CN108335293A - 图像质量的确定方法及装置 - Google Patents
图像质量的确定方法及装置 Download PDFInfo
- Publication number
- CN108335293A CN108335293A CN201810094333.3A CN201810094333A CN108335293A CN 108335293 A CN108335293 A CN 108335293A CN 201810094333 A CN201810094333 A CN 201810094333A CN 108335293 A CN108335293 A CN 108335293A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- testing standard
- foreground area
- tested
- size
- 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
Links
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像质量的确定方法,对需要进行质量评估的每一个待测试图像,首先将所述待测试图像转换为测试标准图,以保证评估的准确性,然后,按预设的提取规则,从所述测试标准图中提取多个子图像,并将各个子图像分别输入到与建立的神经网络模型中,由所述神经网络模型进行分析测试后,获得每个子图像对应的测试分数,对得到的每一个测试分数进行计算,获得所述测试标准图对应的目标分数,进而可以依据所述目标分数对待测试图像的质量进行确定,实现了对待测试图像质量的评价。本发明提供的图像质量的确定方法,应用神经网络模型对测试标准图中的各个子图像进行评分,运行速率快,提升了对图像质量评价的效率。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像质量的确定方法及装置。
背景技术
随着计算机技术和互联网的迅速发展,图像的应用越来越广泛。图像作为一种重要的信息载体,满足了日益增长的现代化业务需求。图像在获取、压缩、处理、传输、存储等过程中会造成不同程度和类型的失真,直接影响了图像中信息的获取。因此,在图像处理和应用领域建立有效的图像质量评价体系具有重要意义。
发明人经过对现有图像质量的评价过程进行研究发现,现有一般通过人工对图像质量进行评价,评价过程需要较长的时间进行,耗时较多,导致对图像质量进行评价的效率较低。
发明内容
本发明所要解决的技术问题是提供一种图像质量的确定方法,能够快速对待测试图像的质量进行评价,提升了对图像质量的评价效率。
本发明还提供了一种图像质量的确定装置,用以保证上述方法在实际中的实现及应用。
一种图像质量的确定方法,包括:
对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
上述的方法,可选的,所述子图像集合中包括第一子集合和第二子集合;
所述第一子集合中各个子图像的提取过程,包括:
按预设的比例系数,对所述测试标准图进行比例分割,获得所述测试标准图的多个分割子图像;每个所述分割子图像的尺寸相同;
将每个所述分割子图像加入至所述第一子集合。
上述的方法,可选的,所述第二子集合中各个子图像的提取过程,包括:
对所述测试标准图进行前背景分割,并按预设的选取规则,在所述测试标准图中选取N个前景区域;所述N为正整数;
当选取到N个前景区域时,对所述N个前景区域执行第一操作,获得N个前景子图像,将每个所述前景子图像加入至所述第二子集合;
所述第一操作包括:
确定所述N个前景区域中,是否存在第一类前景区域,所述第一类前景区域的外接矩形尺寸,大于所述分割子图像的尺寸;
当存在时,对每个第一类前景区域进行中心剪裁,从所述第一类前景区域中剪裁出尺寸与所述分割子图像尺寸相同的前景子图像;
及
确定所述N个前景区域中,是否存在第二类前景区域,所述第二类前景区域的外接矩形尺寸,小于所述分割子图像的尺寸;
当存在时,从所述测试标准图中截取出包含有所述第二类前景区域,且尺寸与所述分割子图像的尺寸相同的前景子图像。
上述的方法,可选的,当所述测试标准图中包含M个前景区域时,所述M小于N,M为正整数;所述方法还包括:
在选取到所述M个前景区域,且对所述M个前景区域执行第一操作后,选取随机因子,并依据所述随机因子在所述测试标准图中随机选取X个随机子图像加入所述第二子集合,每个所述随机子图像的尺寸与所述分割子图像的尺寸相同,所述X为N与M的差值,所述X为正整数。
上述的方法,可选的,所述神经网络模型采用深度卷积神经网络进行预建立;
所述深度卷积神经网络包括:
1个输入层;
11个卷积层,所述11个卷积层中应用有5个pooling层;
3个全连接层;
1个输出层。
上述的方法,可选的,所述对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,包括:
