CN112418292B - 一种图像质量评价的方法、装置、计算机设备及存储介质 - Google Patents
一种图像质量评价的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112418292B CN112418292B CN202011288901.7A CN202011288901A CN112418292B CN 112418292 B CN112418292 B CN 112418292B CN 202011288901 A CN202011288901 A CN 202011288901A CN 112418292 B CN112418292 B CN 112418292B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- training
- network
- evaluated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013441 quality evaluation Methods 0.000 title abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 107
- 230000006870 function Effects 0.000 claims abstract description 81
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 119
- 238000012795 verification Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001303 quality assessment method Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像质量评价的方法、装置、计算机设备及存储介质,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。此外,本申请还涉及区块链技术,待评估图像可存储于区块链中。本申请通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,该图像质量评价***快速适应各种场景。
Description
技术领域
本申请属于人工智能技术领域,具体涉及一种图像质量评价的方法、装置、计算机设备及存储介质。
背景技术
目前,在一系列的智能图像应用领域中,判别输入图像的质量好坏往往是开启后续一系列操作的关键。一般而言,解决图像质量评估的通用思路是尽可能地模拟人类判别的思路,当前的图像质量评估大致有两种主体解决思路:
一、基于定义重要指标的方式,即采用特征工程的方式进行图像质量的判定,该思路以SSIM(Structural SIMilarity,结构相似性),FSIM(feature similarity,图像质量衡量标准),NIQE(Natural image quality evaluator,图像质量评价)等评价方案为代表,基本思想是使用通过定义衡量图像明暗度、边缘清晰程度等的指标来进行判定。
二、基于卷积深度学习网络的方法,该方法往往是采用神经网络拟合人的判定结果。
但是以上两种方式均存在一定的缺陷,对于定义重要指标的图像质量评价方式,往往受限于指标定义不足的影响,导致方法泛化能力不足,并且特征指标的设计往往需要设计者具有较高的数学水平以及丰富的经验,并不能快速适应各种场景。
而对于卷积深度学习网络的图片质量评价方法对于计算资源的开销有着较高的要求,在一些场合(如移动端)会有较大的使用限制,目前移动端的运算能力和内存均存在一定的限制,难以部署卷积深度学习网络。
发明内容
本申请实施例的目的在于提出一种图像质量评价的方法、装置、计算机设备及存储介质,以解决现有的图像质量评估方案存在的应用场景局限性较大,无法快速适应各种场景的技术问题。
为了解决上述技术问题,本申请实施例提供一种图像质量评价的方法,采用了如下所述的技术方案:
一种图像质量评价的方法,包括:
构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;
接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;
对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;
构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
进一步地,在构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器的步骤之前,还包括:
获取预设数据库中的图像数据,并对图像数据进行预处理;
对进行预处理后的图像数据进行标注,并对标注后的图像数据进行随机组合,得到训练样本集和验证数据集;
将训练样本集和验证数据集存储到预设数据库中。
进一步地,图像生成网络包括编码层和解码层,编码层包括若干个卷积核,解码层包括若干个反卷积核,卷积核与反卷积核一一对应,构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器的步骤,具体包括:
提取训练样本集中的训练样本,依次将每一个训练样本导入到图像生成网络的编码层;
利用每一个训练样本对图像生成网络中的编码层进行训练,得到若干个个训练完成的卷积核;
基于深度学习压缩算法对训练完成的若干个卷积核进行筛选,去除若干个卷积核中的冗余项;
利用去除冗余项后的若干个卷积核构建图像特征提取器。
进一步地,在利用每一个训练样本对图像生成网络卷积层中的编码层进行训练,得到若干个个训练完成的卷积核的步骤之后,还包括:
采集编码层中每一个卷积核的训练结果;
将每一个卷积核的训练结果导入对应的反卷积核中,通过每一个卷积核的训练结果训练对应的反卷积核,得到若干个个训练完成的反卷积核。
进一步地,在将每一个卷积核的训练结果导入对应的反卷积核中,通过每一个卷积核的训练结果训练对应的反卷积核,得到若干个个训练完成的反卷积核的步骤之后,还包括:
提取验证数据集中的验证样本,将验证数据集导入到图像生成网络;
利用若干个个训练完成的卷积核分别对验证样本进行特征提取,得到若干个验证样本的特征提取结果;
将若干个验证样本的特征提取结果分别导入到对应的反卷积核进行特征还原,得到特征还原结果;
基于特征还原结果与验证样本,使用反向传播算法进行拟合,获取预测误差;
将预测误差与预设阈值进行比较,若预测误差大于预设阈值,则对图像生成网络进行迭代更新,直到预测误差小于或等于预设阈值为止,获取图像生成网络。
进一步地,对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量的步骤,具体包括:
基于空间金字塔池化对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量。
进一步地,构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量的步骤,具体包括:
基于贝叶斯算法构建初始回归函数;
提取图像特征提取器的参数,并基于图像特征提取器的参数计算特征权值;
将特征权值导入初始回归函数,得到网络回归函数;
将特征向量导入网络回归函数,计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
为了解决上述技术问题,本申请实施例还提供一种图像质量评价的装置,采用了如下所述的技术方案:
一种图像质量评价的装置,包括:
构建模块,用于构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;
提取模块,用于接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;
转化模块,用于对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;
评估模块,用于构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,处理器执行计算机可读指令时实现如上述任一项的图像质量评价的方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,计算机可读存储介质上存储有计算机可读指令,计算机可读指令被处理器执行时实现如上述任一项的图像质量评价的方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开了一种图像质量评价的方法、装置、计算机设备及存储介质,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。本申请通过通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,在进行图像质量评价时,先通过训练好的深度学习网络获取图像特征,然后基于利用网络回归函数计算图像特征的回归值,最后基于图像特征的回归值确定待评估图像的质量,本申请构建的图像质量评价***结构简单,不会占用过多的服务器资源,有效降低计算资源消耗,可以满足移动端的部署使用要求。同时,最终通过网络回归函数对图像质量进行评价,可以针对评价结果做出数学上的解释,方便使用者直观的分析问题。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性***架构图;
图2示出了根据本申请的图像质量评价的方法的一个实施例的流程图;
图3示出了图2中步骤S201的一种具体实施方式的流程图;
图4示出了图2中步骤S204的一种具体实施方式的流程图;
图5示出了根据本申请的图像质量评价的装置的一个实施例的结构示意图;
图6示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
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。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的图像质量评价的方法一般由服务器/终端设备执行,相应地,图像质量评价的装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的图像质量评价的的方法的一个实施例的流程图。所述的图像质量评价的方法,包括以下步骤:
S201,构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器。
其中,可以基于深度深度卷积神经网络模型构建图像生成网络,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学***移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征,例如像素和音频进行学习,有稳定的效果且对数据没有额外的特征工程要求。
其中,图像生成网络包括编码层encoder和解码层decoder,编码层encoder包括若干个卷积核,解码层decoder包括若干个反卷积核,卷积核与反卷积核一一对应,编码层encoder的卷积核与对应解码层decoder的反卷积核之间建立有连通通道,编码层encoder的卷积核提取图像特征后,可以通过连通通道将提取的图像特征直接传送对应解码层decoder的反卷积核上。编码层encoder为全卷积层,编码层encoder用于提取输入图像的图像特征,图像特征提取器也由该部分构成。解码层decoder为逆卷积层,解码层decoder用于对提取的图像特征进行解码,将图像特征还原为输入图像,解码层decoder对图像特征进行还原的目的是完成对编码层encoder的验证。需要说明的是,在构建图像生成网络时,分别为编码层encoder和解码层decoder设置损失函数L1和L2,在进行图像生成网络进行迭代更新时,可以基于L1损失函数和L2损失函数对图像生成网络迭代更新。
