CN109146856A

CN109146856A - 图像质量评定方法、装置、计算机设备及存储介质

Info

Publication number: CN109146856A
Application number: CN201810869434.3A
Authority: CN
Inventors: 张欢; 黄军文; 李爱林; 文戈; 王军
Original assignee: Shenzhen Huafu Information Technology Co ltd
Current assignee: Shenzhen Huafu Information Technology Co ltd
Priority date: 2018-08-02
Filing date: 2018-08-02
Publication date: 2019-01-04

Abstract

本发明涉及图像质量评定方法、装置、计算机设备及存储介质，该方法包括获取图像；对图像进行清晰度分析，以获取图像清晰度分数；采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数；综合图像清晰度分数以及图像质量分数，形成评定结果；输出评定结果。本发明通过先对训练图像从光照、尺寸和偏转角度评分，将训练图像进行质量打分，利用训练图像提取的特征向量组成的训练集，训练图像的质量分数对CNN分类网络进行训练调整，以获取深度学习模式，使用时，将图像进行清晰度评分以及深度学习模型进行评分，再对两个分数进行加权综合，获取评定结果，以提高图片质量判定准确性，提高真实环境下人脸识别的准确率。

Description

图像质量评定方法、装置、计算机设备及存储介质

技术领域

本发明涉及图像评判方法，更具体地说是指图像质量评定方法、装置、计算机设备及存储介质。

背景技术

随着深度学习和人工智能技术的不断发展，人脸识别***越来越多的应用于安防、智能新零售、金融、地铁、酒店、机场等需要身份验证的场景中，诸如银行远程开户、无人超商通过刷脸自动完成支付、门禁***、地铁刷脸支付、机场自动进行人证核验等。

现有的人脸识别大多是直接从摄像头获取抓拍的人脸进行人脸识别，直接抓拍的图片包含了很多运动模糊或者聚焦不清晰的人脸，还有很多人脸角度、尺度和光照不合适，大大影响了识别准确度，也导致人脸识别应用受到较大影响，虽然现有少数人脸识别***也有人脸图片质量判断，但是基本都是从图片清晰度方面进行判断，对人脸角度、光照、旋转、尺度等方面并没有做评估，同时清晰度的判断包含了很多主观评价，人脸识别准确率不高，因此现有人脸图片质量评价模型对人脸图片质量的评价效果较差。

因此，有必要设计一种新的方法，实现提高了图片质量判定的准确性，大大提高真实环境下人脸识别的准确率。

发明内容

本发明的目的在于克服现有技术的缺陷，提供图像质量评定方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：图像质量评定方法，包括：

