CN111401324A - 图像质量评估方法、装置、存储介质及电子设备 - Google Patents
图像质量评估方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111401324A CN111401324A CN202010314028.8A CN202010314028A CN111401324A CN 111401324 A CN111401324 A CN 111401324A CN 202010314028 A CN202010314028 A CN 202010314028A CN 111401324 A CN111401324 A CN 111401324A
- Authority
- CN
- China
- Prior art keywords
- image
- quality score
- target image
- quality
- target
- 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 53
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000001303 quality assessment method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 description 22
- 238000012545 processing Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008921 facial expression Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000003705 background correction Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像质量评估方法、装置、存储介质及电子设备,其中,本申请实施例获取待评估的目标图像;计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。本申请无需参考图像,通过结合图像本身的特征以及图像中的表情类别对图像质量进行综合评估,实现了无参考的图像质量评估。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像质量评估方法、装置、存储介质及电子设备。
背景技术
图像质量评估(Image Quality Assessment,IQA)从方法上分为观评估和客观评估。IQA主观评估凭借人的主观感知来评价图像的质量,首先给出原始参考图像和失真图像,让标注者给失真图像评分;客观评估使用数学模型给出量化值,模拟人类视觉***感知机制来衡量图像质量。
常规的IQA主观评估凭方式一般需要参考图像的全部或者部分特征进行对比,来评估图像质量。当没有参考图像时,难以对图像质量进行评估。
发明内容
本申请实施例提供一种图像质量评估方法、装置、存储介质及电子设备,能够实现无参考的图像质量评估。
第一方面,本申请实施例提供一种图像质量评估方法,包括:
获取待评估的目标图像;
计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;
根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
第二方面,本申请实施例还提供一种图像质量评估装置,包括:
图像获取模块,用于获取待评估的目标图像;
第一评分模块,用于计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;
第二评分模块,用于根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
综合评分模块,用于根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
第三方面,本申请实施例还提供一种存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如本申请任一实施例提供的图像质量评估方法。
第四方面,本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行如本申请任一实施例提供的图像质量评估方法。
本申请实施例提供的技术方案,获取待评估的目标图像,计算目标图像的多个均值对比度归一化MSCN系数,并根据多个MSCN系数计算目标图像的第一质量评分;根据预设的人脸识别算法识别目标图像中的表情类别,并根据表情类别计算目标图像的第二质量评分;根据第一质量评分和第二质量评分,得到目标图像的综合质量评分。通过该方案,在评估目标图像的质量时,不需要其他参考图像,而是根据图像本身的MSCN系数来对图像进行第一次评估,再对图像的人脸进行识别,根据图像中的表情类别对图像进行第二次评估,综合两次评估得到的分数,计算目标图像的综合质量评分,实现了无参考的图像质量评估。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像质量评估方法的第一种流程示意图。
图2为本申请实施例提供的图像质量评估方法的第二种流程示意图。
图3为本申请实施例提供的图像质量评估方法的图像质量评估流程示意图。
图4为本申请实施例提供的图像质量评估装置的结构示意图。
图5为本申请实施例提供的电子设备的第一种结构示意图。
图6为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请的保护范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种图像质量评估方法,该图像质量评估方法的执行主体可以是本申请实施例提供的图像质量评估装置,或者集成了该图像质量评估装置的电子设备,其中该图像质量评估装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
请参阅图1,图1为本申请实施例提供的图像质量评估方法的第一种流程示意图。本申请实施例提供的图像质量评估方法的具体流程可以如下:
101、获取待评估的目标图像。
本申请实施例可以应用于对图像的质量进行评估。作为评估的对象可以是通过电子设备的摄像头拍摄的图像,也可以是电子设备从网络上获取的图像,或者接收其他终端发送的图像。
例如,在一些实施例中,电子设备在连拍模式下,可以在非常短的时间内连续拍摄多帧图像,在电子设备以及被拍摄物体没有大幅度移动的情况下,这多帧图像在内容上基本相同。
