CN111179245B - 图像质量检测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种图像质量检测方法、装置、电子设备和存储介质，该图像质量检测方法包括：对获取的目标图像进行局部秩变换，得到局部秩图像；根据所述局部秩图像，获得局部秩特征；根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；根据所述质量分值，确定所述目标图像的质量。本申请实施例的技术方案对于图像中的模糊度和噪声水平有很精准的预测，提高了图像质量检测效果。

Description

图像质量检测方法、装置、电子设备和存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像质量检测方法、装置、电子设备和存储介质。

背景技术

随着电子设备的发展，尤其是智能摄像机的发展，图像数据量呈现爆炸式的增长。在众多的图像数据中如何高效的利用图像数据做处理是关键，比如，在测试拍照效果时，由于人眼判断主观性较大，不能很好的反应图像的实际质量。在选取照片时，如果人工的在海量的数据中选择合适质量的图像，不仅会造成巨大的人力资源，而且受人为因素影响，并不能保证挑选的所有图像都是合适的。因此，需要一种客观的、评价结果更加精准的图像质量检测评价方案。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像质量检测方法、装置、电子设备和存储介质。

依据本申请的一个方面，提供了一种图像质量检测方法，该图像质量检测方法包括：

对获取的目标图像进行局部秩变换，得到局部秩图像；

根据所述局部秩图像，获得局部秩特征；

根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；

根据所述质量分值，确定所述目标图像的质量。

根据本申请的另一个方面，提供了图像质量检测装置，该图像质量检测装置包括：

图像处理模块，用于对获取的目标图像进行局部秩变换，得到局部秩图像；

特征获取模块，用于根据所述局部秩图像，获得局部秩特征；

分值确定模块，用于根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；

检测模块，用于根据所述质量分值，确定所述目标图像的质量，

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行如上述的图像质量检测方法。

依据本申请的再一方面，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存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述的图像质量检测方法。

由上述可知，本申请的技术方案，对目标图像进行局部秩变换，得到局部秩图像，进而根据图像的局部秩特征以及预先训练得到的图像质量检测模型，得到目标图像的质量分值，由质量分值即可确定图像的质量。从而本申请实施例考虑了图像边缘和纹理的变化对图像质量的影响，对于图像中的模糊度和噪声水平有精准的预测，提高了图像质量检测评价效果，满足了应用需求。而且，本申请的技术方案能够应用于各种硬件平台，实现简单，部署快速，模型复杂度低，适合大规模推广。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的图像质量检测方法的流程示意图；

图2示出了根据本申请另一个实施例的图像质量检测方法的流程图；

图3示出了根据本申请一个实施例的图像质量检测装置的结构示意图；

图4示出了根据本申请一个实施例的电子设备的结构示意图；

图5示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

大体上，图像质量评价方案有三种，分别是全参考的图像质量评价，半参考的图像质量评价和无参考的图像质量评价。无参考的图像质量评价不需要任何参考信息，能够直接对图像中噪声水平、模糊程度等做客观评价，而且此评价接近或者符合人眼对图像质量的评价。由于无参考的图像质量评价方法不需要额外的参考图像，更便于实际的应用，所以越来越受到研究者的重视。但是现有无参考图像质量评价方案往往依赖图像方差或者梯度统计实现，评价效果差。

图像的质量主要反映在图像的边缘和纹理上，当图像因为模糊或者噪声水平过高时，必然会使得图像的边缘和纹理结构受到破坏，清晰度降低。有一种方法是通过图像的信息熵来评价图像质量，然而，通过图像的信息熵评价图像质量的方法不能完全反映图像质量水平。为了能够根据图像的边缘情况来评估图像质量，有研究者提出一种可察觉模糊的方法，这种方法通过模糊图像局部块的边缘宽度来评估图像的质量。受此方法的启发，又有研究者提出利用图像边缘点概率统计结果来评估模糊度。然而，本申请发现图像的边缘特征并不是按规则来分布的，还包含有很多细节特征，当图像细节边缘较丰富时，这种可觉察模糊的方法并不能很好的预测图像的质量。另外，现有的一些方法比如基于人眼在不同边缘对比度情况下的敏感程度来预测图像边缘点模糊概率的方法。基于变换域的评价方法以更真实的挖掘图像潜在的边缘结构信息的方法，均未考虑图像边缘的局部和全局的统计特征，使得这些方案并不能恰当的反映图像边缘特征变化情况，因而图像评价效果不佳。

