具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
图1为本公开实施例提供的一种图像检测方法的流程示意图,该方法可以由图像检测装置执行,其中该装置可由软件和/或硬件实现,一般可集成在电子设备中。所述电子设备可以为手机、智能手表、平板电脑以及个人数字助理等移动设备;也可为台式计算机等其他设备。如图1所示,该方法包括:
步骤101、获取待检测的目标图像。
本公开实施例中,目标图像可以理解为需要进行检测的图像,目标图像的具体来源不做限定。目标图像可以来自于图片文件;也可以来自于视频文件,例如目标图像为视频文件中的视频帧图像。目标图像的获取方式不做限定,可以从电子设备本地获取,也可以从网络或其他设备处获取。
步骤102、将目标图像输入至预设图像检测模型中,其中,预设图像检测模型通过利用预设样本对集合对包含孪生网络的预设神经网络模型进行训练后得到,孪生网络中包括结构相同且共享权重的两个分支网络,每个分支网络用于输出输入至分支网络的图像的色彩质量分值和图像损伤类别,预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,样本对集合中包含至少两个对应于不同图像损伤类别的样本对。
本公开实施例中,待训练的预设神经网络模型可以理解为根据实际需求设计的初始模型,预设神经网络模型中包括孪生网络。孪生网络一般指存在两个网络,每个网络记为分支网络,这两个分支网络的结构相同,且权重是共享的,也即权重参数值相同。这两个分支网络可分别记为第一分支网络和第二分支网络,其具体结构不做限定,其作用是对输入的图像进行特征提取并进一步输出图像的色彩质量分值和图像损伤类别,也即孪生网络可以是多任务孪生网络。其中,色彩质量分值可以理解为用于评价图像的色彩质量的分数;图像损伤类别可以理解为图像所存在的图像损伤的类型,具体类别划分方式不做限定。可选的,预设神经网络模型中还可以包含其他网络结构,本公开实施例对此不做限定。
示例性的,用于对预设神经网络模型进行训练的预设样本对集合中包含多个样本对,可以根据实际需求预先生成。每个样本对中包括两个样本图像,可以基于同一预设原始图像生成。其中,预设原始图像可以是预先筛选的可视为无损伤的图像,例如,可以从开源的专家提供内容(Professional-generated content,PGC)数据集中进行选取。
作为一种实施方式,样本对的生成方式可以是,在同一预设原始图像基础上(预设原始图像可以被复制成两个相同的图像)分别添加同一图像损伤类别的不同损伤程度的图像损伤,将得到的两个图像作为一个样本对,加入预设样本对集合中。
作为另一种实施方式,样本对的生成方式可以是,对于每个预设原始图像,针对每种图像损伤类别(预设原始图像可以被复制成多个相同的图像,与得到的样本图像集的数量一致),分别添加不同损伤程度的图像损伤,得到当前预设原始图像对应的不同图像损伤类别分别对应的样本图像集。针对当前预设原始图像对应的当前图像损伤类别对应的样本图像集,对样本图像进行两两组合,得到多个样本对。将多个预设原始图像分别对应的两两组合后形成的多个样本对进行收集,得到预设样本对集合。
示例性的,针对预设原始图像A,经过复制得到3个相同的图像A,以图像损伤类别为对比度为例,对3个图像A分别进行提升10%对比度、提升20%对比度以及提升30%对比度,生成损伤程度不同的3个样本图像,得到包含该3个样本图像的样本图像集,分别记为图像A1、图像A2和图像A3,两两组合后,可得到3个样本对,图像A1和图像A2、图像A1和图像A3、以及图像A2和图像A3。
步骤103、根据预设图像检测模型的输出结果,确定目标图像对应的目标色彩质量分值和目标图像损伤类别。
示例性的,目标色彩质量分值可以理解为目标图像的色彩质量分值,目标图像损伤类别可以理解为目标图像的图像损伤类别。预设图像检测模型的输出结果中可以直接包含目标色彩质量分值和目标图像损伤类别,也可以在输出结果基础上进行进一步的相关计算,得到目标色彩质量分值和目标图像损伤类别。
