CN112102309A - 一种确定图像质量评估结果的方法、装置及设备 - Google Patents
一种确定图像质量评估结果的方法、装置及设备 Download PDFInfo
- Publication number
- CN112102309A CN112102309A CN202011033220.6A CN202011033220A CN112102309A CN 112102309 A CN112102309 A CN 112102309A CN 202011033220 A CN202011033220 A CN 202011033220A CN 112102309 A CN112102309 A CN 112102309A
- Authority
- CN
- China
- Prior art keywords
- quality
- scores
- target image
- image
- score
- 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
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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本说明书提供了一种确定图像质量评估结果的方法、装置及设备。所述方法包括获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。利用本说明书实施例可以提高图像质量评估的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种确定图像质量评估结果的方法、装置及设备。
背景技术
随着计算机视觉技术的快速发展,图像识别已经广泛应用于各行业中,为提高图像识别的精度,通常需要先对图像进行质量评估,剔除质量不达标的图像。
现有技术中,通常通过获取图像的一个指标来对图像的质量进行评估。这种方式评价指标比较单一,无法突出图像重点区域的特征,从而使得图像质量评估准确度较低。
因此,业内亟需一种可以解决上述问题的技术方案。
发明内容
本说明书实施例提供了一种确定图像质量评估结果的方法、装置及设备,可以提高图像质量评估的准确度。
本说明书提供的确定图像质量评估结果的方法、装置及设备是包括以下方式实现的。
一种确定图像质量评估结果的方法,包括:获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
一种确定图像质量评估结果的装置,包括:指标分值获取模块,用于获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;质量分值获取模块,用于基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;评估结果确定模块,用于根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
一种确定图像质量评估结果的设备,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例的步骤。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现本说明书实施例中任意一个方法实施例的步骤。
本说明书提供的一种确定图像质量评估结果的方法、装置及设备。一些实施例中通过获取图像的多项指标信息,可以有效减少指标单一造成的对图像质量评估偏差的问题,从而为后续融合多项指标来评价图像质量提供保障。通过将图像划分为多个相同尺寸的区域,并对每个区域中各项指标值进行归一化处理,不仅可以使多项指标得分具有统一的衡量尺度,而且可以有效避免评价指标对图像尺寸敏感问题,使获得的图像多项指标信息更准确,从而提高后续对图像质量评估的精度。通过根据划分区域的相对位置和包括内容为每个区域分配预设权重,可以有效区分图像重点区域和非重点区域,从而提高对图像质量评估的精度。通过对大量图像样本进行标注训练,形成质量评分模型,可以快速准确的获取目标图像的质量分值,从而提高后续图像质量评估结果的准确度。通过将分块处理的各项指标得分与深度学习综合质量得分进行融合计算,可以更加精准地体现图像的质量得分,从而提升质量评估的精度。采用本说明书提供的实施方案,可以提高图像质量评估的准确度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1是本说明书提供的一种确定图像质量评估结果的方法的一个实施例的流程示意图;
图2是本说明书提供的确定图像质量评估结果的方法的一个具体实施例的流程示意图;
图3是本说明书提供的一种确定图像质量评估结果的装置的一个实施例的模块结构示意图;
图4是本说明书提供的一种确定图像质量评估结果的服务器的一个实施例的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书中的一部分实施例,而不是全部的实施例。基于本说明书中的一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书实施例保护的范围。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的,图1是本说明书提供的一种确定图像质量评估结果的方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备,如智能手机、平板电脑等。所述服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式系统的服务器结构等。
