空间;q(x)表示{1,2....t}这个分类树集合中每棵分类树的叶子节点输入函数;ω为权重向量;wj表示第t棵分类树中第j个叶子节点的权重向量。
5.根据权利要求4所述的方法,其特征在于,所述根据预设分类函数和提取的所述质量特征,计算所述待检测图像的图像清晰度之后,所述方法还包括:
确定所述待检测图像的清晰度所在的预设清晰度范围;
根据预存的预设清晰度范围与清晰度等级之间的对应关系,确定所述待检测图像对应的清晰度等级。
6.根据权利要求1-5中任一所述的方法,其特征在于,所述方法还包括以下操作中的至少一种:
检测所述待检测图像是否具有纯色的矩形区域;若具有,则计算所述矩形区域与所述待检测图像的面积比;所述矩形区域的一条边界与所述待检测图像的一条边界重合;
计算所述待检测图像中指定颜色的总像素数与所述待检测图像的总像素数的数量比值;
若所述待检测图像中包含人物影像,则根据预先构建的用于评价人物主体是否突出的影像模型得到所述待检测图像的人物主体评价结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
针对所述待检测图像的每一像素,若该像素的颜色值在预设颜色值范围内,则该像素为所述预设颜色值范围表征的纯色或所述指定颜色。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据以下方法确定所述纯色的矩形区域:
从所述待检测图像的指定边界开始,对所述待检测图像进行逐组扫描,并针对扫描的每一组像素,获得该组像素中的每一像素的颜色值;其中,所述逐组扫描包括逐行扫描或逐列扫描;以及,
针对每组像素,确定该组像素中颜色值在预设颜色值范围内的像素数,并计算该像素数与该组像素的总像素数的比值;若该比值大于预设比值,则确定该组像素的颜色属于所述预设颜色值范围表征的纯色;若该比值小于或等于所述预设比值,则确定该组像素的上一组像素为表征的所述纯色的矩形区域的边界。
9.一种图像质量检测装置,其特征在于,所述装置包括:
质量特征提取模块,用于基于预先训练好的用于检测图像质量的深度学习模型,提取待检测图像的质量特征;其中,
所述深度学习模型中包括至少一个串联的特征衍生层,每个特征衍生层用于:接收到与其连接的上一层对所述待检测图像的处理结果后,分别从所述处理结果中提取出不同的图像特征,并将提取的图像特征整合成一份图像数据后交由下一层进行处理以便于最终提取出所述质量特征,所述深度学习模型还包括:卷积层、激活层、归一化层、池化层、串联层以及全连接层;
依照卷积层在先激活层在后的顺序构造甲类组合层;依照池化层、卷积层、激活层的顺序串联而成乙类组合层;特征提取层由至少一个甲类组合层串联而成,或包括一个乙类组合层;
所述特征衍生层包括多个特征提取层以及一个串联层;其中,特征提取层之间为并联关系,且每个特征提取层与所述串联层串联;
图像质量确定模块,用于根据提取的所述质量特征,确定所述待检测图像的图像质量。
10.一种计算设备,其特征在于,包括存储器和处理器,其中,所述存储器用于存储程序指令,所述处理器用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如权利要求1~8任一所述的图像质量检测方法。
11.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行如权利要求1~8任一所述的图像质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361810.3A CN108305240B (zh) | 2017-05-22 | 2017-05-22 | 图像质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710361810.3A CN108305240B (zh) | 2017-05-22 | 2017-05-22 | 图像质量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305240A CN108305240A (zh) | 2018-07-20 |
CN108305240B true CN108305240B (zh) | 2020-04-28 |
Family
ID=62872253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710361810.3A Active CN108305240B (zh) | 2017-05-22 | 2017-05-22 | 图像质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305240B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101646B (zh) * | 2018-08-21 | 2020-12-18 | 北京深瞐科技有限公司 | 数据处理方法、装置、系统及计算机可读介质 |
CN109350100A (zh) * | 2018-09-27 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学成像方法、医学成像设备以及计算机可读存储介质 |
CN109460717B (zh) * | 2018-10-22 | 2022-04-19 | 青岛美迪康数字工程有限公司 | 消化道共聚焦激光显微内镜病变图像识别方法及装置 |
CN109359616B (zh) * | 2018-10-30 | 2021-02-05 | 上海海栎创科技股份有限公司 | 一种基于sift的伪拼接小尺寸指纹识别算法 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
CN112000538B (zh) * | 2019-05-10 | 2023-09-15 | 百度在线网络技术(北京)有限公司 | 页面内容的显示监测方法、装置、设备及可读存储介质 |
CN110570400B (zh) * | 2019-08-19 | 2022-11-11 | 河北极目楚天微电子科技有限公司 | 一种芯片3d封装检测的信息处理方法和装置 |
CN110807769B (zh) * | 2019-10-30 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 图像显示控制方法及装置 |
CN110838119B (zh) * | 2019-11-15 | 2022-03-04 | 珠海全志科技股份有限公司 | 人脸图像质量评估方法、计算机装置及计算机可读存储介质 |
CN111053579B (zh) * | 2019-12-31 | 2023-07-07 | 深圳开立生物医疗科技股份有限公司 | 盆底状态的分类方法、系统、超声设备及计算机存储介质 |
CN111739013B (zh) * | 2020-06-30 | 2024-04-23 | 北京酷豹科技有限公司 | 基于图像处理的图像优化方法及相关装置 |
CN111739014B (zh) * | 2020-06-30 | 2023-03-07 | 北京酷豹科技有限公司 | 基于图像处理的图像质量检测方法及相关装置 |
CN112184837A (zh) * | 2020-09-30 | 2021-01-05 | 百度(中国)有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
CN112241714B (zh) * | 2020-10-22 | 2024-04-26 | 北京字跳网络技术有限公司 | 图像中指定区域的识别方法、装置、可读介质和电子设备 |
CN113239738B (zh) * | 2021-04-19 | 2023-11-07 | 深圳市安思疆科技有限公司 | 一种图像的模糊检测方法及模糊检测装置 |
CN113643260A (zh) * | 2021-08-13 | 2021-11-12 | 北京百度网讯科技有限公司 | 用于检测图像质量的方法、装置、设备、介质和产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106650674A (zh) * | 2016-12-27 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于混合池化策略的深度卷积特征的动作识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594385B2 (en) * | 2011-04-19 | 2013-11-26 | Xerox Corporation | Predicting the aesthetic value of an image |
CN106096670B (zh) * | 2016-06-17 | 2019-07-30 | 深圳市商汤科技有限公司 | 级联卷积神经网络训练和图像检测方法、装置及系统 |
-
2017
- 2017-05-22 CN CN201710361810.3A patent/CN108305240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106326886A (zh) * | 2016-11-07 | 2017-01-11 | 重庆工商大学 | 基于卷积神经网络的手指静脉图像质量评估方法及评估系统 |
CN106650674A (zh) * | 2016-12-27 | 2017-05-10 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于混合池化策略的深度卷积特征的动作识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108305240A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305240B (zh) | 图像质量检测方法及装置 | |
CN104298682B (zh) | 一种基于人脸表情图像的信息推荐效果的评价方法及手机 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN109376611A (zh) | 一种基于3d卷积神经网络的视频显著性检测方法 | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN108960260B (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
CN111612024B (zh) | 特征提取方法、装置、电子设备及计算机可读存储介质 | |
CN110717058B (zh) | 信息推荐方法及装置、存储介质 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN111935479A (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN110111347A (zh) | 图像标志提取方法、装置及存储介质 | |
CN111160481A (zh) | 基于深度学习的adas目标检测方法及系统 | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN113179421A (zh) | 视频封面选择方法、装置、计算机设备和存储介质 | |
CN108446688B (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
CN113821678A (zh) | 视频封面的确定方法及装置 | |
CN112365451A (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
CN107292331A (zh) | 基于无监督特征学习的无参考屏幕图像质量评价方法 | |
CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
CN112508900B (zh) | 细胞病理图像分割方法及装置 | |
CN110276744B (zh) | 图像拼接质量的测评方法及装置 |
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 |