具体的,基于深度深度卷积神经网络模型构建图像生成网络,并从预设数据库中获取训练样本集,通过训练样本集对图像生成网络进行训练,得到训练完成的图像生成网络后,通过图像生成网络的编码层encoder中的卷积核构建图像特征提取器。
S202,接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征。
具体的,在产生图像评估需求时,接收图像评估指令,基于图像评估指令获取待评估图像,并利用上述构建的图像特征提取器提取待评估图像的图像特征。需要说明的是,经过压缩过后的编码层encoder部分网络构建出图像特征提取器,图像特征提取器在进行特征提取时会输出了多尺度的图像特征,同时上一层的图像特征又是下一层的图像输入。在本申请一种具体的实施例中,共构建5层特征提取卷积层,当输入图像为512x512大小时,这5层提取出的图像特征分别为尺度特征0、尺度特征1、尺度特征2、尺度特征3和尺度特征4,尺度特征0、尺度特征1、尺度特征2、尺度特征3和尺度特征4大小分别为512x512、256x256、128x128、64x64、32x32。
在本实施例中,图像质量评价的方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收图像评估指令。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S203,对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量。
具体的,在利用图像特征提取器提取待评估图像的图像特征后,通过将利用图像特征提取器提取待评估图像的多个图像特征进行空间金字塔池化(Spatial PyramidPooling,SPP),将待评估图像的多个图像特征转化为特征向量,特征向量为大小一致的向量,将待评估图像的多个图像特征转化为特征向量有利于在后续步骤中利用所述网络回归函数计算图像特征的回归值。其中,空间金字塔池化可以使得任意大小的特征图都能够转换成固定大小的特征向量,并将固定大小的特征向量送入全连接层。
S204,构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
在本申请具体的实施例中中,将图像评估任务拆分为图像特征提取与多元回归评价过程。通过多元网络回归函数计算特征向量的回归值,基于构建网络回归函数计算特征向量的回归值,对特征向量的回归值进行归一化,使得特征向量的回归值落入0-1之间值域,该回归值可看作是对图像特征多个维度的综合评分,最后根据特征张量的回归值确定所述待评估图像的质量,这里主要采用贝叶斯核回归的方式来构建起多维图像特征的网络回归函数。
具体的,图像特征转化为特征向量之后,基于贝叶斯核回归方程构建网络回归函数,并利用网络回归函数计算特征向量的回归值,对特征向量的回归值进行归一化,并根据归一后的特征向量回归值确定待评估图像的质量。如回归值为1表示图像质量优秀,如回归值为0表示图像质量不合格。
本申请公开了一种图像质量评价的方法、装置、计算机设备及存储介质,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。本申请通过通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,在进行图像质量评价时,先通过训练好的深度学习网络获取图像特征,然后基于利用网络回归函数计算图像特征的回归值,最后基于图像特征的回归值确定待评估图像的质量,本申请构建的图像质量评价***结构简单,不会占用过多的服务器资源,有效降低计算资源消耗,可以满足移动端的部署使用要求。同时,最终通过网络回归函数对图像质量进行评价,可以针对评价结果做出数学上的解释,方便使用者直观的分析问题。
进一步地,在构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器的步骤之前,还包括:
获取预设数据库中的图像数据,并对图像数据进行预处理;
对进行预处理后的图像数据进行标注,并对标注后的图像数据进行随机组合,得到训练样本集和验证数据集;
将训练样本集和验证数据集存储到预设数据库中。
具体的,从预设数据库中获取图像数据,对图像数据进行标注,标注时可以针对图像数据的质量指标进行标注。对标注后的图像数据进行随机组合,得到训练样本集和验证数据集,如可以将标注后的图像数据随机分为10等份的样本子集,其中,随机组合9样本子集作为训练样本集,将剩余的样本子集作为验证数据集,将训练样本集和验证数据集存储到预设数据库中。
进一步地,请参考图3,图3示出了图2中步骤S201的一种具体实施方式的流程图,图像生成网络包括编码层和解码层,编码层包括若干个卷积核,解码层包括若干个反卷积核,卷积核与反卷积核一一对应,构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器的步骤,具体包括:
S301,提取训练样本集中的训练样本,依次将每一个训练样本导入到图像生成网络的编码层;
S302,利用每一个训练样本对图像生成网络中的编码层进行训练,得到若干个个训练完成的卷积核;
S303,基于深度学习压缩算法对训练完成的若干个卷积核进行筛选,去除若干个卷积核中的冗余项;
S304,利用去除冗余项后的若干个卷积核构建图像特征提取器。
