CN115423809A - 图像质量评价方法、装置、可读存储介质及电子设备 - Google Patents

图像质量评价方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN115423809A
CN115423809A CN202211373829.7A CN202211373829A CN115423809A CN 115423809 A CN115423809 A CN 115423809A CN 202211373829 A CN202211373829 A CN 202211373829A CN 115423809 A CN115423809 A CN 115423809A
Authority
CN
China
Prior art keywords
score
image
index
layer
quality evaluation
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
CN202211373829.7A
Other languages
English (en)
Other versions
CN115423809B (zh
Inventor
张斌
徐军亮
张伟
施嘉韦
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.)
Jiangxi Telecom Information Industry Co ltd
Original Assignee
Jiangxi Telecom Information Industry 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 Jiangxi Telecom Information Industry Co ltd filed Critical Jiangxi Telecom Information Industry Co ltd
Priority to CN202211373829.7A priority Critical patent/CN115423809B/zh
Publication of CN115423809A publication Critical patent/CN115423809A/zh
Application granted granted Critical
Publication of CN115423809B publication Critical patent/CN115423809B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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

一种图像质量评价方法、装置、可读存储介质及电子设备，该方法包括，获取待评估图像和对应的原始图像，并将待评估图像和原始图像输入至卷积自编码网络中；提取卷积自编码网络的每个特征层的特征层信息；分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；根据每个特征层的质量分数以及各个特征层的标准差比例计算待评估图像的质量评价分数。本发明充分利用了卷积自编码网络的特征层来对图像进行质量评价，准确性高。

Description

图像质量评价方法、装置、可读存储介质及电子设备
技术领域
本发明涉及图像处理领域，特别是涉及一种图像质量评价方法、装置、可读存储介质及电子设备。
背景技术
在市面上现有的图像质量评价算法中，主要基于卷积自编码网络的初级特征编码模型对无参考图像及其所切割出的图像块进行特征编码，分别从无参考图像及其对应图像块的特征编码中提取无参考图像的全局语义特征和局部失真特征，再将两种特征进行加权融合，得到无参考图像的全局局部融合特征，最后将无参考图像的全局局部融合特征输入全连接神经网络中得到无参考图像的感知质量分数。
但是上述得到质量分数的过程涉及到多次图像融合，较为复杂，且无参考图像的全局语义特征和局部失真特征所包含的语义信息有限，导致最终基于得到的感知质量分数来评价图像质量的效果不佳。
发明内容
鉴于上述状况，有必要针对现有技术中图像质量评价效果差的问题，提供一种图像质量评价方法、装置、可读存储介质及电子设备。
一种图像质量评价方法，包括，
获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中；
提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的特征图像；
基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；
根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；
获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
进一步的，上述图像质量评价方法，其中，所述基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数的步骤包括：
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像作为两个输入参数一起输入到结构相似性函数中进行计算，得到各个特征层的SSIM指标分数集合，所述SSIM指标分数集合包括各个通道下的SSIM指标分数；
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入峰值信噪比函数中进行计算，得到各个特征层的PSNR指标分数集合，所述PSNR指标分数集合包括各个通道下的PSNR指标分数数组，每个所述PSNR指标分数数组包括所述待评估图像的PSNR指标分数和所述原始图像的PSNR指标分数；
