CN112614109A - 图像质量评估方法、装置以及计算机可读存储介质 - Google Patents

图像质量评估方法、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN112614109A
CN112614109A CN202011550364.9A CN202011550364A CN112614109A CN 112614109 A CN112614109 A CN 112614109A CN 202011550364 A CN202011550364 A CN 202011550364A CN 112614109 A CN112614109 A CN 112614109A
Authority
CN
China
Prior art keywords
image
sample
feature
index value
evaluated
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.)
Granted
Application number
CN202011550364.9A
Other languages
English (en)
Other versions
CN112614109B (zh
Inventor
李远钱
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.)
Sichuan Yuncong Tianfu Artificial Intelligence Technology Co Ltd
Original Assignee
Sichuan Yuncong Tianfu Artificial Intelligence 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 Sichuan Yuncong Tianfu Artificial Intelligence Technology Co Ltd filed Critical Sichuan Yuncong Tianfu Artificial Intelligence Technology Co Ltd
Priority to CN202011550364.9A priority Critical patent/CN112614109B/zh
Publication of CN112614109A publication Critical patent/CN112614109A/zh
Application granted granted Critical
Publication of CN112614109B publication Critical patent/CN112614109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体提供了一种图像质量评估方法、装置以及介质，旨在解决如何准确且高效地对图像进行质量评估的技术问题。为此目的，根据本发明实施例的方法，可以获取待评估图像的图像特征以及训练集内每个图像样本的样本特征，然后根据图像特征与样本特征获取待评估图像的质量评估指标值，最后根据质量评估指标值对待评估图像进行图像质量评估。训练集是图像目标识别模型在模型训练时使用的训练集，质量评估指标值表示待评估图像与训练集的匹配程度。本发明实施例不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，能够显著提高图像质量评估的准确性和效率。

Description

图像质量评估方法、装置以及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像质量评估方法、装置以及计算机可读存储介质。
背景技术
目标轨迹跟踪如人脸轨迹跟踪主要是通过对包含目标画面的连续的图像时间序列进行跟踪分析以确定目标轨迹。然而，图像采集装置的安装角度、目标所处环境的光照、天气以及背景等因素，往往会导致图像的质量较差如图像的亮度较差和目标被遮挡等，因此需要对图像进行质量评估，利用优质的图像进行目标轨迹跟踪，以提高目标跟踪的准确性与可靠性。目前传统的图像质量评估方法主要是采用人工评估的方式，分别从图像的亮度和目标是否被遮挡等多个维度对图像进行质量打分，然后根据每个维度各自对应的质量分获取最终的质量分。然而，由于人工评估的方式主要是依赖于评估人员的主观性分析，因此在对图像进行质量打分时很容易引入随机误差，不利于对图像进行准确的质量打分。同时，如果采用人工评估的方式对大批量图像进行质量评估，将会极大地降低图像质量的评估效率。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何准确且高效地对图像进行质量评估的技术问题的图像质量评估方法、装置以及计算机可读存储介质。
第一方面，提供一种图像质量评估方法，所述方法包括：
获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征；
根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值；
根据所述质量评估指标值对所述待评估图像进行图像质量评估；
其中，所述预设的训练集用于训练预设的图像目标识别模型，所述图像目标识别模型用于识别所述待评估图像中的目标，所述质量评估指标值表示所述待评估图像与所述训练集的匹配程度。
在上述图像质量评估方法的一个技术方案中，“根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值”的步骤具体包括：
使用所述样本特征对预设的概率分布模型进行训练，得到特征概率分布模型；
采用所述特征概率分布模型计算所述图像特征对应的概率；
根据所述概率获取所述待评估图像的质量评估指标值；
其中，所述概率与所述匹配程度成正相关关系。
在上述图像质量评估方法的一个技术方案中，“根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值”的步骤具体包括：
根据每个所述样本特征计算样本特征均值；
计算所述图像特征与所述样本特征均值之间的特征距离；
根据所述特征距离获取所述待评估图像的质量评估指标值；
其中，所述特征距离与所述匹配程度成负相关关系。
在上述图像质量评估方法的一个技术方案中，“根据所述特征距离获取所述待评估图像的质量评估指标值”的步骤具体包括：
根据所述特征距离并且按照下式所述的方法获取质量评估指标值：
Figure BDA0002857723730000021
其中，所述Q(x)表示质量评估指标值，所述x表示图像特征与样本特征均值之间的特征距离，所述dmax表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最大特征距离，所述dmin表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最小特征距离。
