CN110211119B - 图像质量评估方法、装置、电子设备及可读存储介质 - Google Patents
图像质量评估方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110211119B CN110211119B CN201910482828.8A CN201910482828A CN110211119B CN 110211119 B CN110211119 B CN 110211119B CN 201910482828 A CN201910482828 A CN 201910482828A CN 110211119 B CN110211119 B CN 110211119B
- Authority
- CN
- China
- Prior art keywords
- image
- image quality
- quality evaluation
- disturbance
- samples
- 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
- G06T2207/20—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
本申请实施例提供一种图像质量评估方法、装置、电子设备及可读存储介质,通过对多个第一图像样本进行不同扰动程度的图像处理,并根据扰动程度对处理后的各个第二图像样本进行排序后,依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,通过训练得到的图像质量评估模型对输入的测试图像进行图像质量评估,即可得到测试图像在每种扰动类型下的图像质量评估值。如此,不需要依赖人工标注的真实图像数据参与训练,提高了图像质量评估模型的训练效率,极大地降低收集和标注真实图像数据的成本,并且可以评估多种扰动类型下的图像质量评估值,从而进一步保证后续图像过滤的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种图像质量评估方法、装置、电子设备及可读存储介质。
背景技术
随着智能设备的不断普及,图像和视频等多媒体数据被越来越广泛地传播和应用。在实际应用场景中,低质量的图像数据对于各类图像检测算法和图像识别算法都具有巨大挑战,同时,低质量的图像数据丢失了大部分信息,对各种计算机视觉任务贡献甚微。为了过滤掉低质量的图像数据,需要对图像数据进行图像质量评估。
目前的图像质量评估算法需要依赖人工标注的真实图像数据参与网络训练,也即需要人工对每张图像数据给定一个或多个准确的数值作为真实图像数据的真实图像质量评估值,从而极大地增加了收集和标注真实图像数据的成本,并且只能预测整体的图像质量评估值,而无法预测多种具体类型下的图像质量评估值。
发明内容
有鉴于此,本申请实施例的目的在于提供一种图像质量评估方法、装置、电子设备及可读存储介质,不需要依赖人工标注的真实图像数据参与训练,提高了图像质量评估模型的训练效率,极大地降低收集和标注真实图像数据的成本,并且可以评估多种扰动类型下的图像质量评估值,从而进一步保证后续图像过滤的准确性。
根据本申请实施例的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可执行指令。当电子设备运行时,处理器执行所述机器可执行指令,以执行图像质量评估方法。
根据本申请实施例的另一方面,提供一种图像质量评估方法,应用于电子设备,所述方法包括:
根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本;
根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签;
依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型;
根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果,所述图像质量评估结果包括该测试图像在每种扰动类型下的图像质量评估值。
在一种可能的实施方式中,所述根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本的步骤,包括:
根据图像质量扰动请求,确定针对每个第一图像样本的扰动类型和扰动程度,所述扰动类型包括运动模糊处理类型、图像亮度处理类型、图像暗度处理类型或者图像压缩率处理类型中的至少一种;
针对每个第一图像样本,对该第一图像样本进行对应扰动类型和扰动程度的处理,得到对应的第二图像样本。
在一种可能的实施方式中,所述根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签的步骤,包括:
针对每个扰动类型下的各个第二图像样本,根据扰动程度对该扰动类型下的各个第二图像样本进行排序,得到各个第二图像样本在该扰动类型下的顺序标签。
在一种可能的实施方式中,所述依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型的步骤,包括:
步骤a,分别针对每种扰动类型,将该扰动类型下的任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,并在训练过程中根据该两个第二图像样本的顺序标签之间的间距计算该两个第二图像样本之间的有序损失函数值;
步骤b,根据所述有序损失函数值更新所述深度卷积神经网络的网络参数,并返回步骤a,直到所述深度卷积神经网络满足训练终止条件时,完成该扰动类型的图像质量评估模型的训练;
步骤c,在完成所有扰动类型的图像质量评估模型的训练后,输出训练得到的图像质量评估模型。
在一种可能的实施方式中,所述步骤a中,该两个第二图像样本之间的有序损失函数值根据以下计算公式计算得到:
Lossrank=max(0,f(x2;θ)-f(x1;θ)+ε)
其中,Lossrank为该两个第二图像样本x2和x1之间的有序损失函数值,f(x2;θ)和f(x1;θ)分别为该两个第二图像样本x2和x1输入到所述深度卷积神经网络后的生成结果,ε为该两个第二图像样本x2和x1的顺序标签之间的间距。