为每个所述测试分数分配与其对应的测试权重;
对每个分配有测试权重的测试分数进行计算,获得平均值,将所述平均值作为所述测试标准图对应的目标分数。
一种图像质量的确定装置,包括:
处理单元,用于对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取单元,用于获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
测试单元,用于将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
计算单元,用于对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
上述的装置,可选的,所述获取单元包括:
提取子单元,用于从所述测试标准图中提取子图像。
一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行上述的图像质量的确定方法。
一种电子设备,包括存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的图像质量的确定方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种图像质量的确定方法,对需要进行质量评估的每一个待测试图像,首先将所述待测试图像转换为测试标准图,以保证评估的准确性,然后,按预设的提取规则,从所述测试标准图中提取多个子图像,并将各个子图像分别输入到与建立的神经网络模型中,由所述神经网络模型进行分析测试后,获得每个子图像对应的测试分数,对得到的每一个测试分数进行计算,获得所述测试标准图对应的目标分数,进而可以依据所述目标分数对待测试图像的质量进行确定,实现了对待测试图像质量的评价。本发明提供的图像质量的确定方法,应用神经网络模型对测试标准图中的各个子图像进行评分,运行速率快,提升了对图像质量评价的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种图像质量的确定方法的方法流程图;
图2为本发明提供的一种图像质量的确定方法的又一方法流程图;
图3为本发明提供的一种图像质量的确定方法的又一方法流程图;
图4为本发明提供的一种图像质量的确定方法的又一方法流程图;
图5为本发明提供的神经网络的架构图;
图6为本发明提供的一种图像质量的确定方法的执行架构图;
图7为本发明提供的一种图像质量的确定装置的结构示意图;
图8为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种图像质量的确定方法,该方法可以应用在计算机或终端的处理器中,由所述处理器执行本发明提供的图像质量的确定方法的确定过程,图1示出了本发明实施例提供的图像质量的确定方法的方法流程图,包括:
S101:对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
本发明实施例中,对需要进行质量评估的每一个待测试图像,均转换为预先设定的标准图像,本发明实施例中,采用归一化处理的方式,将各个待测试图像转换为统一格式,相同尺寸的标准图像。针对当前进行测试的图像,本发明实施例中,对其进行归一化处理,得到当前待测试图像对应的测试标准图。
S102:获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
本发明实施例中,在确定了待测试图像的测试标准图后,获取所述测试标准图对应的子图像集合,所述子图像集合中包括多个子图像,每个子图像均来自于所述测试标准图,依据预设的提取规则,从所述测试标准图中提取获得。
S103:将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
本发明实施例中,预先确定多个带有评价分数的标准图,将每个标准图的多个子图像作为训练样本在神经网络中进行训练,得到可以对图像进行评分的神经网络模型,本发明实施例中,将所述测试标准图的每一个子图像输入至神经网络模型中进行测试,获得每一个子图像的测试分数。
S104:对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
本发明实施例中,对于获得的每一个子图像的测试分数,按预设的计算规则进行计算,最终确定所述测试标准图对应的目标分数。本发明实施例通过所述目标分数的高低,对所述当前待测试图像的图像质量进行确定,以实现对待测试图像质量好坏的评估。
