CN113379733B

CN113379733B - 无参考图像质量评价的分块标签权重度量方法及设备

Info

Publication number: CN113379733B
Application number: CN202110773613.9A
Authority: CN
Inventors: 杨俊丰; 李小龙; 符静; 史长发
Original assignee: Hunan University of Technology
Current assignee: Hunan University of Technology
Priority date: 2021-07-08
Filing date: 2021-07-08
Publication date: 2022-06-17
Anticipated expiration: 2041-07-08
Also published as: CN113379733A

Abstract

本公开实施例中提供了一种无参考图像质量评价的分块标签权重度量方法及设备，属于图像处理技术领域，具体包括：将目标图像输入评分预测网络，得到多个相同规格的图像块和初始化标签权重；提取每个图像块对应的图像特征；将全部图像特征训练标签权重优化网络，得到每个图像块对应的目标标签权重；根据预设算法计算目标图像的客观质量分与主观质量分的相关度；判断相关度是否大于或等于阈值；若是，则选定目标标签权重为指导标签权重；若否，则更新目标标签权重。通过本公开的方案，标签权重优化网络对评分预测网络提取的图像特征进行加权指导，二者相互结合为质量分数的预测提供了更高的可靠性，提高了图像质量评价精准度和权重优化度。

Description

无参考图像质量评价的分块标签权重度量方法及设备

技术领域

本公开实施例涉及图像处理技术领域，尤其涉及一种无参考图像质量评价的分块标签权重度量方法及设备。

背景技术

目前，图像的感知质量是许多图像处理任务或图像相关应用中的基本度量。图像质量评价方法分为三类：全参考、半参考和无参考。在实际场景中，由于难以获得无失真参考图像的限制，无参考图像质量评价是优选的方法。基于深度学习的无参考图像质量评价方法是研究的热点。这些方法通常需要大量数据进行模型训练，而现有的相关数据集无法满足这一需求，且现有的图像质量感知方法，采用图像块质量分数分配策略，该方法存在图像块标签不准确的问题，或者，使用结构相似度和均方误差训练一条多项式曲线，该曲线表示图像块局部质量相对于整幅图像的主观质量分数的拟合，但是该方法需要参考图像，对图像预测的精度较低。

可见，亟需一种对图像质量评价精确且权重优化度高的无参考图像质量评价的分块标签权重度量方法。

发明内容

有鉴于此，本公开实施例提供一种无参考图像质量评价的分块标签权重度量方法及设备，至少部分解决现有技术中存在图像质量评价精准度和权重优化度较差的问题的问题。

第一方面，本公开实施例提供了一种无参考图像质量评价的分块标签权重度量方法，包括：

将目标图像输入评分预测网络，得到多个相同规格的图像块和每个所述图像块对应的初始化标签权重；

将全部所述图像块和全部所述初始化标签权重输入目标模型，提取每个所述图像块对应的图像特征；

将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重，其中，所述标签权重优化网络包括所述目标模型和全连接层；

将全部所述图像特征和全部所述目标标签权重输入所述评分预测网络，根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度；

判断所述客观质量分与主观质量分的相关度是否大于或等于阈值；

若所述客观质量分与主观质量分的相关度大于或等于所述阈值，则选定所述目标标签权重为指导标签权重；

若所述客观质量分与主观质量分的相关度小于所述阈值，则更新所述目标标签权重，并重新将更新后的目标标签权重输入所述评分预测网络，直到所述质量分大于或等于所述阈值。

根据本公开实施例的一种具体实现方式，所述目标模型包括多个卷积层和多个池化层，其中，所述池化层的数量等于所述卷积层的数量，所述池化层的输出个数等于所述卷积层的深度。

根据本公开实施例的一种具体实现方式，所述判断所述客观质量分与主观质量分的相关度是否大于或等于阈值的步骤之前，所述方法还包括：

计算多张样本图像的质量分，并取全部所述样本图像的质量分的平均值作为所述阈值。

根据本公开实施例的一种具体实现方式，所述根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度的步骤之前，所述方法还包括：

根据目标算法计算所述目标图像的客观质量分，其中，所述目标算法为

其中，S_pi表示第i个图像块的质量分数，W_pi表示第i个图像块的标签权重。

根据本公开实施例的一种具体实现方式，所述将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重的步骤，包括：