根据本申请实施例的另一方面,提供一种图像质量评估装置,应用于电子设备,所述装置包括:
图像处理模块,用于根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本;
排序模块,用于根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签;
训练模块,用于依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型;
质量评估模块,用于根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果,所述图像质量评估结果包括该测试图像在每种扰动类型下的图像质量评估值。
根据本申请实施例的另一方面,提供一种可读存储介质,该可读存储介质上存储有机器可执行指令,该计算机程序被处理器运行时可以执行上述的图像质量评估方法的步骤。
基于上述任一方面,本申请实施例通过对多个第一图像样本进行不同扰动程度的图像处理,并根据扰动程度对处理后的各个第二图像样本进行排序后,依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,通过训练得到的图像质量评估模型对输入的测试图像进行图像质量评估,即可得到测试图像在每种扰动类型下的图像质量评估值。如此,不需要依赖人工标注的真实图像数据参与训练,提高了图像质量评估模型的训练效率,极大地降低收集和标注真实图像数据的成本,并且可以评估多种扰动类型下的图像质量评估值,从而进一步保证后续图像过滤的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的图像质量评估方法的流程示意图;
图2示出了本申请实施例所提供的图像扰动排序示意图;
图3示出了本申请实施例所提供的图1中所示的步骤S130包括的各个子步骤的流程示意图;
图4示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了本申请实施例提供的图像质量评估方法的流程示意图。应当理解,在其它实施例中,本实施例的图像质量评估方法其中部分步骤的顺序可以不以图1及以下具体实施例的顺序为限制,例如可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该图像质量评估方法的详细步骤介绍如下。
步骤S110,根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本。
本实施例中,第一图像样本可以通过任意方式预先收集并存储在电子设备中,可选地,可以是用户通过拍照、网络下载等任意可行方式获取到的图像信息,例如可以是通过安装的相机应用程序拍摄得到的高质量图像,或者通过网络从网站、聊天记录、云服务等下载的高质量图像,本实施例对此不作任何限制。
对于每个第一图像样本,可以添加不同程度的扰动。在一种可能的实施方式中,可以根据图像质量扰动请求,确定针对每个第一图像样本的扰动类型和扰动程度。可选地,所述扰动类型可以包括运动模糊处理类型、图像亮度处理类型、图像暗度处理类型或者图像压缩率处理类型中的至少一种。在此基础上,针对每个第一图像样本,对该第一图像样本进行对应扰动类型和扰动程度的处理,得到对应的第二图像样本。
例如,以扰动类型为图像亮度处理类型为例,可以对对应的第一图像样本进行gamma值大于1的不同程度的gamma变换操作,得到多个比该第一图像样本的整体亮度更高的第二图像样本。
步骤S120,根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签。
本实施例中,针对每个扰动类型下的各个第二图像样本,根据扰动程度对该扰动类型下的各个第二图像样本进行排序,得到各个第二图像样本在该扰动类型下的顺序标签。
例如,请结合参阅图2,以扰动类型为扰动类型A为例,扰动类型A下的第二图像样本可以包括第二图像样本a、第二图像样本b、第二图像样本c、第二图像样本d......,第二图像样本a、第二图像样本b、第二图像样本c、第二图像样本d的扰动程度分别为10、8、5、4。如此,按照扰动程度对扰动类型A下的第二图像样本进行排序,即可得出顺序标签1为第二图像样本a、顺序标签2为第二图像样本b、顺序标签3为第二图像样本c、顺序标签4为第二图像样本d......。
步骤S130,依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型。
步骤S140,根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果。
本实施例中,基于上述训练得到的图像质量评估模型,即可针对任意输入的测试图像输出对应的图像质量评估结果,该图像质量评估结果可以包括该测试图像在每种扰动类型下的图像质量评估值。例如,若该图像质量评估模型可以评估的扰动类型包括运动模糊处理类型、图像亮度处理类型、图像暗度处理类型以及图像压缩率处理类型,则图像质量评估结果可以包括该测试图像的动模糊值、图像亮度值、图像暗度值以及图像压缩率值。
在上述步骤S130中,作为一种可能的实施方式,请结合参阅图3,本步骤S130可以通过如下子步骤实现:
子步骤S131,分别针对每种扰动类型,将该扰动类型下的任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,并在训练过程中根据该两个第二图像样本的顺序标签之间的间距计算该两个第二图像样本之间的有序损失函数值。
详细地,本实施例基于有序损失函数(Rank Loss)设计出上述不等距的有序损失函数,如此可以根据两个第二图像样本的顺序标签来设定相应的间距从而约束后续的深度卷积神经网络进行训练。例如,该两个第二图像样本之间的有序损失函数值可以根据以下计算公式计算得到:
Lossrank=max(0,f(x2;θ)-f(x1;θ)+ε)
其中,Lossrank为该两个第二图像样本x2和x1之间的有序损失函数值,f(x2;θ)和f(x1;θ)分别为该两个第二图像样本x2和x1输入到所述深度卷积神经网络后的生成结果,ε为该两个第二图像样本x2和x1的顺序标签之间的间距。
子步骤S132,根据所述有序损失函数值更新所述深度卷积神经网络的网络参数。