本公开实施例中提供的图像检测方案,获取待检测的目标图像,将目标图像输入至预设图像检测模型中,其中,预设图像检测模型通过利用预设样本对集合对包含孪生网络的预设神经网络模型进行训练后得到,孪生网络中包括结构相同且共享权重的两个分支网络,每个分支网络用于输出输入至分支网络的图像的色彩质量分值和图像损伤类别,预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,样本对集合中包含至少两个对应于不同图像损伤类别的样本对,根据预设图像检测模型的输出结果,确定目标图像对应的目标色彩质量分值和目标图像损伤类别。本发明实施例通过采用上述技术方案,用于图像检测的模型通过对包含孪生网络的模型进行训练得到,通过对同一图像主动添加同一类型的不同程度损伤得到样本对,样本对集合对应至少两种损伤,使得模型能够准确学习到不同损伤类别和不同色彩质量,进而将待检测的图像输入至模型后,可以同时输出准确的色彩质量分值和损伤类别,提高图像检测的准确度。
在一些实施例中,所述预设图像检测模型可以在电子设备本地训练得到,也可以由服务器等具有较高运算能力的设备训练得到。
在一些实施例中,所述预设图像检测模型采用如下模型训练方法得到:对于所述预设样本对集合中的每个样本对,将样本对中的第一样本图像输入至所述预设神经网络模型中的孪生网络的第一分支网络,将样本对中的第二样本图像输入至所述孪生网络的第二分支网络,其中,所述预设样本对集合中的每个样本对均携带有质量排序标签和损伤类别标签,当所述第一样本图像的损伤程度低于所述第二样本图像的损伤程度时,质量排序标签的取值为第一预设值,当所述第一样本图像的损伤程度高于所述第二样本图像的损伤程度时,质量排序标签的取值为第二预设值,所述第一预设值大于所述第二预设值;根据所述第一分支网络输出的第一色彩质量分值和第一图像损伤类别、所述第一分支网络输出的第二色彩质量分值和第二图像损伤类别、所述质量排序标签以及所述损伤类别标签,计算预设损失函数;基于所述预设损失函数对所述预设神经网络模型进行调整,得到目标神经网络模型;根据所述目标神经网络模型中的训练完成后的第一分支网络或第二分支网络确定预设图像检测模型。这样设置的好处在于,可以使得训练后得到的预设图像检测模型能够更加准确地同时输出色彩质量分值和损伤类别,有利于提高图像检测的准确度。
示例性的,预设样本对集合中的样本对可以以预设样本对数量为单位分批次输入至预设神经网络模型中进行训练。对于同一个样本对,其中的第一样本图像被输入至孪生网络的第一分支网络,第二样本图像被输入至孪生网络的第二分支网络。其中,在构建样本对时,为样本对添加样本标签,样本标签具体包括质量排序标签和损伤类别标签。质量排序标签用于表示两个样本图像的质量优劣比较结果,损伤类别标签用于表示样本图像在预设原始图像基础上所添加的图像损伤的类别。当损伤程度较高时,一般对图像质量影响较大,因此,可以根据损伤程度的高低来确定两个样本图像的质量优劣。当第一样本图像的损伤程度低于第二样本图像的损伤程度时,可认为第一样本图像的质量优于第二样本质量,质量排序标签的取值为第一预设值,如1;当第二样本图像的损伤程度高于第一样本图像的损伤程度时,可认为第一样本图像的质量比第二样本质量差,质量排序标签的取值为第二预设值,如-1。
示例性的,综合第一分支网络和第二分支网络的输出以及当前输入的样本对的样本标签来计算预设损失函数,以最小化预设损失函数为目标,利用反向传播等训练手段不断优化预设神经网络模型中的权重参数值等,直到满足预设训练截止条件。具体的训练截止条件可根据实际需求进行设置,本公开实施例不做限定。当针对预设神经网络模型的训练结束后,经过训练后的第一分支网络和经过训练后的第二分支网络中的权重参数得到同步的优化调整,最终训练后的第一分支网络和经过训练后的第二分支网络完全一致,根据训练完成后的第一分支网络或训练完成后的第二分支网络确定预设图像检测模型。
在一些实施例中,所述预设损失函数中包括预设排序损失函数和预设分类损失函数;其中,所述预设排序损失函数根据所述第一色彩质量分值、所述第二色彩质量分值以及所述质量排序标签计算得到;所述预设分类损失函数根据所述第一图像损伤类别、所述第二图像损伤类别以及所述损伤类别标签计算得到。这样设置的好处在于,可以合理地确定模型的损失函数,提升训练效果,保证模型的准确性。
示例性的,预设排序损失函数的具体类型不做限定,例如可以是边界排序损失函数(Rank Margin Loss)、对比损失函数或成对损失函数(N-Pair Loss)等。预设分类损失函数的具体类型也不做限定,例如可以是二元交叉熵损失函数(BCE Loss)、负对数似然损失函数或指数损失函数等等。可选的,通过计算预设排序损失函数和预设分类损失函数的加权和,来得到预设损失函数。其中,加权系数的具体取值不做限定。可选的,预设排序损失函数对应的第一加权系数大于预设分类损失函数对应的第二加权系数。