本发明实施例提供的图像质量的确定方法中,对需要进行质量评估的每一个待测试图像,首先将所述待测试图像转换为测试标准图,以保证评估的准确性,然后,按预设的提取规则,从所述测试标准图中提取多个子图像,并将各个子图像分别输入到与建立的神经网络模型中,由所述神经网络模型进行分析测试后,获得每个子图像对应的测试分数,对得到的每一个测试分数进行计算,获得所述测试标准图对应的目标分数,进而可以依据所述目标分数对待测试图像的质量进行确定,实现了对待测试图像质量的评价。本发明提供的图像质量的确定方法,应用神经网络模型对测试标准图中的各个子图像进行评分,运行速率快,提升了对图像质量评价的效率。
本发明实施例提供的图像质量的确定方法中,所述测试标准图对应的子图像集合中,包括第一子集合和第二子集合;
所述第一子集合中包括多个子图像,所述第二子集合中也包括多个子图像;所述第一子集合中的各个子图像,与所述第二子集合中的各个子图像均来自所述测试标准图,所述第一子集合中的各个子图像的提取方式,与所述第二子集合中各个子图像的提取方式不同。
参考图2,示出了本发明实施例提供的图像质量的确定方法中,子图像集合中,第一子集合中各个子图像的提取过程,具体包括:
S201按预设的比例系数,对所述测试标准图进行比例分割,获得所述测试标准图的多个分割子图像;每个所述分割子图像的尺寸相同;
S202将每个所述分割子图像加入至所述第一子集合。
本发明实施例中,预设对测试标准图进行比例分割的比例系数,所述比例系数根据本发明实施例中设定的标准图的规格进行调整。当每个待测试图像被转换为标准的正方形图像时,可以根据设定的比例系数对正方形图像的每一个边进行相同比例的均分后,进行分割,得到多个分割子图像。当每个待测试图像被转换为标准的长方形图像时,可以根据设定的比例系数对长方形图像的长进行等比例划分,然后再对长方形图像的宽进行另外的等比例划分,得到所述长方形图像的多个分割子图像。
例如,本发明实施例中,标准图可以为M*M格式的图像,即标准图为一个正方形图像。因此,本发明实施例中,待测试图像对应的测试标准图可以是一个M*M格式的正方形图像,在对所述测试标准图进行比例分割时,可以对所述测试标准图的每一个正方形边进行均分,然后进行分割,例如分割出的每一个子图像可以为P*P大小的子图像,所述P可以为M/3,即对所述测试标准图进行分割出9个尺寸大小一致的子图像,本发明实施例中也可以为其它比例,例如M/4、M/5等。
本发明实施例中,标准图也可以为M*N格式的图像,所述标准图可以为一个标准的长方形图像。因此,本发明实施例中,待测试图像对应的测试标准图可以为一个M*N的长方形图像,在对所述测试标准图进行比例分割时,可以对测试标准图的长和宽分别进行均分,例如分割为多个X*Y的子图像,其中X可以为M/3,Y可以为N/2,这样,可以从测试标准图中分割出6个尺寸大小一致的子图像。
在图2的基础上,参考图3,示出了本发明实施例提供的图像质量的确定方法中,子图像集合中,第二子集合中各个子图像的提取过程,具体包括:
S301对所述测试标准图进行前背景分割,并按预设的选取规则,在所述测试标准图中选取N个前景区域;所述N为正整数;
S302当选取到N个前景区域时,对所述N个前景区域执行第一操作,获得N个前景子图像,将每个所述前景子图像加入至所述第二子集合;
本发明实施例中,在所述测试标准图中,还提取了第二子集合,对所述待测试图像的测试标准图进行前背景分割处理,测试标准图中的前景区域为所述测试标准图中特征显著的区域,本发明实施例中,按预设的选取规则,从所述测试标准图中选取设定数目的前景区域,本发明实施例中的设定数目可以根据测试过程的实际需要进行设定。
本发明实施例中,所述预设的选取规则,可以按每个前景区域的外接矩形尺寸由大到小的顺序选取,例如,设定数目为选取2个,在测试标准图进行前背景分割处理后,测试标准图中存在5个前景区域,则确定这5个前景区域的外接矩形,将外接矩形较大的2个选取出来,作为在测试过程中,需要选取的前景区域。
本发明实施例中,所述设定数目为N,所述N为正整数,设定选取N个前景区域,当测试标准图中存在的前景区域的个数大于N时,选取外接矩形较大的前N个前景区域。当测试标准图中存在的前景区域的个数小于N时,本发明实施例中,先将测试标准图中包括的各个前景区域取出后,再通过随机选取的方式,在所述测试标准图中随机选取一定数目的随机子图像,凑足所述设定的数目N。
所述第一操作包括:
确定所述N个前景区域中,是否存在第一类前景区域,所述第一类前景区域的外接矩形尺寸,大于所述分割子图像的尺寸;
当存在时,对每个第一类前景区域进行中心剪裁,从所述第一类前景区域中剪裁出尺寸与所述分割子图像尺寸相同的前景子图像;
及
确定所述N个前景区域中,是否存在第二类前景区域,所述第二类前景区域的外接矩形尺寸,小于所述分割子图像的尺寸;
当存在时,从所述测试标准图中截取出包含有所述第二类前景区域,且尺寸与所述分割子图像的尺寸相同的前景子图像。
本发明实施例中,由于选取的各个前景区域大小各不相同,为了统一测试标准,本发明实施例中对各个前景区域进行执行第一操作,在执行所述第一操作时,以第一子集合中分割子图像的尺寸大小为基准,判断所述N个前景区域中,是否存在外接矩形的尺寸大于所述分割子图像的尺寸的前景区域,当存在时,将外接矩形的尺寸大于所述分割子图像的尺寸的前景区域作为第一类前景区域,对第一类前景区域进行中心剪裁,从所述第一类前景区域的中心位置处剪裁出一个尺寸与所述分割子图像的尺寸相同的前景子图像。
