CN109685785A - 一种图像质量评估方法、装置及电子设备 - Google Patents
一种图像质量评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109685785A CN109685785A CN201811563932.1A CN201811563932A CN109685785A CN 109685785 A CN109685785 A CN 109685785A CN 201811563932 A CN201811563932 A CN 201811563932A CN 109685785 A CN109685785 A CN 109685785A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- training
- sample
- assessed
- 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
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
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像质量评估方法、装置及电子设备,能够确定待评估图像;将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值;其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。在训练模型时,考虑了多个图像参数,并针对多个图像参数进行联合训练,从而提高了图像质量评估的准确性。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种图像质量评估方法、装置及电子设备。
背景技术
当前大多数视频软件或者视频网站都支持用户上传视频,及从上传视频中确定出视频封面图。然而,用户上传视频中的图像质量一般较差,为获得质量较好的图像作为视频封面图,需要对视频中包括的多张图像进行质量评估。
目前,对图像进行质量评估主要是针对锐度、亮度两种图像参数。具体的,对图像进行质量评估时,按照设定的锐度算法提取图像的锐度,按照设定的亮度算法提取图像的亮度,从多张图像中选择锐度高且亮度高的图像,作为视频封面图。这里,图像的锐度和亮度是通过不同的算法分别提取到的,并未考虑到两者的关系,使得不能有效的评估出图像质量,也就无法准确的确定出质量较好的图像。
发明内容
本发明实施例的目的在于提供一种图像质量评估方法、装置及电子设备,以提高图像质量评估的准确性。具体技术方案如下:
为实现上述目的,本发明实施例提供了一种图像质量评估方法,所述方法包括:
确定待评估图像;
将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值;
其中,所述评估网络模型为根据训练集训练得到的模型,所述训练集包括:多个样本图像,以及每个样本图像针对所述预设数量个图像参数中每一图像参数的样本值。
可选的,所述图像参数包括:图像清晰度、色彩饱和度、预设评价中一种或多种;所述预设评价包括图像吸引度评价和图像场景评价。
可选的,所述评估网络模型包括与所述预设数量个图像参数一一对应的评估网络子模型;
所述将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值的步骤,包括:
将所述待评估图像分别输入所述评估网络子模型中的每一评估网络子模型,得到所述待评估图像针对所述预设数量个图像参数中每一图像参数的评估值。
可选的,所述评估网络模型采用以下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值;
根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值;
根据所述训练损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回所述将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值的步骤;
若是,则将当前的神经网络模型确定为评估网络模型。
可选的,所述根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值的步骤,包括:
将所述得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值输入预设的损失函数,得到训练损失值。
可选的,所述根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值的步骤,包括:
对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及所述训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值;
根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值。
可选的,所述根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值的步骤,包括:
按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
为实现上述目的,本发明实施例还提供了一种图像质量评估装置,所述装置包括:
确定模块,用于确定待评估图像;
评估模块,用于将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值;
其中,所述评估网络模型为根据训练集训练得到的模型,所述训练集包括:多个样本图像,以及每个样本图像针对所述预设数量个图像参数中每一图像参数的样本值。
可选的,所述图像参数包括:图像清晰度、色彩饱和度、预设评价中一种或多种;所述预设评价包括图像吸引度评价和图像场景评价。
可选的,所述评估网络模型包括与所述预设数量个图像参数一一对应的评估网络子模型;
所述评估模块,具体用于:
将所述待评估图像分别输入所述评估网络子模型中的每一评估网络子模型,得到所述待评估图像针对所述预设数量个图像参数中每一图像参数的评估值。
可选的,所述装置还包括:
训练模块,用于训练所述评估网络模型;
所述训练模块,具体用于:
获取预设的神经网络模型和所述训练集;
将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值;