将这多帧图像作为目标图像,对于每一帧目标图像,可以采用本申请提出的图像质量评估方法对这多帧图像的质量进行评分,得到每一帧图像的质量评分,进而从这多帧连拍图像中确定出质量最好的图像。
102、计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分。
对于图像来说,在归一化像素强度并计算强度分布时,不同像素质量图像分布存在差异。在归一化之后,自然图像的像素强度遵循高斯分布,而不自然或失真图像的像素强度不遵循高斯分布。因此,通过使用均值对比度归一化(Mean Subtracted ContrastNormalized,MSCN)系数来计算图像的特征向量,能够准确表征图像质量。
其中,MSCN系数包括如下几种:
a、亮度:其中,i和j是像素坐标,i∈{1,2,...,M},j∈{1,2,...,N},M和N分别是图像的高和宽,是MSCN系数。I(i,j)为(i,j)像素处的图像强度,μ(i,j)和σ(i,j)分别为局部平均和局部方差。局部平均只是原始图像的高斯模糊,而局部方差是原始图像和局部平均差异的平方的高斯模糊。传统的MSCN系数计算方式中,单纯针对灰度空间提取指标特征。也就是说是说,(i,j)像素处的图像强度一般取灰度值,该值只能反映灰度空间信息。该实施了中,引入色彩空间指标,提升算法准确度。重新定义图像的(i,j)像素处的图像强度如下:
b、为了捕获相邻像素的关系,使用四个方向相邻元素的乘积作为另外四个MSCN系数:水平(H),垂直(V),左对角线(D1),右对角线(D2),计算方式分别如下:
经过上述计算之后,得到5个MSCN系数,包括1个MSCN参数和4个相邻元素乘积参数(水平,垂直,左对角线,右对角线)。
接下来,根据这五个MSCN系数计算目标图像的特征向量。
例如,在一些实施例中,由这五个系数构成一个5×1的特征向量。
例如,根据所述特征向量和预先训练好的支持向量机模型,计算所述目标图像的第一质量评分。其中,支持向量机模型的训练过程可以包括:获取样本图像,获取为样本图像打分得到的评估分数,根据样本图像和评估分数训练预先搭建的支持向量机模型,以确定模型参数。
或者,在其他实施例中,预设的回归模型还可以是预先训练好的线性回归模型,随机森林模型或者LASSO回归模型等。
其中,在一些实施例中,在得到特征向量后,可以先将特征向量归一化处理,将特征向量中的元素转换为-1到1之间的数值,再根据归一化处理之后的特征向量计算第一质量分数。
103、根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分。
接下来,目标图像进行人脸检测,并识别检测出的人脸表情,根据表情打分。例如,在一些实施例中,根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分,包括:根据预设的人脸识别算法检测所述目标图像中的人脸区域,根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别;根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
比如,可以基于卷积神经网络搭建图像分类模型。该模型的训练过程如下:准备大量的人脸图像作为训练样本,并且为每一个训练样本添加表征其表情种类的类别标签。使用这些携带有类别标签的人脸图像训练基于卷积神经网络搭建图像分类模型,确定模型参数。
将人脸区域输入到预先训练好的图像分类模型中,图像分类模型经过计算,输出每一个表情类别对应的置信度,该置信度的取值范围为[0,1]。将置信度最高的表情类别作为人脸区域的目标表情类别。
在一些实施例中,可以将目标表情类别对应的置信度直接作为目标图像的第二质量评分。
在另外一些实施例中,根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分,还可以包括:获取所述目标表情类别对应的评分系数;根据所述评分系数和所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
例如,图像分类模型定义如下七种表情类别:愤怒、厌恶、恐惧、快乐、悲伤、惊讶以及中立。其中,愤怒,厌恶对应的评分系数为-1,惊讶,恐惧对应的评分系数为0,快乐对应的评分系数为1。则在根据置信度计算第二质量评分时,如果目标表情类别为愤怒,厌恶时,将置信度乘以-1得到第二质量评分;目标表情类别为惊讶,恐惧时,将置信度前乘以0得到第二质量评分;目标表情类别为快乐时,将置信度乘以1得到第二质量评分。
其中,如果目标图像中检测到多个人脸区域,则针对每一个人脸区域计算一个评分,将多个评分相加得到第二质量评分。
104、根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
例如,将所述第一质量评分和所述第二质量评分相加求和,得到所述目标图像的综合质量评分。分数最高的图片被评为最佳照片。
或者,在另一实施例中,计算所述人脸区域的面积与所述目标图像的总面积之间的比值;根据所述比值确定所述第一质量评分对应的第一权重和所述第二质量评分对应的第二权重,其中,所述比值与所述第二权重成正比、与所述第一权重成反比;根据所述第一权重和所述第二权重,对所述第一质量评分和所述第二质量评分进行加权求和,得到所述目标图像的综合质量评分。
该实施例中,为采用两种评分方式得到的评分设置权重,第一质量评分对应于第一权重,第二质量评分对应于第二权重。计算人脸区域的面积与目标图像的总面积之间的比值,不同的比值对应的不同的第一权重和第二权重。
其中,可以预先设置不同的比值与第一权重、第二权重之间的映射关系,在得到人脸区域的面积与目标图像的总面积之间的比值后,根据比值选择第一权重和第二权重,人脸区域在整张图像中的占比越大,则第二权重的值越大,第一权重的值越小。最后,按照得到的权重对两个评分进行加权求和,得到目标图像的综合质量评分。
或者,在另一实施例中,当第一质量评分位于不同的分数区间时,为第一质量评分和第二质量评分分配与该分数区间对应的权重,计算图像的综合质量评分。例如,按照如下公式计算图像的综合质量评分F:
其中,E为第一质量评分,B为第二质量评分,β为图像中人脸区域的面积,该面积可以根据目标图像中的人脸所在的矩形框的长(wf)和宽(hf)来计算。β=wf*hf。
常规的图像质量评估算法多是根据照片的亮度、像素分布等参数,对于含有人物的照片无法判断,本申请实施例的上述方案具有更广泛的适用性。并且,该实施例中,基于图像的各像素点的色彩空间的特征,对图像进行评分,得到第一质量评分;基于图像的图像内容,即图像中的人脸的表情信息,对图像进行评分,得到第二质量评分,综合这两种不同维度的分数,得到图像的综合质量评分,该综合质量评分表征图像的整体拍摄效果。
