CN116823700A - 一种图像质量的确定方法和装置 - Google Patents
一种图像质量的确定方法和装置 Download PDFInfo
- Publication number
- CN116823700A CN116823700A CN202210278054.9A CN202210278054A CN116823700A CN 116823700 A CN116823700 A CN 116823700A CN 202210278054 A CN202210278054 A CN 202210278054A CN 116823700 A CN116823700 A CN 116823700A
- Authority
- CN
- China
- Prior art keywords
- image
- result
- evaluated
- image quality
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013441 quality evaluation Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像质量的确定方法和装置,涉及超级深度学习技术领域。该方法的具体实施方式包括:获取待评价结果图像以及与待评价结果图像对应的原始图像;将所述待评价结果图像和所述原始图像进行合并,确定合并结果;将合并结果输入预训练的图像质量评价模型;其中,图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;根据图像质量评价模型的输出,确定待评价结果图像的图像质量。该实施方式能够提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像,极大地提升了结果图像的审核效率,降低了审核成本。
Description
技术领域
本发明涉及超级深度学习技术领域,尤其涉及一种图像质量的确定方法。
背景技术
图像背景去除是指将图像中的主体之外的背景去除,使得唯一主体以纯色背景的形式展示,纯色背景可以是透明图或者白底图,去除背景后的结果图像可以结合于各种各样的场景背景中。
现有的对去除背景后的结果图像进行评价的方法包括人工审核和深度学习方法,人工审核是指由审核人员直接对结果图像进行评判,入库时剔除抠图效果较差的结果图像;深度学习方法可以利用机器学习算法进行训练,利用学习模型对结果图像进行判断。
现有的评价方法中,人工审核效率低下,审核成本较高;深度学习方法仅对结果图像进行判断,无法确定图像主体是否正确、完整,即使图像正确、完整,还可能存在图像不整洁(比如,存在文字、水印等)、分辨率低下等问题,现有的机器学习算法无法进行如此复杂的学习及判断,审核结果并不理想。
发明内容
有鉴于此,本发明实施例提供一种图像质量的确定方法,能够提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像,极大地提升了结果图像的审核效率,降低了审核成本。
为实现上述目的,根据本发明实施例的一个方面,提供了一种图像质量的确定方法,包括:
获取待评价结果图像以及与所述待评价结果图像对应的原始图像;
将所述待评价结果图像和所述原始图像进行合并,确定合并结果;
将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;
根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
可选地,所述将所述待评价结果图像和所述原始图像进行合并,确定合并结果预训练的,包括:
根据所述待评价结果图像的图像类型,对所述待评价结果图像进行转化;
将转化后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果。
可选地,所述原始图像为RGB图像,包括R通道、G通道和B通道;所述根据所述待评价结果图像的图像类型,对所述待评价结果图像进行转化,包括:
在所述待评价结果图像的图像类型为RGB图像的情况下:
将所述待评价结果图像转化为灰度图;
所述将预处理后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果,包括:
将所述原始图像的各个通道的通道值和对应的所述灰度图的灰度值合并,确定合并后的数值矩阵为所述合并结果。
可选地,在所述待评价结果图像的图像类型为透明图像的情况下,所述将预处理后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果,包括:
将所述原始图像的各个通道的通道值和对应的所述透明图像的alpha通道的alpha值合并,确定所述合并结果为所述数值矩阵。
可选地,还包括:
获取多个历史结果图像以及多个与所述历史结果图像对应的历史原始图像;
将所述历史结果图像和所述历史原始图像作为所述图像质量评价模型的输入,将与所述历史结果图像对应的多个评价指标作为所述图像质量评价模型的输出,对所述图像质量评价模型进行训练。
可选地,所述确定所述待评价结果图像的图像质量,包括:
确定与所述待评价结果图像对应的多个标签的标签值;;其中,所述标签值包括0和1
在任一所述标签值为0的情况下,确定所述图像质量为不合格。
可选地,所述图像质量评价模型采用包括SE模块的算法,所述算法为以下算法中的任意一种:
ResNet算法、Vgg算法、Inception算法。
根据本发明实施例的再一个方面,提供了一种图像质量的确定装置,包括:
获取模块,用于获取待评价结果图像以及与所述待评价结果图像对应的原始图像;
合并模块,用于将所述待评价结果图像和所述原始图像进行合并,确定合并结果;
输入模块,用于将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;
评价模块,用于根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
根据本发明实施例的另一个方面,提供了一种图像质量的确定电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的图像质量的确定方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的图像质量的确定方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用将结果图像和原始图像合并作为图像质量评价模型的输入,细化多个标签进行评价,根据图像质量评价模型的输出确定各个标签的标签值,在标签值全部为1的情况下确定图像质量为合格的技术手段,所以克服了现有的评价方法中,审核效率低下,审核成本较高、审核结果并不理想的技术问题,进而达到能够提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像,极大地提升了结果图像的审核效率,降低了审核成本的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的图像质量的确定方法的主要流程的示意图;
图2是根据本发明实施例的合并结果的确定方法的主要流程的示意图;
图3是根据本发明实施例的图像转化方法的主要流程的示意图;
图4是根据本发明实施例的图像质量评价模型的确定方法的主要流程的示意图;
图5是根据本发明实施例的图像质量评价模型的训练方法的主要流程的示意图;
图6是根据本发明实施例的SE模块的原理图的示意图;
图7是根据本发明实施例的标签的示意图;
图8是根据本发明实施例的图像质量的确定装置的主要模块的示意图;
图9示出了适于应用于本发明实施例的图像质量的确定方法或图像质量的确定装置的示例性系统架构图;
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的图像质量的确定方法的主要流程的示意图,如图1所示,本发明的图像质量的确定方法包括如下步骤:
图像处理是指对图像进行分析、加工和计算,使其满足视觉、心理等其他要求,常见的处理方式包括图像混合、图像剪接、图像色彩变换、图像分辨率转换、图像平滑处理、图像几何变换、图像背景去除等。
出于页面整洁、频道调性(比如,京东APP上的“发现好货”、“新品首发”等“频道”,各个频道风格不同,即频道调性不同,“发现好货”的频道调性为干净美观的图像风格)、banner生产(banner即导航图)等各种因素的考虑,会对图像进行背景去除处理,获得纯色背景图像以应用于各种场景。
步骤S101,获取待评价结果图像以及与所述待评价结果图像对应的原始图像。
去除背景的图像通常是透明图像或者白底图像,可以结合于各种场景中以满足实际的使用需求。常用的去除背景的方法通常包括人工处理和算法处理,人工处理利用photoshop等工具,通过套索工具等抠出图像主体轮廓;算法处理基于计算机视觉算法提取图像主体。由于背景去除的复杂性,使得去除背景的图像质量参差不齐,可能出现主体不完整、边缘不清晰、主体错误、图像模糊、水印痕迹、发丝痕迹、抠图模糊等各种问题。在将去除背景后的结果图像进行入库保存以便于应用于各种场景时,需要对结果图像进行审核,剔除质量较差的或者进行二次处理,仅对复核要求的图像进行保存。
在本发明实施例中,在结果图像入库之前,对结果图像进行评价,将图像质量为合格的结果图像进行入库处理。待评价结果图像的图像类型可以是透明图像或者RGB图像(或称,白底图像)。
步骤S102,将所述待评价结果图像和所述原始图像进行合并,确定合并结果。
在本发明实施例中,不同于现有的仅将待评价结果图像作为模型的输入,本发明将待评价结果图像、与待评价结果图像对应的原始图像进行合并,确定合并结果为图像质量评价模型的输入,图像质量评价模型同时对结果图像与原图进行考虑,使得图像质量的确定结果更加准确。
在本发明实施例中,如图2所示,本发明的合并结果的确定方法包括如下步骤:
步骤S201,根据所述待评价结果图像的图像类型,对所述待评价结果图像进行转化。
在本发明实施例中,图像质量评价模型的输入一般为[N,C,W,H]型的数值矩阵;其中,N为批次图像的数量,C为输入张量的通道(比如,RGB图像对应3通道),W为输入图像的宽度,H为输入图像的高度。
在本发明实施例中,如图3所示,本发明的图像转化方法包括如下步骤:
步骤S301,确定待评价结果图像的图像类型。
在本发明实施例中,待评价结果图像的图像类型可以是RGB图像或者透明图像。
步骤S302,图像类型是否为RGB图像,如果是,转至步骤S303;如果否,转至步骤S306。
在本发明实施例中,对于不同类型的待评价结果图像,分别对应不同的转化方式。
步骤S303,将待评价结果图像转化为灰度图。
在本发明实施例中,在待评价结果图像为RGB图像的情况下,将其转化为灰度图;其中,可以利用opencv、numpy、pytorch等各种软件对待评价结果图像进行转化。
步骤S304,确定灰度图的灰度值gray。
在本发明实施例中,根据步骤S303得到的灰度图,可以通过浮点法、整数法、移位法、平均值法、取绿色法、Gamma校正算法等各种方法确定灰度图的灰度值gray。
步骤S305,确定原始图像的R通道的通道值Rorg、G通道的通道值Gorg和B通道的通道值Borg。