根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值;
根据所述训练损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回所述将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值的步骤;
若是,则将当前的神经网络模型确定为评估网络模型。
可选的,所述装置还包括,损失值确定模块,
所述损失值确定模块,具体用于:
将所述得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值输入预设的损失函数,得到训练损失值。
可选的,所述损失值确定模块,具体用于:
对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及所述训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值;
根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值。
可选的,所述损失值确定模块,具体用于:
按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
为实现上述目的,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述任一方法步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法步骤。
可见,本发明实施例提供了一种图像质量评估方法、装置及电子设备,能够确定待评估图像;将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值;其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。可见,本发明实施例中,在训练模型时,考虑了多个图像参数,并针对多个图像参数进行联合训练,从而提高了图像质量评估的准确性。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的图像质量评估方法的一种流程示意图;
图2为本发明实施例提供的图像质量评估方法的另一种流程示意图;
图3为本发明实施例提供的图像质量评估的一种示意图;
图4为本发明实施例提供的图像质量评估装置的一种结构示意图;
图5为本发明实施例提供的电子设备的一种结构示意图。
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。
为了解决现有的对视频封面图质量的评估,仅仅考虑图像锐度、亮度,从而无法有效评估出图像质量的问题,本发明实施例提供了一种图像质量评估方法,该方法可以应用于电子设备或者服务器,能够提高图像质量评估的准确性。
下面结合具体实施例,对上述图像质量评估方法进行说明。
参见图1,图1为本发明实施例提供的图像质量评估方法的一种流程图,方法包括以下步骤:
步骤S101:确定待评估图像。
在本发明实施例中,待评估图像可以是用户上传到视频软件或视频网站的图像,也可以为从网络中获取的图像。
S102:将待评估图像的特征数据输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值。其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。
在本发明实施例中,图像参数既可以包括图像本身固有的特性参数,例如图像清晰度、色彩饱和度,还可以包括对图像的预设评价,其中预设评价可以为用户等人员预先给出的评价,例如对图像的吸引度评价,图像场景评价。
上述预设数量个图像参数均可用于评估图像质量。例如,将多个图像参数的预测评估值均较高的图像,确定为质量较高的图像。具体实施中,可以选取上述图像参数中的一种或多种对图像进行质量评估。
在本发明实施例中,训练集中包括的样本图像的各个图像参数是已知的,每个样本图像的图像参数的样本值可以是对样本图像进行分析从而确定的,也可以是人为确定的,具体采用哪种方式进行确定可以根据实际情况进行选择。例如,对于图像清晰度或者色彩饱和度,可以对样本图像进行分析,从而得到该样本图像真实的图像清晰度或者色彩饱和度。对于样本图像的吸引度评价,则可以人为进行确定,若该样本图像中有吸引人的场景或者人物,则该样本图像的吸引度评价较高。对于样本图像的场景评价也可以人为确定,若该样本图像中包含的场景较为丰富,则图像场景评价较高。
在本发明实施例中,为了直观的体现各个图像参数的好坏,可以为每个图像参数设置多个等级。例如,以“吸引人程度”为例,为“吸引人程度”设置三个等级,用等级1、等级2和等级3来标注,等级1表示“不吸引人”,等级2表示“比较吸引人”,等级3表示“非常吸引人”。
在本发明实施例中,评估网络模型可以包含预设数量个评估网络子模型,该评估网络子模型的数量与需要评估的图像参数的数量相同。一个评估网络子模型对应一个图像参数。为了得到待评估图像针对预设数量个图像参数中每一图像参数的评估值,可以将待评估图像分别输入预设数量个评估网络子模型中的每一评估网络子模型,进而获得待评估图像针对预设数量个图像参数中每一图像参数的评估值。评估网络子模型是根据训练集预先训练好的。
作为一个示例,可以参见图3,图像参数可以包括图像清晰度、色彩饱和度、图像吸引度评价和图像场景评价这4种,则评估网络模型中包含4个评估网络子模型,分别对应于图像清晰度的第一评估网络子模型、对应于色彩饱和度的第二评估网络子模型、对应于图像吸引度评价的第三评估网络子模型和对应于图像场景评价的第四评估网络子模型。
将待评估图像分别输入上述4个训练好的评估网络子模型后,第一评估网络子模型可以输出针对图像清晰度的评估值;第二评估网络子模型可以输出针对色彩饱和度的评估值;第三评估网络子模型可以输出针对图像吸引度评价的评估值;第四评估网络子模型可以输出针对图像场景评价的评估值。
在本发明实施例中,上述神经网络子模型,可以为循环神经网络模型、卷积神经网络模型、循环卷积神经网络模型、深度神经网络模型等。本发明实施例对此不做限定。
可见,本发明实施例提供的图像质量评估方法,能够确定待评估图像,将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的预测评估值。其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。可见,本发明实施例中,在训练模型时,考虑了多个图像参数,其中,既包括图像本身固有的特性参数,也包括预设评价参数,并针对多个图像参数进行联合训练,相比于对单个图像参数分别进行训练,能够提高图像质量评估的准确性。