子步骤S133,判断所述深度卷积神经网络是否满足训练终止条件。
若判定所述深度卷积神经网络满足训练终止条件,则执行子步骤S134,完成该扰动类型的图像质量评估模型的训练。
若判定所述深度卷积神经网络不满足训练终止条件,则返回执行子步骤S131。
子步骤S135,判断是否完成所有扰动类型的图像质量评估模型的训练。
若判定已经完成所有扰动类型的图像质量评估模型的训练,则执行子步骤S136,输出训练得到的图像质量评估模型。
若判定未完成所有扰动类型的图像质量评估模型的训练,则返回执行子步骤S131,继续训练其它扰动类型的图像质量评估模型。
其中,上述的训练终止条件可以包括以下三种条件中的至少一种:
1)迭代训练次数达到设定次数;2)有序损失函数值低于设定阈值;3)有序损失函数值不再下降。
其中,在条件1)中,为了节省运算量,可以设置迭代次数的最大值,如果迭代次数达到设定次数,可以停止本迭代周期的迭代,将最后得到的网络作为图像质量评估模型。在条件2)中,如果有序损失函数值低于设定阈值,说明当前的图像质量评估模型已经基本可以满足条件,此时可以停止迭代。在条件3)中,有序损失函数值不再下降,表明已经形成了最佳的图像质量评估模型,可以停止迭代。
需要说明的是,上述训练终止条件可以结合使用,也可以择一使用,例如,可以在有序损失函数值不再下降停止迭代,或者,在迭代次数达到设定次数时停止迭代,或者,在有序损失函数值不再下降时停止迭代。或者,还可以在有序损失函数值低于设定阈值,并且有序损失函数值不再下降时,停止迭代。
此外,在实际实施过程中,也可以不限于采用上述示例作为训练终止条件,本领域技术人员可以根据实际需求设计与上述示例不同的训练终止条件。
如此,本实施例通过对多个第一图像样本进行不同扰动程度的图像处理,并根据扰动程度对处理后的各个第二图像样本进行排序后,依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,通过训练得到的图像质量评估模型对输入的测试图像进行图像质量评估,即可得到测试图像在每种扰动类型下的图像质量评估值。如此,不需要依赖人工标注的真实图像数据参与训练,提高了图像质量评估模型的训练效率,极大地降低收集和标注真实图像数据的成本,并且可以评估多种扰动类型下的图像质量评估值,从而进一步保证后续图像过滤的准确性。
图4示出了本申请实施例提供的电子设备100的示意图,本实施例中,该电子设备100可以包括存储介质110、处理器120以及图像质量评估装置130。
其中,处理器120可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制上述方法实施例提供的图像质量评估方法的程序执行的集成电路。
存储介质110可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only Memory,EEPROM)、只读光盘(Compactdisc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储介质110可以是独立存在,通过通信总线与处理器120相连接。存储介质110也可以和处理器集成在一起。其中,存储介质110用于存储执行本申请方案的应用程序代码,例如图4中所示的图像质量评估装置130,并由处理器120来控制执行。处理器120用于执行存储介质110中存储的应用程序代码,例如图像质量评估装置130,以执行上述方法实施例的图像质量评估方法。
本申请可以根据上述方法实施例对图像质量评估装置130进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图4示出的图像质量评估装置130只是一种装置示意图,下面分别对该图像质量评估装置130的各个功能模块的功能进行详细阐述。
图像处理模块131,用于根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本。可以理解,该图像处理模块131可以用于执行上述步骤S110,关于该图像处理模块131的详细实现方式可以参照上述对步骤S110有关的内容。
排序模块132,用于根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签。可以理解,该排序模块132可以用于执行上述步骤S120,关于该排序模块132的详细实现方式可以参照上述对步骤S120有关的内容。
训练模块133,用于依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型。可以理解,该训练模块133可以用于执行上述步骤S130,关于该训练模块133的详细实现方式可以参照上述对步骤S130有关的内容。
质量评估模块134,用于根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果,所述图像质量评估结果包括该测试图像在每种扰动类型下的图像质量评估值。可以理解,该质量评估模块131可以用于执行上述步骤S140,关于该质量评估模块131的详细实现方式可以参照上述对步骤S140有关的内容。
由于本申请实施例提供的图像质量评估装置130是图1所示的图像质量评估方法的另一种实现形式,且图像质量评估装置130可用于执行图1所示的实施例所提供的方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
进一步地,基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述图像质量评估方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述图像质量评估方法。
本申请实施例是参照根据本申请实施例的方法、设备(如图4的电子设备100)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种图像质量评估方法,其特征在于,应用于电子设备,所述方法包括:
根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本;
根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签;
