CN108984734B - 一种大样本容量图像质量主观评价方法及系统 - Google Patents
一种大样本容量图像质量主观评价方法及系统 Download PDFInfo
- Publication number
- CN108984734B CN108984734B CN201810767357.0A CN201810767357A CN108984734B CN 108984734 B CN108984734 B CN 108984734B CN 201810767357 A CN201810767357 A CN 201810767357A CN 108984734 B CN108984734 B CN 108984734B
- Authority
- CN
- China
- Prior art keywords
- images
- sequence
- image quality
- subjective evaluation
- quality
- 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
- G06T2207/30—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)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种大样本容量的图像质量主观评价方法及系统。大样本容量图像质量主观评价方法包括循环积分排序、最优选择排序和顺序调整三个步骤,其中循环积分排序步骤可以将全体样本的质量进行初步分类、排序,从全体样本中筛选出数幅图片作为标志位,然后通过最优选择排序步骤和顺序调整步骤不断优化序列,最终获得准确的图像质量排序。该方法有效地提高主观评价的可靠性和准确性,结果更深刻地反映人的视觉特性。本发明实施例还提供与所提出图像质量主观评价方法相应的图像质量评价系统,包括初测积分模块、第一排序模块、最优排序模块和顺序调整模块。本发明实施例提出的方法及系统可应用于大样本容量图像质量数据库原始数据收集工作。
Description
技术领域
本发明涉及图像识别中图像质量评价的技术领域,具体涉及一种大样本容量的图像质量主观评价方法及其系统。
背景技术
图像是人工智能获取外界信息的主要来源,其在采集、存储和显示的过程中,由于受到噪声、离焦、丢包和色彩失真等因素的影响,图像质量会存在不同程度的降低。图像质量直接影响计算机信息的获取量,因此图像质量的评价方法具有重要的研究意义和应用价值,目前已经广泛应用于相机自动调光调焦,图像或视频的压缩、重构、增强等技术,涉及计算机视觉及、机器学习、神经网络、人工智能等多个领域。
研究图像质量的评价方法需要大量的经过测试者主观评价的图像作为度量。目前,研究人员都尝试按照一定的主观评价规则建立数据库,如LIVE、CSIQ和TID2013等,上述三种数据库的基本情况如表1所示。
表1三种常用的图像质量评价的数据库参数
数据库 | 时间 | 图像 | 分辨率 | 失真种类 | 测评人数 | 统计数据 |
LIVE | 2006 | 29 | 624*438~768*512 | 5 | 161 | 25,000 |
CSIQ | 2010 | 30 | 512*512 | 6 | 25 | 5,000 |
TID2013 | 2013 | 25 | 512*384 | 24 | 971 | 52,4340 |
数据库的基本情况包括创建时间、图像的总数、图像的分辨率、失真的种类、参与主观评价的测试人数以及统计数据。目前的数据库的主观评价方法都对受噪声、模糊、传输错误和色彩失真等因素影响的图片进行分类,然后安排测试员进行主观评价,其中,TID2013数据库进行了多达524,340次主观评价。
TID2013数据库的主观评价方法采用循环积分排序,通过统计大量的主观评价测试结果提高评分的可靠性,但是其数据库的样本容量过小,每种图像每种失真类型的样本容量仅为5;受测评方法限制,图像质量得分在测试之前就被限定在一个相对较小的范围,每组测试待测图像120幅,质量将被划分成19个等级,等级划分不够丰富;测试缺乏对积分相似的图像横向比对,导致数据库内许多具有相似积分的图像仍存在肉眼可见的差异。
大样本容量(如几百幅样本图像)的图像质量主观评价结果与小样本相比,随着样本数量的提高,测试结果的可靠性呈指数降低,因此,针对现有的主观评价方法存在的样本容量小、可靠性差等问题,需要提出适用于大样本容量图像质量的主观评价方法,对图像质量等级划分更丰富,且应该具有图像横向比对的等功能,进一步挖掘人的视觉特性。
发明内容
针对现有TID2013数据库的主观评价方法存在的样本容量小、可靠性差等问题,本发明实施例提出一种大样本容量图像质量的主观评价方法。该方法包括循环积分排序、选择最优质量图像排序和顺序调整三个步骤,能够深度挖掘人的视觉特性,并且保证数据库的可靠性。