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入MI函数中进行计算，得到各个特征层的信息熵指标分数集合，所述信息熵指标分数集合包括各个通道下的信息熵指标分数数组，每个所述信息熵指标分数数组包括所述待评估图像的信息熵指标分数和所述原始图像的信息熵指标分数。
进一步的，上述图像质量评价方法，其中，所述根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数的步骤包括：
确定当前特征层中各个通道的SSIM指标分数的最大分数和最小分数，并将最小分数作为所述当前特征层的SSIM指标的质量评估最佳值，将最大分数作为所述当前特征层的SSIM指标的质量评估最差值；
计算当前特征层的各个通道PSNR指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的PSNR指标的质量评估最佳值和质量评估最差值；
计算当前特征层的各个通道的信息熵指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的信息熵指标的质量评估最佳值和质量评估最差值；
根据所述当前特征层的SSIM指标、PSNR指标及信息熵指标的质量评估最佳值和质量评估最差值计算所述当前特征层的质量分数。
进一步的，上述图像质量评价方法，其中，所述当前特征层的质量分数Score AVG 的计算公式为：
Score AVG =（SSIM score3 + PSNR score3 + MI score3 ）/3；
其中，SSIMsocre3=（SSIMsocre1+SSIMsocre2）/（2*N），PSNRsocre3=（PSNRsocre1+PSNRsocre2）/（2*N），MIsocre3=（MIsocre1+MIsocre2）/（2*N），N为特征层的通道数量，SSIMsocre1和SSIMsocre2分别为SSIM指标的质量评估最佳值和质量评估最差值，PSNRsocre1和PSNRsocre2分别为PSNR指标的质量评估最佳值和质量评估最差值，MIsocre1和MIsocre2分别为信息熵指标的质量评估最佳值和质量评估最差值。
进一步的，上述图像质量评价方法，其中，所述卷积自编码网络的特征层包括卷积层1，卷积层2和池化层，
所述待评估图像的质量评价分数的计算公式为：
SCORE=L 1 * Score AVG_1 + L 2 * Score AVG_2+ L 3 * Score AVG_3 ，
其中，SCORE为待评估图像的质量评价分数，L 1 、L 2 、L 3 分别为卷积层1，卷积层2和池化层的标准差的比例，Score AVG_1 、Score AVG_2和Score AVG_3 分别为卷积层1，卷积层2和池化层的质量分数。
进一步的，上述图像质量评价方法，其中，所述获取每个特征层的标准差比例的步骤包括：
获取所述卷积层1，卷积层2和池化层的标准差分，并根据所述标准差分计算所述卷积层1，卷积层2和池化层的标准差比例，其中，所述卷积层1，卷积层2和池化层的标准差比例计算公式为：
L 1 = SD 1 /（SD 1 + SD 2 + SD 3 ）；
L 2 = SD 2 /（SD 1 + SD 2 + SD 3 ）；
L 3 = SD 3 /（SD 1 + SD 2 + SD 3 ）；
其中，SD 1 ，SD 2 和SD 3 分别为卷积层1，卷积层2和池化层的标准差分，L 1 、L 2 和L 3 分别为卷积层1，卷积层2和池化层的标准差比例。
进一步的，上述图像质量评价方法，其中，所述将所述待评估图像和所述原始图像输入至卷积自编码网络中的步骤之前还包括：
获取训练集图像，所述训练集图像包括无失真图像和对应的多张不同程度的失真图像；
搭建卷积自编码网络，并将训练集图像输入到所述卷积自编码网络中进行无监督学习，直至输入的失真图像经过所述卷积自编码网络后，均能重构出对应的无失真图像。
本发明还公开了一种图像质量评价装置，包括，
输入模块，用于获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中；
提取模块，用于提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的特征图像；
指标评价模块，用于基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；
特征层质量分数确定模块，用于根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；
图像质量评分计算模块，用于获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
本发明还公开了一种电子设备，包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时实现上述任一所述的图像质量评价方法。
本发明还公开了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的图像质量评价方法。
本发明中的图像质量评价方法所具有的优点和效果为：
1、该方法考虑到了卷积神经网络中间的特征层包含大量的语义信息，通过优选的编码器，可以将高维输入X编码转换成低维的隐变量h并使得神经网络提升所学习特征中包含的信息量，即本实施例充分利用了卷积自编码网络中间的特征层来对失真图像进行质量评价，具有相当的准确性，从而提高系统的识别工作效率；
2、本实施例使用多个质量评价指标联合评价，综合了多个指标的优点，可以避免单一指标评价带来的算法泛化性不足的问题，从而提升了发明在实际场景下对于不同输入的平均表现。