在上述图像质量评估方法的一个技术方案中，“获取预设的训练集内每个图像样本的样本特征”的步骤具体包括：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
获取所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测时提取到的第一图像特征，将所述第一图像特征设定为每个所述图像样本的样本特征；
并且/或者，“获取预设的训练集内每个图像样本的样本特征”的步骤具体包括：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
根据图像目标检测的结果获取每个所述图像样本中图像目标的位置和大小；
根据所述图像目标的位置和大小，分别提取每个所述图像样本中相应区域处的第二图像特征，将所述第二图像特征设定为每个所述图像样本的样本特征。
第二方面，提供一种图像质量评估装置，所述装置包括：
特征获取模块，其被配置成获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征；
评估指标值获取模块，其被配置成根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值；
图像质量评估模块，其被配置成根据所述质量评估指标值对所述待评估图像进行图像质量评估；
其中，所述预设的训练集用于训练预设的图像目标识别模型，所述图像目标识别模型用于识别所述待评估图像中的目标，所述质量评估指标值表示所述待评估图像与所述训练集的匹配程度。
在上述图像质量评估装置的一个技术方案中，所述评估指标值获取模块包括第一评估指标值获取子模块，所述第一评估指标值获取子模块包括特征概率分布模型获取单元、概率计算单元和第一评估指标值获取单元；
所述特征概率分布模型获取单元被配置成使用所述样本特征对预设的概率分布模型进行训练，得到特征概率分布模型；
所述概率计算单元被配置成采用所述特征概率分布模型计算所述图像特征对应的概率；
所述第一评估指标值获取单元被配置成根据所述概率获取所述待评估图像的质量评估指标值；
其中，所述概率与所述匹配程度成正相关关系。
在上述图像质量评估装置的一个技术方案中，所述评估指标值获取模块包括第二评估指标值获取子模块，所述第二评估指标值获取子模块包括特征均值计算单元、特征距离计算单元和第二评估指标值获取单元；
所述特征均值计算单元被配置成根据每个所述样本特征计算样本特征均值；
所述特征距离计算单元被配置成计算所述图像特征与所述样本特征均值之间的特征距离；
所述第二评估指标值获取单元被配置成根据所述特征距离获取所述待评估图像的质量评估指标值；
其中，所述特征距离与所述匹配程度成负相关关系。
在上述图像质量评估装置的一个技术方案中，所述第二评估指标值获取单元被进一步配置成根据所述特征距离并且按照下式所述的方法获取质量评估指标值：
Figure BDA0002857723730000041
其中，所述Q(x)表示质量评估指标值，所述x表示图像特征与样本特征均值之间的特征距离，所述dmax表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最大特征距离，所述dmin表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最小特征距离。
在上述图像质量评估装置的一个技术方案中，所述特征获取模块包括第一特征获取子模块和/或第二特征获取子模块；
所述第一特征获取子模块被配置成执行以下操作：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
获取所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测时提取到的第一图像特征，将所述第一图像特征设定为每个所述图像样本的样本特征；
所述第二特征获取子模块被配置成执行以下操作：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
根据图像目标检测的结果获取每个所述图像样本中图像目标的位置和大小；
根据所述图像目标的位置和大小，分别提取每个所述图像样本中相应区域处的第二图像特征，将所述第二图像特征设定为每个所述图像样本的样本特征。
第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述图像质量评估方法的技术方案中任一项技术方案所述的图像质量评估方法。
第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述图像质量评估方法的技术方案中任一项技术方案所述的图像质量评估方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，可以根据待评估图像与预设的图像目标识别模型(图像目标识别模型用于识别待评估图像中的目标)在模型训练时使用的训练集之间的匹配程度，对待评估图像进行图像质量评估。如果待评估图像与上述训练集之间的匹配程度越大，则表明这个待评估图像的图像质量与训练集内图像样本的质量越接近，若采用这个待评估图像对图像目标识别模型进行模型训练，可以使图像目标识别模型得到较好的图像目标识别能力；如果待评估图像与上述训练集之间的匹配程度越小，则表明这个待评估图像的图像质量与训练集内图像样本的质量相差的越多，若采用这个待评估图像对图像目标识别模型进行模型训练，不会使图像目标识别模型得到较好的图像目标识别能力。具体而言，可以先获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征，然后根据图像特征与样本特征获取待评估图像的质量评估指标值，最后根据质量评估指标值对待评估图像进行图像质量评估其中，预设的训练集是预设的图像目标识别模型在模型训练时使用的训练集，质量评估指标值表示待评估图像与训练集的匹配程度。通过上述分析可知，由于本发明不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，因而能够显著提高图像质量评估的效率和准确性。
进一步，目前传统的图像质量评估方法主要是根据图像目标的识别需求设置具体的图像质量评估方法，例如，如果图像目标的识别需求是对图像进行清晰人脸的识别，那么在设置具体的图像质量评估方法，可以对人脸被遮挡的图像设置较大的权重，对人脸未被遮挡的图像设置较小的权重，以便能够根据图像的权重大小筛选并滤除掉存在人脸被遮挡问题的图像(质量较差的图像)。但是，当图像目标的识别需求调整为同时对图像进行清晰人脸以及佩戴口罩人脸识别时，如果继续对人脸被遮挡的图像设置较大的权重，那么将会使大批量佩戴口罩的人脸图像被评估为质量较差的图像，使这些图像无法参与到图像目标识别模型的模型训练中，致使图像目标识别模型无法准确识别出佩戴口罩的人脸。如果识别需求变化较为频繁且在每次识别需求调整后都去调整图像质量评估方法，那么将会极大影响图像质量的评估效率。而根据本发明实施例的图像质量评估方法不需要考虑图像目标识别模型的识别需求，无论识别需求是否发生变化，都可以根据待评估图像与图像目标识别模型在模型训练时使用的训练集之间的匹配程度，进行准确的图像质量评估，因而克服了现有技术中的上述缺陷，进一步提高了图像质量的评估效率。
