CN114926437A - 一种图像质量评价方法及装置 - Google Patents
一种图像质量评价方法及装置 Download PDFInfo
- Publication number
- CN114926437A CN114926437A CN202210556577.5A CN202210556577A CN114926437A CN 114926437 A CN114926437 A CN 114926437A CN 202210556577 A CN202210556577 A CN 202210556577A CN 114926437 A CN114926437 A CN 114926437A
- Authority
- CN
- China
- Prior art keywords
- image
- evaluated
- determining
- label
- semantic
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种图像质量评价方法及装置,获取待评价图像以及待评价图像对应的若干语义标签,再根据待评价图像的图像特征和各语义标签的标签特征,确定待评价图像分别对应于所述各语义标签的相似度,进而根据各相似度、图像特征和各标签特征,确定待评价图像的融合特征,对融合特征进行识别,确定表征待评价图像属于各预设的图像低质类型的概率的识别结果,进而根据识别结果,确定待评价图像的质量评分。本方法在确定图像质量评分的同时,可同时获取到待评价图像对应于各图像低质类型的概率,使得可基于低质原因对图像进行改善,提高了图像质量评价的准确度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种图像质量评价方法及装置。
背景技术
图像质量评价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。
一种常用的图像质量评价方法是基于预先训练好的图像质量评价模型实现的。具体的,可首先确定需要进行质量评价的图像,作为待评价图像。然后,将待评价图像作为输入,输入到预先训练好的图像质量评价模型中,得到该待评价图像中各像素的质量评分。最后,基于各像素的质量评分,得到待评价图像的总质量评分。
但在现有技术中,由于在训练图像质量评价模型时,通常仅基于根据图像清晰度、完整度等因素确定出的质量得分,作为标注进行训练,使得根据训练出的图像质量评价模型确定图像质量时,若出现待评价图像的质量评分较低的情况,则无法得知图像低质原因,造成评价效率较低。
发明内容
本说明书实施例提供一种图像质量评价方法及装置,用于部分解决现有技术中的问题。
本说明书实施例采用下述技术方案:
本说明书提供一种图像质量评价方法,包括:
获取待评价图像以及所述待评价图像对应的若干语义标签;
根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度;
根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率;
根据所述识别结果,确定所述待评价图像的质量评分。
可选的,确定所述待评价图像对应的若干语义标签,具体包括:
将所述待评价图像作为输入,输入预先训练好的目标物分类模型中,得到所述标签确定模型输出的各分类结果;
根据各分类结果和预设的标签词典,确定所述待评价图像对应的各语义标签。
可选的,采用下述方式训练所述目标物分类模型:
获取若干图像,作为各第一训练样本,并针对每个训练样本,根据所述语义标签词典,确定该第一训练样本的各标注;
将该第一训练样本作为输入,输入待训练的目标物分类模型中,得到该第一训练样本的各分类结果;
根据各第一训练样本的各分类结果及其标注,确定第一损失,根据所述第一损失调整所述目标物分类模型的模型参数。
可选的,根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,具体包括:
将所述图像特征和各标签特征作为输入,输入预先训练好的图像质量评价模型的融合层,根据各相似度,确定所述待评价图像的融合特征;
将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的所述待评价图像的识别结果。
可选的,采用下述方式训练所述图像质量评价模型:
根据获取到的若干图像,确定各第二训练样本、所述各第二训练样本分别对应的各语义标签以及所述各第二训练样本分别对应于所述各语义标签的标注;
针对每个第二训练样本,根据该第二训练样本的图像特征和各语义标签的标签特征,确定该第二训练样本分别对应于所述各语义标签的相似度;
将该第二训练样本的图像特征和各标签特征作为输入,输入待训练的图像质量评价模型的融合层,根据各相似度,确定该第二训练样本的融合特征;
将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的该第二训练样本的识别结果;