在一些实施例中,所述图像损伤类别包括第一损伤类别和第二损伤类别,所述第一损伤类别与色彩类指标相关,所述第二损伤类别与亮度类指标相关。这样设置的好处在于,可以在高维度合理划分图像损伤类别。因为色彩和亮度这两个高阶维度的类别相互之间的干扰较少,可以视为是基本正交的,从而减少图像损伤类别之间的信息冗余。例如,对于YUV颜色空间,Y通道表示亮度信号,可以通过对Y通道进行调整来添加亮度相关损失,U通道和V通道表示色度信号,可以通过对U通道和V通道进行调整来添加色彩相关损失。
在一些实施例中,所述第一损伤类别包括多个第一损伤子类别,所述第二损伤类别包括多个第二损伤子类别;所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的损伤子类别相同但损伤程度不同的两个样本图像。这样设置的好处在于,在形成训练样本集时,限定样本对对应的损伤子类别相同,也即仅针对某个损伤子类别添加损伤,保持其他图像损伤类别的指标以及当前图像损伤类别中的其他损伤子类别的指标不发生主动改变,使得衡量色彩质量时更加准确。
示例性的,所述第一损伤子类别包括饱和度和色彩丰富度中的至少一种,所述第二损伤子类别包括亮度、对比度和曝光度中的至少一种。这样设置的好处在于,合理设置每个图像损伤类别下的损伤子类别。
例如,在针对对比度主动添加损伤时,仅在预设原始图像基础上主动改变对比度,而不会主动对亮度、曝光度、饱和度和色彩丰富度进行调整。
在一些实施例中,所述预设原始图像来自于原始图像集合,所述原始图像集合中包含预设比例的经过灰度化处理的图像。这样设置的好处在于,设置一定比例的灰度图像,可以使得模型能够具备检测灰度图像的能力,扩大模型的适用范围。其中,预设比例的数值不做限定,例如可以是10%等。
图2为本公开实施例提供的另一种图像检测方法的流程示意图,本公开实施例以上述实施例中各个可选方案为基础进行优化,具体的,该方法包括如下步骤:
步骤201、获取原始图像集合,针对原始图像集合中包含的预设原始图像进行图像损伤添加处理,构建预设样本对集合。
示例性的,从PGC数据集中选取多个图像或视频帧作为无损伤的原始数据,从中抽取预设比例的数据得到第一图像集合,将剩余数据记为第二图像集合,将第一图像集合中的图像进行灰度化处理,得到灰度图像集合,将灰度图像集合和第二图像集合进行合并,得到原始图像集合。可选的,原始图像集合中也可包括第一图像集合。原始图像集合中包含的图像记为预设原始图像。
对于原始图像集合中的每个预设原始图像,针对每种损伤子类别(预设原始图像可以被复制成多个相同的图像,与得到的样本图像集的数量一致),分别添加不同损伤程度的图像损伤,得到当前预设原始图像对应的不同损伤子类别分别对应的样本图像集。针对当前预设原始图像对应的当前损伤子类别对应的样本图像集,对样本图像进行两两组合,得到多个样本对,并为每个样本对添加质量排序标签和损伤类别标签。
示例性的,损伤子类别包括第一损伤类别中的饱和度和色彩丰富度,还包括第二损伤类别中的亮度、对比度和曝光度。添加图像损伤包括提升饱和度、调低饱和度、提升色彩丰富度、调低色彩丰富度、提升亮度、调低亮度、提升对比度、调低对比度、提升曝光度以及调低曝光度。其中,提升操作和调低操作分别包括不同幅度。以提升饱和度为例,包括提升10%、20%以及30%等,也可以是提升不同的具体数值,单位不做限定。
示例性的,在对样本对添加质量排序标签时,以退化强度,也即所添加的损伤程度,作为判定优劣的条件,形成质量排序标签。例如对于一个样本对(img1,img2),若img1损伤程度低于img2,则质量排序标签ys=1,若img1损伤程度高于img2,则质量排序标签ys=-1。在对样本对添加损伤类别标签时,以所添加的损伤子类别所属的损伤类别作为损伤类别标签。例如,假设所属损伤类别为第一损伤类别,如饱和度所属损伤类别为第一损伤类别,则损伤类别标签yc=1,假设所属损伤类别为第二损伤类别,如对比度所属损伤类别为第二损伤类别,则损伤类别标签yc=0。
示例性的,将多个预设原始图像分别对应的两两组合后形成的多个样本对进行收集,得到预设样本对集合。
步骤202、利用预设样本对集合对包含孪生网络的预设神经网络模型进行训练,得到目标神经网络模型。