具体实施时,本申请不受所描述的各个步骤的执行顺序的限制,在不产生冲突的情况下,某些步骤还可以采用其它顺序进行或者同时进行。
由上可知,本申请实施例提供的图像质量评估方法,获取待评估的目标图像,计算目标图像的多个均值对比度归一化MSCN系数,并根据多个MSCN系数计算目标图像的第一质量评分;根据预设的人脸识别算法识别目标图像中的表情类别,并根据表情类别计算目标图像的第二质量评分;根据第一质量评分和第二质量评分,得到目标图像的综合质量评分。通过该方案,在评估目标图像的质量时,不需要其他参考图像,而是根据图像本身的MSCN系数来对图像进行第一次评估,再对图像的人脸进行识别,根据图像中的表情类别对图像进行第二次评估,综合两次评估得到的分数,计算目标图像的综合质量评分,实现了无参考的图像质量评估。
在一些实施例中,根据所述多个MSCN系数计算所述目标图像的特征向量,包括:对于每一个所述MSCN系数,基于广义高斯分布算法从所述MSCN系数中提取高斯分布特征;根据所述高斯分布特征,生成所述特征向量。
该实施例中,根据计算得到的5个MSCN系数,来计算一个尺寸为36×1的特征向量。将MSCN参数拟合到广义高斯分布(GeneralizedGaussianDistribution,GGD)来计算36×1特征向量的前两个元素。其中,一个元素用于描述形状,一个元素用于描述方差。
将4个MSCN相邻系数乘积在4个方向上拟合成非对称广义高斯分布(AsymmetricGeneralizedGaussian Distribution,AGGD)。分别描述形状,均值,左方差和右方差。因此,可以得到16个元素。
经过上述计算,一共得到了18个特征向量元素。如下表所示:
表1,特征向量元素表
特征范围 | 功能描述 | 程序 |
1-2 | 形状和方差。 | GGD拟合MSCN参数 |
3-6 | 形状,均值,左方差,右方差 | AGGD拟合水平参数 |
7-10 | 形状,均值,左方差,右方差 | AGGD拟合垂直参数 |
11-14 | 形状,均值,左方差,右方差 | AGGD拟合对角线(左)参数 |
15-18 | 形状,均值,左方差,右方差 | AGGD拟合对角线(右)参数 |
将目标图像缩小到原始尺寸的一半,并重复相同的过程以获得18个新元素,使总数达到36个元素。由这36个元素构成一个36×1的特征向量。或者,也可以将目标图像分别缩小到原始尺寸的一半和四分之一,并分别重复相同的过程以获得18个新元素,使三个尺度下的元素的总数达到54个元素。由这54个元素构成一个54×1的特征向量。
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
请参阅图2,图2为本发明实施例提供的图像质量评估方法的第二流程示意图。所述方法包括:
201、获取拍摄时间间隔在预设时长内的多帧图像,计算每两帧所述图像之间的相似度。
请参阅图3,图3为本申请实施例提供的图像质量评估方法的图像质量评估流程示意图。
例如,在一些实施例中,电子设备在连拍模式下,可以在非常短的时间内连续拍摄多帧图像,在电子设备以及被拍摄物体没有大幅度移动的情况下,这多帧图像在内容上基本相同。例如,根据图像的时间属性,从相册中获取拍摄时间在10s的连续多帧图像。
202、根据每两帧所述图像之间的相似度,从所述多帧图像中确定出相似度小于其他图像的干扰图像。
使用感知哈希算法求两两图片之间的相似度,剔除其他相似度较小的干扰图像。感知哈希算法的作用是对每张图像生成一个“指纹”字符串,然后比较不同图像的指纹。结果越接近,就说明图像越相似。
或者,在其他实施例中,还可以采用其他算法计算图像的相似度。比如,使用卷积神经网络提取图片特征,最后全连接层输出两张图片的“匹配度”。又比如,基于SIFT(Scale-invariant feature transform,尺度不变特征变换)局部特征检测算法计算两帧图像的相似度。
203、将所述多帧图像中除所述干扰图像之外的其他图像作为目标图像。
将除干扰图像之外的其他图像作为目标图像。对于每一帧目标图像,可以采用本申请提出的图像质量评估方法对这多帧图像的质量进行评分,得到每一帧图像的质量评分,进而从这多帧连拍图像中确定出质量最好的图像。
204、计算所述目标图像的多个均值对比度归一化MSCN系数。
对于图像来说,在归一化像素强度并计算强度分布时,不同像素质量图像分布存在差异。在归一化之后,自然图像的像素强度遵循高斯分布,而不自然或失真图像的像素强度不遵循高斯分布。因此,通过使用均值对比度归一化(Mean Subtracted ContrastNormalized,MSCN)系数来计算图像的特征向量,能够准确表征图像质量。对于每一帧目标图像,经过计算,得到5个MSCN系数,包括1个MSCN参数和4个相邻元素乘积参数。具体计算过程请参照上述实施例,在此不再赘述。
205、基于广义高斯分布算法从所述MSCN系数中提取高斯分布特征,并根据所述高斯分布特征,生成所述特征向量。
接下来,根据计算得到的5个MSCN系数,来计算一个尺寸为36×1的特征向量。将MSCN参数拟合到广义高斯分布来计算36×1特征向量的前两个元素。其中,一个元素用于描述形状,一个元素用于描述方差。将4个MSCN相邻系数乘积在4个方向上拟合成非对称广义高斯分布,分别描述形状,均值,左方差和右方差,可以得到16个元素。经过上述计算,一共得到了18个特征向量元素。将目标图像缩小到原始尺寸的一半,并重复相同的过程以获得18个新元素,使总数达到36个元素。由这36个元素构成一个36×1的特征向量。
206、根据所述特征向量和预先训练好的支持向量机模型,计算所述目标图像的第一质量评分。
将计算得到的特征向量输入预先训练好的支持向量机模型,计算目标图像的第一质量评分。
207、根据预设的人脸识别算法检测所述目标图像中的人脸区域。
其中,人脸识别算法可以是FacenessNet模型等,根据该模型可以得到目标图像中的人脸所在的矩形框,根据该矩形框对原始的目标图像进行剪裁,可以得到人脸区域的图像。
若从所述目标图像中检测到人脸区域,则执行209;若从所述目标图像中检测不到人脸区域,则执行208。
208、将所述第一质量评分作为所述目标图像的综合质量评分。可以理解的是,目标图像中不一定包含有人脸。当从目标图像中检测不到人脸时,则不再计算第二质量评分,可以将第一质量评分作为目标图像的综合质量评分。
209、根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别。