附图说明
下面参照附图来描述本发明的具体实施方式，附图中：
图1是根据本发明的一个实施例的图像质量评估方法的主要步骤流程示意图；
图2是根据本发明的另一个实施例的图像质量评估方法的主要步骤流程示意图；
图3是根据本发明的再一个实施例的图像质量评估方法的主要步骤流程示意图；
图4是根据本发明的一个实施例的图像质量评估装置的主要结构框图。
附图标记列表：
11：特征获取模块；12：评估指标值获取模块；13：图像质量评估模块。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前传统的图像质量评估方法主要是采用人工评估的方式，分别从图像的亮度和目标是否被遮挡等多个维度对图像进行质量打分，然后根据每个维度各自对应的质量分获取最终的质量分。然而，由于人工评估的方式主要是依赖于评估人员的主观性分析，因此在对图像进行质量打分时很容易引入随机误差，不利于对图像进行准确的质量打分。同时，如果采用人工评估的方式对大批量图像进行质量评估，将会极大地降低图像质量的评估效率。在本发明实施例中，可以根据待评估图像与预设的图像目标识别模型在模型训练时使用的训练集之间的匹配程度，对待评估图像进行图像质量评估，其中，图像目标识别模型可以用于识别待评估图像中的目标，例如，如果图像目标识别模型是人脸识别模型，那么图像目标识别模型可以识别待评估图像中的人脸。如果待评估图像与上述训练集之间的匹配程度越大，则表明这个待评估图像的图像质量与训练集内图像样本的质量越接近，若采用待评估图像对图像目标识别模型进行模型训练，可以使图像目标识别模型得到较好的图像目标识别能力；如果待评估图像与上述训练集之间的匹配程度越小，则表明这个待评估图像的图像质量与训练集内图像样本的质量相差的越多，若采用待评估图像对图像目标识别模型进行模型训练，不会使图像目标识别模型得到较好的图像目标识别能力。具体而言，在本实施例中可以先获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征，然后根据图像特征与样本特征获取待评估图像的质量评估指标值，最后根据质量评估指标值对待评估图像进行图像质量评估(例如将质量评估指标值大于一定值的图像评估为优质图像)，其中，预设的训练集是预设的图像目标识别模型在模型训练时使用的训练集，质量评估指标值表示待评估图像与训练集的匹配程度。通过上述分析可知，根据本发明实施例的图像质量评估方法，不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，因而能够显著提高图像质量评估的效率和准确性。
进一步，目前传统的图像质量评估方法主要是根据图像目标的识别需求设置具体的图像质量评估方法，例如，如果图像目标的识别需求是对图像进行清晰人脸的识别，那么在设置具体的图像质量评估方法，可以对人脸被遮挡的图像设置较大的权重，对人脸未被遮挡的图像设置较小的权重，以便能够根据图像的权重大小筛选并滤除掉存在人脸被遮挡问题的图像(质量较差的图像)。但是，当图像目标的识别需求调整为同时对图像进行清晰人脸以及佩戴口罩人脸识别时，如果继续对人脸被遮挡的图像设置较大的权重，那么将会使大批量佩戴口罩的人脸图像被评估为质量较差的图像，使这些图像无法参与到图像目标识别模型的模型训练中，致使图像目标识别模型无法准确识别出佩戴口罩的人脸。如果识别需求变化较为频繁且在每次识别需求调整后都去调整图像质量评估方法，那么将会极大影响图像质量的评估效率。而根据本发明实施例的图像质量评估方法不需要考虑图像目标识别模型的识别需求，无论识别需求是否发生变化，都可以根据待评估图像与图像目标识别模型在模型训练时使用的训练集之间的匹配程度，进行准确的图像质量评估，因而克服了现有技术中的上述缺陷，进一步提高了图像质量的评估效率。
在本发明的一个应用场景的例子中，某个目标区域如火车站内安装有图像采集装置并且该火车站设置有后台监控系统。这个后台监控系统能够获取图像采集装置采集到的图像并且对图像进行行人轨迹跟踪检测。然而，由于火车站内人流量较大且环境通常较为复杂，因此会导致一部分图像采集装置采集的图像质量较差(例如：在光照条件较差的环境下采集的图像质量较差)。为了提高后台监控系统的检测准确性，可以在后台监控系统中安装能够执行根据本发明的一个实施例的图像质量评估方法的装置，先利用该装置对图像采集装置采集的图像进行质量评估，再根据评估结果选取优质的图像进行行人轨迹跟踪检测。
参阅附图1，图1是根据本发明的一个实施例的图像质量评估方法的主要步骤流程示意图。如图1所示，本发明实施例中的图像质量评估方法主要包括以下步骤：
步骤S101：获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征。
样本特征指的是，采用预设的特征提取方法对图像样本进行特征提取得到的特征。图像特征指的是，同样采用上述特征提取方法对待评估图像进行特征提取得到的特征。需要说明的是，在本实施例中可以采用图像数据处理技术领域中常规的特征提取方法，分别对待评估图像与图像样本进行特征提取，特征提取方法包括但不限于：纹理特征提取和灰度特征提取等。为了描述简洁，在此不再对上述特征提取方法的具体过程进行赘述。
预设的训练集指的是，预设的图像目标识别模型在模型训练时使用的训练集，即训练集用于训练预设的图像目标识别模型。图像目标识别模型可以用于识别待评估图像中的目标，例如，如果图像目标识别模型是人脸识别模型，那么训练集可以是对人脸识别模型进行模型训练时使用的训练集，经该训练集训练好的人脸识别模型具备较好的人脸识别能力，即其能够对待评估图像进行准确的人脸识别。
一个实施方式中，可以复用预设的图像目标识别模型在模型训练时对训练集内图像样本提取到的特征，将该特征设定为每个图像样本的样本特征。具体而言，在本实施方式中，可以按照以下步骤11-步骤13来获取预设的训练集内每个图像样本的样本特征：
步骤11：采用预设的图像目标识别模型分别对每个图像样本进行图像目标检测。
步骤12：根据图像目标检测的结果获取每个图像样本中图像目标的位置和大小。
步骤13：根据图像目标的位置和大小，分别提取每个图像样本中相应区域处的第二图像特征，将第二图像特征设定为每个图像样本的样本特征。同时，该第二图像特征也是预设的图像目标识别模型在检测到图像目标的位置和大小之后，识别相应区域内人脸的人脸类型(例如：识别具体属于哪一个人的人脸)时要使用的特征。例如：对每个第二图像特征进行聚类分析，根据聚类分析的结果确定人脸类型。需要说明的是，在本实施例中可以采用图像数据处理技术领域中常规的特征提取方法分别提取每个图像样本中相应区域处的第二图像特征，常规的特征提取方法包括但不限于：基于深度学习算法的特征提取方法、基于VGG(Visual Geometry Group Network)模型的特征提取方法、基于残差网络(ResNet)的特征提取方法和基于MobileNet的特征提取方法等。