在本发明实施例中,参见图2,评估网络模型的训练过程可以参见以下步骤:
步骤S201:获取预设的神经网络模型和训练集。
在本发明实施例中,预设的神经网络模型中可以包含预设数量个神经网络子模型,神经网络子模型与图像参数一一对应,模型训练的过程即为更新神经网络子模型中参数的过程。
训练集中包括多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。
步骤S202:将多个样本图像输入神经网络模型,得到每个样本图像针对每一图像参数的评估值。
在本步骤中,若预设的神经网络模型中包含预设数量个神经网络子模型,将样本图像分别输入预设的神经网络模型中包含的多个神经网络子模型中,得到针对多个图像参数的评估值。具体过程与图1所示实施例中步骤S102基本相同,可以参见步骤S102,在此不赘述。
步骤S203:根据得到的评估值,以及训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值。
在本发明实施例中,整个神经网络模型的损失值可以由多个神经网络子模型的损失值来确定。
上述步骤S203,具体可以包括以下细化步骤:
步骤S203a:对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值。
在本步骤中,可以先针对每一图像参数,计算一个损失值。具体的,在步骤S202中,可以得到针对该图像参数的评估值。再结合训练集中包含的针对该图像参数的样本值,即可计算出针对该图像参数的损失值。
本发明实施例中,可以将针对每个图像参数的评估值,以及训练集中包含的针对每个图像参数的样本值,代入预设的损失函数,得到针对每个图像参数的损失值。本发明实施例中,包括但不限于使用均方误差(Mean Squared Error,MSE)公式作为损失函数,得到损失值。
步骤S203b:根据针对各个图像参数的损失值和预设的各个图像参数的训练权重,确定训练损失值。
在本发明实施例中,可以将针对各个图像参数的损失值加权计算,得到最终的训练损失值。各个图像参数的权值可以由用户预先设置。
本发明实施例中,可以按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
作为一个示例,用户预先设置的图像清晰度、色彩饱和度、图像吸引度评价和图像场景评价的权值分别为0.2、0.1、0.5和0.2,而针对图像清晰度的损失值为a,针对色彩饱和度的损失值为b,针对图像吸引度评价的损失值为c,针对图像场景评价的损失值为d,则最终的质量评估的训练损失值为0.2*a+0.1*b+0.5*c+0.2*d。
步骤S204:根据训练损失值确定神经网络模型是否收敛,是则执行步骤S205;否则返回执行步骤S202。
步骤S205:将当前的神经网络模型确定为评估网络模型。
在本发明实施例中,可以比较最终损失值与预设损失阈值的大小,来判断神经网络模型是否收敛。若未收敛,则调整神经网络模型中的参数值,返回执行步骤S202。若收敛,则说明神经网络模型训练完成,可以将当前的神经网络模型确定为评估网络模型。
可见,在本发明实施例中,针对每一图像参数,都可以构建一个神经网络子模型。且将上述多个神经网络子模型作为一个整体的神经网络模型进行训练,在训练过程中,可以综合各个神经网络子模型的损失值,计算出整个神经网络模型的最终训练损失值。并根据最终训练损失值调整各个神经网络子模型的参数值,实现多个神经网络子模型联合训练。相比于针对某一图像参数单独训练,联合训练的结果更加准确。
基于相同的发明构思,根据上述图像质量评估方法实施例,本发明实施例还提供了一种图像质量评估装置,参见图4,可以包括以下模块:
确定模块401,用于确定待评估图像。
评估模块402,用于将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值;
其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。
在本发明实施例中,图像参数包括:图像清晰度、色彩饱和度、预设评价中一种或多种;预设评价包括图像吸引度评价和图像场景评价。
在本发明实施例中,评估网络模型包括与预设数量个图像参数一一对应的评估网络子模型。
评估模块402,具体用于:将待评估图像分别输入评估网络子模型中的每一评估网络子模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值。
在本发明实施例中,在图4所示装置基础上,还可以包括:训练模块,用于训练评估网络模型。
训练模块,具体用于:
获取预设的神经网络模型和训练集;
将多个样本图像输入神经网络模型,得到每个样本图像针对每一图像参数的评估值;
根据得到的评估值,以及训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值;
根据训练损失值确定神经网络模型是否收敛;
若否,则调整神经网络模型中的参数值,并返回将多个样本图像输入神经网络模型,得到每个样本图像针对每一图像参数的评估值的步骤;
若是,则将当前的神经网络模型确定为评估网络模型。
在本发明实施例中,在图4所示装置基础上,还可以包括,损失值确定模块,损失值确定模块,具体用于:
将得到的评估值,以及训练集中包括的每个样本图像针对每一图像参数的样本值输入预设的损失函数,得到训练损失值。
在本发明实施例中,损失值确定模块,具体可以用于:
对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值;
根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值。
在本发明实施例中,损失值确定模块,具体可以用于:
按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
可见,在本发明实施例中,能够确定待评估图像;将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值;其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。可见,本发明实施例中,在训练模型时,考虑了多个图像参数,并针对多个图像参数进行联合训练,从而提高了图像质量评估的准确性。
基于相同的发明构思,根据上述图像质量评估方法实施例,本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述图1-4所示的图像质量评估方法实施例。其中,图像质量评估方法包括:
确定待评估图像;将待评估图像输入评估网络模型,得到待评估图像针对预设数量个图像参数中每一图像参数的评估值;其中,评估网络模型为根据训练集训练得到的模型,训练集包括:多个样本图像,以及每个样本图像针对预设数量个图像参数中每一图像参数的样本值。
通信总线504可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。该通信总线504可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器503可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器503还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器501可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
基于相同的发明构思,根据上述图像质量评估方法实施例,在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述图1-4所示的任一图像质量评估方法步骤。
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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于图像质量评估装置、电子设备以及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,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。以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (15)
1.一种图像质量评估方法,其特征在于,所述方法包括:
确定待评估图像;
将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值;
其中,所述评估网络模型为根据训练集训练得到的模型,所述训练集包括:多个样本图像,以及每个样本图像针对所述预设数量个图像参数中每一图像参数的样本值。
2.根据权利要求1所述的方法,其特征在于,所述图像参数包括:图像清晰度、色彩饱和度、预设评价中一种或多种;所述预设评价包括图像吸引度评价和图像场景评价。
3.根据权利要求1或2所述的方法,其特征在于,所述评估网络模型包括与所述预设数量个图像参数一一对应的评估网络子模型;
所述将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值的步骤,包括:
将所述待评估图像分别输入所述评估网络子模型中的每一评估网络子模型,得到所述待评估图像针对所述预设数量个图像参数中每一图像参数的评估值。
4.根据权利要求1或2所述的方法,其特征在于,所述评估网络模型采用以下步骤训练获得:
获取预设的神经网络模型和所述训练集;
将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值;
根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值;
根据所述训练损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回所述将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值的步骤;
若是,则将当前的神经网络模型确定为评估网络模型。
5.根据权利要求4所述的方法,其特征在于,所述根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值的步骤,包括:
将所述得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值输入预设的损失函数,得到训练损失值。
6.根据权利要求5所述的方法,其特征在于,所述根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值的步骤,包括:
对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及所述训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值;
根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值。
7.根据权利要求6所述的方法,其特征在于,所述根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值的步骤,包括:
按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
8.一种图像质量评估装置,其特征在于,所述装置包括:
确定模块,用于确定待评估图像;
评估模块,用于将所述待评估图像输入评估网络模型,得到所述待评估图像针对预设数量个图像参数中每一图像参数的评估值;
其中,所述评估网络模型为根据训练集训练得到的模型,所述训练集包括:多个样本图像,以及每个样本图像针对所述预设数量个图像参数中每一图像参数的样本值。
9.根据权利要求8所述的装置,其特征在于,所述图像参数包括:图像清晰度、色彩饱和度、预设评价中一种或多种;所述预设评价包括图像吸引度评价和图像场景评价。
10.根据权利要求8或9所述的装置,其特征在于,所述评估网络模型包括与所述预设数量个图像参数一一对应的评估网络子模型;
所述评估模块,具体用于:
将所述待评估图像分别输入所述评估网络子模型中的每一评估网络子模型,得到所述待评估图像针对所述预设数量个图像参数中每一图像参数的评估值。
11.根据权利要求8或9所述的装置,其特征在于,所述装置还包括:
训练模块,用于训练所述评估网络模型;
所述训练模块,具体用于:
获取预设的神经网络模型和所述训练集;
将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值;
根据得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值,计算训练损失值;
根据所述训练损失值确定所述神经网络模型是否收敛;
若否,则调整所述神经网络模型中的参数值,并返回所述将所述多个样本图像输入所述神经网络模型,得到每个样本图像针对每一图像参数的评估值的步骤;
若是,则将当前的神经网络模型确定为评估网络模型。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括,损失值确定模块,
所述损失值确定模块,具体用于:
将所述得到的评估值,以及所述训练集中包括的每个样本图像针对每一图像参数的样本值输入预设的损失函数,得到训练损失值。
13.根据权利要求12所述的装置,其特征在于,所述损失值确定模块,具体用于:
对于每一图像参数,根据得到的每个样本图像针对该图像参数的评估值,以及所述训练集中包括的每个样本图像针对该图像参数的样本值,确定针对该图像参数的损失值;
根据针对每个图像参数的损失值和预设的每个图像参数的训练权重,确定训练损失值。
14.根据权利要求13所述的装置,其特征在于,所述损失值确定模块,具体用于:
按照如下公式,确定训练损失值s:
其中,si为针对第i个图像参数的损失值,wi为预设的第i个图像参数的训练权重,N为图像参数的个数。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563932.1A CN109685785A (zh) | 2018-12-20 | 2018-12-20 | 一种图像质量评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811563932.1A CN109685785A (zh) | 2018-12-20 | 2018-12-20 | 一种图像质量评估方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685785A true CN109685785A (zh) | 2019-04-26 |
Family
ID=66188006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811563932.1A Pending CN109685785A (zh) | 2018-12-20 | 2018-12-20 | 一种图像质量评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685785A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN110378883A (zh) * | 2019-07-11 | 2019-10-25 | 北京奇艺世纪科技有限公司 | 图像评价模型生成方法、图像数据处理方法、装置、计算机设备和存储介质 |
CN110807476A (zh) * | 2019-10-17 | 2020-02-18 | 新华三信息安全技术有限公司 | 一种密码安全等级分类方法、装置及电子设备 |
CN110838106A (zh) * | 2019-10-31 | 2020-02-25 | 国网河北省电力有限公司电力科学研究院 | 一种对变电站二次设备图像识别软件的多维度评价方法 |
CN110956615A (zh) * | 2019-11-15 | 2020-04-03 | 北京金山云网络技术有限公司 | 图像质量评估模型训练方法、装置、电子设备及存储介质 |
CN110996169A (zh) * | 2019-07-12 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 剪辑视频的方法、装置、电子设备及计算机可读存储介质 |
CN111915595A (zh) * | 2020-08-06 | 2020-11-10 | 北京金山云网络技术有限公司 | 图像质量评价方法、图像质量评价模型的训练方法和装置 |
EP3817392A1 (en) * | 2019-12-18 | 2021-05-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Video jitter detection method and apparatus |
WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN112950579A (zh) * | 2021-02-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 图像质量评价方法、装置和电子设备 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN113011468A (zh) * | 2021-02-25 | 2021-06-22 | 上海皓桦科技股份有限公司 | 图像特征提取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109002812A (zh) * | 2018-08-08 | 2018-12-14 | 北京未来媒体科技股份有限公司 | 一种智能识别视频封面的方法及装置 |
-
2018
- 2018-12-20 CN CN201811563932.1A patent/CN109685785A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 人脸识别方法和装置 |
CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及*** |
CN109002812A (zh) * | 2018-08-08 | 2018-12-14 | 北京未来媒体科技股份有限公司 | 一种智能识别视频封面的方法及装置 |
Non-Patent Citations (3)
Title |
---|
WEILONG HOU 等: "《Blind Image Quality Assessment via Deep Learning》", 《 IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
金鑫: "《图像美学质量评价技术发展趋势》", 《科技导报》 * |
陈汝洪: "《影像构成基础》", 30 April 2016 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211119A (zh) * | 2019-06-04 | 2019-09-06 | 厦门美图之家科技有限公司 | 图像质量评估方法、装置、电子设备及可读存储介质 |
CN110378883A (zh) * | 2019-07-11 | 2019-10-25 | 北京奇艺世纪科技有限公司 | 图像评价模型生成方法、图像数据处理方法、装置、计算机设备和存储介质 |
CN110996169A (zh) * | 2019-07-12 | 2020-04-10 | 北京达佳互联信息技术有限公司 | 剪辑视频的方法、装置、电子设备及计算机可读存储介质 |
