CN109242831A - 图像质量检测方法、装置、计算机设备和存储介质 - Google Patents

图像质量检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109242831A
CN109242831A CN201810949074.8A CN201810949074A CN109242831A CN 109242831 A CN109242831 A CN 109242831A CN 201810949074 A CN201810949074 A CN 201810949074A CN 109242831 A CN109242831 A CN 109242831A
Authority
CN
China
Prior art keywords
image
target image
subjective quality
point
quality point
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.)
Pending
Application number
CN201810949074.8A
Other languages
English (en)
Inventor
岑敏强
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810949074.8A priority Critical patent/CN109242831A/zh
Publication of CN109242831A publication Critical patent/CN109242831A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种图像质量检测方法、装置、计算机设备和存储介质，其中，方法包括：利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。该方法通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。

Description

图像质量检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像评价技术领域，尤其涉及一种图像质量检测方法、装置、计算机设备和存储介质。
背景技术
在将图片资源推送给用户之前，需要对图像进行审核，以筛除质量较差的图片。目前，衡量图像质量的方法包括主观评价和通过图像指标衡量。例如，根据图像的均方误差、峰值信噪比、结构相似性指数等指标，对图像的质量进行检测。这些指标虽然可以在一定程度上反映图像的质量，但是并不能代表图像的主观分数。
在对图像主观打分时，主要是根据多个观察者的评价判断图像质量，得到图像的主观质量分。但是这种主观质量评价方式，客观性较差，且不同的观察者得到的主观质量分差异较大，可靠性较差。
发明内容
本申请提出一种图像质量检测方法、装置、计算机设备和存储介质，用于解决相关技术中的根据观察者的评价确定图像主观质量分的评价方式，客观性和可靠性较差的问题。
本申请一方面实施例提出了一种图像质量检测方法，包括：
利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；
对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；
利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。
本申请实施例的图像质量检测方法，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。本实施例中，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。
本申请另一方面实施例提出了一种图像质量检测装置，包括：
预测模块，用于利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；
检测模块，用于对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；
修正模块，用于利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。
本申请实施例的图像质量检测装置，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。本实施例中，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。
本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的图像质量检测方法。
本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的图像质量检测方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种图像质量检测方法的流程示意图；
图2为本申请实施例提供的另一种图像质量检测方法的流程示意图；
图3为本申请实施例提供的一种具体的图像质量检测方法的过程示意图；
图4为本申请实施例提供的一种图像切分为多个图像块的示意图；
图5为本申请实施例提供的另一种图像质量检测方法的流程示意图；
图6为本申请实施例提供的一种图像质量检测装置的结构示意图；
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的图像质量检测方法、装置、计算机设备和存储介质。
本申请实施例，针对相关技术中根据观察者的评价确定图像主观质量分的评价方式，客观性和可靠性较差的问题，提出一种图像质量检测方法。
本申请实施例的图像质量检测方法，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。由此，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且显著性值符合人的主观感受，利用显著性值对初始主观质量分进行修正，大大提高了主观质量分的准确性。
图1为本申请实施例提供的一种图像质量检测方法的流程示意图。
本申请实施例的图像质量检测方法，可由本申请提供的图像质量检测装置执行，上述装置可配置于计算机设备中。
如图1所示，该图像质量检测方法包括：
步骤101，利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分。
其中，主观质量分用于指示主观感受程度，主观质量分越高，表明主观感受越好。
相关技术中，在对图像进行质量评价时，多是根据多个观察者的评价判断图像质量，得到主观质量分。但是，这种主观质量评价方式，客观性较差，且不同的观察者得到的主观质量分差异较大，可靠性较差。再者，当图像较多或者对视频进行质量评价时，以人工方式进行质量评价，人工成本较高，且效率低。
本实施例中，将待检测的目标图像输入至预设的神经网络模型，利用预设的神经网络模，对待检测的图像进行主观质量分预测，生成目标图像的初始主观质量分。
其中，神经网络模型可包括特征提取层和回归层。那么首先将待检测的目标图像输入至特征提取层，由特征提取层提取特征，并将提取的特征输入至回归层。之后，回归层根据提取的特征进行主观质量分预测，输出目标图像的初始主观质量分。
在实际使用中，可利用卷积神经网络(Convolutional Neural Network，简称CNN)对目标图像进行特征提取，得到目标图像的CNN特征，并将CNN特征输入至回归层，由回归层输出目标图像的主观质量分。
本实施例中，利用预设的神经网络对图像进行主观质量分预测，可以避免人为评价带来的主观质量分差异，提高了图像质量评价的客观性和可靠性，而且可以节省人力，减少人工成本，提高图像质量评价的效率。
步骤102，对目标图像进行显著性检测，以确定目标图像对应的显著性值。
在实际中，人眼的对焦点是有限的，对整张图的观测其实是对图像中的“感兴趣”物体的观测。因此对图像质量的评价时，对有意义的局部的评价对主观质量分的影响较大。
基于此，本实施例中，对目标图像进行显著性检测，检测出目标图像中每个区域的显著性值，进而确定目标图像对应的显著性值。在实际使用中，可以利用基于空间频域分析的剩余谱算法、基于图论的算法等对目标图像进行显著性检测。
步骤103，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。
由于显著性值反映了图像中每个局部区域的意义，显著性值越大，说明图像中该局部区域在图像中的意义越大，该局部区域越能引起人们的注意。由此，本实施例中，利用显著值对目标图像对应的初始主观质量分进行修正，即可确定较准确的目标图像的最终主观质量分。从而，提高了主观质量分的准确性。
在实际应用中，由于缩放图片会影响图像质量，那么在对图像进行质量评价时，不能对图像进行缩放，需要保持图像原始尺寸。但是，当输入图像尺寸过大，会导致GPU内存溢出。基于此，本申请实施例提出，在对目标图像进行主观质量分预测之前，可将目标图像切分为多个图像块，基于多个小图像块对目标图像进行主观质量分预测。下面结合图2进行详细说明，图2为本申请实施例提供的另一种图像质量检测方法的流程示意图。
如图2所示，该图像质量检测方法包括：
步骤201，将目标图像进行切分处理，以得到目标图像包含的多个图像块。
在对目标图像进行主观质量分预测之前，可先对目标图像进行切分处理，将目标对象切分为多个图像块。
比如，将目标图像切分为多个为200*200像素或者多个300*300像素的图像块。又如，选用的CNN网络输入为200*200像素，待检测的图像是1000*1000像素，那么可以均匀地不重叠的将待检测的图像分为5*5＝25个小块，或者也可以有重叠的将待检测的图像分为多个图像块。
需要说明的是，具体的切分方法，可根据实际需要确定，本实施例不作限定。
步骤202，利用预设的神经网络模型，对目标图像中的多个图像块分别进行主观质量分预测，以生成与多个图像块中的每个图像块对应的初始主观质量分。
本实施例中，将待检测的目标对象的多个图像块输入预设的神经网络模型，由神经网络模型对多个图像块分别进行主观质量分预测，以获得目标图像的每个图像块的初始主观质量分。
在对图像块进行主观质量分预测时，先由神经网络模型中的特征提取层提取图像块的特征，然后将提取的特征输入神经网络模型中的回归层，由回归层输出图像块的主观质量分。
步骤203，对目标图像进行显著性检测，确定目标图像中每个像素点对应的显著性值。
本实施例中，对目标图像进行显著性检测，可以得到目标图像中每个像素点对应的显著性值。
步骤204，根据每个图像块包含的像素点及每个像素点对应的显著性值，确定每个图像块对应的显著性值。
在确定每个像素点对应的显著性值之后，根据每个图像块中包含的像素点可以确定每个图像块对应的显著性值。具体而言，计算图像块中包含的像素点对应的显著性值的和值，然后用和值除以该图像块中包含的像素点数量，即可得到图像块对应的显著性值。如公式(1)所示：
其中，Si表示图像块对应的显著性值，M*N表示图像块中包含的像素点数量，s(i,j)表示位置为(i,j)的像素点的显著性值。
步骤205，利用每个图像块对应的显著性值，对每个图像块对应的初始主观质量分进行加权求和，以确定目标图像对应的最终主观质量分。
在计算出目标图像中每个图像块对应的显著性值之后，对每条图像块对应的显著性值进行加权求和，然后用和值除以图像块的数量，得到的平均值即为目标图像对应的最终主观质量分。如公式(2)所示：
其中，y表示目标对象最终的主观质量分，m表示图像块的数量，Si表示第i个图像块对应的显著性值，表示第i个图像块的初始主观质量分。
由于图像块对应的显著值表示图像块在图像中的意义，显著值越大说明该图像块对目标图像的主观质量分影响越大。本实施例中，利用每个图像块对应的显著性值，对每个图像块对应的初始主观质量分进行加权求和，从而将图像块对应的显著性值引入最终主观质量分的计算中，使得显著值大的图像块的初始主观质量分对图像的质量评价影响大，显著性值小的图像块对图像的质量评价影响小，大大提高了图像主观质量分的计算准确性。
进一步地，为了保证图像的每个图像块的主观质量分的预测尽量准确，对目标图像进行切分处理之前，还可以根据目标图像的属性信息，确定目标对象对应的切分规则。然后，根据确定的切分规则对目标图像进行切分。其中，属性信息可包括像素点数量、各像素点间的色值差异、各像素点间的灰度值差异等。
例如，图像像素点越多，或者图像的各像素点间的色值差异越大，说明图像中包含的信息越多，可将图像尽量切分为较多的图像块。
为了更清楚说明上述实施例，下面结合图3和图4进行详细说明。图3为本申请实施例提供的一种具体的图像质量检测方法的过程示意图。图4为本申请实施例提供的一种图像切分为多个图像块的示意图。
如图3所示将待检测的图片切换为12个图像块输入至神经网络模型中，由神经网络模型分别对12个图像块进行主观质量分预测，以确定12个图像块分别对应的初始主观质量分。另外，对待检测图片进行显著性检测，以确定该图像中每个像素点显著性值。那么根据每个图像块包含的像素点，确定每个图像块对应的显著性值。之后，利用每个图像块对应的显著性值，对每个图像块对应的初始主观质量分进行加权求和，将和值除以12得到的平均值，即为该图像的最终主观质量分。例如，各图像块对应的显著值和初始主观质量分如图4所示，则最终的主观质量分为：
上述利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测之前，可先对初始的神经网络模型进行训练，得到预设的神经网络模型。下面结合图5对神经网络模型的生成过程进行详细说明，图5为本申请实施例提供的另一种图像质量检测方法的流程示意图。
在利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测之前，如图5所示，该图像质量检测方法还包括：
步骤301，获取训练图像集，其中，训练图像集中包括多个图像及每个图像对应的标定主观质量分。
本实施例中，可通过人工方式对多个图像进行质量评价，以得到每个图像的标定主观质量分。这些具有标定主观质量分的图像可作为训练图像。
步骤302，对训练图像集中每个图像进行显著性检测，以确定每个图像对应的显著性值。
本实施例中，对训练图像集中的每个图像进行显著性检测，可以确定每个图像中每个像素点的显著性值，进而对所有像素点的显著性值求平均值，得到每个图像对应的显著性值。
步骤303，利用初始神经网络模型，对每个图像进行主观质量分预测，以确定每个图像对应的预测主观质量算式，其中，预测主观质量算式中包括初始神经网络模型中的网络参数。
本实施例中，初始神经网络模型可包括特征提取层和回归层，可以对特征提取层和回归层一起训练，那么可将特征提取层和回归层整体训练时的参数作为初始神经网络模型中的网络参数。
具体而言，可将对训练图像集中每个图像切分为多个图像块，将多个图像块输入初始神经网络模型中，由初始神经网络模型对每个图像块进行主观质量分预测，以确定每个图像块对应的预测主观质量算式。如用hθ(x(i))表示预测的主观质量算式，其中，θ表示初始神经网络模型中的初始网络参数，x(i)为第i个图像块。
步骤304，对与初始神经网络模型对应的损失函数进行求极值处理，确定初始神经网络模型中的网络参数的取值，以生成预设的神经网络模型。
其中，损失函数中包括每个图像对应的标定主观质量分、预测主观质量算式及显著性值。
本实施例中，根据每个像素点的显著值和每个图像块包含的像素，可以确定每个图像块对应的显著性值。基于每个图像块对应的显著性值和预测主观质量算式，可以得到初始神经网络模型对应的损失函数。如公式(3)所示：
其中，J(θ)表示初始神经网络模型的对应的损失函数，θ为初始神经网络模型中的初始网络参数，n表示图像的图像块的数量，Si为第i个图像块的显著性值，hθ(x(i))为预测主观质量算式，x(i)为第i个图像块，y(i)表示第i个图像块的标定主观质量分，其中y(i)等于图像对应的标定主观质量分，即每个图像块的标定主观质量分等于该图像对应的标定主观质量分。其中，Si的计算公式可参见上述公式(1)。
根据上述公式(3)可知，损失函数J(θ)中图像块的显著性值Si是一个常数，J(θ)是凸函数，由此在每次训练时，可对J(θ)求导数，求出J(θ)取极小值时，θ参数的取值。利用训练图像集中的每个图像，对初始神经网络模型进行多次迭代训练，直至θ参数取值趋于稳定时，即可将得到的θ参数作为预设的神经网络模型中的网络参数，以用于对待检测图像进行主观质量分预测。
为了实现上述实施例，本申请实施例还提出一种图像质量检测装置。图6为本申请实施例提供的一种图像质量检测装置的结构示意图。
如图6所示，该图像质量检测装置包括：预测模块410、检测模块420、修正模块430。
预测模块410，用于利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分。
检测模块420，用于对目标图像进行显著性检测，以确定目标图像对应的显著性值。
修正模块430，用于利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。
在本申请实施例一种可能的实现方式中，该装置还可包括：
切分模块，用于对待检测的目标图像进行主观质量分预测之前，将目标图像进行切分处理，以得到目标图像包含的多个图像块；
预测模块410，还用于对目标图像中的多个图像块分别进行主观质量分预测，以生成与多个图像块中的每个图像块对应的初始主观质量分。
在本申请实施例一种可能的实现方式中，检测模块420，还用于确定目标图像中每个像素点对应的显著性值；
修正模块430，还用于根据每个图像块包含的像素点及每个像素点对应的显著性值，确定每个图像块对应的显著性值；利用每个图像块对应的显著性值，对每个图像块对应的初始主观质量分进行加权求和，以确定目标图像对应的最终主观质量分。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第一确定模块，用于将目标图像进行切分处理，以得到所述目标图像包含的多个图像块之前，根据所述目标图像的属性信息，确定目标图像对应的切分规则。
在本申请实施例一种可能的实现方式中，该装置还可包括：
获取模块，用于利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测之前，获取训练图像集，其中，训练图像集中包括多个图像及每个图像对应的标定主观质量分；
第二确定模块，用于对训练图像集中每个图像进行显著性检测，以确定每个图像对应的显著性值；
第三确定模块，用于利用初始神经网络模型，对每个图像进行主观质量分预测，以确定每个图像对应的预测主观质量算式，其中，预测主观质量算式中包括所述初始神经网络模型中的网络参数；
第四确定模块，用于对与初始神经网络模型对应的损失函数进行求极值处理，确定初始神经网络模型中的网络参数的取值，以生成预设的神经网络模型；
其中，损失函数中包括每个图像对应的标定主观质量分、预测主观质量算式及显著性值。
需要说明的是，前述对图像质量检测方法实施例的解释说明，也适用于该实施例的图像质量检测装置，故在此不再赘述。
本申请实施例的图像质量检测装置，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。本实施例中，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。
为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；
其中，处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现如上述实施例所述的图像质量检测方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
为了实现上述实施例，本申请实施例还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的图像质量检测方法。
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申请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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种图像质量检测方法，其特征在于，包括：
利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；
对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；
利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。
2.如权利要求1所述的方法，其特征在于，所述对待检测的目标图像进行主观质量分预测之前，还包括：
将所述目标图像进行切分处理，以得到所述目标图像包含的多个图像块；
所述对待检测的目标图像进行主观质量分预测，包括：
对所述目标图像中的多个图像块分别进行主观质量分预测，以生成与所述多个图像块中的每个图像块对应的初始主观质量分。
3.如权利要求2所述的方法，其特征在于，所述确定所述目标图像对应的显著性值，包括：
确定所述目标图像中每个像素点对应的显著性值；
所述利用所述显著性均值，对所述目标图像对应的初始主观质量分进行修正，包括：
根据所述每个图像块包含的像素点及每个像素点对应的显著性值，确定所述每个图像块对应的显著性值；
利用所述每个图像块对应的显著性值，对所述每个图像块对应的初始主观质量分进行加权求和，以确定所述目标图像对应的最终主观质量分。