通过上述步骤11-步骤13，可以直接复用预设的图像目标识别模型针对图像样本提取到的特征作为样本特征，既不耽误对预设的图像目标识别模型的模型训练，还节省了本实施例中获取图像样本的样本特征的时间。进一步，为了进一步节省获取图像样本的样本特征的时间，可以使用在步骤11中对每个图像样本进行图像目标检测时，预设的图像目标识别模型分别对每个图像样本提取到的第一图像特征作为图像样本的样本特征。具体而言，在一个实施方式中，可以按照以下步骤21-步骤22来获取预设的训练集内每个图像样本的样本特征：
步骤21：采用预设的图像目标识别模型分别对每个图像样本进行图像目标检测。
步骤22：获取预设的图像目标识别模型分别对每个图像样本进行图像目标检测时提取到的第一图像特征，将第一图像特征设定为每个图像样本的样本特征。
根据步骤21-步骤22可知，本实施方式不再使用前述实施方式中的第二图像特征作为样本特征，省略了提取第二图像特征的提取步骤，因而能够进一步提高获取每个图像样本的样本特征的效率。
步骤S102：根据图像特征与样本特征，获取待评估图像的质量评估指标值。
质量评估指标值表示待评估图像与训练集的匹配程度，如果待评估图像与训练集之间的匹配程度越大，则表明这个待评估图像的图像质量与训练集内图像样本的质量越接近，若采用这个待评估图像对图像目标识别模型进行模型训练，可以使图像目标识别模型得到较好的图像目标识别能力；如果待评估图像与训练集之间的匹配程度越小，则表明这个待评估图像的图像质量与训练集内图像样本的质量相差的越多，若采用这个待评估图像对图像目标识别模型进行模型训练，不会使图像目标识别模型得到较好的图像目标识别能力。因此，根据质量评估指标值的大小就可以快速评估出待评估图像的质量好坏。
步骤S103：根据质量评估指标值对待评估图像进行图像质量评估。
在获取到待评估图像的质量评估指标值之后，可以直接将质量评估指标值作为质量评分，以区分不同图像的图像质量。也可以根据质量评估指标值对图像进行分类，以区分不同图像的质量等级。一个例子：如果质量评估指标值与图像质量等级成正相关关系，那么可以设定质量评估指标值大于等于预设的指标阈值时，判定待评估图像属于优质图像，否则属于低质图像。如果质量评估指标值与图像质量等级成负相关关系，那么可以设定质量评估指标值小于等于预设的指标阈值时，判定待评估图像属于优质图像，否则属于低质图像。需要说明的是，根据质量评估指标值的类型不同，预设的指标阈值的取值可以相同，也可以不同，本领域技术人员可以根据实际需求灵活设置预设的指标阈值。
根据上述步骤S101-步骤S103可知，根据本发明实施例的图像质量评估方法，不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，能够显著提高图像质量评估的效率和准确性。同时，根据本发明实施例的图像质量评估方法也不需要考虑图像目标识别模型的识别需求，无论识别需求是否发生变化，都可以根据待评估图像与图像目标识别模型在模型训练时使用的训练集之间的匹配程度，进行准确的图像质量评估，因而能够进一步提高图像质量的评估效率。
在根据本发明的另一个实施例的图像质量评估方法中，可以通过分析待评估图像的图像特征是否符合训练集内样本特征的分布情况，进而分析待评估图像与训练集的匹配程度，获取待评估图像的质量评估指标。具体而言，参阅附图2，在本实施例中图像质量评估方法可以包括步骤S201-步骤S205，其中，步骤S201和步骤S205的具体步骤分别与前述图1所示的图像质量评估方法实施例中的步骤S101和步骤S103的具体步骤相同，为了描述简洁，在本实施例中不再对步骤S201和步骤S205的具体步骤进行赘述。
步骤S201：获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征。
步骤S202：根据每个样本特征对预设的概率分布模型进行训练，以获取特征概率分布模型。
特征概率分布模型指的是，根据训练集内样本特征的分布概率构建出的特征概率分布模型。特征概率分布模型的输入数据是特征，输出数据是概率。如果将待评估图像的图像特征输入至特征概率分布模型，那么特征概率分布模型将会输出这个图像特征对应的概率，这个概率可以表示图像特征与训练集内样本特征的匹配程度，即待评估图像与训练集的匹配程度。如果概率越大则表明待评估图像与训练集的匹配程度越大，如果概率越小则表明待评估图像与训练集的匹配程度越小，即概率与匹配程度成正相关关系。
在本实施例中可以采用常规的概率分布模型构建上述预设的概率分布模型，概率分布模型包括但不限于：高斯模型(Gaussian mode)、高斯混合模型(Gaussian mixturemodel)和非参数模型等，非参数模型指的是统计学技术领域中的非参数模型，其包括但不限于：直方图统计模型。同时，在本实施例中可以采用常规的概率分布模型训练方法对上述预设的概率分布模型进行训练，以获取特征概率分布模型。为了描述简洁，在此不再对上述概率分布模型的具体功能结构以及训练方法进行赘述。
步骤S203：采用特征概率分布模型计算图像特征对应的概率，即将待评估图像的图像特征输入至特征概率分布模型，根据特征概率分布模型的输出结果获取相应的概率。
步骤S204：根据概率获取待评估图像的质量评估指标值。
在本实施例中可以直接将概率设置为待评估图像的质量评估指标值，也可以先对概率进行数值调整，再将调整后的概率设置为待评估图像的质量评估指标值。需要说明的是，本领域技术人员可以灵活选择对概率进行数值调整的方式，数值调整的方式包括但不限于：按照固定比例增大、按照固定比例减小等。对数值调整的方式进行更改或替换后的方案都将落入本发明的保护范围之内。
步骤S205：根据质量评估指标值对待评估图像进行图像质量评估。
根据上述步骤S201-步骤S205可知，根据本发明实施例的图像质量评估方法，能够以概率的形式准确地对待评估图像与训练集之间的匹配程度进行量化，从而有利于对待评估图像的质量评估。此外，根据本发明实施例的图像质量评估方法不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，因而能够显著提高图像质量评估的效率和准确性。同时，根据本发明实施例的图像质量评估方法也不需要考虑图像目标识别模型的识别需求，无论识别需求是否发生变化，都可以根据待评估图像与图像目标识别模型在模型训练时使用的训练集之间的匹配程度，进行准确的图像质量评估，因而进一步提高了图像质量的评估效率。