若从目标图像中检测到人脸区域,则接下来对矩形框内裁剪出来的图像进行表情分类。
其中,可以基于卷积神经网络搭建图像分类模型。该模型的训练过程如下:准备大量的人脸图像作为训练样本,并且为每一个训练样本添加表征其表情种类的类别标签。使用这些携带有类别标签的人脸图像训练基于卷积神经网络搭建图像分类模型,确定模型参数。
将人脸区域输入到预先训练好的图像分类模型中,图像分类模型经过计算,输出每一个表情类别对应的置信度,该置信度的取值范围为[0,1]。将置信度最高的表情类别作为人脸区域的目标表情类别。
210、根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
本申请实施例中的图像分类模型定义了如下七种表情类别:愤怒、厌恶、恐惧、快乐、悲伤、惊讶以及中立。目标表情类别为愤怒,厌恶,恐惧时,将置信度前加负号得到第二质量评分;目标表情类别为惊讶,恐惧时,将置信度前乘以0得到第二质量评分;目标表情类别为快乐时,将置信度直接作为第二质量评分。其中,如果目标图像中检测到多个人脸区域,则针对每一个人脸区域计算一个评分,将多个评分相加得到第二质量评分。
可以理解的是,上述表情类别只是举例说明,在其他实施例中,还可以根据需要设置其他的表情类别。
211、将所述第一质量评分和所述第二质量评分相加求和,得到所述目标图像的综合质量评分。
在得到每一帧目标图像的综合质量评分后,可以从中确定出质量最佳的图像。将本申请实施例的方案应用于手机相册中,能够为重复拍摄或者相似照片挑选最佳,提供照片推荐或者帮助删除多余照片。
由上可知,本发明实施例提出的图像质量评估方法,使用基于机器学习的无参考图像空间质量评估器算法,同时结合人脸表情识别算法,综合图像拍摄质量和人脸情绪表现综合评估照片质量。对固定时间内拍摄的多帧图像,采用计算均值哈希算法过滤掉相似或者重复拍摄图片。对于选中的目标图像,首先MSCN系数计算所述目标图像的特征向量,根据所述特征向量和预设的回归模型,为图片打分为第一质量评分,然后运行深度学习算法检测目标图像到中的人脸区域,对人脸进行表情分类。根据人脸表情类别打分为第一质量评分。结合第一质量评分和第二质量评分,综合得出图片质量。基于此,引入了人脸表情识别技术,感知照片情绪氛围。综合考虑了主观因素和客观因素,结合照片拍摄质量和照片人物表情,多维度地综合评价照片内容质量。
在一实施例中还提供一种图像质量评估装置。请参阅图4,图4为本申请实施例提供的图像质量评估装置300的结构示意图。其中该图像质量评估装置300应用于电子设备,该图像质量评估装置300包括图像获取模块301、第一评分模块302、第二评分模块303以及综合评分模块304,如下:
图像获取模块301,用于获取待评估的目标图像;
第一评分模块302,用于计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分
第二评分模块303,用于根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
综合评分模块304,用于根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
在一些实施例中,第二评分模块303还用于:
根据预设的人脸识别算法检测所述目标图像中的人脸区域,根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别;
根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
在一些实施例中,第二评分模块303还用于:获取所述目标表情类别对应的评分系数;根据所述评分系数和所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
在一些实施例中,第二评分模块303还用于:若从所述目标图像中检测到人脸区域,则执行根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别;
综合评分模块304还用于:若从所述目标图像中检测不到人脸区域,则将所述第一质量评分作为所述目标图像的综合质量评分。
在一些实施例中,第二评分模块303还用于:
计算所述人脸区域的面积与所述目标图像的总面积之间的比值;
根据所述比值确定所述第一质量评分对应的第一权重和所述第二质量评分对应的第二权重,其中,所述比值与所述第二权重成正比、与所述第一权重成反比;
根据所述第一权重和所述第二权重,对所述第一质量评分和所述第二质量评分进行加权求和,得到所述目标图像的综合质量评分。
在一些实施例中,综合评分模块304还用于:将所述第一质量评分和所述第二质量评分相加求和,得到所述目标图像的综合质量评分。
在一些实施例中,图像获取模块301还用于:
获取拍摄时间间隔在预设时长内的多帧图像,计算每两帧所述图像之间的相似度;
根据每两帧所述图像之间的相似度,从所述多帧图像中确定出相似度小于其他图像的干扰图像;
将所述多帧图像中除所述干扰图像之外的其他图像作为目标图像。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
应当说明的是,本申请实施例提供的图像质量评估装置与上文实施例中的图像质量评估方法属于同一构思,在图像质量评估装置上可以运行图像质量评估方法实施例中提供的任一方法,其具体实现过程详见图像质量评估方法实施例,此处不再赘述。
由上可知,本申请实施例提出的图像质量评估装置,该图像质量评估装置包括图像获取模块301、第一评分模块302、第二评分模块303以及综合评分模块304,其中,当需要评估图像质量时,图像获取模块301获取待评估的目标图像,第一评分模块302计算目标图像的多个均值对比度归一化MSCN系数,并根据多个MSCN系数计算目标图像的第一质量评分;第二评分模块303根据预设的人脸识别算法识别目标图像中的表情类别,并根据表情类别计算目标图像的第二质量评分;综合评分模块304根据第一质量评分和第二质量评分,得到目标图像的综合质量评分。通过该方案,在评估目标图像的质量时,不需要其他参考图像,而是根据图像本身的MSCN系数来对图像进行第一次评估,再对图像的人脸进行识别,根据图像中的表情类别对图像进行第二次评估,综合两次评估得到的分数,计算目标图像的综合质量评分,实现了无参考的图像质量评估。
本申请实施例还提供一种电子设备,该电子设备可以是诸如平板电脑或者智能手机等移动终端。请参阅图5,图5为本申请实施例提供的电子设备的结构示意图。电子设备400可以包括摄像模组401、存储器402、处理器403、触摸显示屏404、扬声器405、麦克风406等部件。