附图说明
图1为本发明第一实施例中图像质量评价方法的流程图；
图2为本发明第一实施例中步骤S13的具体实现步骤；
图3为本发明第一实施例中步骤S14的具体实现步骤；
图4为本发明第三实施例中的图像质量评价装置的结构框图；
图5为本发明实施例中电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在日常生活中，如果出现雾天或者特殊天气，监控拍摄的图像是模糊的，若此时需要通过监控获取图像，需要系统自动筛选清晰度高的图像来进行观察。本发明通过将监控所拍摄的图像输入预先训练好的神经网络，并获取神经网络所输出的图像的特征层信息，基于特征层信息以及多尺度卷积自编码算法对图像进行质量评估，以提高质量评估的准确性。同时可以选取多幅失真图像中质量分数最高的图像上传到监控系统。此外，本方案相对于现有技术，计算过程更为简单。
请参阅图1，为本发明第一实施例中的图像质量评价方法，包括步骤S11~S15。
步骤S11，获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中。
需要指出的是，由于摄像头的抓拍范围相对固定，因此，可以预先针对各个摄像头，存储与其抓拍的待评估图像对应的原始图像（例如将在天气状态较好的情况下所抓拍的图像作为原始图像）。后续，针对摄像头在恶劣天气下的某一段时间内所抓拍的多张失真图像，可以将其作为待评估图像。
本实施例的目的在于结合待评估图像与之对应的原始图像，从多张待评估图像中筛选出质量最佳的图像上传到监控系统，用于进行后续的分析，例如进行交通分析，路况分析等。
该卷积自编码网络例如为VGG16，该卷积自编码网络包括编码层、解码层和输出层。编码层为卷积、卷积和最大池化，而解码层相对应为上采样、卷积、卷积。卷积层中卷积核的数量均为3，池化层为2。输入的图像在输出层中还原成原图像。
步骤S12，提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的特征图像。
具体的，针对每张待评估图像，将其和与之对应的原始图像一起输入到预先训练好的卷积自编码网络内，提取各个特征层的特征层信息，该特征层包括3层，分别为编码层的卷积层1，卷积层2和池化层。一个特征层对应一个尺度，每个尺度下都有64个通道信息，也就是64张特征图像。
基于此，分别得到原始图像的3个三个特征层的特征层信息，以及待评估图像的3个特征层的特征层信息。因为原始图像和待评估图像共用的是一个网络，所以各个特征层提取的信息部位是一致的，因此，可以在每个通道上，将原始图像的与该通道对应的特征图像的特征信息和待评估图像的与该通道对应的特征图像的特征信息进行比较。
步骤S13，基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数。
每个特征层（即每个尺度）包括64个通道，即可分别得到原始图像和待评估图像的64张特征图像。分别用SSIM指标、PSNR指标以及信息熵指标（MI）去评价待评估图像和原始图像的每个通道，得到每个尺度下的每个通道在相应指标下的指标分数。具体的，请参阅图2，该步骤S13包括：
步骤S131，将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像作为两个输入参数一起输入到结构相似性函数中进行计算，得到各个特征层的SSIM指标分数集合，所述SSIM指标分数集合包括各个通道下的SSIM指标分数；
步骤S132，将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入峰值信噪比函数中进行计算，得到各个特征层的PSNR指标分数集合，所述PSNR指标分数集合包括各个通道下的PSNR指标分数数组，每个所述PSNR指标分数数组包括所述待评估图像的PSNR指标分数和所述原始图像的PSNR指标分数；
步骤S133，将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入MI函数中进行计算，得到每个特征层的信息熵指标分数集合，所述信息熵指标分数集合包括各个通道下的信息熵指标分数数组，每个所述信息熵指标分数数组包括所述待评估图像的信息熵指标分数和所述原始图像的信息熵指标分数。
针对SSIM指标，其输入参数为2个（待评估图像和原始图像），因此，将待评估图像和原始图像在特征层的相同通道下的特征图像作为2个输入参数一起输入到与SSIM指标对应的函数（即结构相似性函数）中进行计算，得到各个特征层的SSIM指标分数集合。以64通道的特征层来说，每个特征层的SSIM指标分数集合包括64组SSIM指标分数，每组SSIM指标分数中包括1个分数。
针对PSNR指标，其输入参数为1个，因此，将待评估图像和原始图像在相同通道的特征图分别输入用于计算PSNR指标的函数（即峰值信噪比函数）中，得到各个特征层的PSNR指标分数集合。每个特征层的PSNR指标分数集合包括64个PSNR指标分数数组。每个数组包括2个分数PSNR指标分数，分别对应待评估图像和原始图像。
针对信息熵指标（MI），其输入参数为1个，因此，将待评估图像和原始图像在相同通道的特征图分别输入用于计算熵指标的函数（MI函数）中，得到得到各个特征层的信息熵指标分数集合。每个特征层的信息熵指标分数集合包括64个信息熵指标分数数组。每个数组包括2个信息熵指标分数，分别对应待评估图像和原始图像。
步骤S14，根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数。
根据木桶原理，人眼对图像质量最差的区域特别敏感，最差的区域往往决定着人眼对一幅图像质量判断的优劣。为了中和图像质量最差区域的分数对待评估图像的分数起着决定性的影响，针对每个尺度，获取待评估图像与原始图像两者在每项指标的质量评估最佳分数以及质量评估最差分数，并基于每项指标的质量评估最佳分数以及质量评估最差分数一起综合评估待评估图像的质量分数。