根据各第二训练样本的各标注和识别结果,对所述图像质量评价模型进行训练。
可选的,根据获取到的若干图像,确定各第二训练样本,具体包括:
获取若干图像;
针对每张图像,对该图像进行预处理,将预处理结果作为第二训练样本,其中,所述预处理至少包括仿射变换。
可选的,确定所述待评价图像的图像特征和各语义标签的标签特征,具体包括:
将所述的待评价图像进行分割,确定若干单位图像,并针对每个单位图像,根据该单位图像和其他单位图像之间的相似度,确定该单位图像的图像特征;
根据各单位图像的图像特征,确定所述待评价图像的图像特征;
针对所述待评价图像对应的每个语义标签,根据该语义标签和其他语义标签之间的相关度,确定该语义标签的标签特征。
本说明书提供一种图像质量评价装置,包括:
获取模块,用于获取待评价图像以及所述待评价图像对应的若干语义标签;
相似度确定模块,用于根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度;
识别模块,用于根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率;
评分模块,用于根据所述识别结果,确定所述待评价图像的质量评分。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像质量评价方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像质量评价方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书中,获取待评价图像以及待评价图像对应的若干语义标签,再根据待评价图像的图像特征和各语义标签的标签特征,确定待评价图像分别对应于所述各语义标签的相似度,进而根据各相似度、图像特征和各标签特征,确定待评价图像的融合特征,对融合特征进行识别,确定表征待评价图像属于各预设的图像低质类型的概率的识别结果,进根据识别结果,确定待评价图像的质量评分。
根据上述内容可见,本方法在确定图像质量评分的同时,可同时获取到待评价图像对应于各图像低质类型的概率,使得可基于低质原因对图像进行改善,提高了图像质量评价的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书提供的图像质量评价方法的流程示意图;
图2为本说明书提供的图像质量评价方法的流程示意图;
图3为本说明书提供的图像质量评价装置的结构示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种图像质量评价方法的流程示意图,具体可包括以下步骤:
S100:获取待评价图像以及所述待评价图像对应的若干语义标签。
区别于现有技术中,对待评价图像的各像素分别确定质量评分,再基于各像素的质量评分,确定待评价图像的质量评分,在分数较低的情况下,只能得知待评价图像的质量较低,而无法得知低质原因,本说明书提供一种新的图像质量评价方法,可确定待评价图像的若干语义标签,并根据各语义标签,对待评价图像的语义进行增强,并根据增加结果确定待评价图像的得分和低质原因。提供的评价效率。
基于此,可首先确定待评价图像及其对应的各语义标签。
在本说明书提供的一个或多个实施例中,图像质量评价方法,通常应用于对图像或视频的关键帧进行质量评价的场景中,由服务提供方的服务器来执行。同样的,本说明书提供的该图像质量评价方法也可由服务器执行,并应用在对图像或视频帧进行质量评价的场景中。其中,该服务器可以是单个服务器,也可以是多个服务器组成的系统,如,分布式服务器等,本说明书对此不做限制,可根据需要设置。
具体的,在需要对图像进行评价时,该服务器可接收待评价图像,该待评价图像可为用户发送的,也可为其他服务器发送的。
然后,该服务器可确定该待评价图像的语义标签,该标签可为预先确定好的,也可为该服务器将待评价图像输入预先确定好的目标物分类模型确定的。
具体的,该服务器可首先将所述待评价图像作为输入,输入预先训练好的目标物分类模型中,得到目标物分类模型输出的各分类结果。
然后,根据各分类结果和预设的标签词典,确定该待评价图像对应的各语义标签。
当然,若在训练目标物分类模型时,采用预设的标签词典确定标注,则在确定待评价图像对应的语义标签时,无需再根据标签词典进行确定。
另外,可采用下述方式对目标物分类模型进行训练:
服务器可首先获取若干图像,作为各第一训练样本,并针对每个训练样本,根据预设的标签词典,确定该第一训练样本的各标注。
然后,该服务器可将该第一训练样本作为输入,输入待训练的目标物分类模型中,得到该第一训练样本的各分类结果。
最后,该服务器可根据各第一训练样本的各分类结果及其标注,确定第一损失,根据该第一损失调整该目标物分类模型的模型参数。
上述训练该目标物分类模型的服务器与执行该图像质量评价方法的服务器可为相同服务器,也可为不同服务器,具体可根据需要进行设置,本说明书对此不做限制。
S102:根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度。