另外,还需要判断所述N个前景区域中,是否存在外接矩形的尺寸小于所述分割子图像的尺寸的前景区域,当存在时,将外接矩形的尺寸小于所述分割子图像的尺寸的前景区域作为第二类前景区域,然后从所述测试标准图中截取出包含所述第二类前景区域,且尺寸与所述分割子图像的尺寸相同的前景子图像。
本发明实施例对于前景子图像的提取规则,将外接矩形大于所述分割子图像的前景区域进行剪裁,将外接矩形小于所述分割子图像的前景区域进行覆盖。本发明实施例中当前景区域的外接矩形尺寸与所述分割子图像的尺寸相同时,直接将所述前景区域输入至第二子集合。
本发明实施例中,当所述测试标准图中包含M个前景区域时,所述M小于N,M为正整数;所述方法还包括:
在选取到所述M个前景区域,且对所述M个前景区域执行第一操作后,选取随机因子,并依据所述随机因子在所述测试标准图中随机选取X个随机子图像加入所述第二子集合,每个所述随机子图像的尺寸与所述分割子图像的尺寸相同,所述X为N与M的差值,所述X为正整数。
本发明实施例中,当测试标准图中存在的前景区域的个数小于设定的数值N时,将测试标准图中存在M个前景区域进行提取并执行第一操作后,依据随机因子,在所述测试标准图中随机选取X个大小与分割子图像相同的随机子图像,所述X为N与M的差值。
本发明实施例中,优选的,将待测试图像转换为M*M正方形格式的测试标准图,在对所述测试标准图进行分割时,优选的,分割为P*P的子图像,P=M/3,即优选的从所述测试标准图中分割出9个大小一致的子图像。本发明实施例中在将待测试图像转换为M*M的测试标准图时,优选的,从所述测试标准图中,选取2个前景区域。
本发明实施例中,采用的神经网络模型采用深度卷积神经网络进行预建立;本发明实施例采用的深度卷积神经网络的网络架构图如图5所示,
所述深度卷积神经网络包括:
1个输入层;
11个卷积层,所述11个卷积层中应用有5个pooling层;
3个全连接层;
1个输出层。
以下,对本发明实施例中神经网络模型的训练过程进行详细描述:
本发明实施例以,设定的标准图为M*M格式的图像。
由于输入的训练样本图像存在不同的分辨率,本发明实施例中,将每一个训练样本图像,归一化为M*M的训练标准图,并对每一个训练标准图进行评分,分数范围[1,100],图像的质量越高对应的分数越高。
本发明实施例中,为了更好的体现图像的局部信息,对每一个训练标准图进行切分,切分准则,参考上述介绍的第一子集合中各个子图像及第二子集合中各个子图像的提取过程。
本发明实施例中,优选的对每一个训练标准图进行分割,获得9个P*P大小的子图,P=M/3,并从所述训练标准图中提取2个前景区域,具体的处理过程参考第二子集合中子图像的处理过程。
本发明实施例中,将每一个训练标准图拆分出的11个子图,组成训练样本样本集,作为训练样本,所述11个子图具有相同的评分。
将训练样本集输入到深度卷积神经网络模型中,本发明实施例中,深度卷积神经网络由输入层、卷积层、全连接层三种结构以及一个输出层组成。
深度卷积神经网络的输入层可以直接用于训练样本的输入,本发明实施例中,输入至输入层的为P*P*3的训练样本,其中3标识图像的RGB三个颜色通道。
本发明实施例设计的深度卷积神经网络中,卷积层包括两种,一种是单一的卷积网络,一种是应用了pooling层的卷积网络,其目的是保留有效信息的基础上减少数据处理量,加快网络训练的速度,本发明实施例中应用了11个卷积层,其中有5个卷积层中应用了pooling层。具体所述11个卷积层中,哪5个卷积层中应用了pooling层,可以根据实际的测试过程进行设定。
本发明实施例中设计了三个全连接层,每一层的神经元节点分别通过连接线上的权值进行前向传播,加权组合得到下一层神经元节点的输入。
本发明实施例中设计了一个输出层,神经网络输出层为一个Softmax分类器。
本发明实施例的卷积神经网络中应用有激活函数,本发明实施例中给出了具体的每层网络的神经元节点数,具体的,设置W个3*3个滤波器,并使用ReLU激活函数,ReLU激活函数可以定义为:
本发明实施例中的神经网络模型,在每层卷积之后,对每一层卷积网络通过批量归一化(batch normal ization)方式进行归一化操作。在批量归一化中,通过将激活函数的输出规范为均值和方差一致的手段使得原本会减小的输出的变大,从而在很大程度上解决了梯度弥散问题,并加快了深度神经网络的训练。
本发明实施例中,每张原始图像被切分为包含有不同结构信息的11张子图,本文为了测试的一致性和减少重复标记的问题。对于每张原始图对应的11张子图具有相同的质量分数。
本发明实施例中定义了具体的损失函数来优化神经网络模型,损失函数定义如下:
其中,为训练网络得到的图像质量分数,yi为输入的原始图像的标记的分值。