具体的，请参阅图3，步骤S14包括：
步骤S141，确定当前特征层中各个通道的SSIM指标分数的最大分数和最小分数，并将最小分数作为所述当前特征层的SSIM指标的质量评估最佳值，将最大分数作为所述当前特征层的SSIM指标的质量评估最差值；
步骤S142，计算当前特征层的各个通道PSNR指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的PSNR指标的质量评估最佳值和质量评估最差值；
步骤S143，计算当前特征层的各个通道的信息熵指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的信息熵指标的质量评估最佳值和质量评估最差值；
步骤S144，根据所述当前特征层的SSIM指标、PSNR指标及信息熵指标的质量评估最佳值和质量评估最差值计算所述当前特征层的质量分数。
针对SSIM指标，待评估图像与原始图像在每个特征层的比较结果即为64组SSIM指标分数。从中选取最小值作为当前特征层下的SSIM指标质量评估最佳分数SSIM socre1 ；从中选取最大值作为当前特征层下的SSIM指标质量评估最差分数SSIM socre2 。
针对PSNR指标，将64组PSNR指标分数数组中每组所包括的2个分数相减，得到64个差值。从64个差值中选取最小值（差值越小，说明与原始图像之间的差距越小）作为当前特征层下PSNR指标的质量评估最佳分数PSNR socre1 ；从中选取最大值（差值越大，说明与原始图像之间的差距越大）作为当前特征层下的PSNR指标质量评估最差分数PSNR socre2 。
针对MI指标，通过将64组MI指标分数数组中每组所包括的2个分数相减，得到64个差值。从64个差值中选取最小值（差值越小，说明与原始图像之间的差距越小）作为当前尺度下的MI指标质量评估最佳分数MI socre1 ；从中选取最大值（差值越大，说明与原始图像之间的差距越大）作为当前尺度下的MI指标质量比较最差分数MI socre2 。
基于此，针对每个尺度的特征层，其各项指标的综合得分分别为SSIM socre3 、 PSNR socre3 、MI socre3 。
针对每个尺度的特征层，其质量分数为Score AVG =（SSIM score3 + PSNR score3 + MI score3 ）/3。
其中，SSIMsocre3=（SSIMsocre1+SSIMsocre2）/（2*64）；
PSNRsocre3=（PSNRsocre1+PSNRsocre2）/（2*64）；
MIsocre3=（MIsocre1+MIsocre2）/（2*64）。
针对每个尺度，均按照上述计算方式进行计算，可以得到待评估图像在每个尺度的质量分数，分别为Score AVG_1 、Score AVG_2 、Score AVG_3 。
步骤S15，获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
图像的标准差代表着图像中像素点偏离程度，能很好的反映出图像的整体情况，因此，本实施例中，可预先计算出每个尺度下64个特征图像的像素的标准差，即每个尺度的标准差。
计算出每个尺度的标准差之后，再根据每个尺度的标准差在3个尺度总的标准差的比例，综合计算出整幅待评估图像的质量分数。
具体步骤为：
1）获取每个尺度的特征层的标准差比例。设卷积层1、卷积层2以及池化层这三个尺度的标准差分别为SD 1 ，SD 2 ，SD 3 ，则卷积层1、卷积层2以及池化层的标准差比例分别为：
L 1 = SD 1 /（SD 1 + SD 2 + SD 3 ）；
L 2 = SD 2 /（SD 1 + SD 2 + SD 3 ）；
L 3 = SD 3 /（SD 1 + SD 2 + SD 3 ）。
2）计算每幅待评估图像的质量评价分数，计算公式为：
SCORE=L 1 * Score AVG_1 + L 2 * Score AVG_2+ L 3 * Score AVG_3 。
进一步的，得到各个待评估图像的质量评价分数后，可将质量评估分数最高的待评估图像上传到监控系统，用于进行后续的分析，例如进行交通分析，路况分析等。
本实施例中的图像质量评价方法所具有的优点和效果为：
1、该方法考虑到了卷积神经网络中间的特征层包含大量的语义信息，通过优选的编码器，可以将高维输入X编码转换成低维的隐变量h并使得神经网络提升所学习特征中包含的信息量，即本实施例充分利用了卷积自编码网络中间的特征层来对失真图像进行质量评价，具有相当的准确性，从而提高系统的识别工作效率；
2、本实施例使用多个质量评价指标联合评价，综合了多个指标的优点，可以避免单一指标评价带来的算法泛化性不足的问题，从而提升了发明在实际场景下对于不同输入的平均表现。
本发明中的图像质量评估方法适用于获取监控图像等各类场景，应用广泛。为便于理解，本发明第二实施例以监控图像场景为例对图像质量评估方法的步骤进行详细描述，该图像质量评估方法包括以下训练和测试两部分。
训练部分流程如下。
步骤一：获取图像。训练集图像包括从公知数据库中选取50幅无失真图像和与之相对应的不同程度的失真图像，选取的图像和监控的图像场景相似，模态相同。
步骤二：搭建网络。依次将无失真图像和失真图像依次输入到卷积自编码网络中。该卷积自编码网络结构：编码层为卷积（输入通道64，步长1，输出通道64）、卷积（输入通道64，步长1，输出通道64）、最大池化（输入通道64，步长2，输出通道64）。而解码层相对应为上采样（输入通道64，步长2，输出通道64）、卷积（输入通道64，步长1，输出通道64）、卷积（输入通道64，步长1，输出通道64）。卷积层中卷积核的数量均为3，池化层为2。在输出层中还原成原图像。