依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型,其中,具体包括:
步骤a,分别针对每种扰动类型,将该扰动类型下的任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,并在训练过程中根据该两个第二图像样本的顺序标签之间的间距计算该两个第二图像样本之间的有序损失函数值;
步骤b,根据所述有序损失函数值更新所述深度卷积神经网络的网络参数,并返回步骤a,直到所述深度卷积神经网络满足训练终止条件时,完成该扰动类型的图像质量评估模型的训练;
步骤c,在完成所有扰动类型的图像质量评估模型的训练后,输出训练得到的图像质量评估模型;
根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果,所述图像质量评估结果包括该测试图像在每种扰动类型下的图像质量评估值。
2.根据权利要求1所述的图像质量评估方法,其特征在于,所述根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本的步骤,包括:
根据图像质量扰动请求,确定针对每个第一图像样本的扰动类型和扰动程度,所述扰动类型包括运动模糊处理类型、图像亮度处理类型、图像暗度处理类型或者图像压缩率处理类型中的至少一种;
针对每个第一图像样本,对该第一图像样本进行对应扰动类型和扰动程度的处理,得到对应的第二图像样本。
3.根据权利要求1或2所述的图像质量评估方法,其特征在于,所述根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签的步骤,包括:
针对每个扰动类型下的各个第二图像样本,根据扰动程度对该扰动类型下的各个第二图像样本进行排序,得到各个第二图像样本在该扰动类型下的顺序标签。
4.根据权利要求1所述的图像质量评估方法,其特征在于,所述步骤a中,该两个第二图像样本之间的有序损失函数值根据以下计算公式计算得到:
Lossrank=max(0,f(x2;θ)-f(x1;θ)+ε)
其中,Lossrank为该两个第二图像样本x2和x1之间的有序损失函数值,f(x2;θ)和f(x1;θ)分别为该两个第二图像样本x2和x1输入到所述深度卷积神经网络后的生成结果,ε为该两个第二图像样本x2和x1的顺序标签之间的间距。
5.一种图像质量评估装置,其特征在于,应用于电子设备,所述装置包括:
图像处理模块,用于根据图像质量扰动请求,分别对多个第一图像样本进行不同扰动程度的图像处理,得到多个第二图像样本;
排序模块,用于根据扰动程度对各个第二图像样本进行排序,得到每个第二图像样本的顺序标签;
训练模块,用于依次将任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,得到图像质量评估模型,其中,所述训练模块具体用于:
步骤a,分别针对每种扰动类型,将该扰动类型下的任意两个第二图像样本和该两个第二图像样本的顺序标签输入到深度卷积神经网络进行训练,并在训练过程中根据该两个第二图像样本的顺序标签之间的间距计算该两个第二图像样本之间的有序损失函数值;
步骤b,根据所述有序损失函数值更新所述深度卷积神经网络的网络参数,并返回步骤a,直到所述深度卷积神经网络满足训练终止条件时,完成该扰动类型的图像质量评估模型的训练;
步骤c,在完成所有扰动类型的图像质量评估模型的训练后,输出训练得到的图像质量评估模型;
质量评估模块,用于根据所述图像质量评估模型对输入的测试图像进行图像质量评估,得到所述测试图像的图像质量评估结果,所述图像质量评估结果包括该测试图像在每种扰动类型下的图像质量评估值。
6.根据权利要求5所述的图像质量评估装置,其特征在于,所述步骤a中,该两个第二图像样本之间的有序损失函数值根据以下计算公式计算得到:
Lossrank=max(0,f(x2;θ)-f(x1;θ)+ε)
其中,Lossrank为该两个第二图像样本x2和x1之间的有序损失函数值,f(x2;θ)和f(x1;θ)分别为该两个第二图像样本x2和x1输入到所述深度卷积神经网络后的生成结果,ε为该两个第二图像样本x2和x1的顺序标签之间的间距。
7.一种电子设备,其特征在于,所述电子设备包括一个或多个存储介质和一个或多个与存储介质通信的处理器,一个或多个存储介质存储有处理器可执行的机器可执行指令,当电子设备运行时,所述处理器执行所述机器可执行指令,以实现权利要求1-4中任意一项所述的图像质量评估方法。
8.一种可读存储介质,其特征在于,所述可读存储介质存储有机器可执行指令,所述机器可执行指令被执行时实现权利要求1-4中任意一项所述的图像质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482828.8A CN110211119B (zh) | 2019-06-04 | 2019-06-04 | 图像质量评估方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482828.8A CN110211119B (zh) | 2019-06-04 | 2019-06-04 | 图像质量评估方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211119A CN110211119A (zh) | 2019-09-06 |
CN110211119B true CN110211119B (zh) | 2021-06-04 |
Family
ID=67790840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482828.8A Active CN110211119B (zh) | 2019-06-04 | 2019-06-04 | 图像质量评估方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211119B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031346B (zh) * | 2019-10-28 | 2021-11-02 | 网宿科技股份有限公司 | 一种增强视频画质的方法和装置 |