需要说明的是,下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示,本说明书提供的一种确定图像质量评估结果的方法的一种实施例中,所述方法可以包括以下步骤。
S0:获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得。
本说明书实施例中,可以先获取目标图像,然后获取目标图像各项指标的分值。其中,目标图像可以是需要进行文字识别、提取相关信息等对质量要求比较高的图像。
一些实施场景中,目标图像包括的指标可以至少包括亮度和清晰度。一些实施场景中,目标图像的指标还可以包括其他信息,例如,分辨率、色彩深度、图像失真等。
本说明书一些实施例中,所述获取目标图像各项指标的分值,可以包括:将所述目标图像划分为多个相同大小的区域;获取每个区域中各项指标对应的得分;基于同一指标在不同区域的得分,确定所述目标图像各项指标的分值。其中,相同大小可以包括尺寸大小相同,如尺寸均为m×n的。
一些实施场景中,所述获取每个区域中各项指标对应的得分,可以包括:采用可识别亮度像素值占比法计算每个区域的亮度得分;采用预设清晰度算法计算每个区域的清晰度得分。可识别亮度像素值占比法可以理解为图像中落在能识别的图像亮度范围的像素与图像总像素的比值,例如,能识别的图像亮度范围为50-200,每个区域有m×n个像素,其中像素大小落在50-200的数量为x个,则每个区域的亮度得分为x/(m×n)。
一些实施场景中,采用可识别亮度像素值占比法计算每个区域的亮度得分前,可以先将整幅图像进行灰度转化,然后再采用可识别亮度像素值占比法统计预设范围内像素值占总像素的比例,得到亮度得分。其中,预设范围可以根据实际场景进行设定,例如,预设范围可以为50-200等。可以理解的是,不在预设范围内的像素可以表示过亮或过暗的像素。
一些实施场景中,预设清晰度算法可以包括拉普拉斯梯度算法、Brenner梯度算法等。Brenner梯度算法可以通过计算相邻两个像素灰度差的平方确定图像清晰度。拉普拉斯算子通过取各像素点梯度的平方和确定图像清晰度。
一些实施场景中,所述基于同一指标在不同区域的得分,确定所述目标图像各项指标的分值,可以包括:对所述同一指标在不同区域的得分进行归一化处理,获得所述同一指标在不同区域中的归一化得分;根据每个区域的预设权重和所述同一指标在不同区域中的归一化得分,确定所述目标图像各项指标的分值。
一些实施场景中,所述每个区域的预设权重可以根据所述区域在所述目标图像中的位置以及区域中包括的内容确定,所有区域的预设权重之和为1。例如一些实施场景中,可以根据各区域在目标图像中的相对位置以及该区域中是否包括用户重点关注的内容进行权重划分。其中,各区域的累计权重为1。一些实施场景中,图像中间区域的权重比较大,图像边缘区域的权重较小。
例如一些实施场景中,可以将大小为x×y像素的图像分成若干个大小为m×n像素的区域,然后根据每个区域在图像中的相对位置以及包括的内容为每个区域分配预设权重。进一步,可以通过可识别亮度像素值占比法计算每个区域的亮度得分,通过拉普拉斯梯度函数计算每个区域的清晰度得分。其中,x≥m,y≥n。
一些实施场景中,由于每个区域的大小尺寸相同,可以对每个区域的亮度、清晰度得分进行归一化处理,将亮度、清晰度转换到0-1之间,然后根据每个区域的预设权重和同一指标在不同区域的归一化得分,确定目标图像的各项指标的分值。具体的,可以通过加权平均值获得各个指标的分值。例如,目标图像可以划分为大小相同的A1、B1、C1区域,每个区域权重分别为0.1、0.4、0.5,A1中亮度、清晰度两个指标对应的得分分别为a1、a2,B1中亮度、清晰度两个指标对应的得分分别为b1、b2,对a1、a2、b1、b2进行归一化处理后,可以计算a1、b1的加权平均值获得目标图像中亮度指标对应的分值,计算a2、b2的加权平均值获得目标图像中清晰度指标对应的分值。
当然,上述只是进行示例性说明,获得各个指标分值的方式并不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
一些实施场景中,可以预先对目标图像进行预处理,然后与预处理后的图像进行区域划分。这样不仅可以提高后续图像质量评估的准确度,而且可以使目标图像刚好划分为预设数量的区域。其中,预处理可以去掉目标图像中冗余信息,从而提高后续各项指标分值的准确度。
本说明书实施例中,获取目标图像各项指标的分值后,可以利用各项指标的分值对目标图像的质量进行初步评估。指标的分值可以用于图像质量评估(Image QualityAssessment,IQA)。其中,IQA是图像处理中的基本技术之一,主要通过对图像进行特性分析研究,然后评估出图像优劣(图像失真程度)。
本说明书实施例中,通过获取图像的多项指标信息,可以有效减少指标单一造成的对图像质量评价偏差的问题,从而为后续融合多项指标来评价图像质量提供保障。通过将图像划分为多个相同尺寸的区域,并对每个区域中各项指标值进行归一化处理,不仅可以使多项指标得分具有统一的衡量尺度,而且可以有效避免评价指标对图像尺寸敏感问题,使获得的图像多项指标信息更准确,从而提高后续对图像质量评估的精度。通过根据划分区域的相对位置和包括内容为每个区域分配预设权重,可以有效区分图像重点区域和非重点区域,从而提高对图像质量评估的精度。
S2:基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定。
本说明书实施例中,获取目标图像后,可以将目标图像输入质量评分模型,获得目标图像的质量分值。其中,目标图像的质量分值可以用于图像质量评估。图像质量的含义包括图像的逼真度和图像的可读懂性。所谓图像的逼真度是指被评价图像与标准图像的偏离程度,偏差越小,逼真度越高。而图像的可读懂性是指由图像能向人或机器提供信息的能力,它不仅与图像系统的应用要求有关,而且常常与人眼的主观感觉有关。图像质量取决于成像装备的光学性能、图像对比度、仪器噪声等多种因素的影响,通过质量评估可以对影像的获取、处理等各环节提供监控手段。