在本说明书提供的一个或多个实施例中,如前所述的,本说明书中可基于待评价图像的语义标签,对待评价图像进行语义增强。而对于不同语义标签,该语义标签在该图像中所占比重不同,因此,可首先确定待评价图像分别对应于所述各语义标签的相似度,再基于各语义标签的相似度,对待评价图像进行语义增强。
基于此,该服务器可确定待评价图像分别对应于各语义标签的相似度。
具体的,该服务器可首先对待评价图像进行特征提取,确定该待评价图像的图像特征。其中,该图像特征还可为将待评价图像作为输入,输入预先训练好的图像特征提取模块中,确定该图像特征的,也可为根据预先确定好的特征矩阵,与该待评价图像的像素值相乘,得到该待评价图像的图像特征。具体如何确定该图像特征可根据需要进行设置,本说明书对此不做限制。
然后,该服务器可根据预设的各标签和各标签特征之间的对应关系,确定各标签分别对应的标签特征。其中,该标签特征的确定方法,和上述图像特征的方法可为同种方法,具体如何确定标签特征可根据需要进行设置,本说明书对此不做限制。
最后,该服务器可针对每个标签,确定该标签的标签特征和待评价图像的图像特征之间的相似度。其中该相似度可为向量乘积、欧氏距离等等,具体如何确定性相似度可根据需要进行设置,本说明书对此不做限制。
S104:根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率。
在本说明书提供的一个或多个实施例中,如前所述的,说明书中可基于待评价图像的语义标签,对待评价图像进行语义增强。因此,该服务器可根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征。
具体的,该服务器可首先根据各标签特征对应于图像特征的相似度,确定各标签特征分别对应的权重,然后将各标签特征进行加权求和,并将加权结果和该图像特征进行融合,得到图像增强特征。
然后,该服务器可针对每个标签特征,根据该标签特征和该图像特征的相似度,确定待评价图像对应于该标签特征的权重,并根据该权重,确定该标签的标签增强特征。
最后,该服务器可根据图像增强特征和各标签分别对应的标签增强特征,确定该待评价图像的融合特征。
进一步的,本说明书提供的该图像质量评价方法,其目的是在确定图像对应的质量的同时,确定该图像低质的原因。基于此,该服务器可确定该图像对于各预设的图像低质类型的概率,确定该待评价图像的评分。
具体的,该服务器可将上述确定出的融合特征作为输入,输入预先训练好的识别模型中,得到该识别模型输出的该待评价图像的识别结果。其中,该识别结果为该图像对于各预设的图像低质类型的概率。该识别模型的模型结果可为全连接层。
更进一步的,上述确定融合特征以及融合特征的识别结果的步骤,还可为将图像特征和标签特征输入预先训练好的图像质量模型确定的、
具体的,该服务器可首先将图像特征和标签特征作为输入,输入优选训练好的图像质量评价的融合层,再根据各相似度,确定该待评价图像被的融合特征。
然后,该服务器可将融合特征输入该图像质量评价模型的识别层,对该融合特征进行识别,得到该识别层输出的该待评价图像的识别结果。
其中,上述图像质量评价模型可采用下述方法训练得到:
具体的,训练模型服务器可首先获取若干图像,并根据各图像,确定各训练样本。
其次,针对每个训练样本,该服务器可确定该第二训练样本的各语义标签,以及该第二训练样本的标注,其中,该标注为该第二训练样本属于预设的各图像低质类型的概率。
然后,该服务器可将该第二训练样本的图像特征和各语义标签的标签特征,输入到待训练的图像质量评价模型的融合层,确定第二训练样本的融合特征,再将融合特征输入该图像质量评价模型的识别层,对融合特征进行识别,确定识别层输出的该第二训练样本的识别结果。
最后,该服务器可根据各第二训练样本的各标注和识别结果,确定损失,以及根据损失,调整该图像质量评价模型的模型参数,以对所述图像质量评价模型进行训练。
另外,为了保证上述图像质量评价的鲁棒性,在确定训练样本时,该服务器还可针对获取到的每张图像,对该图像进行预处理,并将预处理结果作为第二训练样本。其中,该预处理采用的手段可为仿射变换等,具体预处理所采用的手段的类型可根据需要进行设置,本说明书对此不做限制。
进一步的,在确定融合特征前,该服务器可首先对图像特征和标签特征分别进行自身的语义增强,再在确定融合特征时,进行语义增强,以得到较为丰富语义的融合特征。
对于图像特征:
具体的,该服务器可首先将该待评价图像进行分割,确定若干单位图像。
其次,该服务器可针对每个单位图像,根据该单位图像和其他单位图像之间的相似度,确定其他单位图像相对于该单位图像的权重。
然后,通过加权求和,确定该单位图像的图像特征。
最后,根据各单位图像的图像特征,该服务器确定该待评价图像的图像特征。
对于标签特征:
具体的,该服务器可针对每个语义标签,根据据该语义标签和其他语义标签之间的相似度,确定其他语义标签相对于该语义标签的权重。
然后,通过加权求和,该服务器可确定该语义标签的标签特征。
当然,为了保证上述图像质量评价模型的输入,该服务器还可将上述各标签的标签特征进行融合,得到与图像特征相同维度的该待评价图像的标签特征。