图3为本公开实施例提供的一种预设神经网络模型的训练过程示意图,如图3所示,预设神经网络模型中包含孪生网络,孪生网络包括第一分支网络和第二分支网络,第一分支网络和第二分支网络的网络结构相同且共享权重(shared weight)。示例性的,以MobileNet作为孪生网络的骨架,以第一分支网络为例,其中包含深度特征提取网络(deepfeature extraction)、分数回归网络(score regression)和分类器(classifier),具体可包括卷积层、批标准化层(Batch Normalization)和全连接层。将样本对中的第一样本图像(如img1)输入至孪生网络的第一分支网络,将样本对中的第二样本图像(如img2)输入至孪生网络的第二分支网络,利用分支网络对输入的图像进行特征提取与多任务回归。可选的,可将样本图像处理为(如通过下采样等方式实现)预设分辨率(如224*224)的图像,图像格式不做限定,例如可以是RGB格式。经分支网络处理后,输出相应的色彩质量分值和图像损伤类别。根据第一色彩质量分值(ps1)、第二色彩质量分值(ps2)以及质量排序标签计算预设排序损失函数(如Rank Margin Loss),根据第一图像损伤类别(pc1)、第二图像损伤类别(pc2)以及损伤类别标签计算预设分类损失函数(如BCE Loss),再对预设排序损失函数和预设分类损失函数进行加权求和,得到预设损失函数,基于预设损失函数对预设神经网络模型进行调整,得到目标神经网络模型。
示例性的,预设损失函数Loss可以通过如下表达式表示:
Loss=weight1*loss_score(ps1,ps2,ys)+weight2*[loss_classi(pc1,yc)+loss_classi(pc2,yc)]
其中,weight1≤weight2,loss_score为边界排序损失函数:
loss_score(ps1,ps2,ys)=max(0,-ys*(ps1-ps2)+margin),margin≥0;
loss_classi为二元交叉熵损失函数:
loss_classi(pc,yc)=yc*log(σ(pc))+(1-yc)*(log(1-(σ(pc))。
步骤203、根据目标神经网络模型中的训练完成后的第一分支网络或第二分支网络确定预设图像检测模型。
示例性的,使用训练后的多任务孪生神经网络模型中的一个分支作为预设图像检测模型,用于对待检测的图像进行检测。
步骤204、获取待检测的目标图像。
步骤205、将目标图像输入至预设图像检测模型中。
示例性的,在获取到目标图像后,同样通过下采样等方式处理成预设分辨率的图像,并输入至预设图像检测模型中。
步骤206、根据预设图像检测模型的输出结果确定目标图像对应的目标色彩质量分值和目标图像损伤类别。
本公开实施例提供的图像检测方法,不同于相关技术中完全获取用户生成内容(User Generated Content,UGC)等图像质量参差不齐的图像进行主观标定,而是对从PGC数据集中获取的可视为无损伤图像主动添加相关损伤,利用添加损伤强度代替人类打分来快速准确地构建大规模的训练样本集,通过训练弱监督的排序网络对色彩质量优劣进行排序,可以实现利用图像损伤类别整合多个维度的细指标,通过高阶指标实现对图像或视频画面的色彩质量的评价,能够反映画面色彩维度的质量好坏,同时输出损伤类别信息。预设图像检测模型的检测结果在Kadid color-realated主观数据集上与人类主观打分的相关性可以达到皮尔逊积矩相关系数(Pearson product-moment correlation coefficient,PLCC)值0.82,超过目前现有技术中无参考模型和基于细指标对图像进行质量检测的方案的准确性,同时对于损伤类别的判别也具有很高的准确性。本公开实施例提供的图像检测方法可广泛应用于对线上各类图像的质量以及色彩问题进行实时检测,也可以对其他相关算法提供参考或指导信息,还可以用于单点检测图片或视频的质量问题等。
图4为本公开实施例提供的一种图像检测装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在电子设备中,可通过执行图像检测方法来进行图像检测。如图4所示,该装置包括:
目标图像获取模块401,用于获取待检测的目标图像;
图像输入模块402,用于将所述目标图像输入至预设图像检测模型中,其中,所述预设图像检测模型通过利用预设样本对集合,对包含孪生网络的预设神经网络模型进行训练后得到,所述孪生网络中包括结构相同且共享权重的两个分支网络,每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别,所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对;