摄像模组401可以包括图像质量评估电路,图像质量评估电路可以利用硬件和/或软件组件实现,可包括定义图像信号处理(Image Signal Processing)管线的各种处理单元。图像质量评估电路至少可以包括:摄像头、图像信号处理器(Image Signal Processor,ISP处理器)、控制逻辑器、图像存储器以及显示器等。其中摄像头至少可以包括一个或多个透镜和图像传感器。图像传感器可包括色彩滤镜阵列(如Bayer滤镜)。图像传感器可获取用图像传感器的每个成像像素捕捉的光强度和波长信息,并提供可由图像信号处理器处理的一组原始图像数据。
图像信号处理器可以按多种格式逐个像素地处理原始图像数据。例如,每个图像像素可具有8、10、12或14比特的位深度,图像信号处理器可对原始图像数据进行一个或多个图像质量评估操作、收集关于图像数据的统计信息。其中,图像质量评估操作可按相同或不同的位深度精度进行。原始图像数据经过图像信号处理器处理后可存储至图像存储器中。图像信号处理器还可从图像存储器处接收图像数据。
图像存储器可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器,并可包括DMA(Direct Memory Access,直接直接存储器存取)特征。
当接收到来自图像存储器的图像数据时,图像信号处理器可进行一个或多个图像质量评估操作,如时域滤波。处理后的图像数据可发送给图像存储器,以便在被显示之前进行另外的处理。图像信号处理器还可从图像存储器接收处理数据,并对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。处理后的图像数据可输出给显示器,以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit,图形处理器)进一步处理。此外,图像信号处理器的输出还可发送给图像存储器,且显示器可从图像存储器读取图像数据。在一种实施方式中,图像存储器可被配置为实现一个或多个帧缓冲器。
图像信号处理器确定的统计数据可发送给控制逻辑器。例如,统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜阴影校正等图像传感器的统计信息。
控制逻辑器可包括执行一个或多个例程(如固件)的处理器和/或微控制器。一个或多个例程可根据接收的统计数据,确定摄像头的控制参数以及ISP控制参数。例如,摄像头的控制参数可包括照相机闪光控制参数、透镜的控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如,在RGB处理期间)的增益水平和色彩校正矩阵等。
请参阅图6,图6为本实施例中图像质量评估电路的结构示意图。为便于说明,仅示出与本发明实施例相关的图像质量评估技术的各个方面。
例如图像质量评估电路可以包括:摄像头、图像信号处理器、控制逻辑器、图像存储器、显示器。其中,摄像头可以包括一个或多个透镜和图像传感器。在一些实施例中,摄像头可为长焦摄像头或广角摄像头中的任一者。
摄像头采集的图像传输给图像信号处理器进行处理。图像信号处理器处理图像后,可将图像的统计数据(如图像的亮度、图像的反差值、图像的颜色等)发送给控制逻辑器。控制逻辑器可根据统计数据确定摄像头的控制参数,从而摄像头可根据控制参数进行自动对焦、自动曝光等操作。图像经过图像信号处理器进行处理后可存储至图像存储器中。图像信号处理器也可以读取图像存储器中存储的图像以进行处理。另外,图像经过图像信号处理器进行处理后可直接发送至显示器进行显示。显示器也可以读取图像存储器中的图像以进行显示。
此外,图中没有展示的,电子设备还可以包括CPU和供电模块。CPU和逻辑控制器、图像信号处理器、图像存储器和显示器均连接,CPU用于实现全局控制。供电模块用于为各个模块供电。
存储器402存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器403通过运行存储在存储器402的应用程序,从而执行各种功能应用以及数据处理。
处理器403是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的应用程序,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
触摸显示屏404可以用于接收用户对电子设备的触摸控制操作。扬声器405可以播放声音信号。麦克风406可以用于拾取声音信号。
在本实施例中,电子设备中的处理器403会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器402中,并由处理器403来运行存储在存储器402中的应用程序,从而执行:
获取待评估的目标图像;
计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;
根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
由上可知,本申请实施例提供了一种电子设备,所述电子设备获取待评估的目标图像,计算目标图像的多个均值对比度归一化MSCN系数,并根据多个MSCN系数计算目标图像的第一质量评分;根据预设的人脸识别算法识别目标图像中的表情类别,并根据表情类别计算目标图像的第二质量评分;根据第一质量评分和第二质量评分,得到目标图像的综合质量评分。通过该方案,在评估目标图像的质量时,不需要其他参考图像,而是根据图像本身的MSCN系数来对图像进行第一次评估,再对图像的人脸进行识别,根据图像中的表情类别对图像进行第二次评估,综合两次评估得到的分数,计算目标图像的综合质量评分,实现了无参考的图像质量评估。
本申请实施例还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,所述计算机执行上述任一实施例所述的图像质量评估方法。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成,所述计算机程序可以存储于计算机可读存储介质中,所述存储介质可以包括但不限于:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
此外,本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、***、产品或设备没有限定于已列出的步骤或模块,而是某些实施例还包括没有列出的步骤或模块,或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上对本申请实施例所提供的图像质量评估方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种图像质量评估方法,其特征在于,包括:
获取待评估的目标图像;
计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;
根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
2.如权利要求1所述的图像质量评估方法,其特征在于,所述根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分,包括:
根据预设的人脸识别算法检测所述目标图像中的人脸区域,根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别;
根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
3.如权利要求2所述的图像质量评估方法,其特征在于,所述根据所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分,包括:
获取所述目标表情类别对应的评分系数;
根据所述评分系数和所述目标表情类别对应的置信度,计算所述目标图像的第二质量评分。
4.如权利要求2所述的图像质量评估方法,其特征在于,所述根据预设的人脸识别算法检测所述目标图像中的人脸区域之后,还包括:
若从所述目标图像中检测到人脸区域,则执行根据所述人脸区域和图像分类模型确定所述人脸区域的目标表情类别;
若从所述目标图像中检测不到人脸区域,则将所述第一质量评分作为所述目标图像的综合质量评分。
5.如权利要求2所述的图像质量评估方法,其特征在于,所述根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分,包括:
计算所述人脸区域的面积与所述目标图像的总面积之间的比值;
根据所述比值确定所述第一质量评分对应的第一权重和所述第二质量评分对应的第二权重,其中,所述比值与所述第二权重成正比、与所述第一权重成反比;
根据所述第一权重和所述第二权重,对所述第一质量评分和所述第二质量评分进行加权求和,得到所述目标图像的综合质量评分。
6.如权利要求2所述的图像质量评估方法,其特征在于,所述根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分,包括:
将所述第一质量评分和所述第二质量评分相加求和,得到所述目标图像的综合质量评分。
7.如权利要求1所述的图像质量评估方法,其特征在于,所述获取待评估的目标图像,包括:
获取拍摄时间间隔在预设时长内的多帧图像,计算每两帧所述图像之间的相似度;
根据每两帧所述图像之间的相似度,从所述多帧图像中确定出相似度小于其他图像的干扰图像;
将所述多帧图像中除所述干扰图像之外的其他图像作为目标图像。
8.一种图像质量评估装置,其特征在于,包括:
图像获取模块,用于获取待评估的目标图像;
第一评分模块,用于计算所述目标图像的多个均值对比度归一化MSCN系数,并根据所述多个MSCN系数计算所述目标图像的第一质量评分;
第二评分模块,用于根据预设的人脸识别算法和图像分类模型识别所述目标图像中的表情类别,并根据所述表情类别计算所述目标图像的第二质量评分;
综合评分模块,用于根据所述第一质量评分和所述第二质量评分,得到所述目标图像的综合质量评分。
9.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的图像质量评估方法。
10.一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,其特征在于,所述处理器通过调用所述计算机程序,用于执行如权利要求1至7任一项所述的图像质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314028.8A CN111401324A (zh) | 2020-04-20 | 2020-04-20 | 图像质量评估方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314028.8A CN111401324A (zh) | 2020-04-20 | 2020-04-20 | 图像质量评估方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401324A true CN111401324A (zh) | 2020-07-10 |
Family
ID=71429692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010314028.8A Pending CN111401324A (zh) | 2020-04-20 | 2020-04-20 | 图像质量评估方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401324A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932532A (zh) * | 2020-09-21 | 2020-11-13 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
CN112052350A (zh) * | 2020-08-25 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112396507A (zh) * | 2020-09-01 | 2021-02-23 | 重庆邮电大学 | 基于阴影划分的集成svm个人信用评估方法 |
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN112785572A (zh) * | 2021-01-21 | 2021-05-11 | 上海云从汇临人工智能科技有限公司 | 图像质量评估方法、装置以及计算机可读存储介质 |
CN112991313A (zh) * | 2021-03-29 | 2021-06-18 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN113378695A (zh) * | 2021-06-08 | 2021-09-10 | 杭州萤石软件有限公司 | 一种图像质量确定方法、装置及电子设备 |