S106:根据所述识别结果,确定所述待评价图像的质量评分。
在本说明书一种或多种实施例中,在确定出识别结果后,该服务器可基于该识别结果,确定该待评价图像的质量评分。
具体的,图像低质的概率越高,图像的质量评分越低,而由于上述识别结果为待评价图像属于各预设的图像低质类型的概率,则该服务器可基于上述识别结果的数值,确定该待评价图像的质量评分。
其中,该质量评分与识别结果中的数值负相关。
该质量评分可根据上述识别结果中各概率对应的最大值确定,也可根据均值确定,具体如何根据识别结果确定质量评分可根据需要进设置,本说明书对此不做限制。
最后,在确定出图像的质量评分后,还可基于该质量评分,将质量评分较高的图像进行展示。
基于图1所示的图像质量评价方法,获取待评价图像以及待评价图像对应的若干语义标签,再根据待评价图像的图像特征和各语义标签的标签特征,确定待评价图像分别对应于所述各语义标签的相似度,进而根据各相似度、图像特征和各标签特征,确定待评价图像的融合特征,对融合特征进行识别,确定表征待评价图像属于各预设的图像低质类型的概率的识别结果,进根据识别结果,确定待评价图像的质量评分。本方法在确定图像质量评分的同时,可同时获取到待评价图像对应于各图像低质类型的概率,使得可基于低质原因对图像进行改善,提高了图像质量评价的准确度。
进一步的,该图像质量评价模型,可应用于向用户展示搜索结果的场景中,即,接收根据用户的推荐请求确定出的各待评价图像,并确定各待评价图像的评分,进而根据各质量评分,确定向用户展示的图像。但是,可能出现用户特别讨厌某种目标物的情况出现。则该服务器还可根据用户数据,训练该图像质量评价模型。具体的,该服务器可根据用户的用户信息,确定用户数据,并根据用户数据,确定用户讨厌的目标物。然后,根据确定出的目标物,增加识别结果中的图像低质类型的种类,并将包含该目标物的第二训练样本的标注中为该新增的图像低质类型化的种类的标注设置为1。则可训练得到该用户对应的图像质量评价模型。
基于上述的图像质量评价方法,本说明书还提供一种图像质量评价方法的流程示意图,如图2所示。
图2为本说明书提供的图像质量评价方法的流程示意图。图中,该服务器可首先获取待评价图像,然后,确定该待评价图像的图像特征,以及将该待评价模型输入预先训练完成的目标物分类模型中,得到该待评价图像中包含的目标物,作为各语义标签。然后,将该待评价图像的图像特征和各语义标签的标签特征作为输入,输入预先训练好的图像质量评价模型的融合层,确定融合特征,并将融合特征作为输入,输入该图像质量评价模型的识别层,则到识别结果,再根据识别结果确定该待评价图像的质量评分。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
基于图1所示的图像质量评价方法,本说明书实施例还对应提供一种图像质量评价装置的结构示意图,如图3所示。
图3为本说明书实施例提供的一种图像质量评价装置的结构示意图,包括:
获取模块200,用于获取待评价图像以及所述待评价图像对应的若干语义标签。
相似度确定模块202,用于根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度。
识别模块204,用于根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率。
评分模块206,用于根据所述识别结果,确定所述待评价图像的质量评分。
可选的,所述装置还包括:
训练模块208,用于采用下述方式训练所述目标物分类模型:获取若干图像,作为各第一训练样本,并针对每个训练样本,根据所述语义标签词典,确定该第一训练样本的各标注,将该第一训练样本作为输入,输入待训练的目标物分类模型中,得到该第一训练样本的各分类结果,根据各第一训练样本的各分类结果及其标注,确定第一损失,根据所述第一损失调整所述目标物分类模型的模型参数。
可选的,所述获取模块200,用于将所述待评价图像作为输入,输入预先训练好的目标物分类模型中,得到所述目标物分类模型输出的各分类结果,根据各分类结果和预设的标签词典,确定所述待评价图像对应的各语义标签。
可选的,所述获取模块200,用于将所述图像特征和各标签特征作为输入,输入预先训练好的图像质量评价模型的融合层,根据各相似度,确定所述待评价图像的融合特征,将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的所述待评价图像的识别结果。
可选的,所述训练模块208,用于采用下述方式训练所述图像质量评价模型:根据获取到的若干图像,确定各第二训练样本、所述各第二训练样本分别对应的各语义标签以及所述各第二训练样本分别对应的标注,针对每个第二训练样本,根据该第二训练样本的图像特征和各语义标签的标签特征,确定该第二训练样本分别对应于所述各语义标签的相似度,将该第二训练样本的图像特征和各标签特征作为输入,输入待训练的图像质量评价模型的融合层,根据各相似度,确定该第二训练样本的融合特征,将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的该第二训练样本的识别结果,根据各第二训练样本的各标注和识别结果,对所述图像质量评价模型进行训练。
