CN117115070A - 图像评估方法、装置、设备、存储介质和程序产品 - Google Patents
图像评估方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117115070A CN117115070A CN202210524525.XA CN202210524525A CN117115070A CN 117115070 A CN117115070 A CN 117115070A CN 202210524525 A CN202210524525 A CN 202210524525A CN 117115070 A CN117115070 A CN 117115070A
- Authority
- CN
- China
- Prior art keywords
- image
- evaluated
- sample image
- quality
- network
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 82
- 238000013441 quality evaluation Methods 0.000 claims abstract description 129
- 238000013210 evaluation model Methods 0.000 claims abstract description 92
- 230000009466 transformation Effects 0.000 claims abstract description 78
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000002372 labelling Methods 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 38
- 238000001303 quality assessment method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 78
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06V10/77—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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像评估方法、装置、设备、存储介质和程序产品,所述方法包括:获取待评估图像;将待评估图像输入至图像评估模型,得到待评估图像对应的质量评估结果,其中,图像评估模型包括:多层级变换网络、融合网络和全连接层,多层级变换网络用于对待评估图像进行处理,得到各层级变换网络输出的图像特征,融合网络用于将各层级变换网络输出的图像特征进行融合,得到图像融合特征,全连接层用于对图像融合特征进行处理,得到质量评估结果。本公开实施例通过多层级变换网络提取图像中的多个图像特征后,使用融合网络对多个图像特征进行融合,使用全连接层根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像评估方法、装置、设备、存储介质和程序产品。
背景技术
图像质量评估(image quality assessment,IQA)可以分为主观打分和客观打分两种。主观打分通过多人对待评估图像进行多轮次打分并取平均来表征图像的感知质量,这种方法虽然精确,但往往耗时耗力。客观打分是训练一种通用的图像评估模型,通过图像评估模型来自动对待评估图像的感知质量进行评估,并最大程度地去拟合人类的主观判断。客观打分的图像评估模型案按照训练过程中是否有参考图像可以分为三类,即全参考算法(full-reference)算法、半参考(reduced-reference)算法与无参考(no-reference)算法。
其中,全参考算法通过对比失真图像和原始图像的差异来对失真图像的画质进行评估。然而,对于实际任务来说,参考图往往难以获取,甚至一些图像是没有参考图,例如:GAN图像。在参考图未知的情况下,需要使用无参考算法来进行图像质量评估。
发明内容
为了解决上述技术问题,本公开实施例提供了一种图像评估方法、装置、设备、存储介质和程序产品,提取图像中的多个特征进行融合后,根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
第一方面,本公开实施例提供一种图像评估方法,包括:
获取待评估图像;
将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
第二方面,本公开实施例提供一种图像评估装置,包括:
图像获取模块,用于获取待评估图像;
图像评估模块,用于将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
第三方面,本公开实施例提供一种电子设备,所述电子设备包括:
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如上述第一方面中任一项所述的图像评估方法。
第四方面,本公开实施例提供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第一方面中任一项所述的图像评估方法。
第五方面,本公开实施例提供一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上述第一方面中任一项所述的图像评估方法。
本公开实施例提供了一种图像评估方法、装置、设备、存储介质和程序产品,所述方法包括:获取待评估图像;将待评估图像输入至图像评估模型,得到待评估图像对应的质量评估结果,其中,图像评估模型包括:多层级变换网络、融合网络和全连接层,多层级变换网络用于对待评估图像进行处理,得到各层级变换网络输出的图像特征,融合网络用于将各层级变换网络输出的图像特征进行融合,得到图像融合特征,全连接层用于对图像融合特征进行处理,得到质量评估结果。本公开实施例通过多层级变换网络提取图像中的多个图像特征后,使用融合网络对多个图像特征进行融合,使用全连接层根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1示出了本公开实施例提供的一种图像评估场景的架构图;
图2为本公开实施例中的一种图像评估方法的流程示意图;
图3为本公开实施例中的一种图像评估模型的结构示意图;