参考图4,示出了本方面实施例中,所述对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,包括:
S401为每个所述测试分数分配与其对应的测试权重;
S402对每个分配有测试权重的测试分数进行计算,获得平均值,将所述平均值作为所述测试标准图对应的目标分数。
本发明实施例中,对于每一个子图像分配对应的权重,进行加权求平均获得平均值,将平均值作为测试标准图的目标分数。
以输入11个子图像为例,本发明实施例中获取到11个不同图像块的测试分数。并设计一个权重池,来对该模型进行加权求平均。本发明实施例中,各个权重值的大小也通过实际测测试获取。设定11个不同的子图像对应的分数分别为K1...K11。则对应的权重可以定义为P1...P11。则最终的预测分数可以定义为:
Pscore=(K1*P1…+K11*P11)/11
本发明实施例提供的图像质量的确定方法,可以应用在保险赔付领域,客户在办理理赔的过程中都需要上传身份证等图像相关信息,而这些信息在拍摄和传输的过程中往往会存在一些噪声,在对数字图像进行结构化识别时,由于图像质量较差,而无法及时识别到图像的内容。随着信息量的增加,而人工逐个的查看校验也变的越来越难以控制,为了提高结构化识别的效率和实时性,通过对待识别的证件图像进行图像质量评估,能够非常高效的解决资料识别的问题,同时节省了大量的人力成本。
例如,当优选从测试标准图中选取11个子图像时,提取过程参考上述介绍的方法,可以对需要测试的图像进行如图6所示的测试过程,对数字图像进行质量评价时,可以对其进行拆分预处理后,输入至神经网络模型,计算每一个子图像的评分,然后通过加权计算后,获得图像的最终评分,依据最终评分确定质量的高低。
与图1所示的一种图像质量的确定方法相对应的,本发明实施例还提供了一种图像质量的确定装置,用于对图1中图像质量的确定方法的具体实现,本发明实施例提供的图像质量的确定装置可以应用在计算机或终端的处理器中,其结构示意图如图7所示,具体包括:
处理单元501,用于对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取单元502,用于获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
测试单元503,用于将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
计算单元504,用于对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
本发明实施例提供的图像质量的确定装置,对需要进行质量评估的每一个待测试图像,首先将所述待测试图像转换为测试标准图,以保证评估的准确性,然后,按预设的提取规则,从所述测试标准图中提取多个子图像,并将各个子图像分别输入到与建立的神经网络模型中,由所述神经网络模型进行分析测试后,获得每个子图像对应的测试分数,对得到的每一个测试分数进行计算,获得所述测试标准图对应的目标分数,进而可以依据所述目标分数对待测试图像的质量进行确定,实现了对待测试图像质量的评价。本发明提供的图像质量的确定方法,应用神经网络模型对测试标准图中的各个子图像进行评分,运行速率快,提升了对图像质量评价的效率。
本发明提供的图像质量的确定装置中,所述获取单元502中设置有:
提取子单元,用于从所述测试标准图中提取子图像。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行上述再保净费值的查询方法,所述方法具体包括:
对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
上述的方法,可选的,所述子图像集合中包括第一子集合和第二子集合;
所述第一子集合中各个子图像的提取过程,包括:
按预设的比例系数,对所述测试标准图进行比例分割,获得所述测试标准图的多个分割子图像;每个所述分割子图像的尺寸相同;
将每个所述分割子图像加入至所述第一子集合。
上述的方法,可选的,所述第二子集合中各个子图像的提取过程,包括:
对所述测试标准图进行前背景分割,并按预设的选取规则,在所述测试标准图中选取N个前景区域;所述N为正整数;
当选取到N个前景区域时,对所述N个前景区域执行第一操作,获得N个前景子图像,将每个所述前景子图像加入至所述第二子集合;
所述第一操作包括:
确定所述N个前景区域中,是否存在第一类前景区域,所述第一类前景区域的外接矩形尺寸,大于所述分割子图像的尺寸;
当存在时,对每个第一类前景区域进行中心剪裁,从所述第一类前景区域中剪裁出尺寸与所述分割子图像尺寸相同的前景子图像;
及
确定所述N个前景区域中,是否存在第二类前景区域,所述第二类前景区域的外接矩形尺寸,小于所述分割子图像的尺寸;
当存在时,从所述测试标准图中截取出包含有所述第二类前景区域,且尺寸与所述分割子图像的尺寸相同的前景子图像。