步骤三：获取特征图像。依次提取无失真图像和失真图像的各个特征层的特征层图像。特征层包括编码层的第一个卷积层，第二个卷积层以及池化层。无失真图像和失真图像的每个特征层里面有64张特征图像。由于无失真图像和失真图像共用的是一个网络，所以中间多尺度特征层提取的信息部位是一致的，所以可以在每个通道上，将原始图像的信息和失真图像的信息进行比较。
步骤四：计算每个特征层的质量分数。
利用SSIM指标，PSNR指标以及信息熵指标MI分别计算无失真图像和失真图像在每个尺度下多通道的特征图像的指标分数。根据木桶原理，人眼对图像质量最差的区域特别敏感，最差的区域往往决定着人眼对一幅图像质量判断的优劣。为了中和图像质量最差区域的分数对失真图像的分数起着决定性影响，本实施例中将失真图像中每个通道的区域最好和最坏指标分数一起综合评判图像的质量分数。
步骤五：计算每张失真图的质量评价分数。假设无失真图像为A，对应的一幅失真图像为B。利用SSIM指标，PSNR指标以及信息熵指标将无失真图像A和失真图像B在每个尺度下将多通道的特征图像分别计算指标分数。设原始图像A与失真图像B的SSIM指标最好的质量分数为SSIM B-socre1 ，SSIM指标最差的质量分数为SSIM B-socre2 ，PSNR指标最好的质量分数PSNR B-socre1 ，PSNR指标最差的质量分数为PSNR B-socre2 ，信息熵指标最好的质量分数为MI B-socre1 ，MI指标最差的质量分数为MI B-socre2 。
则对于失真图像B，各个指标的指标分数为：
SSIM B-socre3 = （SSIM B-socre1 +SSIM B-socre2 ）/2；
PSNR B-socre3 = （PSNR B-socre1 + PSNR B-socre1 ）/2；
MI B-socre3 = （MI B-socre1 + MI B-socre1 ）/2。
则对于一个尺度特征层，其质量分数为：
Score B-AVG =（SSIM B-socre3 + PSNR B-socre3 + MI B-socre3 ）/3。
设失真图像B第一个卷积层、第二个卷积层以及第三个池化层的特征图标准差为SD B-1 ，SD B-2 ，SD B-3 ，则第一个卷积层、第二个卷积层以及池化层的标准差比例为：
L 1 = SD B-1 /（SD B-1 + SD B-2 + SD B-3 ）；
L 2 = SD B-2 /（SD B-1 + SD B-2 + SD B-3 ）；
L 3 = SD B-3 /（SD B-1 + SD B-2 + SD B-3 ）。
则失真图像B的最终质量评价分数为：
SCORE=L 1 * Score B-AVG_1+ L 2 * Score B-AVG_2+ L 3 * Score B-AVG_3 ；
上式中，Score B-AVG_1 、Score B-AVG_2 、Score B-AVG_3 为第一个卷积层，第二个卷积层和池化层的质量分数。
将训练集图像输入到卷积自编码网络中进行无监督学习，直至失真图像经过卷积自编码网络后，均能重构出对应的无失真图像。
性能对比：将本实施例与其他5种有代表性的图像质量评价模型（IQA）进行比较，包括SSIM、IW-SSIM、MS-SSIM、VIF、IFC，表一列出了上述IQA在不同训练集上的联系指数包括SROCC、KROCC、PLCC、RMSE。
表一训练图像性能对比
Figure 331459DEST_PATH_IMAGE001
从上表一中可以看出本实施例对于训练图像得出的指标在所有的经典指标中的表现都是最好的。
测试部分流程如下。
步骤一，获取测试集。测试集来自实际监控中，选取了20幅清晰图像作为无失真图像，然后针对无失真图像中在每一幅图像中添加5种不同程度的模糊图像组成失真图像集。
步骤二，将测试集输入到网络。将测试集的失真图像和无失真图像输入到训练好的卷积自编码网络中。
步骤三，获取测试集中无失真图像和失真图像的特征图像。
步骤四，获取测试集中失真图像的质量评价分数。
测试部分的过程与训练部分中的大抵相同，具体可参考训练部分中的的方法得到测试集中失真图像的质量评价分数。
性能对比
利用训练部分的指标对测试图像进行对比，如表二所示。
表二：测试图像性能对比
Figure 534032DEST_PATH_IMAGE002
从表二中可以看出本发明对于测试集图像也就是实际监控中也有最好的表现。
请参阅图4，为本发明第三实施例中的图像质量评价装置，包括，
输入模块31，用于获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中；
提取模块32，用于提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的特征图像；
指标评价模块33，用于基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；
特征层质量分数确定模块34，用于根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；
图像质量评分计算模块35，用于获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
本发明实施例所提供的图像质量评价装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明另一方面还提出一种电子设备，请参阅图5，所示为本发明实施例当中的电子设备，包括处理器10、存储器20以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的图像质量评价方法。