获取图像；

对图像进行清晰度分析，以获取图像清晰度分数；

采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数；

综合图像清晰度分数以及图像质量分数，形成评定结果；

输出评定结果。

其进一步技术方案为：所述采用深度学习模型对图像进行深度学习，以获取图像质量分数之前，还包括：

获取若干张训练图像；

对训练图像进行质量打分并标注；

对标注后的训练图像进行训练，以获取深度学习模型。

其进一步技术方案为：所述对标注后的训练图像进行训练，以获取深度学习模型，包括：

判断训练图像的大小是否满足预设要求；

若否，则对训练图像进行大小处理，并进入下一步骤，若是，则进入下一步骤；

从训练图像中筛选若干个训练图像块；

提取训练图像块对应的特征向量，并建立训练集；

利用训练集与训练图像训练CNN分类网络，以得到深度学习模型。

其进一步技术方案为：所述对图像进行清晰度分析，以获取图像清晰度分数，包括：

对图像进行能量梯度清晰度计算，以获取计算结果；

归一化所述计算结果，以获取图像清晰度分数。

其进一步技术方案为：所述采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数，包括：

对图像进行提取若干个待测图像块；

将若干个待测图像块输入深度学习模型，以提取若干个待测图像块的特征向量；

对若干个待测图像块的特征向量进行预测若干个待测图像块的质量分数；

获取若干个待测图像块的质量分数的平均值，以得到图像质量分数。

其进一步技术方案为：所述综合图像清晰度分数以及图像质量分数，形成评定结果，包括：

将图像清晰度分数与图像质量分数按照指定权重进行加权求和，以形成评定结果。

本发明还提供了图像质量评定装置，包括：

图像获取单元，用于获取图像；

清晰度分析单元，用于对图像进行清晰度分析，以获取图像清晰度分数；

深度学习单元，用于采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数；

综合单元，用于综合图像清晰度分数以及图像质量分数，形成评定结果；

结果输出单元，用于输出评定结果。

其进一步技术方案为：所述清晰度分析单元包括：

清晰度计算子单元，用于对图像进行能量梯度清晰度计算，以获取计算结果；

归一子单元，用于归一化所述计算结果，以获取图像清晰度分数。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的图像质量评定方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的图像质量评定方法。

本发明与现有技术相比的有益效果是：本发明通过先对训练图像从光照、尺寸和偏转角度进行评分，将训练图像进行质量打分，利用训练图像提取的特征向量组成的训练集，训练图像的质量分数对CNN分类网络进行训练调整，以获取深度学习模式，使用时，将图像进行清晰度评分以及深度学习模型进行评分，再对两个分数进行加权综合，从而获取评定结果，以提高了图片质量判定的准确性，大大提高真实环境下人脸识别的准确率。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

图1为本发明具体实施例提供的图像质量评定方法的应用场景图；

图2为本发明具体实施例提供的图像质量评定方法的流程示意图；

图3为本发明具体实施例提供的图像质量评定方法的子流程示意图；

图4为本发明具体实施例提供的图像质量评定方法的子流程示意图；

图5为本发明具体实施例提供的图像质量评定方法的子流程示意图；

图6为本发明具体实施例提供的图像质量评定装置的示意性框图；

图7为本发明另一具体实施例提供的图像质量评定装置的示意性框图；

图8为本发明具体实施例提供的图像质量评定装置的模型获取单元的示意性框图；

图9为本发明具体实施例提供的图像质量评定装置的清晰度分析单元的示意性框图；

图10为本发明具体实施例提供的图像质量评定装置的深度学习单元的示意性框图；

图11为本发明具体实施例提供的一种计算机设备的示意性框图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的图像质量评定方法的应用场景示意图。图2为本发明实施例提供的图像质量评定方法的示意性流程图。该图像质量评定方法可应用于服务器20中，以图像质量评定平台的形式存在，该服务器20可与用户终端10进行数据交互。其中，用户终端10的使用者通常为某一使用平台的用户，例如支付平台的用户，其可通过用户终端10的判定APP向服务器20发送人脸图像，服务器20根据所接收到的人脸图像而向终端反馈相应的评定结果。

另外，上述的图像质量评定方法还可以应用于移动终端，以图像质量评定APP的形式存在，使用者通过图像质量评定APP获取人脸图像后，移动终端内部根据人脸图像进行活体检测，并显示相应的评定结果。

如图2所示，本发明实施例的图像质量评定方法包括步骤：

S110、获取若干张训练图像。

在本实施例中，上述的训练图像指的是用于训练以得到深度学习模型的数据，一般采用摄像头获取图像。

S120、对训练图像进行质量打分并标注。

在本实施例中，具体是对训练图像内的人脸偏转角度、人脸光照、人脸尺寸进行打分，打分时按照质量在0-100区间分成五类：Bad[0，20]，Poor[20，40]，Fair[40，60]，Good[60，80]，Excellent[80，100]。先对人脸偏转角度在0-100区间按照对应的五个等级打分，对人脸光照在0-100区间按照对应的五个等级打分，对人脸尺寸在0-100区间按照对应的五个等级打分，最后根据打分进行计算训练图像的质量评分并标注，该质量评分也分为Bad[0，20]，Poor[20，40]，Fair[40，60]，Good[60，80]，Excellent[80，100]五个类别。