上述的方法,可选的,当所述测试标准图中包含M个前景区域时,所述M小于N,M为正整数;所述方法还包括:
在选取到所述M个前景区域,且对所述M个前景区域执行第一操作后,选取随机因子,并依据所述随机因子在所述测试标准图中随机选取X个随机子图像加入所述第二子集合,每个所述随机子图像的尺寸与所述分割子图像的尺寸相同,所述X为N与M的差值,所述X为正整数。
上述的方法,可选的,所述神经网络模型采用深度卷积神经网络进行预建立;
所述深度卷积神经网络包括:
1个输入层;
11个卷积层,所述11个卷积层中应用有5个pooling层;
3个全连接层;
1个输出层。
上述的方法,可选的,所述对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,包括:
为每个所述测试分数分配与其对应的测试权重;
对每个分配有测试权重的测试分数进行计算,获得平均值,将所述平均值作为所述测试标准图对应的目标分数。
本发明实施例还提供了一种电子设备,其结构示意图如图8所示,具体包括存储器601,以及一个或者一个以上的程序602,其中一个或者一个以上程序602存储于存储器601中,且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上程序602包含用于进行以下操作的指令:
对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
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,在实施本发明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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种图像质量的确定方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种图像质量的确定方法,其特征在于,包括:
对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
2.根据权利要求1所述的方法,其特征在于,所述子图像集合中包括第一子集合和第二子集合;
所述第一子集合中各个子图像的提取过程,包括:
按预设的比例系数,对所述测试标准图进行比例分割,获得所述测试标准图的多个分割子图像;每个所述分割子图像的尺寸相同;
将每个所述分割子图像加入至所述第一子集合。
3.根据权利要求2所述的方法,其特征在于,所述第二子集合中各个子图像的提取过程,包括:
对所述测试标准图进行前背景分割,并按预设的选取规则,在所述测试标准图中选取N个前景区域;所述N为正整数;
当选取到N个前景区域时,对所述N个前景区域执行第一操作,获得N个前景子图像,将每个所述前景子图像加入至所述第二子集合;
所述第一操作包括:
确定所述N个前景区域中,是否存在第一类前景区域,所述第一类前景区域的外接矩形尺寸,大于所述分割子图像的尺寸;
当存在时,对每个第一类前景区域进行中心剪裁,从所述第一类前景区域中剪裁出尺寸与所述分割子图像尺寸相同的前景子图像;
及
确定所述N个前景区域中,是否存在第二类前景区域,所述第二类前景区域的外接矩形尺寸,小于所述分割子图像的尺寸;
当存在时,从所述测试标准图中截取出包含有所述第二类前景区域,且尺寸与所述分割子图像的尺寸相同的前景子图像。
4.根据权利要求3所述的方法,其特征在于,当所述测试标准图中包含M个前景区域时,所述M小于N,M为正整数;所述方法还包括:
在选取到所述M个前景区域,且对所述M个前景区域执行第一操作后,选取随机因子,并依据所述随机因子在所述测试标准图中随机选取X个随机子图像加入所述第二子集合,每个所述随机子图像的尺寸与所述分割子图像的尺寸相同,所述X为N与M的差值,所述X为正整数。
5.根据权利要求1所述的方法,其特征在于,所述神经网络模型采用深度卷积神经网络进行预建立;
所述深度卷积神经网络包括:
1个输入层;
11个卷积层,所述11个卷积层中应用有5个pooling层;
3个全连接层;
1个输出层。
6.根据权利要求1所述的方法,其特征在于,所述对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,包括:
为每个所述测试分数分配与其对应的测试权重;
对每个分配有测试权重的测试分数进行计算,获得平均值,将所述平均值作为所述测试标准图对应的目标分数。
7.一种图像质量的确定装置,其特征在于,包括:
处理单元,用于对当前待测试图像进行归一化处理,获得所述当前待测试图像对应的测试标准图;
获取单元,用于获取与所述测试标准图对应的子图像集合,所述子图像集合中包括多个从所述测试标准图中提取的子图像;
测试单元,用于将各个所述子图像分别输入至预建立的神经网络模型中进行测试,并获得每个子图像的测试分数;