冻结所述目标模型中所有层的参数；

将全部所述图像特征训练所述全连接层，得到每个所述图像块对应的目标标签权重。

根据本公开实施例的一种具体实现方式，所述更新所述目标标签权重的步骤，包括：

将全部所述图像块和全部所述图形块对应的目标标签权重输入目标模型，提取每个所述图像块对应的更新后的图像特征；

将全部所述更新后的图像特征训练所述标签权重优化网络，得到所述更新后的目标标签权重。

第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的无参考图像质量评价的分块标签权重度量方法。

本公开实施例中的无参考图像质量评价的分块标签权重度量方案，包括：将目标图像输入评分预测网络，得到多个相同规格的图像块和每个所述图像块对应的初始化标签权重；将全部所述图像块和全部所述初始化标签权重输入目标模型，提取每个所述图像块对应的图像特征；将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重，其中，所述标签权重优化网络包括所述目标模型和全连接层；将全部所述图像特征和全部所述目标标签权重输入所述评分预测网络，根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度；判断所述客观质量分与主观质量分的相关度是否大于或等于阈值；若所述客观质量分与主观质量分的相关度大于或等于所述阈值，则选定所述目标标签权重为指导标签权重；若所述客观质量分与主观质量分的相关度小于所述阈值，则更新所述目标标签权重，并重新将更新后的目标标签权重输入所述评分预测网络，直到所述客观质量分与主观质量分的相关度大于或等于所述阈值。

本公开实施例的有益效果为：通过本公开的方案，将目标图像分割为图像块，并分别计算每个图像块的图像特征和标签权重，并进行迭代训练得出更优的标签权重，标签权重优化网络对评分预测网络提取的图像特征进行加权指导，二者相互结合为质量分数的预测提供了更高的可靠性，提高了图像质量评价精准度和权重优化度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。

图1为本公开实施例提供的一种无参考图像质量评价的分块标签权重度量方法的流程示意图；

图2为本公开实施例提供的一种无参考图像质量评价的分块标签权重度量方法涉及的具体实施例的流程示意图；

图3为本公开实施例提供的一种无参考图像质量评价的分块标签权重度量方法涉及的目标模型的结构示意图；

图4为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

目前，图像的感知质量是许多图像处理任务或图像相关应用中的基本度量。图像质量评价方法分为三类：全参考、半参考和无参考。在实际场景中，由于难以获得无失真参考图像的限制，无参考图像质量评价是优选的方法。近年来，基于深度学习的无参考图像质量评价方法是研究的热点。这些方法通常需要大量数据进行模型训练，而现有的相关数据集无法满足这一需求。为了提升图像质量评价模型的预测精度和泛化能力，研究者提出将图像分割成小块，并为每个图像块分配与对应图像相同的感知质量分数。然而，这一图像块质量分数分配策略并不符合人类视觉系统的感知特性，由于人类视觉系统的掩蔽效应等因素，图像块的局部质量并不等同于整幅图像的质量。为了克服图像块标签不准确的问题，学者们开始研究利用全参考方法来衡量图像块的局部质量。有人使用结构相似度和均方误差训练一条多项式曲线，该曲线表示图像块局部质量相对于整幅图像的主观质量分数的拟合。通过将图像块局部质量与整幅图像的主观质量分数进行拟合，有效减少了以整幅图像主观质量评分作为图像块标签的误差。然而，对具有局部失真的图像的预测精度仍然较差。此外，使用FR方法作为图像块标签的缺点是在许多实际应用中很难获得参考图像。

本公开实施例提供一种无参考图像质量评价的分块标签权重度量方法，所述方法可以应用于图像处理场景中的图像质量评分与权重优化过程。

参见图1，为本公开实施例提供的一种无参考图像质量评价的分块标签权重度量方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，将目标图像输入评分预测网络，得到多个相同规格的图像块和每个所述图像块对应的初始化标签权重；

具体实施时，可以选用卷积神经网络作为所述评分预测网络，以实现自动学习的功能，当需要对一张失真图像进行质量评分预测时，可以将失真图像作为所述目标图像，然后将所述目标图像输入所述评分预测网络，所述评分预测网络将把它分成若干个没有重叠的且具有相同尺寸大小的图像块，并且可以对每个所述图像块的对应的标签权重进行初始化，得到所述初始化标签权重，具体的，所述初始化标签权重可以为所述目标图像的标签分数。

S102，将全部所述图像块和全部所述初始化标签权重输入目标模型，提取每个所述图像块对应的图像特征；

具体实施时，所述目标模型可以是通过预先训练卷积神经网络得到的图像提取模型，将全部所述图像块和全部所述初始化标签权重输入目标模型，提取每个所述图像块对应的图像特征，例如，所述评分预测网络将所述目标图像分割成若干个没有重叠的且具有相同尺寸大小的图像块{I_p1,I_p2,I_p3,...,I_pn}，然后将全部所述图像块和全部所述初始化标签权重输入所述目标模型，利用神经网络模型学习全部所述图像块的特征{F_p1,F_p2,F_p3,...,F_pn}。