图4为本公开实施例中的一种图像评估模型训练方法的流程示意图;
图5为本公开实施例中的一种图像评估装置的结构示意图;
图6为本公开实施例中的一种电子设备的结构示意图。
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。
图1示出了本公开实施例提供的一种图像评估场景的架构图。
如图1所示,该架构图中可以包括客户端的至少一个电子设备101以及服务端的至少一个服务器102。电子设备101可以通过网络协议如超文本传输安全协议(HyperTextTransfer Protocol over Secure Socket Layer,HTTPS)与服务器102建立连接并进行信息交互。其中,例如:所述电子设备101可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。所述服务器102可以是实体服务器,也可以是云服务器,服务器可以是一个服务器,或者服务器集群。
在本公开实施例中,为了提高图像评估的准确性和稳定性,电子设备101能够接收用户输入的待评估图像,电子设备101接收到该待评估图像之后,将待评估图像输入至图像评估模型,利用图像评估模型中包括多层级变换网络对待评估图像进行处理,得到各层级变换网络输出的图像特征,然后利用融合网络将各层级变换网络输出的图像特征进行融合,得到图像融合特征,最后全连接层用于对所述图像融合特征进行处理,得到质量评估结果。可见,通过多层级变换网络提取图像中的多个图像特征后,使用融合网络对多个图像特征进行融合,使用全连接层根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
可选地,基于上述架构,在电子设备101接收到该待评估图像之后,在电子设备101本地将待评估图像输入至图像评估模型,利用图像评估模型对待评估图像进行处理,输出待评估图像对应的图像质量评估结果,以降低图像评估的时间成本。
可选地,基于上述架构,电子设备101还可以在待评估图像之后,向服务器102发送携带有待评估图像的图像评估请求。服务器102可以在接收到电子设备101发送的携带有待评估图像的图像评估请求之后,响应于图像评估请求,将待评估图像输入至图像评估模型,利用图像评估模型对待评估图像进行处理,输出待评估图像对应的图像质量评估结果,并向电子设备101发送生成的图像质量评估结果,从而使电子设备101可以显示上述图像质量评估结果,以电子设备101的数据处理量。
下面将结合附图,对本申请实施例提出的图像评估方法进行详细介绍。
图2为本公开实施例中的一种图像评估方法的流程图,本实施例可适用于无参图像的图像质量评估的情况,该方法可以由图像评估装置执行,该图像评估装置可以采用软件和/或硬件的方式实现,该图像评估装置可配置于电子设备中。
如图2所示,本公开实施例提供的图像评估方法主要包括步骤S101-S103。
S101、获取待评估图像。
其中,所述待评估图像可以理解为需要对图像质量进行评估的图像。待评估图像可以包括传统的劣化图像数据和一般的UGC(user generated content,用户原创内容)图像,还可以包括经过超分、去噪等算法处理的增强图像。
在本公开实施例中,获取待评估图像可以是从本地图像存储库中获取需要进行图像质量评估的图像,还可以是从互联网上下载的需要进行图像质量评估的图像。对于获取待评估图像的具体方式,本实施中不再限定。
在本公开的一个实施方式中,对待评估图像进行处理,得到预设大小的待评估图像,其中,预设大小为该图像块大小为384x384或224x224。
S102、将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
在本公开的一个实施方式中,使用样本图像集对待训练神经网络模型进行训练,得到图像评估模型。具体的,通过文本图像集对待训练神经网络模型进行训练,该模型具有自我学习能力,通过训练该模型具有了提取图像特征,进行图像评估的功能。
在本公开的一个实施方式中,如图3所示,所述图像评估模型为一个网络结构相同,模型参数也相同的孪生网络,孪生网络包括第一分支网络31和第二分支网络32,且所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层。
在本公开的一个实施方式中,将待评估图像输入至图像评估模型后,图像评估模型可以选择其中任意一个分支网络对所述待评估图像进行处理,图像评估模型输出质量评估结果。
在本公开的一个实施方式中,图像评估模型设置两个输入端,分别对应第一分支网络的输入端和第二分支网络的输入端,用户可以选择任意一个输入端将待评估图像输入至图像评估模型,由输入端对应的分支网络对待评估图像进行处理,图像评估模型输出质量评估结果。
在本公开的一个实施方式中,所述质量评估结果可以包括图像评估模型输出的图像评分,还可以是包括图像评估模型输出的图像等级,例如:优、良、中、差等等。
在本公开的一个实施方式中,所述多层级变换网络是一个具有多层结构的注意力变换(Transformer)网络,所述多层级变换网络用于从多个不同的角度提取待评估图像中的图像特征,即每个层级都会从其各自对应的角度提取待评估图像中的图像特征。所述多层级变换网络具有一个输入端和多个输出端,其中输入端用于接收输入的待评估图像,输出端用于输出各层级变换网络输出的图像特征。其中,所述图像特征包括:纹理特征、颜色特征、上下文特征、曝光特征等等多角度。在本公开实施例中,采用多层级变换网络可以从不同的角度提取图像特征,以提高图像识别的准确性。
在本公开的一个实施方式中,融合网络具有多个输入端和一个输出端,输入端用于接收各层级变换网络输出的图像特征,输出端用于输出融合特征。融合网络用于将各层级变换网络输出的多个图像特征进行融合处理,得到一个图像融合特征。这样,可以极大的增加进行预测的图像特征中所包含的信息。
其中,全连接层(Fully Connected Layer)是多层感知器应用在卷积神经网络中的多种组件之一。在深度学习领域中,用于分类任务的卷积神经网络模型的网络结构的最后几层往往是全连接层,用于将从该层之前的几个特征抽取层获得的特征表达向量映射到下一层,或者映射到最终的softmax层。
在本公开的一个实施方式中,所用全连接模块为双层结构,其中第一层后使用GELU激活函数进行激活。
所述图像评估模型还包括:滑动窗口;所述滑动窗口用于对输入的所述待评估图像进行分割,得到多个图像块,并输入至所述多层级变换网络。