对此，本申请提出一种无参考图像质量检测方法，通过局部和全局局部秩特征，对模糊的、含噪声的图像进行更客观、更接近人眼主观感受的评价，有效实现了在无任何参考图像的基础上，取得图像质量精准检测和评价结果的技术效果。

图1示出了根据本申请一个实施例的图像质量检测方法的流程示意图，参见图1，本实施例的图像质量检测方法包括下列步骤：

步骤S101，对获取的目标图像进行局部秩变换，得到局部秩图像。

目标图像比如是智能相机拍摄得到的用户图像、环境图像等。

步骤S102，根据所述局部秩图像，获得局部秩特征。

本申请实施例中的局部秩是指：对于图像I中位置(x，y)的像素，在以该像素为中心，大小为w的邻域范围内，将比像素(x，y)的强度小的像素个数定义为此像素的局部秩。

步骤S103，根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值。

步骤S104，根据所述质量分值，确定所述目标图像的质量。

由图1所示可知，本实施例的图像质量检测方法，对待检测图像(即目标图像)进行局部秩变换获得局部秩特征，基于局部秩特征和图像质量检测模型获得目标图像的质量分值，由质量分值确定图像质量高低。由于局部秩特征能够充分体现图像的边缘和纹理变化情况，进而能精准反映图像的质量，从而本实施例的图像质量检测效果更好，满足了实际需求。

根据局部秩的范围不同，目标图像的局部秩特征可分为局部局部秩和全局局部秩，局部局部秩是由目标图像各图像块的局部局部秩组合得到的，而全局局部秩则是由目标图像整体计算得到的，局部局部秩特征反映了图像的局部特性，而全局局部秩特征反应了图像的全局特性。

基于此，前述根据所述局部秩图像，获得局部秩特征包括：根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征；或者，根据所述局部秩图像的全局标准差，获得所述目标图像的全局局部秩特征；或者，根据所述局部秩图像中各图像块的直方图获得所述目标图像的局部局部秩特征，并根据所述局部秩图像的全局标准差获得所述目标图像的全局局部秩特征。

也就是说，根据局部秩特征进行图像质量检测包括三种情况，第一种情况是基于目标图像的局部局部秩特征来进行图像质量检测，第二种情况是基于目标图像的全局局部秩特征进行图像质量检测，第三种是融合局部局部秩特征和全局局部秩特征来进行图像质量检测。其中，由于第三种情况包含更多图像细节信息，所以对图像质量的检测评价也更精准。图2示出了根据本申请另一个实施例的图像质量检测方法的流程图，下面结合图2对本实施例的图像质量检测方法的主要实现步骤进行说明。

参见图2，流程开始，执行步骤S201，对图像做自适应局部秩变换。

本步骤中对图像做自适应局部秩变换是对获取的目标图像进行局部秩变换，得到局部秩图像。

比如，对于一幅给定的图像I，利用如下公式(1)对整幅图做邻域为7×7的自适应的局部秩变换：

公式(1)中，

表示以(x,y)为中心，邻域为7×7的图像块的均值，δ表示预设的阈值，(#)表示取值运算，其定义为：

变换之后得到局部秩图像，本实施例的局部秩图像用

表示。

步骤S202，提取变换后图像的局部局部秩特征。

这里的提取变换后图像的局部局部秩特征是根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征。

具体的，获得目标图像的局部局部秩特征过程包括：对所述局部秩图像进行图像分块，得到各图像块；计算各所述图像块的归一化直方图，根据各所述图像块的归一化直方图得到各所述图像块的局部局部秩特征；由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征。