对训练图像从光照、尺寸和偏转角度进行打分，将这三方面也列入图像评定过程中，实现提高了图片质量判定的准确性，大大提高真实环境下人脸识别的准确率。

S130、对标注后的训练图像进行训练，以获取深度学习模型。

在本实施例中，深度学习模型是指采用训练图像训练CNN(卷积神经网络，Convolutional Neural Network)分类网络，以此得到一个黑盒子。

在一实施例中，如图3所示，上述的步骤S130可包括S131～S135。

S131、判断训练图像的大小是否满足预设要求。

在本实施例中，预设要求是指图像的大小为224mm*224mm。

S132、若否，则对训练图像进行大小处理，并进入步骤S133，若是，则进入步骤S133。

训练图像的大小不是224mm*224mm，就需要对输入图像做处理，也就是从训练图像中随机抠取224mm*224mm的训练图像块作为用于输入的训练图像。

S133、从训练图像中筛选若干个训练图像块。

在本实施例中，训练图像块是指当训练图像的大小满足预设要求时，训练图像即为训练图像块，当训练图像的大小不满足预设要求时，则对训练图像进行抠取后，形成若干图像块，筛选出来的若干图像块也就是训练图像块。

为了保证训练的性能，随机从每张训练图像中随机挑选多张224mm*224mm的训练图像块，在本实施例中，设定挑选10张。

S134、提取训练图像块对应的特征向量，并建立训练集。

具体地，利用CNN(卷积神经网络，Convolutional Neural Network)分类网络进行深度学习训练获取的模型会自动提取特征。

在本实施例中，特征向量是指某一类对象区别于其他类对象的相应(本质)特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等。将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象，如果只有单个数值特征，则特征向量为一个一维向量，如果是n个特性的组合，则为一个n维特征向量。该类特征向量常常作为识别***的输入。实际上，一个n维特征就是位于n维空间中的点，而识别分类的任务就是找到对这个n维空间的一种划分。

获取每个训练图像块的特征向量，分别提取10个随机块的最大、最小和平均值组合成一个新的向量feature pooling(min,average,max)，即特征池(最大值，平均值，最小值)，将所有特征池组合成一个向量，用于表示全图。

对于每个训练图像的质量综合分数均对应有一个特征向量，以该特征向量建立的训练集，可以作为一个标准的特征向量，用来训练CNN分类网络。

S135、利用训练集与训练图像训练CNN分类网络，以得到深度学习模型。

在本实施例中，CNN分类网络是指采用卷积神经网络进行图像分类的网络。

上述的Bad[0，20]，Poor[20，40]，Fair[40，60]，Good[60，80]，Excellent[80，100]五个类别中的训练图像均会有标准的特征向量。

训练CNN分类网络时，将训练图像输入到CNN分类网络，这个训练图像通过CNN分类网络的各层卷积处理输出量一组向量，但是对于完全由随机滤波器构建的CCN分类网络而言，其输出认为该训练图像等概率是上述五个类别的训练图像对应的某一标准的特征向量，则此时会定义一个损失函数，比如常见的MSE(均方误差，mean squared error)，假设L为该损失函数的输出，每次将训练集输入CNN分类网络时，将L输出值不断的反馈至整个CCN分类网络，以修改各层卷积的滤波器的权重，以使得损失值L做小，也就是让各个卷积层的滤波器能够组合起来最优化的检测特定的模式，以此形成深度学习模型，以使得每个训练图像经过CCN分类网络提取的特征向量与其所对应的标准的特征向量的差距满足设定要求。

训练CNN分类网络具体是训练CNN分类网络内的每一个卷积层的滤波器，让这些滤波器组对特定的模式有高的激活，以达到CNN分类网络的分类目的。

用训练好的CNN分类网络来提取特征，CNN深度学习网络是自动提取特征的，也就是说深度学习相当于一个黑盒子，将样本丢进去，在输出得到结果，即获取属于该样本的特征向量，中间的过程由深度学习自动完成。