在本公开实施例中,图像评估模型还包括滑动窗口,滑动窗口将待评估图像分割为多个图像块,针对每个图像块,将该图像块输入至多层级变换网络,得到该图像块对应的各层级变换网络输出的图像块特征,然后将多个图像块对应的各层级变换网络输出的图像块特征进行融合,得到图像融合特征。
在一个可能的实施方式中,图像块大小为4x4,滑动窗口大小则设置为和7x7。
在本公开实施例中,图像评估模型将待评估图像划分为多个图像块,提取各个图像块的特征,以从图像中提取更多的信息,增强图像评估的准确性。
本公开实施例提供一种图像评估方法包括:获取待评估图像;将待评估图像输入至图像评估模型,得到待评估图像对应的质量评估结果,其中,图像评估模型包括:多层级变换网络、融合网络和全连接层,多层级变换网络用于对待评估图像进行处理,得到各层级变换网络输出的图像特征,融合网络用于将各层级变换网络输出的图像特征进行融合,得到图像融合特征,全连接层用于对图像融合特征进行处理,得到质量评估结果。本公开实施例通过多层级变换网络提取图像中的多个图像特征后,使用融合网络对多个图像特征进行融合,使用全连接层根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
在上述实施例的基础上,本公开实施例提供另一种图像评估方法,所述方法主要包括:将所述待评估图像进行划分,得到多个待评估子图像;针对至少一个或多个所述待评估子图像,将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果;基于至少一个或多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果。
在本公开实施例中,上述将所述待评估图像进行分割,得到多个图像块,是指待评估图像输入至图像评估模型后,图像评估模型中设置的滑动窗口来实现图像块分割。将所述待评估图像进行划分,得到多个待评估子图像,是指待评估图像输入至图像评估模型之前,将待评估图像进行划分处理,得到多个待评估子图像。
在本公开的一个实施方式中,针对每个待评估子图像,均执行将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果的流程。图像评估模型对待评估子图像的处理过程,与上述实施例中提供的图像评估模型对待评估图像的处理过程相同,具体可以参照上述实施例中的描述,本实施例中不再具体限定。
在本公开实施例中,将待评估图像划分为多个待评估子图像,以获取到更多图像信息,增强升预测结果的准确性和稳定性。
基于多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果,包括:计算多个所述待评估子图像对应的质量评估结果对应的谐波平均值;将所述谐波平均值确定为所述待评估图像的质量评估结果。
在本公开的一个实施方式中,对各待评估子图像的质量评估结果,采用谐波平均的方法求取均值,作为该待评估图像的最终质量评估结果。具体的,谐波平均公式如下所示。
其中,n表示待评估子图像的数量,xi表示各待评估子图像的质量评估结果。
在本公开实施例中,利用谐波平均值计算图像的最终质量评估结果,增强升预测结果的准确性和稳定性。
在上述实施例的基础上,本公开实施例提供了一种图像评估模型的训练方法,如图3所示,本公开实施例提供的图像训练方法主要包括如下步骤:
S201、将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果。
在本公开实施例中,首先提供一些对样本图像集中的图像进行预处理的方式。
在本公开的一个实施方式中,获取样本图像集的方式主要包括:通过爬虫软件从网络上抓取图像,经过GAN处理的图像,通过摄像机拍摄的图像等等。
在本公开一个实施方式中,所述方法还包括:针对样本图像集中的至少一个样本图像,将所述样本图像进行缩放处理,得到预设分辨率的样本图像;将所述预设分辨率的样本图像采用增强策略进行预处理,所述增强策略用于提升所述样本图像集的丰富性。
在本公开的一个实施方式中,针对采集到样本图像集中的每个样本图像,首先将样本图像不畸变的缩放到预设分辨率,然后从中随机位置截取一个子样本图像,作为图像评估模型的输入,对图像评估模型进行训练。
上述增强策略包括将样本图像旋转不同的角度,转换至多个色彩空间等等,以获取更多的样本图像。
由于主观标注的IQA数据集往往比较小,因此在训练时使用增强策略来进行数据扩充。
在本公开一个实施方式中,对所述预设分辨率的样本图像采用增强策略进行预处理,包括:将所述预设分辨率的样本图像旋转预设角度;和/或,将所述预设分辨率的样本图像转换至设定色彩空间,其中,所述设定色彩空间包括如下一种或多种:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。
其中,预设角度可以包括90度,180度,270度等等。将所述预设分辨率的样本图像将图像保持原大小随机旋转,可以得到不同角度的多长样本图像。
即将预设分辨率的样本图像随机转换为以下色彩空间:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。这两种增强方法都对图像质量无显著影响,但能增加数据集的丰富性。
在本公开的一个实施方式中,所述方法还包括:若所述样本图像集中各样本图像对应的标注信息分布不均匀,将各样本图像对应的标注信息进行加权上采样处理,得到带权重的标注信息。
其中,所述样本图像对应的标注信息是指人工对样本图像进行主观评估的记过,可以是对样本图像的主观评分。具体的,可以是MOS(mean opinion score,平均意见得分)。
样本图像对应的标注信息分布不均匀可以理解为由于获取到样本图像质量不均,导致评分位于第一分数段区间的样本图像过多,评分位于第二分数段区间的样本图像过少。
在本公开实施例中,对于各MOS分段分布极不均匀的样本图像集,在预处理过程中,将其根据相对分布进行加权上采样,以平衡各种质量的图像分布,使得网络学习到无偏的模型。
在本公开的一个实施方式中,将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果。具体的,第一分支网络中的多层级变换网络对第一样本图像进行处理,得到各层级变换网络输出的第一样本图像特征,第一分支网络中的融合网络将所述各层级变换网络输出的第一样本图像特征进行融合,得到第一样本图像融合特征,第一分支网络中的全连接层对所述第一样本图像融合特征进行处理,得到第一质量评估结果。
S202、将所述样本图像集中的第二样本图像输入至所述待训练模型中包括的第二分支网络,得到第二质量评估结果,其中,所述第一分支网络与所述第二分支网络为结构相同的孪生网络,所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层。