在本发明实施例中,原始图像为RGB图像,包括R通道、G通道和B通道,各个通道的通道值可以相同或不同,相应地,对应不同色彩、不同亮度的原始图像。
步骤S306,确定透明图像的alpha通道的alpha值alpha,转至步骤S305。
在本发明实施例中,透明图像是指具有alpha通道的图片,alpha通道对应透明图像的透明度属性,透明图像的背景透明、图像主体不透明。根据待评价结果图像的透明度属性,确定透明图像的alpha通道的alpha值alpha。
在本发明实施例中,通过本发明的图像转化方法,能够对待评价结果图像进行转化,获得其灰度值gray或者alpha值alpha,统一待评价结果图像的数据形式,从而便于后期与原始图像进行合并。
步骤S202,将转化后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果。
在本发明实施例中,为了将待评价结果图像和原始图像合并作为图像质量评价模型的输入,根据步骤S201的转化结果,将待评价结果图像和原始图像在通道上进行合并,确定合并结果,具体地:
在待评价结果图像的图像类型为RGB图像的情况下:
将原始图像的R通道的通道值Rorg、G通道的通道值Gorg和B通道的通道值Borg和待评价结果图像转化后的灰度图的灰度值gray进行合并,确定合并后的合并结果为数值矩阵W*H*Ccon;其中,Ccon=[Rorg,Gorg,Borg,gray]。
在待评价结果图像的图像类型为透明图像的情况下:
将原始图像的R通道的通道值Rorg、G通道的通道值Gorg和B通道的通道值Borg和待评价结果图像转化后的透明图像的alpha值alpha进行合并,确定合并后的合并结果为数值矩阵W*H*Ccon;其中,Ccon=[Rorg,Gorg,Borg,alpha]。
在本发明实施例中,可以利用opencv、numpy、pytorch等各种软件对待评价结果图像和原始图像进行合并。
预训练的在本发明实施例中,通过本发明的合并结果的确定方法,能够将待评价结果图像和原始图像进行合并,将合并后的数值矩阵作为合并结果,后续使得图像质量评价模型基于前景和背景同时进行训练及使用,可以有效提高图像质量评价模型审核的准确度。
步骤S103,将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的。
在本发明实施例中,将步骤S202确定的待评价结果图像和原始图像合并后的数值矩阵作为预训练的图像质量评价模型的输入,从而在图像质量评价模型使用时,根据合并结果运行以得到最终的图像质量评价结果,相较于将单一的将待评价结果图像作为输入,本发明的图像质量的确定方法基于结果图像、与结果图像对应的原图同时进行考量,使得结果图像的评价(即图像质量的确定)更加准确,能够有效提高去除背景的结果图像审核的准确度,从而获得理想的入库图像。
在本发明实施例中,如图4所示,本发明的图像质量评价模型的确定方法包括如下步骤:
步骤S401,获取多个历史结果图像以及多个与所述历史结果图像对应的历史原始图像。
在本发明实施例中,将历史结果图像以及与历史结果图像对应的历史原始图像作为图像质量评价模型在训练阶段的样本数据,
步骤S402,将所述历史结果图像和所述历史原始图像作为所述图像质量评价模型的输入,将与所述历史结果图像对应的多个评价指标作为所述图像质量评价模型的输出,对所述图像质量评价模型进行训练。
在本发明实施例中,图像质量评价模型利用具有Attention机制的深度网络对模型的输入进行特征提取,骨干网络采用包括但不限于Resnet、Vgg、Inception等深度学习网络模型,并在其基础上增加SE模块或者SE模块变体(比如,scSE)。
在本发明实施例中,如图5所示,本发明的图像质量评价模型的训练方法包括如下步骤:
步骤S501,标注历史结果图像、历史原始图像的标签。
在本发明实施例中,以历史结果图像以及与历史结果图像对应的历史原始图像作为一组样本数据对,并为样本数据对的历史结果图像设定标签,标签包括主体是否完整、主体是否有效、是否残留文字(比如,背景是否残留文字、水印等)、抠图是否模糊(比如,边缘是否清晰等)等,每个标签标注为0或1,对应标签是否合格;其中,在对应标签合格的情况下,标签值为1,在对应标签不合格的情况下,标签值为0。
步骤S502,将每组样本数据对的历史结果图像和历史原始图像进行合并。
在本发明实施例中,历史结果图像和历史原始图像的合并可以通过本发明的图像质量评价模型的输入的确定方法确定,如图6所示,x对应输入特征图,为w*h*c1的数值矩阵。
步骤S503,根据样本数据对的合并结果对包含SE模块的深度学习网络模型进行训练。
在本发明实施例中,将样本数据对对应的历史结果图像和历史原始图像的合并结果输入包含SE模块的深度学习网络模型并进行训练。SE模块即Squeeze-and-ExcitationModule,创新点在于关注通道之间的关系,希望模型可以自动学习到不同通道特征的重要程度。
在本发明实施例中,深度学习网络模型对输入特征图进行卷积操作,得到卷积特征图,如图6所示,Ftr(·,θ)对应卷积操作,卷积特征图为w*h*c2的数值矩阵;其中,深度学习网络模型可以自定义卷积操作的次数和卷积核的大小。
SE模块首先对卷积特征图进行Squeeze操作,得到通道级的全局特征(即与通道对应的数值矩阵),如图6所示,Fsq(·)对应Squeeze操作;然后对全局特征进行Excitation操作,学习各个通道之间的关系,使得包括SE模块的深度学习网络模型可以自动学习到不同通道特征的重要程度,如图6所示,Fex(·,W)对应Excitation操作。具体地:
Squeeze操作通过全局平均池化,对卷积特征图对应的数值矩阵进行加和平均,将其编码为与通道对应的全局特征zc,如下式所示:
其中:
zc表示Squeeze操作后的全局特征,为1*1*2的数值矩阵;
uc(i,j)表示与卷积特征图对应的数值矩阵。
Excitation操作即对全局特征进行通道关系提取,利用sigmoid函数实现,如下式所示:
s=Fex(zc,W)=σ(g(zc,W))=σ(W2ReLU(W1zc))
其中:
s表示通道的重要程度,为0~1之间的数值,数值越大表明越重要,如图6所示,不同的颜色代表不同的重要程度;
W1、W2表示权重参数;
ReLU(·)表示非线性激活函数;
σ(·)表示sigmoid函数。
在本发明实施例中,将Excitation操作学习到的重要程度s乘以原始卷积特征图对应的数值矩阵uc(i,j),得到最终特征图,如图6所示,对应最终特征图,为w*h*c2的数值矩阵。
在本发明实施例中,将最终特征图调整为1*1*的张量,分别连接若干全连接层,输出各个标签的值,如图7所示;其中,可以通过池化、stride>1等方法进行调整。
在训练时,采用交叉熵损失函数,通过损失回传不断进行迭代,如下式所示:
其中:
y表示标签真值,为0或1;
表示标签预测值,为0~1之间的数值。
步骤S504,根据多次迭代的训练结果,确定图像质量评价模型。
在本发明实施例中,通过本发明的图像质量评价模型的确定方法,能够基于历史原始图像和历史结果图像对添加有注意力机制的深度网络学习模型进行训练,确定图像质量评价模型,从而提升对图像质量评价有用的特征,抑制对图像质量评价无用的特征,提高去除背景的结果图像审核的准确度。
步骤S104,根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
在本发明实施例中,在使用图像质量评价模型时,根据图像质量评价模型的输出,确定待评价结果图像对应的多个标签的标签值;其中,标签值包括0和1。在任一标签值为0的情况下,确定图像质量为不合格;在全部标签值为1的情况下,确定图像质量为合格,如下式所示:
其中:
N表示标签个数。
在本发明实施例中,标签值为1时,表示主体完整、主体有效、背景无残留、抠图清晰;标签值为0时,主体缺失、主体无效、背景存在残留、抠图模糊。
在本发明实施例中,通过获取待评价结果图像以及与所述待评价结果图像对应的原始图像;将所述待评价结果图像和所述原始图像输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量等步骤,能够提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像,极大地提升了结果图像的审核效率,降低了审核成本。
图8是根据本发明实施例的图像质量的确定装置的主要模块的示意图,如图8所示,本发明的图像质量的确定装置800包括:
获取模块801,用于获取待评价结果图像以及与所述待评价结果图像对应的原始图像。
在本发明实施例中,在结果图像入库之前,通过所述获取模块801获取待评价结果图像以及与待评价结果图像对应的原始图像,进而对结果图像进行评价,将图像质量为合格的结果图像进行入库处理。待评价结果图像的图像类型可以是透明图像或者RGB图像。
合并模块802,用于将所述待评价结果图像和所述原始图像进行合并,确定合并结果。
在本发明实施例中,不同于现有的仅将待评价结果图像作为模型的输入,本发明的图像质量的确定装置800的所述合并模块802,将待评价结果图像、与待评价结果图像对应的原始图像进行合并,确定合并结果为图像质量评价模型的输入,图像质量评价模型同时对结果图像与原图进行考虑,使得图像质量的确定结果更加准确。
输入模块803,用于将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的。
在本发明实施例中,所述输入模块803将所述合并模块802确定的待评价结果图像和原始图像合并后的数值矩阵作为预训练的图像质量评价模型的输入,从而在图像质量评价模型使用时,根据合并结果运行以得到最终的图像质量评价结果,相较于将单一的将待评价结果图像作为输入,本发明的图像质量的确定方法基于结果图像、与结果图像对应的原图同时进行考量,使得结果图像的评价(即图像质量的确定)更加准确,能够有效提高去除背景的结果图像审核的准确度,从而获得理想的入库图像。
评价模块804,用于根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
在本发明实施例中,在使用图像质量评价模型时,所述评价模块803根据图像质量评价模型的输出,确定待评价结果图像对应的多个标签的标签值;其中,标签值包括0和1。在任一标签值为0的情况下,确定图像质量为不合格;在全部标签值为1的情况下,确定图像质量为合格。
在本发明实施例中,通过获取模块、合并模块、输入模块和评价模块等模块,能够提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像(即完整、正确、整洁、清晰的入库图像),极大地提升了结果图像的审核效率,降低了审核成本。
图9示出了适于应用于本发明实施例的图像质量的确定方法或图像质量的确定装置的示例性系统架构图,如图9所示,本发明实施例的图像质量的确定方法或图像质量的确定装置的示例性系统架构包括:
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器105之间提供通信链路的介质。网络904可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用,例如图像评价类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的图像评价类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的图像质量的确定请求等数据进行分析等处理,并将处理结果(例如图像质量为合格)反馈给终端设备901、902、903。
需要说明的是,本发明实施例所提供的图像质量的确定方法一般由服务器905执行,相应地,图像质量的确定装置一般设置于服务器95中。
应该理解,图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图,如图10所示,本发明实施例的终端设备或服务器的计算机系统1000包括:
中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中,还存储有系统1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,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,本发明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部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明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。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器获取模块、合并模块、输入模块和评价模块。其中,这些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,合并模块还可以被描述为“将所述待评价结果图像和所述原始图像进行合并,确定合并结果的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:获取待评价结果图像以及与所述待评价结果图像对应的原始图像;将所述待评价结果图像和所述原始图像进行合并,确定合并结果;将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
根据本发明实施例的技术方案,通过基于结果图像和原始图像的学习,或者称为基于前景和背景的学习,比单纯依靠结果图像进行训练得到的模型的审核能力更加准确;采用添加SE模块的深度网络学习模型对合并后的数值矩阵进行特征提取,利用SE模块特有的注意力机制能够有效提升模型的精度;通过多个标签细化评价,每一个标签对应一个二分类问题,大大降低了模型的学习难度。
根据本发明实施例的技术方案,提高去除背景的结果图像审核的准确度,同时保证结果图像的正确性、完整性、整洁度和清晰度等,可以获得理想的入库图像,极大地提升了结果图像的审核效率,降低了审核成本。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种图像质量的确定方法,其特征在于,包括:
获取待评价结果图像以及与所述待评价结果图像对应的原始图像;
将所述待评价结果图像和所述原始图像进行合并,确定合并结果;
将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;
根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
2.根据权利要求1所述的方法,其特征在于,所述将所述待评价结果图像和所述原始图像进行合并,确定合并结果预训练的,包括:
根据所述待评价结果图像的图像类型,对所述待评价结果图像进行转化;
将转化后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果。
3.根据权利要求2所述的方法,其特征在于,所述原始图像为RGB图像,包括R通道、G通道和B通道;所述根据所述待评价结果图像的图像类型,对所述待评价结果图像进行转化,包括:
在所述待评价结果图像的图像类型为RGB图像的情况下:
将所述待评价结果图像转化为灰度图;
所述将预处理后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果,包括:
将所述原始图像的各个通道的通道值和对应的所述灰度图的灰度值合并,确定合并后的数值矩阵为所述合并结果。
4.根据权利要求3所述的方法,其特征在于,在所述待评价结果图像的图像类型为透明图像的情况下,所述将预处理后的所述待评价结果图像和所述原始图像进行合并,确定所述合并结果,包括:
将所述原始图像的各个通道的通道值和对应的所述透明图像的alpha通道的alpha值合并,确定所述合并结果为所述数值矩阵。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取多个历史结果图像以及多个与所述历史结果图像对应的历史原始图像;
将所述历史结果图像和所述历史原始图像作为所述图像质量评价模型的输入,将与所述历史结果图像对应的多个评价指标作为所述图像质量评价模型的输出,对所述图像质量评价模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述确定所述待评价结果图像的图像质量,包括:
确定与所述待评价结果图像对应的多个标签的标签值;其中,所述标签值包括0和1;