在根据本发明的再一个实施例的图像质量评估方法中，可以通过分析待评估图像的图像特征与训练集内样本特征的特征距离，根据特征距离的大小来获取待评估图像的质量评估指标。具体而言，参阅附图3，在本实施例中图像质量评估方法可以包括步骤S301-步骤S305，其中，步骤S301和步骤S305的具体步骤分别与前述图1所示的图像质量评估方法实施例中的步骤S101和步骤S103的具体步骤相同，为了描述简洁，在本实施例中不再对步骤S301和步骤S305的具体步骤进行赘述。
步骤S301：获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征。
步骤S302：根据每个样本特征计算样本特征均值，即对训练集内的所有样本特征求平均值，得到样本特征均值。
步骤S303：计算图像特征与样本特征均值之间的特征距离。
特征距离可以表示图像特征与训练集内样本特征的匹配程度，即待评估图像与训练集的匹配程度。如果特征距离越小则表明待评估图像与训练集的匹配程度越大，如果特征距离越大则表明待评估图像与训练集的匹配程度越小，即特征距离与匹配程度成负相关关系。
在本实施例中可以采用数据处理技术领域中常规的特征距离计算方法来计算图像特征与样本特征均值之间的特征距离。特征距离计算方法包括但不限于：余弦距离计算方法、欧式距离(Euclidean metric)计算方法和马氏距离(Mahalanobis distance)计算方法等。为了描述简洁，在此不再对上述特征距离计算方法的具体计算过程进行赘述。
步骤S304：根据特征距离获取待评估图像的质量评估指标。
在本实施例中可以直接将特征距离设置为待评估图像的质量评估指标值，也可以先对特征距离进行数值调整，再将调整后的特征距离设置为待评估图像的质量评估指标值。一个实施方式中，可以根据下式(1)所示的方法对特征距离进行数值调整，获取质量评估指标值：
Figure BDA0002857723730000141
公式(1)中各参数含义如下：
Q(x)表示质量评估指标值，x表示图像特征与样本特征均值之间的特征距离，dmax表示根据每个样本特征与样本特征均值之间的特征距离获取到的最大特征距离，dmin表示根据每个样本特征与样本特征均值之间的特征距离获取到的最小特征距离。需要说明的是，在本实施例中同样可以采用数据处理技术领域中常规的特征距离计算方法来计算每个样本特征与样本特征之间的特征距离。同时，在本实施例中，获取“图像特征与样本特征均值之间的特征距离”的方法，与获取“每个样本特征与样本特征之间的特征距离”的方法相同。
步骤S305：根据质量评估指标值对待评估图像进行图像质量评估。
根据上述步骤S301-步骤S305可知，根据本发明实施例的图像质量评估方法，能够以特征距离的形式准确地对待评估图像与训练集之间的匹配程度进行量化，从而有利于对待评估图像的质量评估。此外，根据本发明实施例的图像质量评估方法不依赖于评估人员的主观性分析，克服了采用人工评估的方式对图像进行质量评估时很容易引入随机误差以及费时费力的缺陷，因而能够显著提高图像质量评估的效率和准确性。同时，根据本发明实施例的图像质量评估方法也不需要考虑图像目标识别模型的识别需求，无论识别需求是否发生变化，都可以根据待评估图像与图像目标识别模型在模型训练时使用的训练集之间的匹配程度，进行准确的图像质量评估，因而能够进一步提高图像质量的评估效率。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
进一步，本发明还提供了一种图像质量评估装置。
参阅附图4，图4是根据本发明的一个实施例的图像质量评估装置的主要结构框图。如图4所示，本发明实施例中的图像质量评估装置主要包括特征获取模块11、评估指标值获取模块12和图像质量评估模块13。在一些实施例中，特征获取模块11、评估指标值获取模块12和图像质量评估模块13中的一个或多个可以合并在一起成为一个模块。在一些实施例中，特征获取模块11，可以被配置成获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征。评估指标值获取模块12可以被配置成根据图像特征与样本特征，获取待评估图像的质量评估指标值。图像质量评估模块13可以被配置成根据质量评估指标值对待评估图像进行图像质量评估。其中，预设的训练集是预设的图像目标识别模型在模型训练时使用的训练集，质量评估指标值表示待评估图像与训练集的匹配程度。一个实施方式中，具体实现功能的描述可以参见步骤S101-步骤S103所述。
一个实施方式中，评估指标值获取模块12可以包括第一评估指标值获取子模块。在本实施方式中，第一评估指标值获取子模块可以包括特征概率分布模型获取单元、概率计算单元和第一评估指标值获取单元。特征概率分布模型获取单元可以被配置成使用样本特征对预设的概率分布模型进行训练，得到特征概率分布模型。概率计算单元可以被配置成采用特征概率分布模型计算图像特征对应的概率。第一评估指标值获取单元可以被配置成根据概率获取待评估图像的质量评估指标值。其中，概率与匹配程度成正相关关系。一个实施方式中，具体实现功能的描述可以参见步骤S201-步骤S205所述。
一个实施方式中，评估指标值获取模块12可以包括第二评估指标值获取子模块。在本实施方式中，第二评估指标值获取子模块可以包括特征均值计算单元、特征距离计算单元和第二评估指标值获取单元。特征均值计算单元可以被配置成根据每个样本特征计算样本特征均值。特征距离计算单元可以被配置成计算图像特征与样本特征均值之间的特征距离。第二评估指标值获取单元可以被配置成根据特征距离获取待评估图像的质量评估指标值；其中，特征距离与匹配程度成负相关关系。一个实施方式中，具体实现功能的描述可以参见步骤S301-步骤S305所述。
一个实施方式中，第二评估指标值获取单元可以被进一步配置成根据特征距离并且按照公式(1)所述的方法获取质量评估指标值。一个实施方式中，具体实现功能的描述可以参见步骤S304所述。
一个实施方式中，特征获取模块11可以包括第一特征获取子模块和/或第二特征获取子模块。在本实施方式中，
第一特征获取子模块可以被配置成执行以下操作：采用预设的图像目标识别模型分别对每个图像样本进行图像目标检测；获取预设的图像目标识别模型分别对每个图像样本进行图像目标检测时提取到的第一图像特征，将第一图像特征设定为每个图像样本的样本特征。第二特征获取子模块可以被配置成执行以下操作：采用预设的图像目标识别模型分别对每个图像样本进行图像目标检测；根据图像目标检测的结果获取每个图像样本中图像目标的位置和大小；根据图像目标的位置和大小，分别提取每个图像样本中相应区域处的第二图像特征，将第二图像特征设定为每个图像样本的样本特征。一个实施方式中，具体实现功能的描述可以参见步骤S101所述。