S103，将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重，其中，所述标签权重优化网络包括所述目标模型和全连接层；

具体的，所述标签权重优化网络也需要通过所述目标模型和全连接层对标签权重进行训练。考虑到不同图像块的特征对整体图像的质量感知具有不同影响程度，而所述初始化标签权重跟所述目标图像的标签分数均相同，可以选择使用标签权重优化网络对图像块的特征进行加权指导，从而得到每个所述图像块对应的目标标签权重。

S104，将全部所述图像特征和全部所述目标标签权重输入所述评分预测网络，根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度；

具体实施时，在经过所述标签权重优化网络训练得到所述目标标签权重后，可以将全部所述图像特征和全部所述目标标签权重输入所述评分预测网络，根据预设算法，计算每个所述图像块对应的预测评分，例如可以特征{F_p1,F_p2,F_p3,...,F_pn}回归得到每个所述图像块的评分{S_p1,S_p2,S_p3,...,S_pn}，再结合每个所述图像块对应的目标标签权重，计算得到所述目标图像的质量分。例如，所述预设算法，其公式可以为

式中，N表示数据集中失真图像的数目；X_i表示第i张图像的人类主观分数序列排名与客观预测分数序列排名的差值。

S105，判断所述客观质量分与主观质量分的相关度是否大于或等于阈值；

具体实施时，根据每个所述图像块的图像特征结合每个所述图像块的标签权重进行加权指导，计算得到所述目标图像的质量分后，可以将所述质量分与所述阈值进行比对，从而确定下一步操作流程。当然，所述质量分可以根据图像处理及测量的精度需要设置不同的值。

若所述客观质量分与主观质量分的相关度大于或等于所述阈值，则执行步骤S106，选定所述目标标签权重为指导标签权重；

例如，若所述客观质量分与主观质量分的相关度为0.90，所述阈值为0.90，则可以认定通过所述目标标签权重对所述图像块的加权指导得到最优的图像质量以及更符合人类视觉系统的图像块特征，可以将所述目标标签权重设定为所述指导标签权重。

若所述客观质量分与主观质量分的相关度小于所述阈值，则执行步骤S107，更新所述目标标签权重，并重新将更新后的目标标签权重输入所述评分预测网络，直到所述客观质量分与主观质量分的相关度大于或等于所述阈值。

例如，若所述客观质量分与主观质量分的相关度为0.7，所述阈值为0.9，则可以判定通过所述目标标签权重对所述图像块的加权指导还没有最优的图像质量或者更符合人类视觉系统的图像块特征，则还需要进一步对所述目标标签权重进行调整和校正，然后重新将更新后的目标标签权重输入所述评分预测网络，直到所述客观质量分与主观质量分的相关度大于或等于所述阈值时，就将当前的标签权重设定为所述指导标签权重。

下面将结合一个具体实施例对本方案进行说明，如图2所示，首先，建立图像块的“初始化”质量分数和整幅图像的主观质量分数之间的映射关系。更具体地，基于卷积神经网络，预测各个图像块的质量分数，通过将所有图像块的“初始化”质量分数汇集在一起，得到整幅图像的客观质量分数。其次，基于第一步中的卷积神经网络学习得到的图像特征以及模型，通过冻结模型的全部卷积层，只训练全连接层，优化各个图像块的标签权重分配，使其更符合人眼的视觉感知特性。然后，将新学习得到的图像块标签权重，作为第一步中的卷积神经网络的输入，重新训练图像块的特征。不断迭代这一过程，最终得到更优的图像分块标签权重，进而得到更接近主观质量分数的客观质量预测结果。

本实施例提供的无参考图像质量评价的分块标签权重度量方法，通过将目标图像分割为图像块，并分别计算每个图像块的图像特征和标签权重，并进行迭代训练得出更优的标签权重，标签权重优化网络对评分预测网络提取的图像特征进行加权指导，二者相互结合为质量分数的预测提供了更高的可靠性，提高了图像质量评价精准度和权重优化度。