一些实施场景中,可以预先利用训练图像对预设神经网络模型训练获得质量评分模型。其中,质量评分模型可以用于对图像的质量进行评估。预设神经网络模型可以为InceptionV2。InceptionV2是一种卷积神经网络,该网络相对于其他的卷积神经网络具有参数少、特征表达能力强的特点。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为平移不变人工神经网络。需要说明的是,预设神经网络模型还可以是其他神经网络模型,本说明书对此不作限定。
一些实施场景中,在利用训练图像对预设神经网络模型训练前,可以为每个训练图像预先分配类别标签。其中,类别标签可以用于标记训练图像所属类别。一些实施场景中,所述类别标签可以基于图像的质量分值确定。例如一些实施场景中,可以采集大量图像样本,然后对图像样本进行0-1之间的质量打分,0表示质量最差,1表示质量最好,从而得到标注好的训练样本。
一些实施场景中,在得到标注好的训练样本后,可以利用标注好的训练样本对InceptionV2模型进行训练,并基于预设损失函数对训练模型进行校正,获得质量评分模型。其中,预设损失函数采用归一化的EMD(Earth Mover's Distance)损失函数。进一步地,可以通过质量评分模型对目标图像进行推理评估,得到目标图像的质量分值。其中,EMD可以理解为是对特征空间中两个多维矩阵中某一维距离的度量。
例如一些实施场景中,可以将训练样本中图像裁剪为224×224大小,经过InceptionV2的主干网络通过卷积运算进行特征提取,然后经过FC(fully connectedlayers,全连接层)全连接运算,最后通过softmax函数运算得出质量分值。其中,softmax函数也可以称为归一化指数函数,可以用于将输出映射到(0,1)区间。
本说明书实施例中,通过对大量图像样本进行标注训练,形成质量评分模型,可以快速准确的获取目标图像的质量分值,从而提高后续图像质量评估结果的准确度。
S4:根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
本说明书实施例中,在获得目标图像的各项指标的分值和质量分值后,可以根据各项指标的分值和质量分值确定图像的质量评估结果。
本说明书一些实施例中,可以将各项指标的分值和质量分值进行融合计算,然后根据融合结果确定质量评估结果。其中,融合计算可以包括加权平均法、极小值优先算法等。
一些实施场景中,所述根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果,可以包括:根据所述各项指标的分值和所述质量分值,获得所述目标图像的质量总分值;根据所述质量总分值与第一预设评估阈值的关系,确定所述目标图像的质量评估结果。例如一些实施例中,可以将各项指标的分值和质量分值进行加权平均,得出目标图像最终的质量评估分数,然后根据最终的质量评估分数与第一预设评估阈值的关系,确定质量评估结果。一些实施场景中,当最终的质量评估分数低于第一预设评估阈值时,可以确定图像质量评估结果为不合格。一些实施场景中,当最终的质量评估分数高于或等于第一预设评估阈值时,可以确定图像质量评估结果为合格。其中,第一预设评估阈值可以根据实际情况确定,本说明书对此不作限定。目标图像的质量总分值可以用于图像质量评估。
一些实施场景中,所述根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果,可以包括:选取所述各项指标的分值和所述质量分值中的最小值;将所述最小值与第二预设评估阈值进行比较;根据比较结果确定所述目标图像的质量评估结果。一些实施场景中,当最小值小于第二预设评估阈值时,可以确定图像质量评估结果为不合格。一些实施场景中,当最小值大于等于第二预设评估阈值时,可以确定图像质量评估结果为合格。其中,第二预设评估阈值可以根据实际情况确定,本说明书对此不作限定。
一些实施场景中,还可以将各项指标的分值、质量分值分别与对应的预设阈值进行比较,当各项指标的分值、质量分值中至少一个低于对应的预设阈值时,可以认为图像质量评估结果为不合格。当各项指标的分值、质量分值均高于或等于对应的预设阈值时,可以认为图像质量评估结果为合格。例如,若亮度分值和/或清晰度分值低于预设阈值时,输出图像质量评估结果为不合格。若亮度分值、清晰度分值以及质量分值均大于对应的阈值时,输出图像质量评估结果为合格。
一些实施场景中,所述确定所述目标图像的质量评估结果后,可以包括:根据所述质量评估结果确定是否对目标图像进行文字识别。例如一些实施场景中,当确定质量评估结果未合格时,可以进一步对目标图像进行OCR(Optical Character Recognition,光学字符识别)识别。这样,通过进行图像质量评估,可以剔除质量不达标的图像以免影响后续的OCR文字识别精度。OCR是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过评估暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程。
本说明书实施例中,通过将分块处理的各项指标得分与深度学习综合质量得分进行融合计算,可以更加精准地体现图像的质量得分,从而提升质量评估的精度。
当然,上述只是进行示例性说明,本说明书实施例不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。如图2所示,图2是本说明书提供的确定图像质量评估结果的方法的一个具体实施例的流程示意图。在本具体实施例中,可以包括以下步骤。