其中，所述电子设备可以为但不限于个人电脑、手机等计算机设备。处理器10在一些实施例中可以是一中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置，例如电子设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于电子设备的应用软件及各类数据等，还可以用于暂时地存储已经输出或者将要输出的数据。
可选地，该电子设备还可以包括用户接口、网络接口、通信总线等，用户接口可以包括显示器（Display）、输入单元比如键盘（Keyboard），可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。网络接口可选的可以包括标准的有线接口、无线接口（如WI-FI接口），通常用于在该装置与其他电子装置之间建立通信连接。通信总线用于实现这些组件之间的连接通信。
需要指出的是，图5示出的结构并不构成对电子设备的限定，在其它实施例当中，该电子设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的图像质量评价方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置中获取指令并执行指令的系统）使用，或结合这些指令执行系统、装置而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或结合这些指令执行系统、装置而使用的设备。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像质量评价方法，其特征在于，包括，
获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中；
提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的特征图像；
基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；
根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；
获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
2.如权利要求1所述的图像质量评价方法，其特征在于，所述基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数的步骤包括：
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像作为两个输入参数一起输入到结构相似性函数中进行计算，得到各个特征层的SSIM指标分数集合，所述SSIM指标分数集合包括各个通道下的SSIM指标分数；
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入峰值信噪比函数中进行计算，得到各个特征层的PSNR指标分数集合，所述PSNR指标分数集合包括各个通道下的PSNR指标分数数组，每个所述PSNR指标分数数组包括所述待评估图像的PSNR指标分数和所述原始图像的PSNR指标分数；
将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入MI函数中进行计算，得到各个特征层的信息熵指标分数集合，所述信息熵指标分数集合包括各个通道下的信息熵指标分数数组，每个所述信息熵指标分数数组包括所述待评估图像的信息熵指标分数和所述原始图像的信息熵指标分数。
3.如权利要求2所述的图像质量评价方法，其特征在于，所述根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数的步骤包括：
确定当前特征层中各个通道的SSIM指标分数的最大分数和最小分数，并将最小分数作为所述当前特征层的SSIM指标的质量评估最佳值，将最大分数作为所述当前特征层的SSIM指标的质量评估最差值；
计算当前特征层的各个通道PSNR指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的PSNR指标的质量评估最佳值和质量评估最差值；
计算当前特征层的各个通道的信息熵指标分数数组中的两个分数的差值，并将计算出的各个差值中的最小值和最大值分别作为所述当前特征层的信息熵指标的质量评估最佳值和质量评估最差值；
根据所述当前特征层的SSIM指标、PSNR指标及信息熵指标的质量评估最佳值和质量评估最差值计算所述当前特征层的质量分数。
4.如权利要求3所述的图像质量评价方法，其特征在于，所述当前特征层的质量分数Score AVG 的计算公式为：
Score AVG =（SSIM score3 + PSNR score3 + MI score3 ）/3；
其中，SSIMsocre3=（SSIMsocre1+SSIMsocre2）/（2*N），PSNRsocre3=（PSNRsocre1+PSNRsocre2）/（2*N），MIsocre3=（MIsocre1+MIsocre2）/（2*N），N为特征层的通道数量，SSIMsocre1和SSIMsocre2分别为SSIM指标的质量评估最佳值和质量评估最差值，PSNRsocre1和PSNRsocre2分别为PSNR指标的质量评估最佳值和质量评估最差值，MIsocre1和MIsocre2分别为信息熵指标的质量评估最佳值和质量评估最差值。
5.如权利要求1所述的图像质量评价方法，其特征在于，所述卷积自编码网络的特征层包括卷积层1，卷积层2和池化层，
所述待评估图像的质量评价分数的计算公式为：
SCORE=L 1 * Score AVG_1 + L 2 * Score AVG_2+ L 3 * Score AVG_3 ，
其中，SCORE为待评估图像的质量评价分数，L 1 、L 2 、L 3 分别为卷积层1，卷积层2和池化层的标准差的比例，Score AVG_1 、Score AVG_2和Score AVG_3 分别为卷积层1，卷积层2和池化层的质量分数。