在本公开的一个实施方式中,将样本图像集中的第二样本图像输入至待训练模型中包括的第二分支网络,得到第二质量评估结果。具体的,第二分支网络中的多层级变换网络对第二样本图像进行处理,得到各层级变换网络输出的第二样本图像特征,第二分支网络中的融合网络将所述各层级变换网络输出的第二样本图像特征进行融合,得到第二样本图像融合特征,第二分支网络中的全连接层对所述第二样本图像融合特征进行处理,得到第二质量评估结果。
其中,第一样本图像和第二样本图像是样本图像集中不同的两个样本图像。
S203、基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型。
在本公开的一个实施方式中,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型,包括:基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,其中,联合损失函数包括回归损失函数和排序损失函数,所述回归损失函数用于衡量第一质量评估结果和所述第一样本图像对应的标注信息之间的差异性,所述排序损失函数用于衡量第一样本图像和第二样本图像的之间的相对质量。
在本公开实施例中,在图像评估模型的训练过程中,采用回归损失函数和排序损失函数两个损失函数进行联合优化。
其中,回归损失函数衡量预测评估结果与平均意见得分的绝对差异,优化了关于每个图像质量的绝对得分。排序损失函数则用来优化各图像之间的相对质量。其中,预测评估结果是指样本图像输入图像评估模型后,图像评估模型输出的样本图像的质量评估结果,预测评估结果可以是预测评分。平均意见得分是指对样本图像的主观评分。
回归损失函数,使得预测评分与平均意见得分更接近,提高模型评估的准确性,排序损失函数极大的丰富了训练时所使用的信息量,使得模型具有更快收敛速度的同时,预测结果也更好。
在本公开的一个实施方式中,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,包括:基于所述回归损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第一损失函数值,其中所述第一损失函数值用于表征第一质量评估结果和所述第一样本图像对应的标注信息之间的相对差异,第二质量评估结果和所述第二样本图像对应的标注信息之间的相对差异;基于所述排序损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第二损失函数值,其中,所述第二损失值用于表征第一样本图像和第二样本图像之间的相对质量;基于所述第一损失函数值与所述第二损失函数值对所述待训练模型中的参数进行优化,得到训练好的图像评估模型。
在本公开实施例中,第一损失函数值lossreg是回归损失函数计算出的损失值,为预测评分和平均意见得分的欧氏距离,表征二者之间的相对差异。
其中,和yi分别表示图像质量的预测评分和平均意见得分。N表示一个训练批次中的样本图像数量。
在本公开实施例中,第二损失函数值lossrank则用于衡量两张输入的样本图像的相对排序是否在一定程度上与真值相符。对于两张输入样本图像,计算二者预测评分的差值来表征二者质量的相对高低,并与二者平均意见得分的相对大小进行对比,具体为:
Rank损失函数的应用,使得模型不定能够对图像得分的绝对值进行学习,还可以对两张图像得分的相对关系进行学习,这极大的丰富了训练时所使用的信息量,使得模型具有更快收敛速度的同时,预测指标也更好。孪生网络的结构以图像对为输入,与Rank损失函数相适应。
本公开实施例针对上述无参考打分问题,提出了一种无参考的图像评估方法,能够在一般图像的数据集上取得优于现有算法的结果,也能够在增强算法处理的图像,特别是GAN技术生成的图像上取得较好的表现。该方案使用一种基于Swin Transformer的多层级特征融合网络,并选择适当的损失函数和训练策略来对模型进行优化。该损失函数包含回归损失与排序损失。其中,回归损失函数衡量预测得分与真实得分的绝对差异,优化了关于每个图像质量的绝对得分。排序损失函数则用来优化各图像之间的相对质量。训练策略则包括基于孪生网络的图像对训练,数据增强及加权采样等。本公开实施例在多个样本图像集上取得了较高的指标,其中既包括传统的劣化图像集和一般的UGC(user generatedcontent,用户原创内容)图片集,也包括前述经过超分、去噪等算法处理的增强图像集。本公开实施例提出的图像评估模型在进行感知质量评价时,能够在不同场景下都取得和人主观打分相近似的结果。
图5为本公开实施例中的一种图像评估装置的结构示意图,本实施例可适用于无参图像的图像质量评估的情况,该图像评估装置可以采用软件和/或硬件的方式实现,该图像评估装置可配置于电子设备中。
如图5所示,本公开实施例提供的图像评估装置主要包括图像获取模块51和图像评估模块52。
其中,图像获取模块51,用于获取待评估图像;图像评估模块52,用于将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
本公开涉及一种图像评估装置,用于执行如下流程:获取待评估图像;将待评估图像输入至图像评估模型,得到待评估图像对应的质量评估结果,其中,图像评估模型包括:多层级变换网络、融合网络和全连接层,多层级变换网络用于对待评估图像进行处理,得到各层级变换网络输出的图像特征,融合网络用于将各层级变换网络输出的图像特征进行融合,得到图像融合特征,全连接层用于对图像融合特征进行处理,得到质量评估结果。本公开实施例通过多层级变换网络提取图像中的多个图像特征后,使用融合网络对多个图像特征进行融合,使用全连接层根据融合特征对图像质量进行评估,提升预测结果的准确性和稳定性。
在本公开的一个实施方式中,所述图像评估模型还包括:滑动窗口;所述滑动窗口用于对输入的所述待评估图像进行分割,得到多个图像块并输入至所述多层级变换网络。
在本公开的一个实施方式中,所述装置还包括:图像划分模块,用于将所述待评估图像进行划分,得到多个待评估子图像;子图像评估模块,用于针对至少一个或多个所述待评估子图像,将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果;评估结果确定模块,用于基于至少一个或多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果。