前述计算各所述图像块的归一化直方图包括：根据当前图像块中像素点的局部秩以及当前图像块的像素点总数，得到当前图像块的直方图，对所述直方图进行归一化，得到归一化直方图；根据各所述图像块的归一化直方图得到各所述图像块的局部局部秩特征具体包括：通过下列公式得到当前图像块的局部局部秩特征：

其中，H(r)表示当前图像块的归一化直方图，r表示当前图像块的局部秩，r＝0，1，……K×K-1，i为当前图像块的序号，i＝1，2，……N×N，K与N均为正整数；

本实施例中，由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征包括：由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征向量。

接上例，将局部秩图像

分为a×a个图像块，利用下列公式(3)得到每个图像块的直方图，进一步地，为了使数据更具有一般性，对直方图做归一化处理：

公式(3)中，r代表图像块的局部秩，r＝0,1,.....,K×K-1，M为图像块的总像素个数。

需要说明的是，根据前述局部秩变换过程中的举例，各图像块的中心像素点的邻域为7×7(即，K＝7)，所以对于中心像素点而言，其局部秩的取值结果最小为0，最大为48，当局部秩取值为0时，代表该邻域范围内没有像素点的强度小于该中心像素点的强度，当局部秩取值为48时，代表该邻域范围内除中心像素点以外所有像素点的强度均小于该中心像素点的强度。

经实验验证，当图像质量越趋于模糊时，直方图中r值越小，其对应的H(r)值越大；当图像中噪声水平越高时，直方图中r值越大，其对应的H(r)值越大。也就是说，H(r)值与图像模糊度成正比，与图像噪声水平成反比。所以，对于局部秩图像

的9×9个图像块中每个局部，本实施例提出用下列公式(4)计算一个图像块的局部局部秩特征：

即，通过对局部秩图像进行9×9图像分块，得到81个图像块，i为当前图像块的序号，i＝1,2,……N×N，N＝9，r＝0,1，……K×K-1。

综合局部秩图像所有的局部局部秩特征，整幅目标图像的局部局部秩特征向量就可以用下列公式(5)来描述：

公式(5)中，P₁(r)表示局部秩图像中第一个图像块的局部局部秩特征，P₂(r)表示局部秩图像中第二个图像块的局部局部秩特征，以此类推，P₈₁(r)表示局部秩图像中第81个图像块的局部局部秩特征，将这81个局部局部秩特征组合生成目标图像的局部局部秩特征向量。

步骤S203，提取变换后图像的全局局部秩特征。

对于整幅图像而言，图像在受到模糊和噪声影响时，不仅会破坏图像原有的信息，而且使得图像本身的细节，纹理和边缘信息受到破环，给后续的基于图像的应用造成很大的不变。从图像的局部秩上来说，如果图像的噪声越多或者模糊程度越大，那么对图像做局部秩变换后，边缘信息也就损失的越多。这是因为一方面，由于图像受到噪声的影响，在图像原来的平滑区域就会有很多边缘点出现。噪声水平越大，边缘点的信息丢失的越多，而在图像的平滑区域，能够检测到更多的伪边缘点。另一方面，当图像的模糊程度增加时，虽然，平滑区域的局部秩没有太大的影响，但是边缘点的局部秩会减小。然而，图像本身的方差并不能很好的反映图像的模糊程度和噪声水平，本申请发现通过对图像做局部秩变换之后，局部秩图像的方差基本上可以很好的反映图像的模糊程度和噪声水平。即，当模糊程度加深时，局部秩方差逐渐减小；当噪声水平增加时，局部秩方差逐渐增大。

基于此，本步骤中的提取变换后图像的全局局部秩特征是指根据所述局部秩图像的全局标准差获得所述目标图像的全局局部秩特征，具体包括：根据所述局部秩图像中像素点的灰度值，计算所述局部秩图像的全局标准差；根据所述全局标准差的自然对数，获得所述目标图像的全局局部秩特征。