S201:获取待评估图像。
S202:将待评估图像划分为多个相同大小的区域,并为每个区域分配预设权重。
本实施例中,将图像划分为多个相同大小的区域后,可以根据每个区域在图像中的位置以及用户重点关注的区域对各区域进行权重划分,各区域的累计权重为1。通常,图像中间区域权重比较大,图像边缘区域权重较小。
S203:采用可识别亮度像素值占比法计算每个区域的亮度得分,并进行归一化处理。
S204:采用拉普拉斯梯度算法计算每个区域的清晰度得分,并进行归一化处理。
S205:根据每个区域的预设权重和同一指标在不同区域中的归一化得分,确定各项指标的分值。
本实施例中,可以通过加权平均获得各项指标的分值。
S206:将待评估图像输入质量评分模型,获得待评估图像的质量分值。
本实施例中,可以预先利用训练图像对InceptionV2模型训练获得质量评分模型。其中,训练模型前,可以对训练样本进行0-1之间的质量打分,0为质量最差,1为质量最好,得到标注好的训练样本。
S207:将待评估图像的各项指标的分值和待评估图像的质量分值进行融合,基于融合结果获得待评估图像的质量评估结果。
本实施例中,融合可以包括加权平均法、极小值优先算法等。其中,加权平均法可以将待评估图像的各项指标的分值和待评估图像的质量分值融合为待评估图像的质量总分值,然后根据质量总分值与预设评估阈值的关系,确定待评估图像的质量评估结果是否合格。极小值优先算法可以从待评估图像的各项指标的分值和待评估图像的质量分值中选取最小值,然后将最小值与预设评估阈值进行比较,从而根据比较结果确定待评估图像的质量评估结果是否合格。其中,上述预设评估阈值可以相同,也可以不同,具体可以根据实际场景设定。
一些实施场景中,确定待评估图像的质量评估结果后,可以根据质量评估结果确定是否对待评估图像进行文字识别。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参加即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
从以上的描述中,可以看出,本申请实施例可以实现如下技术效果:通过获取图像的多项指标信息,可以有效减少指标单一造成的对图像质量评估偏差的问题,从而为后续融合多项指标来评价图像质量提供保障。通过将图像划分为多个相同尺寸的区域,并对每个区域中各项指标值进行归一化处理,不仅可以使多项指标得分具有统一的衡量尺度,而且可以有效避免评价指标对图像尺寸敏感问题,使获得的图像多项指标信息更准确,从而提高后续对图像质量评估的精度。通过根据划分区域的相对位置和包括内容为每个区域分配预设权重,可以有效区分图像重点区域和非重点区域,从而提高对图像质量评估的精度。通过对大量图像样本进行标注训练,形成质量评分模型,可以快速准确的获取目标图像的质量分值,从而提高后续图像质量评估结果的准确度。通过将分块处理的各项指标得分与深度学习综合质量得分进行融合计算,可以更加精准地体现图像的质量得分,从而提升质量评估的精度。
基于上述所述一种确定图像质量评估结果的方法,本说明书一个或多个实施例还提供一种确定图像质量评估结果的装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图3是本说明书提供的一种确定图像质量评估结果的装置的一个实施例的模块结构示意图,如图3所示,本说明书提供的一种确定图像质量评估结果的装置可以包括:指标分值获取模块120,质量分值获取模块122,评估结果确定模块124。
指标分值获取模块120,可以用于获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;
质量分值获取模块122,可以用于基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;
评估结果确定模块124,可以用于根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书还提供一种确定图像质量评估结果的设备的实施例,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时可以实现上述任意一项方法实施例。例如,所述指令被所述处理器执行时实现包括以下步骤:获取目标图像各项指标的分值;其中,每项指标的分值根据不同区域中相同指标对应的得分确定,所述不同区域通过对目标图像划分获得;将所述目标图像输入质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
需要说明的,上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图4是本说明书提供的一种确定图像质量评估结果的服务器的一个实施例的硬件结构框图,该服务器可以是上述实施例中的确定图像质量评估结果的装置或确定图像质量评估结果的设备。如图4所示,服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图4中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图4所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的确定图像质量评估结果的方法对应的程序指令/模块,处理器100通过运行存储在存储器200内的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书提供的上述确定图像质量评估结果的方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、设备根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。