在本公开的一个实施方式中,评估结果确定模块,包括:谐波计算单元,用于计算多个所述待评估子图像对应的质量评估结果对应的谐波平均值;评估结果确定单元,用于将所述谐波平均值确定为所述待评估图像的质量评估结果。
在本公开的一个实施方式中,所述图像评估模型通过以下模块训练获得:
第一质量评估结果确定模块,用于将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果;
第二质量评估结果确定模块,用于将所述样本图像集中的第二样本图像输入至所述待训练模型中包括的第二分支网络,得到第二质量评估结果,其中,所述第一分支网络与所述第二分支网络为结构相同的孪生网络,所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层;图像识别模型训练模块,用于基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型。
在本公开的一个实施方式中,所述装置还包括:缩放处理模块,用于针对样本图像集中的至少一个样本图像,将所述样本图像进行缩放处理,得到预设分辨率的样本图像;增强处理模块,用于将所述预设分辨率的样本图像采用增强策略进行预处理,所述增强策略用于提升所述样本图像集的丰富性。
在本公开的一个实施方式中,增强处理模块,具体用于将所述预设分辨率的样本图像旋转预设角度;和/或,将所述预设分辨率的样本图像转换至设定色彩空间,其中,所述设定色彩空间包括如下一种或多种:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。
在本公开的一个实施方式中,所述装置还包括:标注信息处理模块,用于若所述样本图像集中各样本图像对应的标注信息分布不均匀,将各样本图像对应的标注信息进行加权上采样处理,得到带权重的标注信息。
在本公开的一个实施方式中,图像识别模型训练模块,具体用于基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,其中,联合损失函数包括回归损失函数和排序损失函数,所述回归损失函数用于衡量第一质量评估结果和所述第一样本图像对应的标注信息之间的差异,所述排序损失函数用于衡量第一样本图像和第二样本图像之间的相对质量。
在本公开的一个实施方式中,图像识别模型训练模块,具体用于基于所述回归损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第一损失函数值,其中所述第一损失函数值用于表征第一质量评估结果和所述第一样本图像对应的标注信息之间的相对差异,第二质量评估结果和所述第二样本图像对应的标注信息之间的相对差异;基于所述排序损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第二损失函数值,其中,所述第二损失值用于表征第一样本图像和第二样本图像之间的相对质量;基于所述第一损失函数值与所述第二损失函数值对所述待训练模型中的参数进行优化,得到训练好的图像评估模型。
本公开实施例提供的图像评估装置,可执行本公开方法实施例所提供的图像评估方法中所执行的步骤,具备执行步骤和有益效果此处不再赘述。
图6为本公开实施例中的一种电子设备的结构示意图。下面具体参考图6,其示出了适于用来实现本公开实施例中的电子设备600的结构示意图。本公开实施例中的电子设备600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)、可穿戴终端设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图6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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的图片渲染方法。在RAM 603中,还存储有终端设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许终端设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的终端设备600,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,从而实现如上所述的图像评估方法。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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终端设备执行时,使得该终端设备:获取待评估图像;将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
可选的,当上述一个或者多个程序被该终端设备执行时,该终端设备还可以执行上述实施例所述的其他步骤。
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。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
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,本公开提供了一种图像评估方法,包括:获取待评估图像;将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,所述图像评估模型还包括:滑动窗口;所述滑动窗口用于对输入的所述待评估图像进行分割,得到多个图像块并输入至所述多层级变换网络。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,所述方法还包括:将所述待评估图像进行划分,得到多个待评估子图像;针对至少一个或多个所述待评估子图像,将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果;基于至少一个或多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,基于多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果,包括:计算多个所述待评估子图像对应的质量评估结果对应的谐波平均值;将所述谐波平均值确定为所述待评估图像的质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,所述图像评估模型通过以下方式训练获得:将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果;将所述样本图像集中的第二样本图像输入至所述待训练模型中包括的第二分支网络,得到第二质量评估结果,其中,所述第一分支网络与所述第二分支网络为结构相同的孪生网络,所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层;基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,所述方法还包括:针对样本图像集中的至少一个样本图像,将所述样本图像进行缩放处理,得到预设分辨率的样本图像;将所述预设分辨率的样本图像采用增强策略进行预处理,所述增强策略用于提升所述样本图像集的丰富性。