上述图像质量评估装置以用于执行图1-3所示的图像质量评估方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，图像质量评估装置的具体工作过程及有关说明，可以参考图像质量评估方法的实施例所描述的内容，此处不再赘述。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的图像质量评估方法的程序，该程序可以由处理器加载并运行以实现上述图像质量评估方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的图像质量评估方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的图像质量评估方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的系统的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对系统中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (12)

1.一种图像质量评估方法，其特征在于，所述方法包括：
获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征；
根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值；
根据所述质量评估指标值对所述待评估图像进行图像质量评估；
其中，所述预设的训练集用于训练预设的图像目标识别模型，所述图像目标识别模型用于识别所述待评估图像中的目标，所述质量评估指标值表示所述待评估图像与所述训练集的匹配程度。
2.根据权利要求1所述的图像质量评估方法，其特征在于，“根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值”的步骤具体包括：
使用所述样本特征对预设的概率分布模型进行训练，得到特征概率分布模型；
采用所述特征概率分布模型计算所述图像特征对应的概率；
根据所述概率获取所述待评估图像的质量评估指标值；
其中，所述概率与所述匹配程度成正相关关系。
3.根据权利要求1所述的图像质量评估方法，其特征在于，“根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值”的步骤具体包括：
根据每个所述样本特征计算样本特征均值；
计算所述图像特征与所述样本特征均值之间的特征距离；
根据所述特征距离获取所述待评估图像的质量评估指标值；
其中，所述特征距离与所述匹配程度成负相关关系。
4.根据权利要求3所述的图像质量评估方法，其特征在于，“根据所述特征距离获取所述待评估图像的质量评估指标值”的步骤具体包括：
根据所述特征距离并且按照下式所述的方法获取质量评估指标值：
Figure FDA0002857723720000021
其中，所述Q(x)表示质量评估指标值，所述x表示图像特征与样本特征均值之间的特征距离，所述dmax表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最大特征距离，所述dmin表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最小特征距离。
5.根据权利要求1至4中任一项所述的图像质量评估方法，其特征在于，“获取预设的训练集内每个图像样本的样本特征”的步骤具体包括：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
获取所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测时提取到的第一图像特征，将所述第一图像特征设定为每个所述图像样本的样本特征；
并且/或者，
“获取预设的训练集内每个图像样本的样本特征”的步骤具体包括：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
根据图像目标检测的结果获取每个所述图像样本中图像目标的位置和大小；
根据所述图像目标的位置和大小，分别提取每个所述图像样本中相应区域处的第二图像特征，将所述第二图像特征设定为每个所述图像样本的样本特征。
6.一种图像质量评估装置，其特征在于，所述装置包括：
特征获取模块，其被配置成获取待评估图像的图像特征以及获取预设的训练集内每个图像样本的样本特征；
评估指标值获取模块，其被配置成根据所述图像特征与所述样本特征，获取所述待评估图像的质量评估指标值；
图像质量评估模块，其被配置成根据所述质量评估指标值对所述待评估图像进行图像质量评估；
其中，所述预设的训练集用于训练预设的图像目标识别模型，所述图像目标识别模型用于识别所述待评估图像中的目标，所述质量评估指标值表示所述待评估图像与所述训练集的匹配程度。
7.根据权利要求6所述的图像质量评估装置，其特征在于，所述评估指标值获取模块包括第一评估指标值获取子模块，所述第一评估指标值获取子模块包括特征概率分布模型获取单元、概率计算单元和第一评估指标值获取单元；
所述特征概率分布模型获取单元被配置成使用所述样本特征对预设的概率分布模型进行训练，得到特征概率分布模型；
所述概率计算单元被配置成采用所述特征概率分布模型计算所述图像特征对应的概率；
所述第一评估指标值获取单元被配置成根据所述概率获取所述待评估图像的质量评估指标值；
其中，所述概率与所述匹配程度成正相关关系。
8.根据权利要求6所述的图像质量评估装置，其特征在于，所述评估指标值获取模块包括第二评估指标值获取子模块，所述第二评估指标值获取子模块包括特征均值计算单元、特征距离计算单元和第二评估指标值获取单元；
所述特征均值计算单元被配置成根据每个所述样本特征计算样本特征均值；
所述特征距离计算单元被配置成计算所述图像特征与所述样本特征均值之间的特征距离；
所述第二评估指标值获取单元被配置成根据所述特征距离获取所述待评估图像的质量评估指标值；
其中，所述特征距离与所述匹配程度成负相关关系。
9.根据权利要求8所述的图像质量评估装置，其特征在于，所述第二评估指标值获取单元被进一步配置成根据所述特征距离并且按照下式所述的方法获取质量评估指标值：
Figure FDA0002857723720000041
其中，所述Q(x)表示质量评估指标值，所述x表示图像特征与样本特征均值之间的特征距离，所述dmax表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最大特征距离，所述dmin表示根据每个所述样本特征与所述样本特征均值之间的特征距离获取到的最小特征距离。
10.根据权利要求6至9中任一项所述的图像质量评估装置，其特征在于，所述特征获取模块包括第一特征获取子模块和/或第二特征获取子模块；
所述第一特征获取子模块被配置成执行以下操作：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
获取所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测时提取到的第一图像特征，将所述第一图像特征设定为每个所述图像样本的样本特征；
所述第二特征获取子模块被配置成执行以下操作：
采用所述预设的图像目标识别模型分别对每个所述图像样本进行图像目标检测；
根据图像目标检测的结果获取每个所述图像样本中图像目标的位置和大小；