CN113435248A (zh) * | 2021-05-18 | 2021-09-24 | 武汉天喻信息产业股份有限公司 | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 |
CN113473227A (zh) * | 2021-08-16 | 2021-10-01 | 维沃移动通信(杭州)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113658093A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大华技术股份有限公司 | 图像质量评估方法、装置、设备及计算机存储介质 |
CN113938671A (zh) * | 2020-07-14 | 2022-01-14 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与*** |
CN114299037A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230823A1 (en) * | 2006-02-22 | 2007-10-04 | Altek Corporation | Image evaluation system and method |
US20150049910A1 (en) * | 2013-08-19 | 2015-02-19 | Kodak Alaris Inc. | Imaging workflow using facial and non-facial features |
CN106295468A (zh) * | 2015-05-19 | 2017-01-04 | 小米科技有限责任公司 | 人脸识别方法及装置 |
KR101907792B1 (ko) * | 2017-06-13 | 2018-10-12 | 연세대학교 산학협력단 | 화질 평가 장치 및 방법과 이에 관한 기록매체 |
KR20190056499A (ko) * | 2017-11-17 | 2019-05-27 | 연세대학교 산학협력단 | 자기 공명 영상 장치 및 자기 공명 영상 장치의 재촬영 제어 방법 |
CN109978884A (zh) * | 2019-04-30 | 2019-07-05 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于人脸分析的多人图像评分方法、***、设备及介质 |
CN110046587A (zh) * | 2019-04-22 | 2019-07-23 | 安徽理工大学 | 基于Gabor差分权重的人脸表情特征提取方法 |
CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
CN110866236A (zh) * | 2019-11-20 | 2020-03-06 | Oppo广东移动通信有限公司 | 隐私图片显示方法、装置、终端及存储介质 |
CN111028216A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像评分方法、装置、存储介质及电子设备 |
-
2020
- 2020-04-20 CN CN202010314028.8A patent/CN111401324A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230823A1 (en) * | 2006-02-22 | 2007-10-04 | Altek Corporation | Image evaluation system and method |
US20150049910A1 (en) * | 2013-08-19 | 2015-02-19 | Kodak Alaris Inc. | Imaging workflow using facial and non-facial features |
CN106295468A (zh) * | 2015-05-19 | 2017-01-04 | 小米科技有限责任公司 | 人脸识别方法及装置 |
KR101907792B1 (ko) * | 2017-06-13 | 2018-10-12 | 연세대학교 산학협력단 | 화질 평가 장치 및 방법과 이에 관한 기록매체 |
KR20190056499A (ko) * | 2017-11-17 | 2019-05-27 | 연세대학교 산학협력단 | 자기 공명 영상 장치 및 자기 공명 영상 장치의 재촬영 제어 방법 |
CN110119673A (zh) * | 2019-03-27 | 2019-08-13 | 广州杰赛科技股份有限公司 | 无感人脸考勤方法、装置、设备及存储介质 |
CN110046587A (zh) * | 2019-04-22 | 2019-07-23 | 安徽理工大学 | 基于Gabor差分权重的人脸表情特征提取方法 |
CN109978884A (zh) * | 2019-04-30 | 2019-07-05 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于人脸分析的多人图像评分方法、***、设备及介质 |
CN110866236A (zh) * | 2019-11-20 | 2020-03-06 | Oppo广东移动通信有限公司 | 隐私图片显示方法、装置、终端及存储介质 |
CN111028216A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像评分方法、装置、存储介质及电子设备 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938671B (zh) * | 2020-07-14 | 2023-05-23 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
CN113938671A (zh) * | 2020-07-14 | 2022-01-14 | 北京灵汐科技有限公司 | 图像内容分析方法、装置、电子设备和存储介质 |
CN112052350A (zh) * | 2020-08-25 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112052350B (zh) * | 2020-08-25 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112396507A (zh) * | 2020-09-01 | 2021-02-23 | 重庆邮电大学 | 基于阴影划分的集成svm个人信用评估方法 |