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,对所述预设分辨率的样本图像采用增强策略进行预处理,包括:将所述预设分辨率的样本图像旋转预设角度;和/或,将所述预设分辨率的样本图像转换至设定色彩空间,其中,所述设定色彩空间包括如下一种或多种:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,所述方法还包括:若所述样本图像集中各样本图像对应的标注信息分布不均匀,将各样本图像对应的标注信息进行加权上采样处理,得到带权重的标注信息。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型,包括:基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,其中,联合损失函数包括回归损失函数和排序损失函数,所述回归损失函数用于衡量第一质量评估结果和所述第一样本图像对应的标注信息之间的差异,所述排序损失函数用于衡量第一样本图像和第二样本图像之间的相对质量。
根据本公开的一个或多个实施例,本公开提供了一种图像评估方法,其中,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,包括:基于所述回归损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第一损失函数值,其中所述第一损失函数值用于表征第一质量评估结果和所述第一样本图像对应的标注信息之间的相对差异,第二质量评估结果和所述第二样本图像对应的标注信息之间的相对差异;基于所述排序损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第二损失函数值,其中,所述第二损失值用于表征第一样本图像和第二样本图像之间的相对质量;基于所述第一损失函数值与所述第二损失函数值对所述待训练模型中的参数进行优化,得到训练好的图像评估模型。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,所述装置包括:图像获取模块,用于获取待评估图像;图像评估模块,用于将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,所述图像评估模型还包括:滑动窗口;所述滑动窗口用于对输入的所述待评估图像进行分割,得到多个图像块并输入至所述多层级变换网络。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,所述装置还包括:图像划分模块,用于将所述待评估图像进行划分,得到多个待评估子图像;子图像评估模块,用于针对至少一个或多个所述待评估子图像,将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果;评估结果确定模块,用于基于至少一个或多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,评估结果确定模块,包括:谐波计算单元,用于计算多个所述待评估子图像对应的质量评估结果对应的谐波平均值;评估结果确定单元,用于将所述谐波平均值确定为所述待评估图像的质量评估结果。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,所述图像评估模型通过以下模块训练获得:第一质量评估结果确定模块,用于将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果;第二质量评估结果确定模块,用于将所述样本图像集中的第二样本图像输入至所述待训练模型中包括的第二分支网络,得到第二质量评估结果,其中,所述第一分支网络与所述第二分支网络为结构相同的孪生网络,所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层;图像识别模型训练模块,用于基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,所述装置还包括:缩放处理模块,用于针对样本图像集中的至少一个样本图像,将所述样本图像进行缩放处理,得到预设分辨率的样本图像;增强处理模块,用于将所述预设分辨率的样本图像采用增强策略进行预处理,所述增强策略用于提升所述样本图像集的丰富性。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,增强处理模块,具体用于将所述预设分辨率的样本图像旋转预设角度;和/或,将所述预设分辨率的样本图像转换至设定色彩空间,其中,所述设定色彩空间包括如下一种或多种:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,所述装置还包括:标注信息处理模块,用于若所述样本图像集中各样本图像对应的标注信息分布不均匀,将各样本图像对应的标注信息进行加权上采样处理,得到带权重的标注信息。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,图像识别模型训练模块,具体用于基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,其中,联合损失函数包括回归损失函数和排序损失函数,所述回归损失函数用于衡量第一质量评估结果和所述第一样本图像对应的标注信息之间的差异,所述排序损失函数用于确定第一样本图像和第二样本图像之前的相对质量。