CN110807476A (zh) * | 2019-10-17 | 2020-02-18 | 新华三信息安全技术有限公司 | 一种密码安全等级分类方法、装置及电子设备 |
CN110807476B (zh) * | 2019-10-17 | 2022-11-18 | 新华三信息安全技术有限公司 | 一种密码安全等级分类方法、装置及电子设备 |
WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN110838106B (zh) * | 2019-10-31 | 2023-04-14 | 国网河北省电力有限公司电力科学研究院 | 一种对变电站二次设备图像识别软件的多维度评价方法 |
US11836898B2 (en) | 2019-10-31 | 2023-12-05 | Beijing Kingsoft Cloud Network Technology Co., Ltd. | Method and apparatus for generating image, and electronic device |
CN110838106A (zh) * | 2019-10-31 | 2020-02-25 | 国网河北省电力有限公司电力科学研究院 | 一种对变电站二次设备图像识别软件的多维度评价方法 |
CN110956615A (zh) * | 2019-11-15 | 2020-04-03 | 北京金山云网络技术有限公司 | 图像质量评估模型训练方法、装置、电子设备及存储介质 |
CN110956615B (zh) * | 2019-11-15 | 2023-04-07 | 北京金山云网络技术有限公司 | 图像质量评估模型训练方法、装置、电子设备及存储介质 |
US11546577B2 (en) | 2019-12-18 | 2023-01-03 | Beijing Baidu Netcom Science Technology Co., Ltd. | Video jitter detection method and apparatus |
EP3817392A1 (en) * | 2019-12-18 | 2021-05-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Video jitter detection method and apparatus |
CN111915595A (zh) * | 2020-08-06 | 2020-11-10 | 北京金山云网络技术有限公司 | 图像质量评价方法、图像质量评价模型的训练方法和装置 |
CN112950581A (zh) * | 2021-02-25 | 2021-06-11 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN113011468A (zh) * | 2021-02-25 | 2021-06-22 | 上海皓桦科技股份有限公司 | 图像特征提取方法及装置 |
CN112950581B (zh) * | 2021-02-25 | 2024-06-21 | 北京金山云网络技术有限公司 | 质量评估方法、装置和电子设备 |
CN112950579A (zh) * | 2021-02-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 图像质量评价方法、装置和电子设备 |
CN112950579B (zh) * | 2021-02-26 | 2024-05-31 | 北京金山云网络技术有限公司 | 图像质量评价方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685785A (zh) | 一种图像质量评估方法、装置及电子设备 | |
CN110019896A (zh) | 一种图像检索方法、装置及电子设备 | |
CN109492577A (zh) | 一种手势识别方法、装置及电子设备 | |
CN109754391A (zh) | 一种图像质量评价方法、装置及电子设备 | |
CN109858461A (zh) | 一种密集人群计数的方法、装置、设备以及存储介质 | |
CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
CN110059750A (zh) | 户型形状识别方法、装置和设备 | |
CN109858563B (zh) | 基于变换识别的自监督表征学习方法及装置 | |
CN109522775A (zh) | 人脸属性检测方法、装置及电子设备 | |
CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
CN107330750A (zh) | 一种推荐产品配图方法及装置,电子设备 | |
CN110363135A (zh) | 人眼闭合程度的确定方法、眼睛控制方法和装置 | |
CN105469376A (zh) | 确定图片相似度的方法和装置 | |
CN107729901A (zh) | 图像处理模型的建立方法、装置及图像处理方法及*** | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN106326632A (zh) | 物体分析方法与物体分析*** | |
CN108121943A (zh) | 基于图片的判别方法及装置和计算设备 | |
CN108961227A (zh) | 一种基于空域和变换域多特征融合的图像质量评价方法 | |
CN110458875A (zh) | 异常点对的检测方法、图像拼接方法、相应装置及设备 | |
Bastomi et al. | Object detection and distance estimation tool for blind people using convolutional methods with stereovision | |
CN106028088A (zh) | 媒体数据的***方法和装置 | |
CN115311452A (zh) | 一种基于机器视觉的精密灌胶评估方法及*** | |
CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
CN109754077A (zh) | 深度神经网络的网络模型压缩方法、装置及计算机设备 | |
CN109242868A (zh) | 图像处理方法、装置、电子设备及储存介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |