CN110047071A - 一种图像质量评估方法、装置和介质 - Google Patents

一种图像质量评估方法、装置和介质 Download PDF

Info

Publication number
CN110047071A
CN110047071A CN201910343768.1A CN201910343768A CN110047071A CN 110047071 A CN110047071 A CN 110047071A CN 201910343768 A CN201910343768 A CN 201910343768A CN 110047071 A CN110047071 A CN 110047071A
Authority
CN
China
Prior art keywords
image
picture
network model
assessed
convolutional network
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
CN201910343768.1A
Other languages
English (en)
Inventor
张敏飞
赵明
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.)
Hangzhou Intelligent Intelligence Information Technology Co Ltd
Original Assignee
Hangzhou Intelligent Intelligence Information 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 Hangzhou Intelligent Intelligence Information Technology Co Ltd filed Critical Hangzhou Intelligent Intelligence Information Technology Co Ltd
Priority to CN201910343768.1A priority Critical patent/CN110047071A/zh
Publication of CN110047071A publication Critical patent/CN110047071A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (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

本发明实施例公开了一种图像质量评估方法、装置和计算机可读存储介质，依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像；根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型。在该方案中，训练样本是由标准图像进行模糊化处理得到的，训练样本不受图片亮度和图像内容的影响，因此通过该训练样本训练得到的卷积网络模型具有较好的稳定性和准确性。利用训练好的该卷积网络模型对获取的待评估图像进行处理，可以得到较为准确的待评估图像的评分值。

Description

一种图像质量评估方法、装置和介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像质量评估方法、装置和计算机可读存储介质。
背景技术
在图像应用领域，图像的拍摄质量至关重要。图像质量的评估从方法上可以分为主观评估和客观评估。主观评估就是从人的主观感知来评价图像的质量，首先给出原始参考图像和失真图像，让标注者给失真图像评分，一般采用平均主观得分或平均主观得分差异表示。客观评估使用数学模型给出量化值，其评估结果更为准确，已经成为IQA研究的重点。
针对于图像质量的客观评估，传统方式一般先用Sobel、Laplacian等算子进行滤波，提取图像中的梯度信息，然后用均值或方差等统计因子评估质量。但是此类方法受图片亮度和图像内容的影响较大，导致评估结果的准确性较差。
可见，如何提升图像质量评估的稳定性和准确性，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种图像质量评估方法、装置和计算机可读存储介质，可以提升图像质量评估的稳定性和准确性。
为解决上述技术问题，本发明实施例提供一种图像质量评估方法，包括：
依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像；
根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；
将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型；
利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值。
可选的，当所述样本图像为卡片图像时，所述依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像包括：
获取所述卡片图像中卡片的顶点坐标；
查找与所述卡片相匹配的透视变换矩阵；
利用所述透视变换矩阵对所述卡片图像进行透视变换，得到标准图像。
可选的，当所述样本图像为人脸图像时，所述依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像包括：
检测所述样本图像中的人脸区域，并从所述样本图像中截取出人脸区域图；
按照预设缩放规则，将所述人脸区域图缩放为标准图像。
可选的，所述利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值包括：
依据待评估图像所对应的对齐规则，将获取的所述待评估图像转换为待评估标准图像；
将所述待评估标准图像输入所述训练好的卷积网络模型，以得到所述待评估图像的评分值。
可选的，将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型包括：
根据预先设定的偏差值，建立模型损失函数；
以模型损失函数最小为优化目标，对卷积网络模型的初始参数进行梯度下降处理，直至达到预设迭代次数，则输出训练好的卷积网络模型。
可选的，所述根据预先设定的偏差值，建立模型损失函数包括：
按照如下公式，计算模型损失函数L，
其中，N表示每次迭代的样本数量，y表示图像的实际评分值，y′表示网络卷积模型预测出的评分值，m表示预先设定的偏差值。
可选的，所述利用预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像包括：
利用预先设定的高斯模糊算法对标准图像进行处理，得到不同模糊程度的高斯模糊图像；
利用预先设定的运动模糊算法对标准图像进行处理，得到不同模糊程度的运动模糊图像；其中，所述高斯模糊图像与所述运动模糊图像构成所述模糊图像。
本发明实施例还提供了一种图像质量评估装置，包括转换单元、模糊处理单元、训练单元和评估单元；
所述转换单元，用于依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像；
所述模糊处理单元，用于根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；
所述训练单元，用于将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型；
所述评估单元，用于利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值。
可选的，当所述样本图像为卡片图像时，所述转换单元包括获取子单元、查找子单元和透视变换子单元；
所述获取子单元，用于获取所述卡片图像中卡片的顶点坐标；
所述查找子单元，用于查找与所述卡片相匹配的透视变换矩阵；
所述透视变换子单元，用于利用所述透视变换矩阵对所述卡片图像进行透视变换，得到标准图像。
可选的，当所述样本图像为人脸图像时，所述转换单元包括截取子单元和缩放子单元；
所述截取子单元，用于检测所述样本图像中的人脸区域，并从所述样本图像中截取出人脸区域图；
所述缩放子单元，用于按照预设缩放规则，将所述人脸区域图缩放为标准图像。
可选的，所述评估单元包括转换子单元和得到子单元；
所述转换子单元，用于依据待评估图像所对应的对齐规则，将获取的所述待评估图像转换为待评估标准图像；
所述得到子单元，用于将所述待评估标准图像输入所述训练好的卷积网络模型，以得到所述待评估图像的评分值。
可选的，将训练单元包括建立子单元和迭代子单元；
所述建立子单元，用于根据预先设定的偏差值，建立模型损失函数；
所述迭代子单元，用于以模型损失函数最小为优化目标，对卷积网络模型的初始参数进行梯度下降处理，直至达到预设迭代次数，则输出训练好的卷积网络模型。
可选的，所述建立子单元具体用于按照如下公式，计算模型损失函数L，
其中，N表示每次迭代的样本数量，y表示图像的实际评分值，y′表示网络卷积模型预测出的评分值，m表示预先设定的偏差值。
可选的，所述模糊处理单元包括高斯模糊子单元和运动模糊子单元；
所述高斯模糊子单元，用于利用预先设定的高斯模糊算法对标准图像进行处理，得到不同模糊程度的高斯模糊图像；
所述运动模糊子单元，用于利用预先设定的运动模糊算法对标准图像进行处理，得到不同模糊程度的运动模糊图像；其中，所述高斯模糊图像与所述运动模糊图像构成所述模糊图像。
本发明实施例还提供了一种图像质量评估装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述图像质量评估方法的步骤。
本发明实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述图像质量评估方法的步骤。
由上述技术方案可以看出，依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像；根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型。在该方案中，训练样本是由标准图像进行模糊化处理得到的，训练样本不受图片亮度和图像内容的影响，因此通过该训练样本训练得到的卷积网络模型具有较好的稳定性和准确性。利用训练好的该卷积网络模型对获取的待评估图像进行处理，可以得到较为准确的待评估图像的评分值。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像质量评估方法的流程图；
图2为本发明实施例提供的一种样本图像转换为标准图像的示意图；
图3为本发明实施例提供的一种图像质量评估装置的结构示意图；
图4为本发明实施例提供的一种图像质量评估装置的硬件结构示意图。
具体实施方式
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实施例，而不是全部实施例。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，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种图像质量评估方法。图1为本发明实施例提供的一种图像质量评估方法的流程图，该方法包括：
S101：依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像。
样本图像的类型可以有多种，每种类型的图像其对应的对齐方式有所差异。在本发明实施例中，可以针对不同类型的样本图像，建立相应的卷积网络模型，以便于利用该卷积网络模型对该种类型的图像进行质量评估。
样本图像可以包括卡片图像、人脸图像等。其中，卡片图像指的是包含有规则形状的目标物品的图像。例如，身份证图像、银行卡图像等卡片图像。
针对于卡片图像，其对齐方式可以参见如下操作，获取卡片图像中卡片的顶点坐标；查找与卡片相匹配的透视变换矩阵；利用透视变换矩阵对卡片图像进行透视变换，得到标准图像。
以身份证图像I1为例，用身份证检测算法检测身份证的四个角的坐标Pi＝(xi,yi),i＝1,2,3,4，四个点按顺时针排序，取标准身份证的四个角的坐标为Q＝[(0,0),(320,0),(320,192),(0,192)]，用OpenCV的findPerspective函数，找到P→Q的透视变换关系矩阵H，用OpenCV的warpPerspective函数对I1做H透视变换，得到对齐后的标准身份证G1。如图2所示，左侧为身份证图像I1；右上侧为身份证图像所对应的标准身份证；右下侧为依据透视变换关系矩阵H，得到对齐后的标准身份证G1。
针对于人脸图像，其对齐方式可以参见如下操作，检测样本图像中的人脸区域，并从样本图像中截取出人脸区域图；按照预设缩放规则，将人脸区域图缩放为标准图像。
在本发明实施例中，可以用dlib对人脸图像I2做人脸检测，设检测到的人脸矩形框为(x,y,z,z)，四个值依次代表人脸矩形框的左上角坐标，矩形框的宽度和高度，其中dlib的检测到的人脸宽高相等。按矩形框从图I2中截取人脸图片，并将图片缩放到128x128像素大小，得到对齐后的标准图像G2。
S102：根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像。
其中，每张模糊图像有其对应的一个质量评分值。
在本发明实施例中，可以选择高斯模糊和运动模糊两种处理方式，对标准图像进行模糊处理。具体的，可以利用预先设定的高斯模糊算法对标准图像进行处理，得到不同模糊程度的高斯模糊图像；利用预先设定的运动模糊算法对标准图像进行处理，得到不同模糊程度的运动模糊图像；其中，高斯模糊图像与运动模糊图像构成模糊图像。
对于高斯模糊，其对应的高斯模糊公式如下：
其中，x、y表示卷积核的像素坐标；σ表示高斯模糊的滤波参数。σ取值越大，生成的图像越模糊。
通过调整σ的取值，可以得到不同的卷积核G(σ)，依据该卷积核达到对标准图像不同程度的模糊处理。
对于运动模糊，其对应的高斯模糊公式如下：
其中，x′＝xcos(θ)+ysin(θ),y′＝-xsin(θ)+ycos(θ)；x、y表示卷积核的像素坐标；σ表示运动模糊的滤波参数。σ取值越大，生成的图像越模糊。θ控制了滤波图像模糊的方向；γ控制了滤波图像模糊的长度。
在本发明实施例中中θ可以取0～π的随机值，γ可以取3～6的随机值，这两个参数对质量评分没有影响，评分仅与σ有关。
在本发明实施例中，可以设定取质量评分F和σ的对应关系为F(σ)＝1-0.2σ,σ∈[0.01,5]。
通过调整σ的取值，可以得到不同的卷积核M(σ,γ,θ)，依据该卷积核达到对标准图像不同程度的模糊处理。
通过对图像进行模糊处理来模拟现实拍摄的模糊效果，并且用滤波参数量化了最终图像的质量评分，能高效地获取大量较准确标注的样本，保证了深度学习的有效性。
S103：将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型。
在本发明实施例中，可以使用TensorFlow搭建卷积网络模型。模型输入大小可以设置为32x128x128x3，4个数值依次代表BatchSize，图片高度，图片宽度，图片通道数。模型的输出是一个范围[0，1]的数值。模型中间层主要由卷积层和池化层组成，模型的具体结构可以参见表1。
表1
在训练卷积神经网络模型时，需要设置损失函数，在本发明实施例中，为了弥补打分不能完全准确的不足，使用了允许部分偏差的损失函数。具体的，可以根据预先设定的偏差值，建立模型损失函数；以模型损失函数最小为优化目标，对卷积网络模型的初始参数进行梯度下降处理，直至达到预设迭代次数，则输出训练好的卷积网络模型。
在本发明实施例中，可以按照如下公式，计算模型损失函数L，
其中，N表示每次迭代的样本数量，y表示图像的实际评分值，y′表示网络卷积模型预测出的评分值，m表示预先设定的偏差值。
结合上述介绍，当卷积神经网络模型的BatchSize＝32时，相应的N＝32。在实际应用中，可以令偏差值m＝0.05。
建立好损失函数后，在本发明实施例中，可以用TensorFlow自动计算梯度，用梯度下降法和Adam优化器训练模型。共生成100万样本，用0.001的学习率迭代10万次，再用0.0001的学习率迭代2万次，完成训练后保存训练好的模型结构和模型参数。
S104：利用训练好的卷积网络模型对获取的待评估图像进行处理，得到待评估图像的评分值。
卷积网络模型接收的是标准图像，当需要对待评估图像进行质量评估时，需要依据待评估图像所对应的对齐规则，将获取的待评估图像转换为待评估标准图像；将待评估标准图像输入训练好的卷积网络模型，以得到待评估图像的评分值。
对于待评估图像的对齐，可以参考S101步骤中图像的对齐方式，在此不再赘述。
通过图像的对齐操作，保证了可以得到处于同一尺度上的标准图像，从而保证了相同的滤波参数在不同的图像上能取得相似的模糊效果。
由上述技术方案可以看出，依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像；根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型。在该方案中，训练样本是由标准图像进行模糊化处理得到的，训练样本不受图片亮度和图像内容的影响，因此通过该训练样本训练得到的卷积网络模型具有较好的稳定性和准确性。利用训练好的该卷积网络模型对获取的待评估图像进行处理，可以得到较为准确的待评估图像的评分值。
图3为本发明实施例提供的一种图像质量评估装置的结构示意图，包括转换单元31、模糊处理单元32、训练单元33和评估单元34；
转换单元31，用于依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像；
模糊处理单元32，用于根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；
训练单元33，用于将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型；
评估单元34，用于利用训练好的卷积网络模型对获取的待评估图像进行处理，得到待评估图像的评分值。
可选的，当样本图像为卡片图像时，转换单元包括获取子单元、查找子单元和透视变换子单元；
获取子单元，用于获取卡片图像中卡片的顶点坐标；
查找子单元，用于查找与卡片相匹配的透视变换矩阵；
透视变换子单元，用于利用透视变换矩阵对卡片图像进行透视变换，得到标准图像。
可选的，当样本图像为人脸图像时，转换单元包括截取子单元和缩放子单元；
截取子单元，用于检测样本图像中的人脸区域，并从样本图像中截取出人脸区域图；
缩放子单元，用于按照预设缩放规则，将人脸区域图缩放为标准图像。
可选的，评估单元包括转换子单元和得到子单元；
转换子单元，用于依据待评估图像所对应的对齐规则，将获取的待评估图像转换为待评估标准图像；
得到子单元，用于将待评估标准图像输入训练好的卷积网络模型，以得到待评估图像的评分值。
可选的，将训练单元包括建立子单元和迭代子单元；
建立子单元，用于根据预先设定的偏差值，建立模型损失函数；
迭代子单元，用于以模型损失函数最小为优化目标，对卷积网络模型的初始参数进行梯度下降处理，直至达到预设迭代次数，则输出训练好的卷积网络模型。
可选的，建立子单元具体用于按照如下公式，计算模型损失函数L，
其中，N表示每次迭代的样本数量，y表示图像的实际评分值，y′表示网络卷积模型预测出的评分值，m表示预先设定的偏差值。
可选的，模糊处理单元包括高斯模糊子单元和运动模糊子单元；
高斯模糊子单元，用于利用预先设定的高斯模糊算法对标准图像进行处理，得到不同模糊程度的高斯模糊图像；
运动模糊子单元，用于利用预先设定的运动模糊算法对标准图像进行处理，得到不同模糊程度的运动模糊图像；其中，高斯模糊图像与运动模糊图像构成模糊图像。
图3所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，依据样本图像所对应的对齐规则，将获取的样本图像转换为标准图像；根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；将各模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型。在该方案中，训练样本是由标准图像进行模糊化处理得到的，训练样本不受图片亮度和图像内容的影响，因此通过该训练样本训练得到的卷积网络模型具有较好的稳定性和准确性。利用训练好的该卷积网络模型对获取的待评估图像进行处理，可以得到较为准确的待评估图像的评分值。
图4为本发明实施例提供的一种图像质量评估装置40的硬件结构示意图，包括：
存储器41，用于存储计算机程序；
处理器42，用于执行计算机程序以实现如上述图像质量评估方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述图像质量评估方法的步骤。
以上对本发明实施例所提供的一种图像质量评估方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (10)

1.一种图像质量评估方法，其特征在于，包括：
依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像；
根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；
将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型；
利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值。
2.根据权利要求1所述的方法，其特征在于，当所述样本图像为卡片图像时，所述依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像包括：
获取所述卡片图像中卡片的顶点坐标；
查找与所述卡片相匹配的透视变换矩阵；
利用所述透视变换矩阵对所述卡片图像进行透视变换，得到标准图像。
3.根据权利要求1所述的方法，其特征在于，当所述样本图像为人脸图像时，所述依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像包括：
检测所述样本图像中的人脸区域，并从所述样本图像中截取出人脸区域图；
按照预设缩放规则，将所述人脸区域图缩放为标准图像。
4.根据权利要求1所述的方法，其特征在于，所述利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值包括：
依据待评估图像所对应的对齐规则，将获取的所述待评估图像转换为待评估标准图像；
将所述待评估标准图像输入所述训练好的卷积网络模型，以得到所述待评估图像的评分值。
5.根据权利要求1所述的方法，其特征在于，将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型包括：
根据预先设定的偏差值，建立模型损失函数；
以模型损失函数最小为优化目标，对卷积网络模型的初始参数进行梯度下降处理，直至达到预设迭代次数，则输出训练好的卷积网络模型。
6.根据权利要求5所述的方法，其特征在于，所述根据预先设定的偏差值，建立模型损失函数包括：
按照如下公式，计算模型损失函数L，
其中，N表示每次迭代的样本数量，y表示图像的实际评分值，y′表示网络卷积模型预测出的评分值，m表示预先设定的偏差值。
7.根据权利要求1-6任意一项所述的方法，其特征在于，所述利用预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像包括：
利用预先设定的高斯模糊算法对标准图像进行处理，得到不同模糊程度的高斯模糊图像；
利用预先设定的运动模糊算法对标准图像进行处理，得到不同模糊程度的运动模糊图像；其中，所述高斯模糊图像与所述运动模糊图像构成所述模糊图像。
8.一种图像质量评估装置，其特征在于，包括转换单元、模糊处理单元、训练单元和评估单元；
所述转换单元，用于依据样本图像所对应的对齐规则，将获取的所述样本图像转换为标准图像；
所述模糊处理单元，用于根据预先设定的模糊算法对标准图像进行处理，得到不同模糊程度的模糊图像；其中，每张模糊图像有其对应的一个质量评分值；
所述训练单元，用于将各所述模糊图像作为训练样本，利用梯度下降法对卷积网络模型进行训练，得到训练好的卷积网络模型；
所述评估单元，用于利用训练好的卷积网络模型对获取的待评估图像进行处理，得到所述待评估图像的评分值。
9.一种图像质量评估装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至7任意一项所述图像质量评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像质量评估方法的步骤。
CN201910343768.1A 2019-04-26 2019-04-26 一种图像质量评估方法、装置和介质 Pending CN110047071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910343768.1A CN110047071A (zh) 2019-04-26 2019-04-26 一种图像质量评估方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910343768.1A CN110047071A (zh) 2019-04-26 2019-04-26 一种图像质量评估方法、装置和介质

Publications (1)

Publication Number Publication Date
CN110047071A true CN110047071A (zh) 2019-07-23

Family

ID=67279717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910343768.1A Pending CN110047071A (zh) 2019-04-26 2019-04-26 一种图像质量评估方法、装置和介质

Country Status (1)

Country Link
CN (1) CN110047071A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807757A (zh) * 2019-08-14 2020-02-18 腾讯科技（深圳）有限公司 基于人工智能的图像质量评估方法、装置及计算机设备
CN110956615A (zh) * 2019-11-15 2020-04-03 北京金山云网络技术有限公司 图像质量评估模型训练方法、装置、电子设备及存储介质
CN111914939A (zh) * 2020-08-06 2020-11-10 平安科技（深圳）有限公司 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN112001355A (zh) * 2020-09-03 2020-11-27 杭州云栖智慧视通科技有限公司 室外视频下模糊人脸识别的训练数据预处理方法
CN112131121A (zh) * 2020-09-27 2020-12-25 腾讯科技（深圳）有限公司 用户界面的模糊检测方法、装置、电子设备和存储介质
CN112861589A (zh) * 2019-11-28 2021-05-28 马上消费金融股份有限公司 人像提取、质量评价、身份验证及模型训练方法及装置
WO2021135391A1 (zh) * 2020-01-02 2021-07-08 广州大学 一种图像质量评估方法及装置
CN113268621A (zh) * 2020-02-17 2021-08-17 百度在线网络技术（北京）有限公司 图片排序方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915434A (zh) * 2012-09-26 2013-02-06 上海交通大学 一种基于低功耗嵌入式平台的人脸识别系统
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN103839058A (zh) * 2012-11-21 2014-06-04 方正国际软件(北京)有限公司 一种基于标准模版的文档图像的信息定位方法
CN105631439A (zh) * 2016-02-18 2016-06-01 北京旷视科技有限公司 人脸图像处理方法和装置
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
CN107169493A (zh) * 2017-05-31 2017-09-15 北京小米移动软件有限公司 信息识别方法及装置
CN108021913A (zh) * 2016-10-28 2018-05-11 北京嘀嘀无限科技发展有限公司 证件照片信息识别方法及装置
US10032256B1 (en) * 2016-11-18 2018-07-24 The Florida State University Research Foundation, Inc. System and method for image processing using automatically estimated tuning parameters
CN108564557A (zh) * 2018-05-31 2018-09-21 京东方科技集团股份有限公司 图像校正方法及装置
CN109145699A (zh) * 2018-06-04 2019-01-04 浙江立石机器人技术有限公司 仪表图像识别方法及装置
CN109558846A (zh) * 2018-11-30 2019-04-02 厦门商集网络科技有限责任公司 基于ocr模板归一化提升自定义模板识别率方法及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915434A (zh) * 2012-09-26 2013-02-06 上海交通大学 一种基于低功耗嵌入式平台的人脸识别系统
CN103839058A (zh) * 2012-11-21 2014-06-04 方正国际软件(北京)有限公司 一种基于标准模版的文档图像的信息定位方法
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN105631439A (zh) * 2016-02-18 2016-06-01 北京旷视科技有限公司 人脸图像处理方法和装置
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
CN108021913A (zh) * 2016-10-28 2018-05-11 北京嘀嘀无限科技发展有限公司 证件照片信息识别方法及装置
US10032256B1 (en) * 2016-11-18 2018-07-24 The Florida State University Research Foundation, Inc. System and method for image processing using automatically estimated tuning parameters
CN107169493A (zh) * 2017-05-31 2017-09-15 北京小米移动软件有限公司 信息识别方法及装置
CN108564557A (zh) * 2018-05-31 2018-09-21 京东方科技集团股份有限公司 图像校正方法及装置
CN109145699A (zh) * 2018-06-04 2019-01-04 浙江立石机器人技术有限公司 仪表图像识别方法及装置