CN111932532A (zh) * | 2020-09-21 | 2020-11-13 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
CN111932532B (zh) * | 2020-09-21 | 2021-01-08 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
WO2022057897A1 (zh) * | 2020-09-21 | 2022-03-24 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜无参考图像评价方法、电子设备及介质 |
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN112418009B (zh) * | 2020-11-06 | 2024-03-22 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN112785572A (zh) * | 2021-01-21 | 2021-05-11 | 上海云从汇临人工智能科技有限公司 | 图像质量评估方法、装置以及计算机可读存储介质 |
CN112785572B (zh) * | 2021-01-21 | 2023-10-24 | 上海云从汇临人工智能科技有限公司 | 图像质量评估方法、装置以及计算机可读存储介质 |
CN112991313B (zh) * | 2021-03-29 | 2021-09-14 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN112991313A (zh) * | 2021-03-29 | 2021-06-18 | 清华大学 | 图像质量的评估方法及装置、电子设备和存储介质 |
CN113435248A (zh) * | 2021-05-18 | 2021-09-24 | 武汉天喻信息产业股份有限公司 | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 |
CN113378695A (zh) * | 2021-06-08 | 2021-09-10 | 杭州萤石软件有限公司 | 一种图像质量确定方法、装置及电子设备 |
CN113658093A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大华技术股份有限公司 | 图像质量评估方法、装置、设备及计算机存储介质 |
CN113473227A (zh) * | 2021-08-16 | 2021-10-01 | 维沃移动通信(杭州)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114299037B (zh) * | 2021-12-30 | 2023-09-01 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN114299037A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN114219803A (zh) * | 2022-02-21 | 2022-03-22 | 浙江大学 | 一种三阶段图像质量评估的检测方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401324A (zh) | 图像质量评估方法、装置、存储介质及电子设备 | |
EP3937481A1 (en) | Image display method and device | |
JP4772839B2 (ja) | 画像識別方法および撮像装置 | |
CN112308095A (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
US20100246939A1 (en) | Image Processing Apparatus and Method, Learning Apparatus and Method, and Program | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
JPH09102043A (ja) | 画像内の要素の位置検出 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
Várkonyi-Kóczy et al. | Gradient-based synthesized multiple exposure time color HDR image | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、***、设备及介质 | |
WO2022116104A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112084927A (zh) | 一种融合多种视觉信息的唇语识别方法 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN112528939A (zh) | 一种人脸图像的质量评价方法及装置 | |
CN112949453A (zh) | 烟火检测模型的训练方法、烟火检测方法及设备 | |
WO2021134485A1 (zh) | 视频评分方法、装置、存储介质及电子设备 | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN112396016B (zh) | 一种基于大数据技术的人脸识别*** | |
CN113743378A (zh) | 一种基于视频的火情监测方法和装置 | |
KR20130126386A (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
CN112508998A (zh) | 基于全局运动的视觉目标对齐方法 | |
JP2009258770A (ja) | 画像処理方法、画像処理装置、画像処理プログラム、撮像装置 |
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 |