4.如权利要求2所述的方法，其特征在于，所述将所述目标图像进行切分处理，以得到所述目标图像包含的多个图像块之前，还包括：
根据所述目标图像的属性信息，确定所述目标图像对应的切分规则。
5.如权利要求1-4任一所述的方法，其特征在于，所述利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测之前，还包括：
获取训练图像集，其中，所述训练图像集中包括多个图像及每个图像对应的标定主观质量分；
对所述训练图像集中每个图像进行显著性检测，以确定每个图像对应的显著性值；
利用初始神经网络模型，对每个图像进行主观质量分预测，以确定每个图像对应的预测主观质量算式，其中，所述预测主观质量算式中包括所述初始神经网络模型中的网络参数；
对与所述初始神经网络模型对应的损失函数进行求极值处理，确定所述初始神经网络模型中的网络参数的取值，以生成所述预设的神经网络模型；
其中，所述损失函数中包括所述每个图像对应的标定主观质量分、预测主观质量算式及显著性值。
6.一种图像质量检测装置，其特征在于，包括：
预测模块，用于利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；
检测模块，用于对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；
修正模块，用于利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。
7.如权利要求6所述的装置，其特征在于，还包括：
切分模块，用于所述对待检测的目标图像进行主观质量分预测之前，将所述目标图像进行切分处理，以得到所述目标图像包含的多个图像块；
预测模块，还用于对所述目标图像中的多个图像块分别进行主观质量分预测，以生成与所述多个图像块中的每个图像块对应的初始主观质量分。
8.如权利要求7所述的装置，其特征在于，还包括：
检测模块，还用于确定所述目标图像中每个像素点对应的显著性值；
修正模块，还用于根据所述每个图像块包含的像素点及每个像素点对应的显著性值，确定所述每个图像块对应的显著性值；利用所述每个图像块对应的显著性值，对所述每个图像块对应的初始主观质量分进行加权求和，以确定所述目标图像对应的最终主观质量分。
9.一种计算机设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-5中任一所述的图像质量检测方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的图像质量检测方法。
CN201810949074.8A 2018-08-20 2018-08-20 图像质量检测方法、装置、计算机设备和存储介质 Pending CN109242831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810949074.8A CN109242831A (zh) 2018-08-20 2018-08-20 图像质量检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810949074.8A CN109242831A (zh) 2018-08-20 2018-08-20 图像质量检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN109242831A true CN109242831A (zh) 2019-01-18

Family

ID=65071660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810949074.8A Pending CN109242831A (zh) 2018-08-20 2018-08-20 图像质量检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109242831A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084782A (zh) * 2019-03-27 2019-08-02 西安电子科技大学 基于图像显著性检测的全参考图像质量评价方法
CN110400335A (zh) * 2019-07-25 2019-11-01 广西科技大学 基于深度学习的纹理图像质量估计方法
CN111179245A (zh) * 2019-12-27 2020-05-19 成都中科创达软件有限公司 图像质量检测方法、装置、电子设备和存储介质
CN111275681A (zh) * 2020-01-19 2020-06-12 浙江大华技术股份有限公司 图片质量的确定方法及装置、存储介质、电子装置
CN112435231A (zh) * 2020-11-20 2021-03-02 深圳市慧鲤科技有限公司 图像质量标尺生成方法、评测图像质量的方法及装置
CN113012089A (zh) * 2019-12-19 2021-06-22 北京金山云网络技术有限公司 一种图像质量评价方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN108389192A (zh) * 2018-02-11 2018-08-10 天津大学 基于卷积神经网络的立体图像舒适度评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN108389192A (zh) * 2018-02-11 2018-08-10 天津大学 基于卷积神经网络的立体图像舒适度评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YONG DING 等: "No-reference Stereoscopic Image Quality Assessment Using Convolutional Neural Network for Adapitve Feature Extraction", 《IEEE ACCESS》 *
丁明跃 等著: "《物联网识别技术》", 31 July 2012, 中国铁道出版社 *
徐姝宁 等: "基于视觉显著性的立体图像质量评价方法", 《信息技术》 *
黄祚继 等著: "《多源遥感数据目标地物的分类与优化》", 31 May 2017, 中国科学技术大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084782A (zh) * 2019-03-27 2019-08-02 西安电子科技大学 基于图像显著性检测的全参考图像质量评价方法
CN110084782B (zh) * 2019-03-27 2022-02-01 西安电子科技大学 基于图像显著性检测的全参考图像质量评价方法
CN110400335A (zh) * 2019-07-25 2019-11-01 广西科技大学 基于深度学习的纹理图像质量估计方法
CN113012089A (zh) * 2019-12-19 2021-06-22 北京金山云网络技术有限公司 一种图像质量评价方法及装置
CN111179245A (zh) * 2019-12-27 2020-05-19 成都中科创达软件有限公司 图像质量检测方法、装置、电子设备和存储介质
CN111179245B (zh) * 2019-12-27 2023-04-21 成都中科创达软件有限公司 图像质量检测方法、装置、电子设备和存储介质
CN111275681A (zh) * 2020-01-19 2020-06-12 浙江大华技术股份有限公司 图片质量的确定方法及装置、存储介质、电子装置
CN111275681B (zh) * 2020-01-19 2023-09-01 浙江大华技术股份有限公司 图片质量的确定方法及装置、存储介质、电子装置
CN112435231A (zh) * 2020-11-20 2021-03-02 深圳市慧鲤科技有限公司 图像质量标尺生成方法、评测图像质量的方法及装置

Similar Documents

Publication Publication Date Title
CN109242831A (zh) 图像质量检测方法、装置、计算机设备和存储介质
CN109871909A (zh) 图像识别方法及装置
CN110070085A (zh) 车牌识别方法和装置
CN109948684A (zh) 点云数据标注质量的质检方法、装置及其相关设备
US10255673B2 (en) Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis
CN110276287A (zh) 车位检测方法、装置、计算机设备以及存储介质
CN109934196A (zh) 人脸姿态参数评估方法、装置、电子设备及可读存储介质
CN109241420A (zh) 应用首页内容推荐方法、装置、计算机设备和存储介质
CN108765315A (zh) 图像补全方法、装置、计算机设备及存储介质
CN109977826B (zh) 物体的类别识别方法和装置
CN108460098A (zh) 信息推荐方法、装置和计算机设备
CN113689436B (zh) 图像语义分割方法、装置、设备及存储介质
CN111986180A (zh) 基于多相关帧注意力机制的人脸伪造视频检测方法
CN107679564A (zh) 样本数据推荐方法及其装置
CN109978867A (zh) 玩具外表质量检测方法及其相关设备
CN108632641A (zh) 视频处理方法及装置
US11017266B2 (en) Aggregated image annotation
CN109948683A (zh) 点云数据的难易度划分方法、装置及其相关设备
CN104182723A (zh) 一种视线估计的方法和装置
Agresti et al. Stereo and ToF data fusion by learning from synthetic data
CN111274852B (zh) 目标对象关键点检测方法和装置
CN109948515A (zh) 物体的类别识别方法和装置
JP6713422B2 (ja) 学習装置、イベント検出装置、学習方法、イベント検出方法、プログラム
CN109978868A (zh) 玩具外表质量检测方法及其相关设备
CN109740140A (zh) 页面排版方法、装置和计算机设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118

RJ01 Rejection of invention patent application after publication