本发明是参照根据本发明实施例的方法、装置、设备的流程图和/或方框图来描述的。应理解可由计算机程序指令实现,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指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (15)
1.一种确定图像质量评估结果的方法,其特征在于,包括:
获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;
基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;
根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述各项指标至少包括亮度和清晰度。
3.根据权利要求2所述的方法,其特征在于,所述获取目标图像各项指标的分值,包括:
将所述目标图像划分为多个相同大小的区域;
获取每个区域中各项指标对应的得分;
基于同一指标在不同区域的得分,确定所述目标图像各项指标的分值。
4.根据权利要求3所述的方法,其特征在于,所述获取每个区域中各项指标对应的得分,包括:
采用可识别亮度像素值占比法计算每个区域的亮度得分;
采用预设清晰度算法计算每个区域的清晰度得分。
5.根据权利要求3所述的方法,其特征在于,所述基于同一指标在不同区域的得分,确定所述目标图像各项指标的分值,包括:
对所述同一指标在不同区域的得分进行归一化处理,获得所述同一指标在不同区域中的归一化得分;
根据每个区域的预设权重和所述同一指标在不同区域中的归一化得分,确定所述目标图像各项指标的分值。
6.根据权利要求5所述的方法,其特征在于,所述每个区域的预设权重根据所述区域在所述目标图像中的位置以及区域中包括的内容确定,所有区域的预设权重之和为1。
7.根据权利要求1所述的方法,其特征在于,所述根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果,包括:
根据所述各项指标的分值和所述质量分值,获得所述目标图像的质量总分值;
根据所述质量总分值与第一预设评估阈值的关系,确定所述目标图像的质量评估结果。
8.根据权利要求1所述的方法,其特征在于,所述根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果,包括:
选取所述各项指标的分值和所述质量分值中的最小值;
将所述最小值与第二预设评估阈值进行比较;
根据比较结果确定所述目标图像的质量评估结果。
9.根据权利要求7或8所述的方法,其特征在于,所述确定所述目标图像的质量评估结果后,包括:
根据所述质量评估结果确定是否对目标图像进行文字识别。
10.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型为InceptionV2。
11.一种确定图像质量评估结果的装置,其特征在于,包括:
指标分值获取模块,用于获取目标图像各项指标的分值;其中,每项指标的分值根据所述指标在不同区域的得分确定,所述不同区域通过对目标图像划分获得;
质量分值获取模块,用于基于质量评分模型,获得所述目标图像的质量分值;所述质量评分模型是利用训练图像对预设神经网络模型训练获得,每个训练图像预先分配有类别标签,所述类别标签基于图像的质量分值确定;
评估结果确定模块,用于根据所述各项指标的分值和所述质量分值,确定所述目标图像的质量评估结果。
12.根据权利要求11所述的装置,其特征在于,所述指标分值获取模块,包括:
划分单元,用于将所述目标图像划分为多个相同大小的区域;
获取单元,用于获取每个区域中各项指标对应的得分;
指标分值获取单元,用于基于同一指标在不同区域的得分,确定所述各项指标的分值。
13.根据权利要求11所述的装置,其特征在于,所述评估结果确定模块,包括:
总分值获得单元,用于根据所述各项指标的分值和所述质量分值,获得所述目标图像的质量总分值;
评估结果确定单元,用于根据所述质量总分值与第一预设评估阈值的关系,确定所述目标图像的质量评估结果。
14.一种确定图像质量评估结果的设备,其特征在于,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-10中任意一项所述方法的步骤。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033220.6A CN112102309A (zh) | 2020-09-27 | 2020-09-27 | 一种确定图像质量评估结果的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033220.6A CN112102309A (zh) | 2020-09-27 | 2020-09-27 | 一种确定图像质量评估结果的方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102309A true CN112102309A (zh) | 2020-12-18 |
Family
ID=73782594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033220.6A Pending CN112102309A (zh) | 2020-09-27 | 2020-09-27 | 一种确定图像质量评估结果的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102309A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669289A (zh) * | 2020-12-30 | 2021-04-16 | 科大讯飞股份有限公司 | 影像质量评估方法、装置、电子设备及存储介质 |