用全局局部秩特征公式(6)表示如下：

公式(6)中，V_sdv表示局部秩图像

的全局标准差，σ是归一化常数，

表示全局标准差的自然对数。注：全局标准差的计算为现有技术这里不再过多说明。

步骤S204，融合局部和全局局部秩特征生成图像特征向量。

在前述步骤S203以及步骤S204分别获得目标图像的局部局部秩特征和全局局部秩特征的基础上，这里融合局部和全局局部秩特征生成图像特征向量，如下公式(7)所示：

表示目标图像的特征向量，

表示目标图像的局部局部秩特征向量，

表示全局局部秩特征向量，Λ表示省略。

步骤S205，用图像特征向量乘以权值得到图像质量分数。

在对图像质量分数的求解进行说明之前，这里先说明图像质量检测模型的训练过程，本实施例的图像质量检测模型融合了全局局部秩特征和局部局部秩特征，如下列公式(8)所示：

公式(8)中，S表示输出的图像质量分值，W表示参数向量(或称权重向量)，表示为：

W＝[w₁,w₂,Λ,w₈₁,w₈₂]                           (9)

本实施例中从LIVE图像数据库中抽样分别得到训练集和测试集。在训练阶段，对于每一幅样本图像，均可以提取其特征向量

那么基于大量的训练数据就可以得到如下的训练公式：

计算得到参数向量W后，对于一幅待检测的图像，只需要提取其特征向量

然后根据前述公式(8)即可得到待检测图像的质量分数，也就是用图像特征向量乘以权值得到图像质量分数，这里的权值是参数向量，这里的乘以是两向量的点乘。

在获得图像的质量分数后，确定图像质量，比如，分数越高，说明图像质量越好，分数越低，说明图像质量越差。

至此，图像质量检测方法流程结束。

由上可知，本实施例的图像质量检测方法，对模糊图像和噪声图像具有更客观更接近人眼主观感受的评价结果，评价效果更好。

与前述图像质量检测方法同属于一个技术构思，本申请实施例还提供了一种图像质量检测装置，图3示出了根据本申请一个实施例的图像质量检测装置的结构示意图，参见图3，本实施例的图像质量检测装置300包括：

图像处理模块301，用于对获取的目标图像进行局部秩变换，得到局部秩图像；

特征获取模块302，用于根据所述局部秩图像，获得局部秩特征；

分值确定模块303，用于根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；

检测模块304，用于根据所述质量分值，确定所述目标图像的质量，

本申请的一个实施例中，特征获取模块302，具体用于根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征；或者，根据所述局部秩图像的全局标准差，获得所述目标图像的全局局部秩特征；或者，根据所述局部秩图像中各图像块的直方图获得所述目标图像的局部局部秩特征，并根据所述局部秩图像的全局标准差获得所述目标图像的全局局部秩特征。

本申请的一个实施例中，特征获取模块302，具体用于对所述局部秩图像进行图像分块，得到各图像块；计算各所述图像块的归一化直方图，根据各所述图像块的归一化直方图得到各所述图像块的局部局部秩特征；由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征。

本申请的一个实施例中，特征获取模块302，具体用于根据所述局部秩图像中像素点的灰度值，计算所述局部秩图像的全局标准差；根据所述全局标准差的自然对数，获得所述目标图像的全局局部秩特征。

本申请的一个实施例中，分值确定模块303，具体用于根据所述目标图像的局部局部秩特征以及所述全局局部秩特征，得到所述目标图像的特征向量；根据所述特征向量与参数向量的内积，得到所述目标图像的质量分值；其中，所述参数向量通过预先训练图像质量检测模型得到。

本申请的一个实施例中，特征获取模块302，具体用于根据当前图像块中像素点的局部秩以及当前图像块的像素点总数，得到当前图像块的直方图，对所述直方图进行归一化，得到归一化直方图；通过下列公式得到当前图像块的局部局部秩特征：

其中，H(r)表示当前图像块的归一化直方图，r表示当前图像块的局部秩，r＝0，1，……K×K-1，i为当前图像块的序号，i＝1，2，……N×N，K与N均为正整数；由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征向量。