6.如权利要求5所述的图像质量评价方法，其特征在于，所述获取每个特征层的标准差比例的步骤包括：
获取所述卷积层1，卷积层2和池化层的标准差分，并根据所述标准差分计算所述卷积层1，卷积层2和池化层的标准差比例，其中，所述卷积层1，卷积层2和池化层的标准差比例计算公式为，
L 1 = SD 1 /（SD 1 + SD 2 + SD 3 ）；
L 2 = SD 2 /（SD 1 + SD 2 + SD 3 ）；
L 3 = SD 3 /（SD 1 + SD 2 + SD 3 ）；
其中，SD 1 ，SD 2 和SD 3 分别为卷积层1，卷积层2和池化层的标准差分，L 1 、L 2 和L 3 分别为卷积层1，卷积层2和池化层的标准差比例。
7.如权利要求1所述的图像质量评价方法，其特征在于，所述将所述待评估图像和所述原始图像输入至卷积自编码网络中的步骤之前还包括：
获取训练集图像，所述训练集图像包括无失真图像和对应的多张不同程度的失真图像；
搭建卷积自编码网络，并将训练集图像输入到所述卷积自编码网络中进行无监督学习，直至输入的失真图像经过所述卷积自编码网络后，均能重构出对应的无失真图像。
8.一种图像质量评价装置，其特征在于，包括，
输入模块，用于获取待评估图像和对应的原始图像，并将所述待评估图像和所述原始图像输入至卷积自编码网络中；
提取模块，用于提取所述卷积自编码网络的每个特征层的特征层信息，其中，每个所述特征层均包括多个通道，所述特征层信息包括各个通道下所述待评估图像的特征图像信息和所述原始图像的特征图像；
指标评价模块，用于基于提取的特征层信息，分别利用SSIM指标、PSNR指标以及信息熵指标评价各个特征层的各个通道下的所述待评估图像和原始图像，以得到每个特征层的每个通道在相应指标下的指标分数；
特征层质量分数确定模块，用于根据每个特征层的每个通道在相应指标下的指标分数，确定每个特征层的质量分数；
图像质量评分计算模块，用于获取每个特征层的标准差比例，并根据每个特征层的质量分数以及各个所述特征层的标准差比例计算所述待评估图像的质量评价分数。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有程序，所述程序被所述处理器执行时实现如权利要求1-7任一所述的图像质量评价方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1－7任一所述的图像质量评价方法。
CN202211373829.7A 2022-11-04 2022-11-04 图像质量评价方法、装置、可读存储介质及电子设备 Active CN115423809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211373829.7A CN115423809B (zh) 2022-11-04 2022-11-04 图像质量评价方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211373829.7A CN115423809B (zh) 2022-11-04 2022-11-04 图像质量评价方法、装置、可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN115423809A true CN115423809A (zh) 2022-12-02
CN115423809B CN115423809B (zh) 2023-04-07

Family

ID=84208132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211373829.7A Active CN115423809B (zh) 2022-11-04 2022-11-04 图像质量评价方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115423809B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843690A (zh) * 2023-09-01 2023-10-03 荣耀终端有限公司 图像质量评估方法、设备及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232878A1 (en) * 2017-02-13 2018-08-16 Siemens Healthcare Gmbh Image Quality Assessment System And Method
CN109272499A (zh) * 2018-09-25 2019-01-25 西安电子科技大学 基于卷积自编码网络的无参考图像质量评价方法
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
WO2020173320A1 (zh) * 2019-02-28 2020-09-03 腾讯科技（深圳）有限公司 一种图像增强方法、装置及存储介质
CN113658122A (zh) * 2021-08-09 2021-11-16 深圳市欢太科技有限公司 图像质量评价方法、装置、存储介质与电子设备
CN113658130A (zh) * 2021-08-16 2021-11-16 福州大学 基于双重孪生网络的无参考屏幕内容图像质量评估方法
CN113888501A (zh) * 2021-09-29 2022-01-04 西安理工大学 一种基于注意力定位网络的无参考型图像质量评价方法
CN114358204A (zh) * 2022-01-11 2022-04-15 中国科学院自动化研究所 基于自监督的无参考图像质量评估方法及系统