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 |
CN111192258A (zh) * | 2020-01-02 | 2020-05-22 | 广州大学 | 一种图像质量评估方法及装置 |
CN111260134A (zh) * | 2020-01-17 | 2020-06-09 | 南京星火技术有限公司 | 调试辅助设备、装置、产品调试设备和计算机可读介质 |
CN113781379B (zh) * | 2020-05-20 | 2024-03-19 | 上海高德威智能交通系统有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
CN112528159B (zh) * | 2020-12-24 | 2024-03-26 | 北京百度网讯科技有限公司 | 一种特征质量评估方法、装置、电子设备及存储介质 |
CN112907541B (zh) * | 2021-02-23 | 2023-11-21 | 厦门熵基科技有限公司 | 一种手掌图像质量评估模型构建方法及装置 |
CN113536921B (zh) * | 2021-06-11 | 2023-10-20 | 五邑大学 | 一种电弧焊接质量评估方法、装置及存储介质 |
CN115147673B (zh) * | 2022-05-10 | 2023-04-07 | 首都医科大学附属北京友谊医院 | 影像设备质量检测方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技(深圳)有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8086007B2 (en) * | 2007-10-18 | 2011-12-27 | Siemens Aktiengesellschaft | Method and system for human vision model guided medical image quality assessment |
US8396269B2 (en) * | 2010-04-08 | 2013-03-12 | Digital Pathco LLC | Image quality assessment including comparison of overlapped margins |
CN103927734B (zh) * | 2013-01-11 | 2016-12-28 | 华中科技大学 | 一种基于无参考的模糊图像质量评价方法 |
CN107704806A (zh) * | 2017-09-01 | 2018-02-16 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 |
CN109685785A (zh) * | 2018-12-20 | 2019-04-26 | 上海众源网络有限公司 | 一种图像质量评估方法、装置及电子设备 |
-
2019
- 2019-06-04 CN CN201910482828.8A patent/CN110211119B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技(深圳)有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110211119A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211119B (zh) | 图像质量评估方法、装置、电子设备及可读存储介质 | |
CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN111898739B (zh) | 基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN113780466A (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN111414868A (zh) | 时序动作片段的确定方法、动作检测方法及装置 | |
CN110781960A (zh) | 视频分类模型的训练方法、分类方法、装置及设备 | |
CN111401339A (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
CN111340233A (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
CN111241381A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN111967382A (zh) | 年龄估计方法、年龄估计模型的训练方法及装置 | |
CN111061895A (zh) | 图像推荐的方法、装置、电子设备及存储介质 | |
CN115205736A (zh) | 视频数据的识别方法和装置、电子设备和存储介质 | |
CN113448807B (zh) | 告警监测方法、系统、电子设备及计算机可读存储介质 | |
CN111091068A (zh) | 一种密度估计模型训练方法、装置、存储介质及电子设备 | |
CN113435359A (zh) | 一种图像识别方法 | |
CN113919418A (zh) | 基于小样本的分类模型训练方法、装置及电子设备 | |
CN117253110A (zh) | 一种基于扩散模型的目标检测模型泛化能力提升方法 | |
CN112200862A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN113468431B (zh) | 基于用户行为的内容推荐方法及装置 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 |
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 |