根据所述图像目标的位置和大小，分别提取每个所述图像样本中相应区域处的第二图像特征，将所述第二图像特征设定为每个所述图像样本的样本特征。
11.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的图像质量评估方法。
12.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的图像质量评估方法。
CN202011550364.9A 2020-12-24 2020-12-24 图像质量评估方法、装置以及计算机可读存储介质 Active CN112614109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011550364.9A CN112614109B (zh) 2020-12-24 2020-12-24 图像质量评估方法、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011550364.9A CN112614109B (zh) 2020-12-24 2020-12-24 图像质量评估方法、装置以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112614109A true CN112614109A (zh) 2021-04-06
CN112614109B CN112614109B (zh) 2024-06-07

Family

ID=75244732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011550364.9A Active CN112614109B (zh) 2020-12-24 2020-12-24 图像质量评估方法、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112614109B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128522A (zh) * 2021-05-11 2021-07-16 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN116593128A (zh) * 2023-04-28 2023-08-15 南京贝迪新材料科技股份有限公司 一种激光显示质量检测分析方法及系统
CN117455903A (zh) * 2023-12-18 2024-01-26 深圳市焕想科技有限公司 一种基于图像处理技术的体育器械状态评估方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN108205645A (zh) * 2016-12-20 2018-06-26 中国科学院沈阳自动化研究所 一种异源图像匹配系统的基准图质量评价方法
CN108229674A (zh) * 2017-02-21 2018-06-29 北京市商汤科技开发有限公司 聚类用神经网络的训练方法和装置、聚类方法和装置
CN108269254A (zh) * 2018-01-17 2018-07-10 百度在线网络技术（北京）有限公司 图像质量评估方法和装置
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN108550152A (zh) * 2018-04-20 2018-09-18 浙江科技学院 基于深度特征感知推理的全参考图像质量客观评价方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN110263697A (zh) * 2019-06-17 2019-09-20 哈尔滨工业大学（深圳） 基于无监督学习的行人重识别方法、装置及介质
CN110472675A (zh) * 2019-07-31 2019-11-19 Oppo广东移动通信有限公司 图像分类方法、图像分类装置、存储介质与电子设备
CN110782445A (zh) * 2019-10-25 2020-02-11 北京华捷艾米科技有限公司 无参考图像质量评价方法及系统
CN110858394A (zh) * 2018-08-20 2020-03-03 深圳云天励飞技术有限公司 一种图像质量评估方法、装置、电子设备及计算机可读存储介质
CN111260665A (zh) * 2020-01-17 2020-06-09 北京达佳互联信息技术有限公司 图像分割模型训练方法和装置
CN111476279A (zh) * 2020-03-24 2020-07-31 平安银行股份有限公司 基于相似程度值的识别方法、装置和计算机设备
CN111626371A (zh) * 2020-05-29 2020-09-04 歌尔科技有限公司 一种图像分类方法、装置、设备及可读存储介质
CN111738269A (zh) * 2020-08-25 2020-10-02 北京易真学思教育科技有限公司 模型训练方法、图像处理方法及装置、设备、存储介质
CN111738270A (zh) * 2020-08-26 2020-10-02 北京易真学思教育科技有限公司 模型生成方法、装置、设备和可读存储介质
CN111814760A (zh) * 2020-08-24 2020-10-23 湖南视觉伟业智能科技有限公司 人脸识别方法及系统
CN111859790A (zh) * 2020-07-08 2020-10-30 大连理工大学 一种基于图像特征学习的曲线加筋结构布局智能设计方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446754A (zh) * 2015-08-11 2017-02-22 阿里巴巴集团控股有限公司 图像识别方法、度量学习方法、图像来源识别方法及装置
CN108205645A (zh) * 2016-12-20 2018-06-26 中国科学院沈阳自动化研究所 一种异源图像匹配系统的基准图质量评价方法
CN108229674A (zh) * 2017-02-21 2018-06-29 北京市商汤科技开发有限公司 聚类用神经网络的训练方法和装置、聚类方法和装置
CN108288027A (zh) * 2017-12-28 2018-07-17 新智数字科技有限公司 一种图像质量的检测方法、装置及设备
CN108269254A (zh) * 2018-01-17 2018-07-10 百度在线网络技术（北京）有限公司 图像质量评估方法和装置
CN108550152A (zh) * 2018-04-20 2018-09-18 浙江科技学院 基于深度特征感知推理的全参考图像质量客观评价方法