根据本公开的一个或多个实施例,本公开提供了一种图像评估装置,其中,图像识别模型训练模块,具体用于基于所述回归损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第一损失函数值,其中所述第一损失函数值用于表征第一质量评估结果和所述第一样本图像对应的标注信息之间的相对差异,第二质量评估结果和所述第二样本图像对应的标注信息之间的相对差异;基于所述排序损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第二损失函数值,其中,所述第二损失值用于表征第一样本图像和第二样本图像之间的相对质量;基于所述第一损失函数值与所述第二损失函数值对所述待训练模型中的参数进行优化,得到训练好的图像评估模型。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
一个或多个处理器;
存储器,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本公开提供的任一所述的图像评估方法。
根据本公开的一个或多个实施例,本公开提供了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本公开提供的任一所述的图像评估方法。
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计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的图像评估方法。
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。
Claims (14)
1.一种图像评估方法,其特征在于,包括:
获取待评估图像;
将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述图像评估模型还包括:滑动窗口;
所述滑动窗口用于对输入的所述待评估图像进行分割,得到多个图像块并输入至所述多层级变换网络。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述待评估图像进行划分,得到多个待评估子图像;
针对至少一个或多个所述待评估子图像,将所述待评估子图像输入至图像评估模型,得到所述待评估子图像对应的质量评估结果;
基于至少一个或多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果。
4.根据权利要求3所述的方法,其特征在于,基于多个所述待评估子图像对应的质量评估结果确定所述待评估图像的质量评估结果,包括:
计算多个所述待评估子图像对应的质量评估结果对应的谐波平均值;
将所述谐波平均值确定为所述待评估图像的质量评估结果。
5.根据权利要求1所述的方法,其特征在于,所述图像评估模型通过以下方式训练获得:
将样本图像集中的第一样本图像输入至待训练模型中包括的第一分支网络,得到第一质量评估结果;
将所述样本图像集中的第二样本图像输入至所述待训练模型中包括的第二分支网络,得到第二质量评估结果,其中,所述第一分支网络与所述第二分支网络为结构相同的孪生网络,所述第一分支网络和所述第二分支网络均包括多层级变换网络、融合网络和全连接层;
基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
针对样本图像集中的至少一个样本图像,将所述样本图像进行缩放处理,得到预设分辨率的样本图像;
将所述预设分辨率的样本图像采用增强策略进行预处理,所述增强策略用于提升所述样本图像集的丰富性。
7.根据权利要求6所述的方法,其特征在于,对所述预设分辨率的样本图像采用增强策略进行预处理,包括:
将所述预设分辨率的样本图像旋转预设角度;和/或,
将所述预设分辨率的样本图像转换至设定色彩空间,其中,所述设定色彩空间包括如下一种或多种:RGB色彩空间,HSV色彩空间,LAB色彩空间,Grayscale色彩空间。
8.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若所述样本图像集中各样本图像对应的标注信息分布不均匀,将各样本图像对应的标注信息进行加权上采样处理,得到带权重的标注信息。
9.根据权利要求5所述的方法,其特征在于,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息对所述待训练模型进行训练,得到训练好的图像评估模型,包括:
基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,其中,联合损失函数包括回归损失函数和排序损失函数,所述回归损失函数用于衡量第一质量评估结果和所述第一样本图像对应的标注信息的差异,所述排序损失函数用于衡量第一样本图像和第二样本图像之间的相对质量。
10.根据权利要求9所述的方法,其特征在于,基于所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,利用联合损失函数对所述待训练模型进行训练,得到训练好的图像评估模型,包括:
基于所述回归损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第一损失函数值,其中所述第一损失函数值用于表征第一质量评估结果和所述第一样本图像对应的标注信息之间的相对差异,第二质量评估结果和所述第二样本图像对应的标注信息之间的相对差异;
基于所述排序损失函数、所述第一质量评估结果、第二质量评估结果、第一样本图像对应的标注信息和所述第二样本图像对应的标注信息,确定第二损失函数值,其中,所述第二损失值用于表征第一样本图像和第二样本图像的之间的相对质量;
基于所述第一损失函数值与所述第二损失函数值对所述待训练模型中的参数进行优化,得到训练好的图像评估模型。
11.一种图像评估装置,其特征在于,包括:
图像获取模块,用于获取待评估图像;
图像评估模块,用于将所述待评估图像输入至图像评估模型,得到所述待评估图像对应的质量评估结果,其中,所述图像评估模型包括:多层级变换网络、融合网络和全连接层,所述多层级变换网络用于对所述待评估图像进行处理,得到各层级变换网络输出的图像特征,所述融合网络用于将所述各层级变换网络输出的图像特征进行融合,得到图像融合特征,所述全连接层用于对所述图像融合特征进行处理,得到质量评估结果。
12.一种电子设备,其特征在于,所述电子设备包括:
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如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