在任一所述标签值为0的情况下,确定所述图像质量为不合格。
7.根据权利要求1所述的方法,其特征在于,所述图像质量评价模型采用包括SE模块的算法,所述算法为以下算法中的任意一种:
ResNet算法、Vgg算法、Inception算法。
8.一种图像质量的确定装置,其特征在于,包括:
获取模块,用于获取待评价结果图像以及与所述待评价结果图像对应的原始图像;
合并模块,用于将所述待评价结果图像和所述原始图像进行合并,确定合并结果;
输入模块,用于将所述合并结果输入预训练的图像质量评价模型;其中,所述图像质量评价模型是根据历史结果图像和历史原始图像训练得到的;
评价模块,用于根据所述图像质量评价模型的输出,确定所述待评价结果图像的图像质量。
9.一种图像质量的确定电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,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中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278054.9A CN116823700A (zh) | 2022-03-21 | 2022-03-21 | 一种图像质量的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278054.9A CN116823700A (zh) | 2022-03-21 | 2022-03-21 | 一种图像质量的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823700A true CN116823700A (zh) | 2023-09-29 |
Family
ID=88120826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278054.9A Pending CN116823700A (zh) | 2022-03-21 | 2022-03-21 | 一种图像质量的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333495A (zh) * | 2023-12-01 | 2024-01-02 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
-
2022
- 2022-03-21 CN CN202210278054.9A patent/CN116823700A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333495A (zh) * | 2023-12-01 | 2024-01-02 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
CN117333495B (zh) * | 2023-12-01 | 2024-03-19 | 浙江口碑网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN108830780B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
US10621764B2 (en) | Colorizing vector graphic objects | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN111932546A (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN110852980A (zh) | 交互式图像填充方法及系统、服务器、设备及介质 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
Liu et al. | Painting completion with generative translation models | |
CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
JP7261732B2 (ja) | 文字の色を決定する方法および装置 | |
CN113239925A (zh) | 一种文本检测模型训练方法、文本检测方法及装置、设备 | |
CN114972847A (zh) | 图像处理方法及装置 | |
CN114332590B (zh) | 联合感知模型训练、联合感知方法、装置、设备和介质 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN116823700A (zh) | 一种图像质量的确定方法和装置 | |
CN111985471A (zh) | 一种车牌定位方法、装置及存储介质 | |
CN111898544A (zh) | 文字图像匹配方法、装置和设备及计算机存储介质 | |
CN116597430A (zh) | 物品识别方法、装置、电子设备和计算机可读介质 | |
CN110555799A (zh) | 用于处理视频的方法和装置 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
CN113038055A (zh) | 图像处理方法、装置及电子设备 |
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 |