本发明实施例中提供的图像质量主观评价的方法具体方案如下:一种大样本容量图像质量主观评价的方法,包括步骤S1:将m幅图像随机划分成m/2组,根据测试人员对各组图像的比较结果为图像赋分,其中m为大于0的自然数;步骤S2:将步骤S1重复r1轮,获得每一幅图像的积分,其中,r1为大于0的自然数;步骤S3:按图像的积分值递增或者递减的顺序对图像进行排序,获得图像的第一顺序;步骤S4:根据测试人员对所述的第一顺序的最优评价结果,获得图像的第二顺序;步骤S5:将步骤S4重复r2轮,其中,r2为大于0的自然数。步骤S6:根据测试人员对所述第二顺序的调整结果,更新所述的第二顺序。
优选地,所述步骤S1中的比较结果包括质量较好、质量较差和质量类似的三种情况,相应的赋分的分值分别为R分、0分和R/2分,其中,R为大于0的自然数。
优选地,所述步骤S4包括:步骤S41:将测试人员从第一顺序前n幅图像中所选择出的最清晰的一幅图像取出,并将所述图像依次放入第二顺序,其中,n为大于0且小于m的自然数;步骤S42:将步骤S41重复m-1次,获得完整的第二顺序。
优选地,步骤S41中所述的n等于4。
优选地,所述步骤S2中r1等于[log2m-2],其中[]符号表示四舍五入取整运算。
优选地,所述步骤S5中r2等于[log2m-2]。
优选地,步骤S5中将第r2-1轮所得的第二顺序作为第r2轮的第一顺序。
本发明实施例还提供与上述方法对应的系统,该系统的具体技术方案为:一种大样本容量图像质量主观评价的系统,包括:初测积分模块,用于根据测试人员的评价结果对图像进行赋分;所述初测积分模块包括用于对图像进行随机分组的第一分组单元和用于根据测试人员的评价对图像进行记分的记分单元;第一排序模块,用于根据图像的积分对图像进行排序,获得图像的第一顺序;最优排序模块,用于根据测试人员在多幅图像中选择最优结果对图像进行二次排序,获得图像的第二顺序;所述最优排序模块,包括提取单元和最优记录单元,所述提取单元用于提取所述第一排序模块中质量排序靠前的多幅图像,所述最优记录单元用于记录测试人员在所述多幅图像中选出的最优图像;顺序调整模块,用于根据测试人员对第二顺序的调整结果,更新所述第二顺序。
优选地,所述的调整结果包括调整图像质量排序存在明显错误的顺序。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中提供一种大样本容量图像质量的主观评价方法和系统,包括循环积分排序步骤和最优选择排序步骤,提供一种对图像质量等级划分更丰富的图像质量主观评价新思路,依靠该方法及系统创建的图像质量数据库具有图像横向比对能力,能够提高主观评价的可靠性,适用于大样本容量的图像质量主观评价。
附图说明
图1为本发明实施例所提供的一种大样本容量图像质量主观评价方法的流程示意图;
图2为图1所示实施例中提供的步骤四的子步骤流程示意图;
图3为本发明中一种大样本容量图像质量主观评价方法的实验结果;
图4为本发明实施例提供的一种大样本容量图像质量主观评价系统的示意图;
附图中的标记说明:
100、系统 10、初测积分模块 20、第一排序模块
30、最优排序模块 40、顺序调整模块 12、第一分组单元
14、记分单元 32、提取单元 34、最优记录单元
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明实施例提供一种大样本容量图像质量主观评价的方法。该方法基于改进循环积分排序的思想,包括六个步骤,具体步骤内容如下所示。
步骤S1:将m幅图像随机分成m/2组,并根据测试人员对每组图像的比较结果对所述图像进行赋分;其中,m为大于0的自然数。在该步骤中,测试人员对每组图像的比较结果包括三种情况,分别为:左图质量较好、右图质量较好和质量类似。根据比较结果的不同,对同组的两幅图像分别进行相应的赋分。具体为,若比较结果为图像质量较好,则对该较好的图像记R分,图像质量较差的图像记0分;若比较结果为图像质量类似,则对比较的两幅图像分别各记R/2分,其中,R为大于0的自然数。
步骤S2:将步骤S1重复r1轮,获得每一幅图像的积分,其中,r1为大于0的自然数。在该步骤中,每重复一次就对m幅图像重新进行随机分组。每次对图像的记分值,都在上一次已有的分值上进行累加。步骤S1重复的次数r1,会影响图像质量主观评价结果的精确性。随着r1的增大,图像质量主观评价结果的精确性会提高,优选地,根据概率仿真结果及实际实验表明,r1等于为[log2m-2]最佳值,其中,[]表示四舍五入取整的运算。
步骤S3:按图像的积分值递增或者递减的顺序对图像进行排序,获得图像的第一顺序。
步骤S4:根据测试人员对所述的第一顺序的最优评价结果,获得图像的第二顺序,如图2所示,步骤S4包括两个步骤。
步骤S41:测试人员从第一顺序前n幅图像中选择出最清晰的一幅,取出图像并放入第二顺序,其中,n为大于0且小于m的自然数;测试人员未选中的n-1幅图像继续放入第一顺序中。
步骤S42:将步骤S41重复m-1次,获得完整的第二顺序。