在上述实施例的基础上，如图3所示，所述目标模型包括多个卷积层和多个池化层，其中，所述池化层的数量等于所述卷积层的数量，所述池化层的输出个数等于所述卷积层的深度。

例如，所述目标模型可以由10个卷积层、5个最大池化层和2个全连接层组成，具体的，可以包括：

第一卷积层(Conv1和Conv2)，卷积核为3X3，深度为32；

最大池化层(Maxpool)，输出大小1X1的特征图，输出个数为32；

第二卷积层(Conv3和Conv4)，卷积核为3X3，深度为64；

最大池化层(Maxpool)，输出大小1X1的特征图，输出个数为64；

第三卷积层(Conv5和Conv6)，卷积核为3X3，深度为128；

最大池化层(Maxpool)，输出大小1X1的特征图，输出个数为128；

第四卷积层(Conv7和Conv8)，卷积核为3X3，深度为256；

最大池化层(Maxpool)，输出大小1X1的特征图，输出个数为256；

第五卷积层(Conv9和Conv10)，卷积核为3X3，深度为512；

最大池化层(Maxpool)，输出大小1X1的特征图，输出个数为512；

第一全连接层(FC1)，输入个数为512，输出个数为512；

第二全连接层(FC2)，输入个数为512，输出个数为1。当然，所述目标模型的结构设置可以根据所述目标图像的大小以及所述图像块的数量进行调整，例如在所述图像图像过大时可以设置更多的卷积层和池化层，以保证处理精度。

可选的，步骤S105所述的，判断所述客观质量分与主观质量分的相关度是否大于或等于阈值之前，所述方法还包括：

具体实施时，可以选取多张未失真图像作为所述样本图像，然后计算全部所述样本图像的质量分，并取全部所述样本图像的质量分的平均值作为所述阈值。当然，也可以根据实际的需要在所述阈值的基础上进行调整。

可选的，步骤S104所述的，根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度的步骤之前，所述方法还包括：

具体的，所述评分预测网络预测每个图像块的质量分数S_pi。基于图像块质量分数S_pi和图像块初始化标签权重W_pi，在得到更优的图像块标签权重和更符合人类视觉系统的图像块特征后，根据所述预设算法可得到整幅图像的客观质量分数。

在上述实施例的基础上，步骤S103所述的，将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重，包括：

冻结所述目标模型中所有层的参数；

具体实施时，考虑到在训练得到每个所述图像块对应的目标标签权重过程中需要保持其他参数和数据不变，可以先冻结所述目标模型中所有层的参数，然后再将全部所述图像特征训练所述全连接层，得到每个所述图像块对应的目标标签权重，以保证所述目标权重的稳定性和精确性。

在上述实施例的基础上，步骤S107所述的，更新所述目标标签权重，包括：

具体实施时，当所述质量分小于所述阈值时，则代表所述目标标签权重加权指导下的图像特征还不是最符合人类视觉系统的，还需要对所述目标标签权重进行进一步的校正，则可以将全部所述图像块和全部所述图形块对应的目标标签权重输入目标模型，提取每个所述图像块对应的更新后的图像特征，然后将全部所述更新后的图像特征训练所述标签权重优化网络，得到所述更新后的目标标签权重，可以通过不断的迭代训练过程，得到符合要求的目标标签权重。

参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的无参考图像质量评价的分块标签权重度量方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的无参考图像质量评价的分块标签权重度量方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的无参考图像质量评价的分块标签权重度量方法。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims

1.一种无参考图像质量评价的分块标签权重度量方法，其特征在于，包括：

将全部所述图像块和全部所述初始化标签权重输入所述评分预测网络的目标模型，提取每个所述图像块对应的图像特征；

冻结所述标签权重优化网络目标模型中所有层的参数，将全部所述图像特征训练全连接层，得到每个所述图像块对应的目标标签权重，其中，所述标签权重优化网络包括所述目标模型和全连接层；

若所述客观质量分与主观质量分的相关度小于所述阈值，则更新所述目标标签权重，并重新将更新后的目标标签权重输入所述评分预测网络，直到所述客观质量分与主观质量分的相关度大于或等于所述阈值。

2.根据权利要求1所述的方法，其特征在于，所述目标模型包括多个卷积层和多个池化层，其中，所述池化层的数量等于所述卷积层的数量，所述池化层的输出个数等于所述卷积层的深度。

3.根据权利要求1所述的方法，其特征在于，所述判断所述客观质量分与主观质量分的相关度是否大于或等于阈值的步骤之前，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度的步骤之前，所述方法还包括：

5.根据权利要求1所述的方法，其特征在于，所述更新所述目标标签权重的步骤，包括：

将全部所述图像块和全部所述图形块对应的目标标签权重输入所述评分预测网络目标模型，提取每个所述图像块对应的更新后的图像特征；

6.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的无参考图像质量评价的分块标签权重度量方法。