S140、获取图像。

在本实施例中，从用户终端10的图像质量评定APP输入需要判定的人脸图像，以此作为输入的待判定图像，对该图像进行评分判定。

S150、对图像进行清晰度分析，以获取图像清晰度分数。

在无参考图像的质量评价中，图像的清晰度是衡量图像质量优劣的重要指标，它能够较好的与人的主观感受相对应，图像的清晰度不高表现出图像的模糊。

在一实施例中，如图4所示，上述步骤S150可包括有S151～S152。

S151、对图像进行能量梯度清晰度计算，以获取计算结果；

S152、归一化所述计算结果，以获取图像清晰度分数。

在本实施例中，上述的图像清晰度分数指的是依据图像的清晰度进行打分，形成的分数。具体地，对输入的图像进行Energy能量梯度清晰度判断，Energy梯度函数如：这里D(f)是基于Energy能力梯度得到的人脸图片得分，x和y分别是图像的像素点坐标。根据计算结果，并将得到的梯度能量值归一化到1-100范围内。能量梯度函数更适合实时评价图像清晰度。

当然，于其他实施例，还可以利用熵函数、Brenner梯度函数、Tenengrad梯度函数、Laplacian梯度函数、SMD(Sum Modul us Difference，灰度方差)函数、SMD2(灰度方差乘积)函数以及方差函数等方式计算图像清晰度分数。

结合图像清晰度的分析，可提高了图片质量判定的准确性，大大提高真实环境下人脸识别的准确率。

S160、采用深度学习模型对图像进行深度学习，以获取图像质量分数。

在一实施例中，如图5所示，上述步骤S160可包括S161～S164。

S161、对图像进行提取若干个待测图像块。

在本实施例中，待测图像块是由输入的图像进行随机抠取尺寸为224mm*224mm的图像块。将图像随机提取若干个224mm*224mm大小的待测图像块；在这里可设定选取10个待测图像块，于其他实施例，该待测图像块的个数可以为15个等其他数字。

S162、将若干个待测图像块输入深度学习模型，以提取若干个待测图像块的特征向量。

将10个待测图像块依次放入训练得到的深度学习模型内，利用深度学习模型提取出该若干个待测图像块的特征向量。

S163、对若干个待测图像块的特征向量进行预测若干个待测图像块的质量分数。

具体地，将CNN分类网络提取的特征向量采用用SVM预测方式进行的质量分数预测，将预测得到的分数作为人脸图片的质量得分。

CNN分类网络的全连接层输出256维特征向量；SVM直接调用开源libsvm库，采用RBF核，C取0.9，Gamma为scikit-learn自动设置。将CNN分类网络输出的256维特征向量作为SVM的输入特征向量，将得到的质量分数归一化到0-100。

对于SVM调用开源libsvm库进行分数计算，libSVM的所有函数申明及结构体定义均包含在libSVM.h文件当中，libSVM.h中一些结构体的含义如下：

struct svm_node

{

int index；

double value；

}。

该结构体，定义了一个“SVM节点”，即：索引i及其所对应的第i个特征值。这样n个相同类别号的SVM节点，就构成了一个SVM输入向量。即：一个SVM输入向量可以表示为如下的形式：

类别标签索引1：特征值1索引2：特征值2索引3：特征值3...