计算单元,用于对所述每个子图像的测试分数进行计算,以获得所述测试标准图对应的目标分数,并依据所述目标分数,对所述当前待测试图像的图像质量进行确定。
8.根据权利要求7所述的装置,其特征在于,所述获取单元包括:
提取子单元,用于从所述测试标准图中提取子图像。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行如权利要求1~6任意一项所述的图像质量的确定方法。
10.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~6任意一项所述的图像质量的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810094333.3A CN108335293B (zh) | 2018-01-31 | 2018-01-31 | 图像质量的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810094333.3A CN108335293B (zh) | 2018-01-31 | 2018-01-31 | 图像质量的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108335293A true CN108335293A (zh) | 2018-07-27 |
CN108335293B CN108335293B (zh) | 2020-11-03 |
Family
ID=62926861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810094333.3A Active CN108335293B (zh) | 2018-01-31 | 2018-01-31 | 图像质量的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335293B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522950A (zh) * | 2018-11-09 | 2019-03-26 | 网易传媒科技(北京)有限公司 | 图像评分模型训练方法及装置和图像评分方法及装置 |
CN110175530A (zh) * | 2019-04-30 | 2019-08-27 | 上海云从企业发展有限公司 | 一种基于人脸的图像评分方法及*** |
CN111488776A (zh) * | 2019-01-25 | 2020-08-04 | 北京地平线机器人技术研发有限公司 | 对象检测方法、对象检测装置和电子设备 |
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
CN111932521A (zh) * | 2020-08-13 | 2020-11-13 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
CN107633513A (zh) * | 2017-09-18 | 2018-01-26 | 天津大学 | 基于深度学习的3d图像质量的度量方法 |
-
2018
- 2018-01-31 CN CN201810094333.3A patent/CN108335293B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
CN107633513A (zh) * | 2017-09-18 | 2018-01-26 | 天津大学 | 基于深度学习的3d图像质量的度量方法 |
Non-Patent Citations (3)
Title |
---|
CENHUI PAN, ET AL.: "Exploiting", 《2016 VISUAL COMMUNICATIONS AND IMAGE PROCESSING》 * |
QINGBING SANG, ET AL.: "No-Reference Quality Assessment for Multiply Distorted Images based on Deep Learning", 《2017 INTERNATIONAL SMART CITIES CONFERENCE》 * |
李琳,余胜生: "基于深度学习模型的图像质量评价方法", 《华中科技大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522950A (zh) * | 2018-11-09 | 2019-03-26 | 网易传媒科技(北京)有限公司 | 图像评分模型训练方法及装置和图像评分方法及装置 |
CN111488776A (zh) * | 2019-01-25 | 2020-08-04 | 北京地平线机器人技术研发有限公司 | 对象检测方法、对象检测装置和电子设备 |