CN114612714A (zh) * 2022-03-08 2022-06-10 西安电子科技大学 基于课程学习的无参考图像质量评价方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232878A1 (en) * 2017-02-13 2018-08-16 Siemens Healthcare Gmbh Image Quality Assessment System And Method
CN109272499A (zh) * 2018-09-25 2019-01-25 西安电子科技大学 基于卷积自编码网络的无参考图像质量评价方法
WO2020173320A1 (zh) * 2019-02-28 2020-09-03 腾讯科技（深圳）有限公司 一种图像增强方法、装置及存储介质
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
CN113658122A (zh) * 2021-08-09 2021-11-16 深圳市欢太科技有限公司 图像质量评价方法、装置、存储介质与电子设备
CN113658130A (zh) * 2021-08-16 2021-11-16 福州大学 基于双重孪生网络的无参考屏幕内容图像质量评估方法
CN113888501A (zh) * 2021-09-29 2022-01-04 西安理工大学 一种基于注意力定位网络的无参考型图像质量评价方法
CN114358204A (zh) * 2022-01-11 2022-04-15 中国科学院自动化研究所 基于自监督的无参考图像质量评估方法及系统
CN114612714A (zh) * 2022-03-08 2022-06-10 西安电子科技大学 基于课程学习的无参考图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MICHAEL O.VERTOLLI 等: ""Image Quality Assessment Techniques Show Improved Training and Evaluation of Autoencoder Generative Adversarial Networks"", 《ARXIV》 *
武利秀等: "基于卷积神经网络的无参考混合失真图像质量评价", 《光学技术》 *
邓巍等: "基于EM算法的图像融合质量评价", 《农业工程学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843690A (zh) * 2023-09-01 2023-10-03 荣耀终端有限公司 图像质量评估方法、设备及系统
CN116843690B (zh) * 2023-09-01 2024-03-01 荣耀终端有限公司 图像质量评估方法、设备及系统

Also Published As

Publication number Publication date
CN115423809B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111914907B (zh) 一种基于深度学习空谱联合网络的高光谱图像分类方法
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
CN112347859A (zh) 一种光学遥感图像显著性目标检测方法
CN111709265A (zh) 基于注意力机制残差网络的摄像监控状态分类方法
CN108960314B (zh) 基于难样本的训练方法、装置及电子设备
CN114359283A (zh) 基于Transformer的缺陷检测方法和电子设备
CN115423809B (zh) 图像质量评价方法、装置、可读存储介质及电子设备
CN111046893B (zh) 图像相似性确定方法和装置、图像处理方法和装置
CN112950579B (zh) 图像质量评价方法、装置和电子设备
CN112634171B (zh) 基于贝叶斯卷积神经网络的图像去雾方法及存储介质
CN115909280A (zh) 基于多头注意力机制的交通标志识别算法
CN112101114A (zh) 一种视频目标检测方法、装置、设备以及存储介质
CN114639002A (zh) 一种基于多模式特征的红外与可见光图像融合方法
CN113628143A (zh) 一种基于多尺度卷积的加权融合图像去雾方法及装置
CN113128517A (zh) 色调映射图像混合视觉特征提取模型建立及质量评价方法
CN117173098A (zh) 一种基于rdms的齿轮表面缺陷检测方法
CN117152092A (zh) 全参考图像评价方法、装置、电子设备和计算机存储介质
CN114677670B (zh) 一种身份证篡改自动识别与定位的方法
CN116309171A (zh) 一种输电线路监控图像增强方法和装置
CN115457015A (zh) 一种基于视觉交互感知双流网络的图像无参考质量评估方法及装置
CN115620119A (zh) 一种天气类型图像检测及雾天图像处理方法及装置
CN113627302A (zh) 一种登高施工合规性检测方法及系统
Hong et al. Saliency-based feature learning for no-reference image quality assessment
CN110751632B (zh) 基于卷积神经网络的多尺度图像质量检测方法
CN116563615B (zh) 基于改进多尺度注意力机制的不良图片分类方法

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
GR01 Patent grant