CN110858394A (zh) * 2018-08-20 2020-03-03 深圳云天励飞技术有限公司 一种图像质量评估方法、装置、电子设备及计算机可读存储介质
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN110046652A (zh) * 2019-03-18 2019-07-23 深圳神目信息技术有限公司 人脸质量评估方法、装置、终端及可读介质
CN110263697A (zh) * 2019-06-17 2019-09-20 哈尔滨工业大学（深圳） 基于无监督学习的行人重识别方法、装置及介质
CN110472675A (zh) * 2019-07-31 2019-11-19 Oppo广东移动通信有限公司 图像分类方法、图像分类装置、存储介质与电子设备
CN110782445A (zh) * 2019-10-25 2020-02-11 北京华捷艾米科技有限公司 无参考图像质量评价方法及系统
CN111260665A (zh) * 2020-01-17 2020-06-09 北京达佳互联信息技术有限公司 图像分割模型训练方法和装置
CN111476279A (zh) * 2020-03-24 2020-07-31 平安银行股份有限公司 基于相似程度值的识别方法、装置和计算机设备
CN111626371A (zh) * 2020-05-29 2020-09-04 歌尔科技有限公司 一种图像分类方法、装置、设备及可读存储介质
CN111859790A (zh) * 2020-07-08 2020-10-30 大连理工大学 一种基于图像特征学习的曲线加筋结构布局智能设计方法
CN111814760A (zh) * 2020-08-24 2020-10-23 湖南视觉伟业智能科技有限公司 人脸识别方法及系统
CN111738269A (zh) * 2020-08-25 2020-10-02 北京易真学思教育科技有限公司 模型训练方法、图像处理方法及装置、设备、存储介质
CN111738270A (zh) * 2020-08-26 2020-10-02 北京易真学思教育科技有限公司 模型生成方法、装置、设备和可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PENG YE: "Active Sampling for Subjective Image Quality Assessment", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 25 September 2014 (2014-09-25) *
刘桂荣: "基于质量评价的目标识别算法研究", 《中国优秀硕士论文全文数据库》, 15 January 2020 (2020-01-15) *
张光华;王福豹;段渭军;: "一种针对GAN生成的天文图像评价方法研究", 计算机仿真, no. 01 *
张光华;王福豹;段渭军;: "一种针对GAN生成的天文图像评价方法研究", 计算机仿真, no. 01, 15 January 2020 (2020-01-15) *
王爱芳;杜培明;王高;: "一种基于萤火虫和SVM的图像检索相关反馈方法", 小型微型计算机系统, no. 08, 15 August 2017 (2017-08-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128522A (zh) * 2021-05-11 2021-07-16 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN113128522B (zh) * 2021-05-11 2024-04-05 四川云从天府人工智能科技有限公司 目标识别方法、装置、计算机设备和存储介质
CN116593128A (zh) * 2023-04-28 2023-08-15 南京贝迪新材料科技股份有限公司 一种激光显示质量检测分析方法及系统
CN117455903A (zh) * 2023-12-18 2024-01-26 深圳市焕想科技有限公司 一种基于图像处理技术的体育器械状态评估方法

Also Published As

Publication number Publication date
CN112614109B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN109886997B (zh) 基于目标检测的识别框确定方法、装置及终端设备
CN112614109B (zh) 图像质量评估方法、装置以及计算机可读存储介质
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
CN110047095B (zh) 基于目标检测的跟踪方法、装置及终端设备
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN110689555B (zh) 基于前景检测的kcf跟踪目标丢失检测方法及系统
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
KR20180109658A (ko) 영상 처리 방법과 장치
CN111047624A (zh) 图像弱小目标检测方法、装置、设备及存储介质
CN110766711A (zh) 一种视频镜头分割方法、系统、装置和存储介质
CN108830204B (zh) 面对目标的监控视频中异常检测方法
CN112528868A (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN113661497A (zh) 一种匹配方法、装置、电子设备及计算机可读存储介质
CN114332781A (zh) 一种基于深度学习的智能车牌识别方法及系统
CN110889817A (zh) 图像融合质量评价方法及装置
CN114495025A (zh) 一种车辆识别方法、装置、电子设备及存储介质
CN112926695A (zh) 基于模板匹配的图像识别方法和系统
CN101131733A (zh) 一种自适应目标定位方法
CN111242051A (zh) 一种车辆识别优化方法、装置及存储介质
CN115984178A (zh) 伪造图像检测方法、电子设备和计算机可读存储介质
CN116129195A (zh) 图像质量评价装置、方法、电子设备和存储介质
CN110580706A (zh) 一种视频背景模型的提取方法及装置
CN114399491A (zh) 人脸图像质量评估方法、装置以及计算机可读存储介质
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质

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
GR01 Patent grant