步骤S5:将步骤S4重复r2轮,其中,r2为大于0的自然数。在该步骤中,将第r2-1轮步骤S4所得的第二顺序图像作为第r2轮的步骤S4的第一顺序图像。步骤S4重复的次数r2,会影响图像质量主观评价结果的精确性,随着r2的增大,图像质量主观评价结果的精确性会提高,优选地,根据概率仿真结果及实际实验表明,r2等于为[log2m-2]最佳值,其中,[]表示四舍五入取整的运算。
步骤S6:根据测试人员对所述第二顺序的调整结果,更新所述的第二顺序。调整结果主要包括调整图像质量排序存在明显错误的顺。该步骤的具体过程为:将最终的第二排序情况反映给测试人员,若测试人员发现图像质量排序上存在显著的错误,测试人员可直接进行修改。其中,要修正的显著错误主要包括由于测试人员操作失误或者注意力不集中时造成的明显的测试错误结果。
在该实施例中,步骤S1至步骤S3可以统称为循环积分排序步骤,对所有图像进行初步排序;步骤S4和步骤S5可以统称为最优选择排序步骤,对初步排序的图像进行再次最优排序;步骤S6可以统称为顺序调整步骤,对排序存在明显错误的图像顺序进行调整。在该实施例中,循环积分排序步骤可以将全体样本的质量进行初步分类、排序,从全体样本中筛选出数幅图片作为标志位,然后通过最优选择排序步骤和顺序调整步骤不断优化序列,最终获得准确的图像质量排序。该方法进一步挖掘了人的视觉特性,并且进一步提高了数据库的可靠性。
本发明以32幅待评价测试图像作为实际应用情况,详细参数应用上述图像质量主观评价方法进行图像质量排序的过程。
步骤T1:将待评价的32幅图像随机地划分为16组,每组2幅图像。测试人员对每组图像进行评价,图像质量的结果包括较好、相似和较差的三种选择。若图像得到较好的评价结果,则对该图像记2分;若图像得到较差的评价结果,则对该图像记0分;若同组图像得到相似的评价结果,则对该同组的两幅图像分别各记1分。
步骤T2:将步骤T1重复r1轮,r1为大于0的自然数,每次重复的过程,都对图像的记分进行累加,以形成图像的相应积分。
步骤T3:按照图像的积分从少到多的结果,对图像进行排序。
步骤T4:按照步骤T3所得到的图像顺序,选出四幅图像质量最优的图像进行测试,由待测试人员选出这四幅图像中质量最好的图像,并将该图像依次记录在想的第二顺序中,再将其余三幅图像放回T3序列。将上述过程重复31次,从而选完所有图像,得到完整的第二顺序。
步骤T5:将步骤T4重复r2轮,r2为大于0是自然数。
步骤T6:将测试结果按照质量由低至高的顺序排列,测试者选出自己认为排列明显错误的图像,并将其调整到合适的位置。
在该实施例中,以r1固定为3次,r2不同次数为例进行实验,实验结果如图3所示。从图3(a)至图3(d)中,r2的次数从0次依次增加至3次。从实验结果可看出,随着r2次数的增加,主观评价所产生错误可以基本消除。在该实施例中,图像质量主观评价的次数包含142道题目,测试者完成测试的时间约为8分钟,符合国际电信联盟(ITU)提出的主观评价图像质量标准中提出每次测试时间不应超过30分钟(Methodology for the subjectiveassessment of the quality of television pictures,in:Recommendation BT.500-11,Geneva,Swit-zerland,2002.),结果具有较高的可靠性。
如图4所示,本发明实施例还提供一种大样本容量图像质量主观评价的系统100。在该实施例中,系统100所在的计算机硬件平台包括:分辨率为1920*1080、可视角为178°、100%SRGB、雾面屏的惠普品牌显示器;Quadro M4000、8GB的显存;GDDR5/256-bit/192GB、LEADTEK的专业图形显卡;内存采用16G、DDR4内存及频率为2133Mhz、IntelI7 6700的CPU。
在该实施例中,图像质量主观评价的系统100包括:用于根据测试人员的评价结果对图像进行积分的初测积分模块10,用于根据图像的积分对图像进行排序而获得第一顺序图像的第一排序模块20,用于根据测试人员在多幅图像中选择最优结果对图像进行二次排序的最优排序模块30,用于根据测试人员对图像顺序的修改情况而修改最优记录单元34中的图像顺序的顺序调整模块40。
在该实施例中,初测积分模块10包括用于对图像进行随机分组的第一分组单元12和用于根据测试人员的评价对图像进行记分的记分单元14。最优排序模块30包括用于提取第一排序模块20中质量排序前多幅图像的提取单元32和用于记录最优图像的最优记录单元34。顺序调整模块40主要用于调整测试人员认为图像质量排序存在明显错误的顺序。
本发明实施例所提供的大样本容量图像质量主观评价系统100包括初步选择的初测积分模块10、根据积分进行排序的第一排序模块20和进行二次排序的最优排序模块30,进一步挖掘了人的视觉特性并且进一步提高了数据库的可靠性。系统100还包括用于调整质量排序明显错误的调整模块40,有效地提高了主观评价的准确性,进一步提高数据库的可靠性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种大样本容量图像质量主观评价的方法,其特征在于,所述方法包括:
步骤S1:将m幅图像随机划分成m/2组,根据测试人员对各组图像的比较结果为图像赋分,其中m为大于0的自然数;
步骤S2:将步骤S1重复r1轮,获得每一幅图像的积分,其中,r1为大于0的自然数;
步骤S3:按图像的积分值递增或者递减的顺序对图像进行排序,获得图像的第一顺序;
步骤S4:根据测试人员对所述的第一顺序的最优评价结果,获得图像的第二顺序;
步骤S5:将步骤S4重复r2轮,其中,r2为大于0的自然数;
步骤S6:根据测试人员对所述第二顺序的调整结果,更新所述的第二顺序;
所述步骤S4包括:
步骤S41:将测试人员从第一顺序前n幅图像中所选择出的最清晰的一幅图像取出,其中n为大于0且小于m的自然数,将选中图像依次放入第二顺序、未选中图像放回第一顺序;
步骤S42:将步骤S41重复m-1次,获得完整的第二顺序。
2.根据权利要求1所述的一种大样本容量图像质量主观评价方法,其特征在于,所述步骤S1中的比较结果包括质量较好、质量较差和质量类似三种情况,对应的分值分别为R分、0分或各R/2分,其中,R为大于0的自然数。
3.根据权利要求1所述的一种大样本容量图像质量主观评价方法,其特征在于,所述步骤S2中r1等于[log2 m-2],其中[]表示四舍五入的取整运算。
4.根据权利要求1所述的一种大样本容量图像质量主观评价方法,其特征在于,步骤S41中所述的n等于4,当第一顺序中的图像数量小于4时n取3或2。
5.根据权利要求1所述的一种大样本容量图像质量主观评价方法,其特征在于,步骤S5中将第r2-1轮所得的第二顺序作为第r2轮的第一顺序。
6.根据权利要求1所述的一种大样本容量图像质量主观评价方法,其特征在于,所述步骤S5中r2等于[log2m-2]。
7.一种大样本容量图像质量主观评价的系统,其特征在于,所述系统包括:
初测积分模块,用于根据测试人员的评价结果对图像进行赋分;所述初测积分模块包括用于对图像进行随机分组的第一分组单元和用于根据测试人员的评价对图像进行记分的记分单元;
第一排序模块,用于根据图像的积分对图像进行排序,获得图像的第一顺序;
最优排序模块,用于根据测试人员在多幅图像中选择最优结果对图像进行二次排序,获得图像的第二顺序;所述最优排序模块,包括提取单元和最优记录单元,所述提取单元用于提取所述第一排序模块中质量排序靠前的多幅图像,所述最优记录单元用于记录测试人员在所述多幅图像中选出的最优图像;
顺序调整模块,用于根据测试人员对第二顺序的调整结果,更新所述第二顺序。
8.根据权利要求7所述的一种大样本容量图像质量主观评价的系统,所述的调整结果包括调整图像质量排序存在明显错误的顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767357.0A CN108984734B (zh) | 2018-07-13 | 2018-07-13 | 一种大样本容量图像质量主观评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767357.0A CN108984734B (zh) | 2018-07-13 | 2018-07-13 | 一种大样本容量图像质量主观评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984734A CN108984734A (zh) | 2018-12-11 |
CN108984734B true CN108984734B (zh) | 2020-11-24 |
Family
ID=64537181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810767357.0A Active CN108984734B (zh) | 2018-07-13 | 2018-07-13 | 一种大样本容量图像质量主观评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984734B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709922B (zh) * | 2020-06-10 | 2023-07-04 | 北京百度网讯科技有限公司 | 图像质量比较方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102730A (zh) * | 2014-07-24 | 2014-10-15 | 中国软件与技术服务股份有限公司 | 一种基于已知标签的大数据常态模式提取方法及系统 |
CN106651854A (zh) * | 2016-12-29 | 2017-05-10 | 中国科学院长春光学精密机械与物理研究所 | 一种图像亮度质量的评价方法及装置 |
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2544725A (en) * | 2015-11-03 | 2017-05-31 | Fuel 3D Tech Ltd | Systems and methods for forming models of a three-dimensional objects |