需要说明的是，上述装置实施例中各模块的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

综上可知，本实施例的图像质量检测方法和装置，与基于深度学习的图像质量评价方法相比，开发成本低，并且能够应用于所有硬件平台，实现简单，能够快速部署。另外，本实施例的图像质量检测方法和装置，模型复杂度不高，对于图像中的模糊度和噪声水平有很精准的预测，图像质量评价效果更好，满足了实际应用需求。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的图像质量检测装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图4示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备400包括处理器401以及被安排成存储计算机可执行指令(计算机可读程序代码)的存储器402。存储器402可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器402具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码4031的存储空间403。例如，用于存储计算机可读程序代码的存储空间403可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码4031。计算机可读程序代码4031可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图5所述的计算机可读存储介质。

图5示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质500存储有用于执行根据本申请的方法步骤的计算机可读程序代码4031，可以被电子设备400的处理器401读取，当计算机可读程序代码4031由电子设备400运行时，导致该电子设备400执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码4031可以执行上述任一实施例中示出的方法。计算机可读程序代码4031可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (8)

1.一种图像质量检测方法，其特征在于，该图像质量检测方法包括：

对获取的目标图像进行局部秩变换，得到局部秩图像；

根据所述局部秩图像，获得局部秩特征；

根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；

根据所述质量分值，确定所述目标图像的质量；

所述根据所述局部秩图像，获得局部秩特征包括：

根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征；

或者，根据所述局部秩图像的全局标准差，获得所述目标图像的全局局部秩特征；

或者，根据所述局部秩图像中各图像块的直方图获得所述目标图像的局部局部秩特征，并根据所述局部秩图像的全局标准差获得所述目标图像的全局局部秩特征。

2.如权利要求1所述的方法，其特征在于，所述根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征包括：

对所述局部秩图像进行图像分块，得到各图像块；

计算各所述图像块的归一化直方图，根据各所述图像块的归一化直方图得到各所述图像块的局部局部秩特征；

由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征。

3.如权利要求1所述的方法，其特征在于，所述根据所述局部秩图像的全局标准差，获得所述目标图像的全局局部秩特征包括：

根据所述局部秩图像中像素点的灰度值，计算所述局部秩图像的全局标准差；

根据所述全局标准差的自然对数，获得所述目标图像的全局局部秩特征。

4.如权利要求1所述的方法，其特征在于，所述根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值包括：

根据所述目标图像的所述局部局部秩特征以及所述全局局部秩特征，得到所述目标图像的特征向量；

根据所述特征向量与参数向量的内积，得到所述目标图像的质量分值；其中，所述参数向量通过预先训练图像质量检测模型得到。

5.如权利要求2所述的方法，其特征在于，所述计算各所述图像块的归一化直方图包括：

根据当前图像块中像素点的局部秩以及当前图像块的像素点总数，得到当前图像块的直方图，对所述直方图进行归一化，得到归一化直方图；

根据各所述图像块的归一化直方图得到各所述图像块的局部局部秩特征包括：通过下列公式得到当前图像块的局部局部秩特征：

其中，H(r)表示当前图像块的归一化直方图，r表示当前图像块的局部秩，r＝0，1，……K×K-1，i为当前图像块的序号，i＝1，2，……N×N，K与N均为正整数；

所述由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征包括：

由所有所述图像块的局部局部秩特征，得到所述目标图像的局部局部秩特征向量_。

6.一种图像质量检测装置，其特征在于，该图像质量检测装置包括：

图像处理模块，用于对获取的目标图像进行局部秩变换，得到局部秩图像；

特征获取模块，用于根据所述局部秩图像，获得局部秩特征；

分值确定模块，用于根据所述局部秩特征以及预先训练得到的图像质量检测模型，得到所述目标图像的质量分值；

检测模块，用于根据所述质量分值，确定所述目标图像的质量；

所述特征获取模块，具体用于根据所述局部秩图像中各图像块的直方图，获得所述目标图像的局部局部秩特征；或者，根据所述局部秩图像的全局标准差，获得所述目标图像的全局局部秩特征；或者，根据所述局部秩图像中各图像块的直方图获得所述目标图像的局部局部秩特征，并根据所述局部秩图像的全局标准差获得所述目标图像的全局局部秩特征。

7.一种电子设备，其特征在于，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行如权利要求1-5中任一项所述的方法。

8.一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存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-5中任一项所述的方法。

Images