图像检测模块403,用于根据所述预设图像检测模型的输出结果,确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
本公开实施例中提供的图像检测装置,用于图像检测的模型通过对包含孪生网络的模型进行训练得到,通过对同一图像主动添加同一类型的不同程度损伤得到样本对,样本对集合对应至少两种损伤,使得模型能够准确学习到不同损伤类别和不同色彩质量,进而将待检测的图像输入至模型后,可以同时输出准确的色彩质量分值和损伤类别,提高图像检测的准确度。
可选的,所述预设图像检测模型采用如下模型训练方法得到:
对于所述预设样本对集合中的每个样本对,将样本对中的第一样本图像输入至所述预设神经网络模型中的孪生网络的第一分支网络,将样本对中的第二样本图像输入至所述孪生网络的第二分支网络,其中,所述预设样本对集合中的每个样本对均携带有质量排序标签和损伤类别标签,当所述第一样本图像的损伤程度低于所述第二样本图像的损伤程度时,质量排序标签的取值为第一预设值,当所述第一样本图像的损伤程度高于所述第二样本图像的损伤程度时,质量排序标签的取值为第二预设值,所述第一预设值大于所述第二预设值;
根据所述第一分支网络输出的第一色彩质量分值和第一图像损伤类别、所述第一分支网络输出的第二色彩质量分值和第二图像损伤类别、所述质量排序标签以及所述损伤类别标签,计算预设损失函数;
基于所述预设损失函数对所述预设神经网络模型进行调整,得到目标神经网络模型;
根据所述目标神经网络模型中的训练完成后的第一分支网络或第二分支网络确定预设图像检测模型。
可选的,所述预设损失函数中包括预设排序损失函数和预设分类损失函数;
其中,所述预设排序损失函数根据所述第一色彩质量分值、所述第二色彩质量分值以及所述质量排序标签计算得到;
所述预设分类损失函数根据所述第一图像损伤类别、所述第二图像损伤类别以及所述损伤类别标签计算得到。
可选的,所述图像损伤类别包括第一损伤类别和第二损伤类别,所述第一损伤类别与色彩类指标相关,所述第二损伤类别与亮度类指标相关。
可选的,所述第一损伤类别包括多个第一损伤子类别,所述第二损伤类别包括多个第二损伤子类别;
所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的损伤子类别相同但损伤程度不同的两个样本图像。
可选的,所述第一损伤子类别包括饱和度和色彩丰富度中的至少一种,所述第二损伤子类别包括亮度、对比度和曝光度中的至少一种。
可选的,所述预设原始图像来自于原始图像集合,所述原始图像集合中包含预设比例的经过灰度化处理的图像。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备500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5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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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,其包括承载在非暂态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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501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:获取待检测的目标图像;将所述目标图像输入至预设图像检测模型中,其中,所述预设图像检测模型通过利用预设样本对集合,对包含孪生网络的预设神经网络模型进行训练后得到,所述孪生网络中包括结构相同且共享权重的两个分支网络,每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别,所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对;根据所述预设图像检测模型的输出结果,确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