14.一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524525.XA CN117115070A (zh) | 2022-05-13 | 2022-05-13 | 图像评估方法、装置、设备、存储介质和程序产品 |
PCT/CN2023/092934 WO2023217117A1 (zh) | 2022-05-13 | 2023-05-09 | 图像评估方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524525.XA CN117115070A (zh) | 2022-05-13 | 2022-05-13 | 图像评估方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115070A true CN117115070A (zh) | 2023-11-24 |
Family
ID=88729689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524525.XA Pending CN117115070A (zh) | 2022-05-13 | 2022-05-13 | 图像评估方法、装置、设备、存储介质和程序产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117115070A (zh) |
WO (1) | WO2023217117A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788461B (zh) * | 2024-02-23 | 2024-05-07 | 华中科技大学同济医学院附属同济医院 | 一种基于图像分析的磁共振图像质量评估系统 |
CN118154571A (zh) * | 2024-04-01 | 2024-06-07 | 深圳大学 | 一种ai图像的图像质量评价方法、系统、设备及介质 |
CN118447025A (zh) * | 2024-07-08 | 2024-08-06 | 江西鑫隆泰建材工业有限公司 | 铝单板加工质量评价方法、装置及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077946A1 (en) * | 2002-10-15 | 2004-04-22 | Jun Ohmiya | Image processing apparatus, method and program |
CN109727246B (zh) * | 2019-01-26 | 2022-05-13 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
CN111179224B (zh) * | 2019-12-13 | 2023-09-12 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于联合学习的航拍图像修复质量的无参考评价方法 |
CN113269680A (zh) * | 2021-02-09 | 2021-08-17 | 北京工业大学 | 一种基于排序学习和孪生神经网络的图像修复质量评价方法 |
CN113420871B (zh) * | 2021-07-28 | 2023-02-24 | 浙江大华技术股份有限公司 | 图像质量的评估方法、装置、存储介质及电子装置 |
CN113658130B (zh) * | 2021-08-16 | 2023-07-28 | 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 |
CN114299358A (zh) * | 2021-12-21 | 2022-04-08 | 上海高德威智能交通系统有限公司 | 图像质量评估方法、装置、电子设备及机器可读存储介质 |
-
2022
- 2022-05-13 CN CN202210524525.XA patent/CN117115070A/zh active Pending
-
2023
- 2023-05-09 WO PCT/CN2023/092934 patent/WO2023217117A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023217117A1 (zh) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
CN111314733B (zh) | 用于评估视频清晰度的方法和装置 | |
CN111402112B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN117115070A (zh) | 图像评估方法、装置、设备、存储介质和程序产品 | |
CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
CN113449851A (zh) | 数据处理方法及设备 | |
CN110288037A (zh) | 图像处理方法、装置及电子设备 | |
CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN115937020B (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN115994873A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110264431A (zh) | 视频美化方法、装置及电子设备 | |
CN112801997B (zh) | 图像增强质量评估方法、装置、电子设备及存储介质 | |
CN110288552A (zh) | 视频美化方法、装置及电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN110704679B (zh) | 视频分类方法、装置及电子设备 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114973293A (zh) | 相似性判断方法、关键帧提取方法及装置、介质和设备 |
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 |