CN112767318A (zh) * | 2020-12-31 | 2021-05-07 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
CN112995652A (zh) * | 2021-02-01 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 视频质量评估方法及装置 |
CN113256583A (zh) * | 2021-05-24 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像质量检测方法及装置、计算机设备和介质 |
CN113420871A (zh) * | 2021-07-28 | 2021-09-21 | 浙江大华技术股份有限公司 | 图像质量的评估方法、装置、存储介质及电子装置 |
CN113743284A (zh) * | 2021-08-30 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 图像识别方法、装置、设备、相机及门禁设备 |
CN113781428A (zh) * | 2021-09-09 | 2021-12-10 | 广东电网有限责任公司 | 一种图像处理方法、装置、电子设备及存储介质 |
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
WO2022267362A1 (zh) * | 2021-06-25 | 2022-12-29 | 煤炭科学研究总院 | 图像采集方法、装置以及存储介质 |
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
CN117609781A (zh) * | 2023-11-20 | 2024-02-27 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
CN117609781B (zh) * | 2023-11-20 | 2024-05-28 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN108109147A (zh) * | 2018-02-10 | 2018-06-01 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN110378893A (zh) * | 2019-07-24 | 2019-10-25 | 北京市博汇科技股份有限公司 | 图像质量评价方法、装置和电子设备 |
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111199186A (zh) * | 2019-12-03 | 2020-05-26 | 恒大智慧科技有限公司 | 图像质量评分模型训练方法、装置、设备及存储介质 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
-
2020
- 2020-09-27 CN CN202011033220.6A patent/CN112102309A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481238A (zh) * | 2017-09-20 | 2017-12-15 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
WO2019057067A1 (zh) * | 2017-09-20 | 2019-03-28 | 众安信息技术服务有限公司 | 图像质量评估方法及装置 |
CN108109147A (zh) * | 2018-02-10 | 2018-06-01 | 北京航空航天大学 | 一种模糊图像的无参考质量评价方法 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN110378893A (zh) * | 2019-07-24 | 2019-10-25 | 北京市博汇科技股份有限公司 | 图像质量评价方法、装置和电子设备 |
CN110428412A (zh) * | 2019-07-31 | 2019-11-08 | 北京奇艺世纪科技有限公司 | 图像质量的评价及模型生成方法、装置、设备和存储介质 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN111199186A (zh) * | 2019-12-03 | 2020-05-26 | 恒大智慧科技有限公司 | 图像质量评分模型训练方法、装置、设备及存储介质 |
CN111553880A (zh) * | 2020-03-26 | 2020-08-18 | 北京中科虹霸科技有限公司 | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
李苋兰;张顶;黄?;: "基于BP-AdaBoost神经网络的多参数掌静脉图像质量评价法", 计算机系统应用, no. 03 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669289A (zh) * | 2020-12-30 | 2021-04-16 | 科大讯飞股份有限公司 | 影像质量评估方法、装置、电子设备及存储介质 |