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但不限于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模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,目标图像获取模块还可以被描述为“获取待检测的目标图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种图像检测方法,包括:
获取待检测的目标图像;
将所述目标图像输入至预设图像检测模型中,其中,所述预设图像检测模型通过利用预设样本对集合,对包含孪生网络的预设神经网络模型进行训练后得到,所述孪生网络中包括结构相同且共享权重的两个分支网络,每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别,所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对;
根据所述预设图像检测模型的输出结果,确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
进一步的,所述预设图像检测模型采用如下模型训练方法得到:
对于所述预设样本对集合中的每个样本对,将样本对中的第一样本图像输入至所述预设神经网络模型中的孪生网络的第一分支网络,将样本对中的第二样本图像输入至所述孪生网络的第二分支网络,其中,所述预设样本对集合中的每个样本对均携带有质量排序标签和损伤类别标签,当所述第一样本图像的损伤程度低于所述第二样本图像的损伤程度时,质量排序标签的取值为第一预设值,当所述第一样本图像的损伤程度高于所述第二样本图像的损伤程度时,质量排序标签的取值为第二预设值,所述第一预设值大于所述第二预设值;
根据所述第一分支网络输出的第一色彩质量分值和第一图像损伤类别、所述第一分支网络输出的第二色彩质量分值和第二图像损伤类别、所述质量排序标签以及所述损伤类别标签,计算预设损失函数;
基于所述预设损失函数对所述预设神经网络模型进行调整,得到目标神经网络模型;
根据所述目标神经网络模型中的训练完成后的第一分支网络或第二分支网络确定预设图像检测模型。
进一步的,所述预设损失函数中包括预设排序损失函数和预设分类损失函数;
其中,所述预设排序损失函数根据所述第一色彩质量分值、所述第二色彩质量分值以及所述质量排序标签计算得到;
所述预设分类损失函数根据所述第一图像损伤类别、所述第二图像损伤类别以及所述损伤类别标签计算得到。
进一步的,所述图像损伤类别包括第一损伤类别和第二损伤类别,所述第一损伤类别与色彩类指标相关,所述第二损伤类别与亮度类指标相关。
进一步的,所述第一损伤类别包括多个第一损伤子类别,所述第二损伤类别包括多个第二损伤子类别;
所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的损伤子类别相同但损伤程度不同的两个样本图像。
进一步的,所述第一损伤子类别包括饱和度和色彩丰富度中的至少一种,所述第二损伤子类别包括亮度、对比度和曝光度中的至少一种。
进一步的,所述预设原始图像来自于原始图像集合,所述原始图像集合中包含预设比例的经过灰度化处理的图像。
根据本公开的一个或多个实施例,提供了一种图像检测装置,包括:
目标图像获取模块,用于获取待检测的目标图像;
图像输入模块,用于将所述目标图像输入至预设图像检测模型中,其中,所述预设图像检测模型通过利用预设样本对集合,对包含孪生网络的预设神经网络模型进行训练后得到,所述孪生网络中包括结构相同且共享权重的两个分支网络,每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别,所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像,所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对;
图像检测模块,用于根据所述预设图像检测模型的输出结果,确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。