CN109558846A (zh) * 2018-11-30 2019-04-02 厦门商集网络科技有限责任公司 基于ocr模板归一化提升自定义模板识别率方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张有为等: "《人机自然交互》", 30 September 2004, 北京：国防工业出版社 *
王建群等: "《水资源系统分析理论与应用》", 31 May 2018, 南京：河海大学出版社 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807757A (zh) * 2019-08-14 2020-02-18 腾讯科技（深圳）有限公司 基于人工智能的图像质量评估方法、装置及计算机设备
CN110807757B (zh) * 2019-08-14 2023-07-25 腾讯科技（深圳）有限公司 基于人工智能的图像质量评估方法、装置及计算机设备
CN110956615A (zh) * 2019-11-15 2020-04-03 北京金山云网络技术有限公司 图像质量评估模型训练方法、装置、电子设备及存储介质
CN110956615B (zh) * 2019-11-15 2023-04-07 北京金山云网络技术有限公司 图像质量评估模型训练方法、装置、电子设备及存储介质
CN112861589A (zh) * 2019-11-28 2021-05-28 马上消费金融股份有限公司 人像提取、质量评价、身份验证及模型训练方法及装置
WO2021135391A1 (zh) * 2020-01-02 2021-07-08 广州大学 一种图像质量评估方法及装置
CN113268621B (zh) * 2020-02-17 2024-04-30 百度在线网络技术（北京）有限公司 图片排序方法、装置、电子设备及存储介质
CN113268621A (zh) * 2020-02-17 2021-08-17 百度在线网络技术（北京）有限公司 图片排序方法、装置、电子设备及存储介质
WO2021189827A1 (zh) * 2020-08-06 2021-09-30 平安科技（深圳）有限公司 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN111914939B (zh) * 2020-08-06 2023-07-28 平安科技（深圳）有限公司 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN111914939A (zh) * 2020-08-06 2020-11-10 平安科技（深圳）有限公司 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN112001355A (zh) * 2020-09-03 2020-11-27 杭州云栖智慧视通科技有限公司 室外视频下模糊人脸识别的训练数据预处理方法
CN112131121B (zh) * 2020-09-27 2021-09-28 腾讯科技（深圳）有限公司 用户界面的模糊检测方法、装置、电子设备和存储介质
CN112131121A (zh) * 2020-09-27 2020-12-25 腾讯科技（深圳）有限公司 用户界面的模糊检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110047071A (zh) 一种图像质量评估方法、装置和介质
RU2680765C1 (ru) Автоматизированное определение и обрезка неоднозначного контура документа на изображении
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
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
WO2020103417A1 (zh) 一种bmi评测方法、装置及计算机可读存储介质
CN101149787B (zh) 一种基于方向场模型和Gabor滤波器指纹合成方法及系统
CN108304820A (zh) 一种人脸检测方法、装置及终端设备
CN106127108B (zh) 一种基于卷积神经网络的人手图像区域检测方法
CN105678806B (zh) 一种基于Fisher判别的生猪行为轨迹自动跟踪方法
CN109657583A (zh) 脸部关键点检测方法、装置、计算机设备和存储介质
CN109559362B (zh) 一种图像主体脸部替换方法及装置
CN107122787A (zh) 一种基于特征融合的图像缩放质量评价方法
CN109410168A (zh) 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法
CN104021523B (zh) 一种基于边缘分类的图像超分辨率放大的方法
CN109242789A (zh) 图像处理方法、图像处理装置及存储介质
CN110163567A (zh) 基于多任务级联卷积神经网络的课堂点名系统
CN106570538B (zh) 字符图片处理方法和装置
CN107992783A (zh) 人脸图像处理方法及装置
CN110348375A (zh) 一种基于神经网络的手指静脉感兴趣区域检测方法
CN107704817A (zh) 一种动物面部关键点的检测算法
CN104091148B (zh) 一种人脸特征点定位方法和装置
CN104182970A (zh) 一种基于摄影构图规则的留念照人像站位推荐方法
CN109190571B (zh) 一种放牧绵羊采食典型植物种类的检测识别方法及其装置
CN105069745A (zh) 基于普通图像传感器及增强现实技术的带表情变脸系统及方法

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: 20190723

RJ01 Rejection of invention patent application after publication