CN112767318A (zh) * | 2020-12-31 | 2021-05-07 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
CN112767318B (zh) * | 2020-12-31 | 2023-07-25 | 科大讯飞股份有限公司 | 一种图像处理效果的评价方法、装置、存储介质及设备 |
CN112995652B (zh) * | 2021-02-01 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 视频质量评估方法及装置 |
CN112995652A (zh) * | 2021-02-01 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 视频质量评估方法及装置 |
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
CN113256583A (zh) * | 2021-05-24 | 2021-08-13 | 北京百度网讯科技有限公司 | 图像质量检测方法及装置、计算机设备和介质 |
WO2022267362A1 (zh) * | 2021-06-25 | 2022-12-29 | 煤炭科学研究总院 | 图像采集方法、装置以及存储介质 |
CN113420871B (zh) * | 2021-07-28 | 2023-02-24 | 浙江大华技术股份有限公司 | 图像质量的评估方法、装置、存储介质及电子装置 |
CN113420871A (zh) * | 2021-07-28 | 2021-09-21 | 浙江大华技术股份有限公司 | 图像质量的评估方法、装置、存储介质及电子装置 |
CN113743284A (zh) * | 2021-08-30 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 图像识别方法、装置、设备、相机及门禁设备 |
CN113781428A (zh) * | 2021-09-09 | 2021-12-10 | 广东电网有限责任公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN116958122A (zh) * | 2023-08-24 | 2023-10-27 | 北京东远润兴科技有限公司 | Sar图像评估方法、装置、设备及可读存储介质 |
CN117609781A (zh) * | 2023-11-20 | 2024-02-27 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
CN117609781B (zh) * | 2023-11-20 | 2024-05-28 | 北京中关村科金技术有限公司 | 文本评估模型的训练方法、文本评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102309A (zh) | 一种确定图像质量评估结果的方法、装置及设备 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN111914665B (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN111754396B (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
CN111368758A (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
CN112464809A (zh) | 一种人脸关键点检测方法、装置、电子设备及存储介质 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
JP6426441B2 (ja) | 密度計測装置、密度計測方法、およびプログラム | |
CN111639230B (zh) | 一种相似视频的筛选方法、装置、设备和存储介质 | |
CN110555820A (zh) | 基于卷积神经网络和动态引导滤波的图像融合方法 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN110135413B (zh) | 一种字符识别图像的生成方法、电子设备和可读存储介质 | |
CN113012030A (zh) | 图像拼接方法、装置及设备 | |
CN116977260A (zh) | 目标物的缺陷检测方法、装置、电子设备及存储介质 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN115984178A (zh) | 伪造图像检测方法、电子设备和计算机可读存储介质 | |
Jayageetha et al. | Medical image quality assessment using CSO based deep neural network | |
CN113537249A (zh) | 图像的确定方法、装置、存储介质及电子装置 | |
CN113762249A (zh) | 图像攻击检测、图像攻击检测模型训练方法和装置 | |
CN116503406B (zh) | 基于大数据的水利工程信息管理系统 | |
CN112084953B (zh) | 一种人脸属性识别的方法、系统、设备及可读存储介质 |
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 |