CN105635727B (zh) * | 2015-12-29 | 2017-06-16 | 北京大学 | 基于成对比较的图像主观质量的评价方法和装置 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
-
2018
- 2018-07-13 CN CN201810767357.0A patent/CN108984734B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102730A (zh) * | 2014-07-24 | 2014-10-15 | 中国软件与技术服务股份有限公司 | 一种基于已知标签的大数据常态模式提取方法及系统 |
CN106651854A (zh) * | 2016-12-29 | 2017-05-10 | 中国科学院长春光学精密机械与物理研究所 | 一种图像亮度质量的评价方法及装置 |
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
Non-Patent Citations (2)
Title |
---|
A new method for evaluating the subjective image quality of photographs: dynamic reference;Nuutinen, M 等;《MULTIMEDIA TOOLS AND APPLICATIONS》;20160229;第75卷(第4期);2367-2391 * |
大样本图像质量主观评价方法;刘阳 等;《激光与光电子学进展》;20190202;第56卷(第13期);131103-1至131103-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN108984734A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
CN109003266B (zh) | 一种基于模糊聚类统计图像质量主观评价结果的方法 | |
US11605163B2 (en) | Automatic abnormal cell recognition method based on image splicing | |
CN109117863A (zh) | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 | |
CN108038839A (zh) | 一种流水生产线上双绞线绞距实时检测方法 | |
CN110688888B (zh) | 一种基于深度学习的行人属性识别方法和系统 | |
US11507774B2 (en) | Device and method for selecting a deep learning network for processing images | |
CN111783855A (zh) | 智能阅卷方法及装置 | |
CN109919901B (zh) | 一种基于集成学习与随机森林的图像质量评价方法 | |
CN108984734B (zh) | 一种大样本容量图像质量主观评价方法及系统 | |
CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN108010023A (zh) | 基于张量域曲率分析的高动态范围图像质量评价方法 | |
CN116166717B (zh) | 一种应用于简历的人工智能信息提取方法 | |
CN110996128B (zh) | 在线教学视频推送管理系统 | |
US11727673B1 (en) | Visual analysis method for cable element identification | |
CN111680740A (zh) | 神经网络的训练方法、装置及用电负荷的判别方法、装置 | |
CN110595401A (zh) | 一种使用X-ray射线检测电池四角的检测方法 | |
CN110427964A (zh) | 一种基于互信息的多元时间序列变量选择方法 | |
CN113628077B (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN107729719A (zh) | 一种从头测序方法 | |
CN113052821B (zh) | 一种电力设备巡检图片的质量评价方法 | |
CN111382685B (zh) | 一种基于深度学习的场景识别方法和系统 | |
CN111083468B (zh) | 一种基于图像梯度的短视频质量评价方法及系统 |
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 |