CN111488776B (zh) * | 2019-01-25 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 对象检测方法、对象检测装置和电子设备 |
CN110175530A (zh) * | 2019-04-30 | 2019-08-27 | 上海云从企业发展有限公司 | 一种基于人脸的图像评分方法及*** |
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
CN111932521A (zh) * | 2020-08-13 | 2020-11-13 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
CN111932521B (zh) * | 2020-08-13 | 2023-01-03 | Oppo(重庆)智能科技有限公司 | 图像质量测试方法和装置、服务器、计算机可读存储介质 |
CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108335293B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335293A (zh) | 图像质量的确定方法及装置 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
US9176989B2 (en) | Image quality analysis for searches | |
JP2022529557A (ja) | 医用画像分割方法、医用画像分割装置、電子機器及びコンピュータプログラム | |
CN109886997A (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
DE102020007951A1 (de) | Einsetzen eines der Einfärbung dienenden neuronalen Netzwerkes zum Generieren von eingefärbten Bildern auf Grundlage interaktiver Farbkanten | |
CN108090508A (zh) | 一种分类训练方法、装置及存储介质 | |
US11010883B2 (en) | Automated analysis of petrographic thin section images using advanced machine learning techniques | |
CN110427970A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN109961446A (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN108765554A (zh) | 基于超维的非均质岩心三维重建方法 | |
CN109377500A (zh) | 基于神经网络的图像分割方法及终端设备 | |
CN109241646B (zh) | 基于椭圆堆叠和随机场的多因素二维土石混合体生成方法 | |
CN108665509A (zh) | 一种超分辨率重构方法、装置、设备及可读存储介质 | |
CN109461053B (zh) | 多推荐渠道的动态分流方法、电子装置及存储介质 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
Carballal et al. | Distinguishing paintings from photographs by complexity estimates | |
CN110309713A (zh) | 表情识别模型训练方法、装置、设备和存储介质 | |
CN114677522B (zh) | 基于建筑图斑和深度学习的建筑结构类型预测方法及*** | |
CN111160501A (zh) | 一种二维码训练数据集的构建方法及装置 | |
CN106023317B (zh) | 一种用于大数据测试的加权Voronoi图生成方法 | |
CN109087344A (zh) | 三维重建中的图像选择方法及装置 | |
CN105069475B (zh) | 基于视觉注意机制模型的图像处理方法 | |
CN111599015A (zh) | 一种约束条件下的空间多边形网格化填充方法和装置 | |
CN115953330A (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 |
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 |