可选的,所述训练模块208,用于获取若干图像,针对每张图像,对该图像进行预处理,将预处理结果作为第二训练样本,其中,所述预处理至少包括仿射变换。
可选的,所述相似度确定模块202,用于将所述的待评价图像进行分割,确定若干单位图像,并针对每个单位图像,根据该单位图像和其他单位图像之间的相似度,确定该单位图像的图像特征,根据各单位图像的图像特征,确定所述待评价图像的图像特征,针对所述待评价图像对应的每个语义标签,根据该语义标签和其他语义标签之间的相似度,确定该语义标签的标签特征。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的图像质量评价方法。
基于图1所示的图像质量评价方法,本说明书实施例还提出了图4所示的电子设备的示意结构图。如图4,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的图像质量评价方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于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的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的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。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种图像质量评价方法,其特征在于,包括:
获取待评价图像以及所述待评价图像对应的若干语义标签;
根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度;
根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率;
根据所述识别结果,确定所述待评价图像的质量评分。
2.如权利要求1所述的方法,其特征在于,确定所述待评价图像对应的若干语义标签,具体包括:
将所述待评价图像作为输入,输入预先训练好的目标物分类模型中,得到所述目标物分类模型输出的各分类结果;
根据各分类结果和预设的标签词典,确定所述待评价图像对应的各语义标签。
3.如权利要求2所述的方法,其特征在于,采用下述方式训练所述目标物分类模型:
获取若干图像,作为各第一训练样本,并针对每个训练样本,根据所述语义标签词典,确定该第一训练样本的各标注;
将该第一训练样本作为输入,输入待训练的目标物分类模型中,得到该第一训练样本的各分类结果;
根据各第一训练样本的各分类结果及其标注,确定第一损失,根据所述第一损失调整所述目标物分类模型的模型参数。
4.如权利要求1所述的方法,其特征在于,根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,具体包括:
将所述图像特征和各标签特征作为输入,输入预先训练好的图像质量评价模型的融合层,根据各相似度,确定所述待评价图像的融合特征;
将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的所述待评价图像的识别结果。
5.如权利要求4所述的方法,其特征在于,采用下述方式训练所述图像质量评价模型:
根据获取到的若干图像,确定各第二训练样本、所述各第二训练样本分别对应的各语义标签以及所述各第二训练样本分别对应的标注;
针对每个第二训练样本,根据该第二训练样本的图像特征和各语义标签的标签特征,确定该第二训练样本分别对应于所述各语义标签的相似度;
将该第二训练样本的图像特征和各标签特征作为输入,输入待训练的图像质量评价模型的融合层,根据各相似度,确定该第二训练样本的融合特征;
将所述融合特征输入所述图像质量评价模型的识别层,对所述融合特征进行识别,确定所述识别层输出的该第二训练样本的识别结果;
根据各第二训练样本的各标注和识别结果,对所述图像质量评价模型进行训练。
6.如权利要求5所述的方法,其特征在于,根据获取到的若干图像,确定各第二训练样本,具体包括:
获取若干图像;
针对每张图像,对该图像进行预处理,将预处理结果作为第二训练样本,其中,所述预处理至少包括仿射变换。
7.如权利要求1所述的方法,其特征在于,确定所述待评价图像的图像特征和各语义标签的标签特征,具体包括:
将所述的待评价图像进行分割,确定若干单位图像,并针对每个单位图像,根据该单位图像和其他单位图像之间的相似度,确定该单位图像的图像特征;
根据各单位图像的图像特征,确定所述待评价图像的图像特征;
针对所述待评价图像对应的每个语义标签,根据该语义标签和其他语义标签之间的相似度,确定该语义标签的标签特征。
8.一种图像质量评价装置,其特征在于,包括:
获取模块,用于获取待评价图像以及所述待评价图像对应的若干语义标签;
相似度确定模块,用于根据所述待评价图像的图像特征和各语义标签的标签特征,确定所述待评价图像分别对应于所述各语义标签的相似度;
识别模块,用于根据各相似度、所述图像特征和各标签特征,确定所述待评价图像的融合特征,并对所述融合特征进行识别,确定识别结果,所述识别结果为所述待评价图像属于各预设的图像低质类型的概率;
评分模块,用于根据所述识别结果,确定所述待评价图像的质量评分。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556577.5A CN114926437A (zh) | 2022-05-19 | 2022-05-19 | 一种图像质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556577.5A CN114926437A (zh) | 2022-05-19 | 2022-05-19 | 一种图像质量评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926437A true CN114926437A (zh) | 2022-08-19 |
Family
ID=82810649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210556577.5A Pending CN114926437A (zh) | 2022-05-19 | 2022-05-19 | 一种图像质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926437A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600157A (zh) * | 2022-11-29 | 2023-01-13 | 支付宝(杭州)信息技术有限公司(Cn) | 一种数据处理的方法、装置、存储介质及电子设备 |
-
2022
- 2022-05-19 CN CN202210556577.5A patent/CN114926437A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600157A (zh) * | 2022-11-29 | 2023-01-13 | 支付宝(杭州)信息技术有限公司(Cn) | 一种数据处理的方法、装置、存储介质及电子设备 |
CN115600157B (zh) * | 2022-11-29 | 2023-05-16 | 支付宝(杭州)信息技术有限公司 | 一种数据处理的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095124A (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN111626383B (zh) | 字体识别方法及装置、电子设备、存储介质 | |
CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
CN109034183A (zh) | 一种目标检测方法、装置及设备 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN109299276B (zh) | 一种将文本转化为词嵌入、文本分类方法和装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112164102A (zh) | 一种图像处理方法及装置 | |
CN113887325A (zh) | 一种模型训练方法、表情识别方法以及装置 | |
CN112365513A (zh) | 一种模型训练的方法及装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
CN112287130A (zh) | 一种图形题目的搜索方法、装置以及设备 | |
CN116383381A (zh) | 一种虚假新闻检测方法、装置和电子设备 | |
CN116246276A (zh) | 一种信息识别方法、装置、设备及可读存储介质 | |
CN116188895A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN113344198B (zh) | 一种模型训练的方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN112101308B (zh) | 一种基于语言模型的文本框的合并方法、装置及电子设备 | |
CN117746193B (zh) | 一种标签优化方法、装置、存储介质及电子设备 |
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 |