将若干个这样的输入向量输入到libSVM进行训练，或者，输入一个类别标签未知的向量对其进行预测，将预测结果进行归一化到0-100，以此得到待测图像块的质量分数。

S164、获取若干个待测图像块的质量分数的平均值，以得到图像质量分数。

通过预测每一个待测图像块的质量分数，再将这些待测图像块的质量分数取平均值作为待测图像图片的质量分数。

S170、综合图像清晰度分数以及图像质量分数，形成评定结果。

具体地，将图像清晰度分数与图像质量分数按照指定权重进行加权求和，以形成评定结果。

在本实施例中，综合能力梯度清晰度计算得出的图像清晰度分数和基于深度学习模型以及SVM预测得到的图像质量分数，给出图像的评定结果，按照下述公式计算：

score＝ScoreCNN×0.6+D(f)×0.4，其中，score是图像的综合得分，即评定结果，ScoreCNN是基于深度学习模型以及SVM预测得到的图像质量分数，D(f)是指图像清晰度分数。

S180、输出评定结果。

将获取的评定结果反馈至用户终端10的图像质量评定APP，以使得用户知道输入的图像分数。

上述的图像质量评定方法，通过先对训练图像从光照、尺寸和偏转角度进行评分，将训练图像进行质量打分，利用训练图像提取的特征向量组成的训练集，训练图像的质量分数对CNN分类网络进行训练调整，以获取深度学习模式，使用时，将图像进行清晰度评分以及深度学习模型进行评分，再对两个分数进行加权综合，从而获取评定结果，以提高了图片质量判定的准确性，大大提高真实环境下人脸识别的准确率。

请参阅图6，图6为本发明具体实施例提供的图像质量评定装置200的示意性框图；如图6所示，该图像质量评定装置200包括：

图像获取单元204，用于获取图像。

清晰度分析单元205，用于对图像进行清晰度分析，以获取图像清晰度分数。

深度学习单元206，用于采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数。

综合单元207，用于综合图像清晰度分数以及图像质量分数，形成评定结果。

结果输出单元208，用于输出评定结果。

在一实施例中，如图7所示，上述的装置还包括：

训练图像获取单元201，用于获取若干张训练图像；

标注单元202，用于对训练图像进行质量打分并标注；

模型获取单元203，用于对标注后的训练图像进行训练，以获取深度学习模型。

在一实施例中，如图8所示，上述的模型获取单元203包括：

尺寸判断子单元2031，用于判断训练图像的大小是否满足预设要求。

尺寸处理子单元2032，用于若否，则对训练图像进行大小处理。

筛选子单元2033，用于从训练图像中筛选若干个训练图像块。

训练集建立子单元2034，用于提取训练图像块对应的特征向量，并建立训练集。

网络训练子单元2035，用于利用训练集与训练图像训练CNN分类网络，以得到深度学习模型。

在一实施例中，如图9所示，上述的清晰度分析单元205包括：

清晰度计算子单元2051，用于对图像进行能量梯度清晰度计算，以获取计算结果。

归一子单元2052，用于归一化所述计算结果，以获取图像清晰度分数。

在一实施例中，如图10所示，上述的深度学习单元206包括：

图像块提取子单元2061，用于对图像进行提取若干个待测图像块。

输入子单元2062，用于将若干个待测图像块输入深度学习模型，以提取若干个待测图像块的特征向量。

预测子单元2063，用于对若干个待测图像块的特征向量进行预测若干个待测图像块的质量分数。

平均值获取子单元2064，用于获取若干个待测图像块的质量分数的平均值，以得到图像质量分数。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述图像质量评定装置200和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述图像质量评定装置200可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。

请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图11，该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种图像质量评定方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种图像质量评定方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取图像；

对图像进行清晰度分析，以获取图像清晰度分数；

综合图像清晰度分数以及图像质量分数，形成评定结果；

输出评定结果。

在一实施例中，处理器502在实现所述采用深度学习模型对图像进行深度学习，以获取图像质量分数步骤之前，还实现如下步骤：

获取若干张训练图像；

对训练图像进行质量打分并标注；

对标注后的训练图像进行训练，以获取深度学习模型。

在一实施例中，处理器502在实现所述对标注后的训练图像进行训练，以获取深度学习模型步骤时，具体实现如下步骤：

判断训练图像的大小是否满足预设要求；

从训练图像中筛选若干个训练图像块；

提取训练图像块对应的特征向量，并建立训练集；

在一实施例中，处理器502在实现所述对图像进行清晰度分析，以获取图像清晰度分数步骤时，具体实现如下步骤：

对图像进行能量梯度清晰度计算，以获取计算结果；

归一化所述计算结果，以获取图像清晰度分数。

在一实施例中，处理器502在实现所述采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数步骤时，具体实现如下步骤：

对图像进行提取若干个待测图像块；

在一实施例中，处理器502在实现所述综合图像清晰度分数以及图像质量分数，形成评定结果步骤时，具体实现如下步骤：

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：

获取图像；

对图像进行清晰度分析，以获取图像清晰度分数；

综合图像清晰度分数以及图像质量分数，形成评定结果；

输出评定结果。

在一实施例中，所述处理器在执行所述程序指令而实现所述采用深度学习模型对图像进行深度学习，以获取图像质量分数步骤之前，还实现如下步骤：

获取若干张训练图像；

对训练图像进行质量打分并标注；

对标注后的训练图像进行训练，以获取深度学习模型。

在一实施例中，所述处理器在执行所述程序指令而实现所述对标注后的训练图像进行训练，以获取深度学习模型步骤时，具体实现如下步骤：

判断训练图像的大小是否满足预设要求；

从训练图像中筛选若干个训练图像块；

提取训练图像块对应的特征向量，并建立训练集；

在一实施例中，所述处理器在执行所述程序指令而实现所述对图像进行清晰度分析，以获取图像清晰度分数步骤时，具体实现如下步骤：

对图像进行能量梯度清晰度计算，以获取计算结果；

归一化所述计算结果，以获取图像清晰度分数。

在一实施例中，所述处理器在执行所述程序指令而实现所述采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数步骤时，具体实现如下步骤：

对图像进行提取若干个待测图像块；

在一实施例中，所述处理器在执行所述程序指令而实现所述综合图像清晰度分数以及图像质量分数，形成评定结果步骤时，具体实现如下步骤：

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。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，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims

1.图像质量评定方法，其特征在于，包括：

获取图像；

对图像进行清晰度分析，以获取图像清晰度分数；

综合图像清晰度分数以及图像质量分数，形成评定结果；

输出评定结果。

2.根据权利要求1所述的图像质量评定方法，其特征在于，所述采用深度学习模型对图像进行深度学习，以获取图像质量分数之前，还包括：

获取若干张训练图像；

对训练图像进行质量打分并标注；

对标注后的训练图像进行训练，以获取深度学习模型。

3.根据权利要求2所述的图像质量评定方法，其特征在于，所述对标注后的训练图像进行训练，以获取深度学习模型，包括：

判断训练图像的大小是否满足预设要求；

从训练图像中筛选若干个训练图像块；

提取训练图像块对应的特征向量，并建立训练集；

4.根据权利要求3所述的图像质量评定方法，其特征在于，所述对图像进行清晰度分析，以获取图像清晰度分数，包括：

对图像进行能量梯度清晰度计算，以获取计算结果；

归一化所述计算结果，以获取图像清晰度分数。

5.根据权利要求4所述的图像质量评定方法，其特征在于，所述采用深度学习模型对图像进行深度学习，并对学习结果进行分数预测，以获取图像质量分数，包括：

对图像进行提取若干个待测图像块；

6.根据权利要求1至5任一项所述的图像质量评定方法，其特征在于，所述综合图像清晰度分数以及图像质量分数，形成评定结果，包括：

7.图像质量评定装置，其特征在于，包括：

图像获取单元，用于获取图像；

结果输出单元，用于输出评定结果。

8.根据权利要求7所述的图像质量评定装置，其特征在于，所述清晰度分析单元包括：

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的图像质量评定方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至6任意一项所述的图像质量评定方法。