其中,深度学习压缩(deep compression)算法通过对神经网络进行训练,获取训练后的神经网络各个卷积层的权重,设定权重阈值,然后把低于权重阈值的卷积层删除掉,然后迭代训练,通过迭代训练一次次地去掉冗余层。最后把神经网络中保留的卷积层的权重进行聚类和权值共享,将聚类中心点的值作为所有权值的值,通过不断调整聚类中心点和中心点的数量,以获得较好的模型压缩效果,最后将权值进行哈夫曼编码。本提案采用Deep compression的方法可以在不损失精度的情况将神经网络进行压缩,其中可以将神经网络的大小压缩至原有大小的35倍到49倍,且推理时使存储的应用更有效。
具体的,提取训练样本集中的训练样本,依次将每一个训练样本导入到图像生成网络的编码层encoder,编码层encoder中预先设置有若干个卷积核,利用每一个训练样本对图像生成网络中的编码层encoder的卷积核进行训练,得到若干个个训练完成的卷积核,设定权重阈值,基于深度学习压缩算法对训练完成的若干个卷积核进行筛选,把低于权重阈值的卷积层删除掉,以去除若干个卷积核中的冗余项,利用去除冗余项后的若干个卷积核构建图像特征提取器。
进一步地,在利用每一个训练样本对图像生成网络卷积层中的编码层进行训练,得到若干个个训练完成的卷积核的步骤之后,还包括:
采集编码层中每一个卷积核的训练结果;
将每一个卷积核的训练结果导入对应的反卷积核中,通过每一个卷积核的训练结果训练对应的反卷积核,得到若干个个训练完成的反卷积核。
具体的,采集编码层encoder中每一个卷积核的训练结果,对编码层encoder中每一个卷积核的训练结果进行标注,利用标注后的编码层encoder中每一个卷积核的训练结果训练对应解码层decoder中的反卷积核,得到若干个个训练完成的反卷积核。
进一步地,在将每一个卷积核的训练结果导入对应的反卷积核中,通过每一个卷积核的训练结果训练对应的反卷积核,得到若干个个训练完成的反卷积核的步骤之后,还包括:
提取验证数据集中的验证样本,将验证数据集导入到图像生成网络;
利用若干个个训练完成的卷积核分别对验证样本进行特征提取,得到若干个验证样本的特征提取结果;
将若干个验证样本的特征提取结果分别导入到对应的反卷积核进行特征还原,得到特征还原结果;
基于特征还原结果与验证样本,使用反向传播算法进行拟合,获取预测误差;
将预测误差与预设阈值进行比较,若预测误差大于预设阈值,则对图像生成网络进行迭代更新,直到预测误差小于或等于预设阈值为止,获取图像生成网络。
其中,反向传播算法,即误差反向传播算法(Backpropagation algorithm,BP算法)适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上,用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系:一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层,并转入反向传播,逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,以作为修改权值的依据。
具体的,提取验证数据集中的验证样本,将验证数据集导入到图像生成网络,利用若干个个训练完成的卷积核分别对验证样本进行特征提取,通过对应的反卷积核进行特征还原,然后反向传播算法计算预测误差,将预测误差与预设误差阈值进行比较,若预测误差大于预设误差阈值,则基于编码层encoder和解码层decoder的损失函数L1和L2对图像生成网络进行迭代更新,直到预测误差小于或等于预设误差阈值为止,获取验证通过的图像生成网络。
进一步地,对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量的步骤,具体包括:
基于空间金字塔池化对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量。
具体的,在利用图像特征提取器提取待评估图像的图像特征后,通过将利用图像特征提取器提取待评估图像的多个图像特征进行空间金字塔池化,将待评估图像的多个图像特征转化为特征向量,特征向量为大小一致的向量,将待评估图像的多个图像特征转化为特征向量有利于在后续步骤中利用所述网络回归函数计算图像特征的回归值。其中,空间金字塔池化可以使得任意大小的特征图都能够转换成固定大小的特征向量,并将固定大小的特征向量送入全连接层。
在本申请具体的实施例中,将图像特征通过空间金字塔池化,转为全链接形式的特征向量。这里的空间金字塔池化是指分别对上述不同尺度的图像特征进行形变卷积操作,最终获得全链接形式的特征向量。
进一步地,请参考图4,图4示出了图2中步骤S204的一种具体实施方式的流程图,构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量的步骤,具体包括:
S401,基于贝叶斯算法构建初始回归函数;
S402,提取图像特征提取器的参数,并基于图像特征提取器的参数计算特征权值;
S403,将特征权值导入初始回归函数,得到网络回归函数;
S404,将特征向量导入网络回归函数,计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
具体的,基于贝叶斯方程式构建初始回归函数,贝叶斯方程式具体如下:
其中,这里的Y是指贝叶斯回归值,i指的是输入图像的序号,h是指高维的响应函数,z是指图像特征,x是指潜在的因子,β是指权重,ε是调制系数。求解响应函数h可以基于核函数的方法进行推导,因此h可以写成如下形式:
其中,α为核函数的前系数,这里核函数采用的是高斯核函数,因而这里K(z,z’)可以改写为:
其中,exp为e指数,M为训练集容量,即样本数量。上述K进一步进行改写:
其中,这里的r是符合以下条件:
rm|δm~δmf1(rm)+(1-δm)P0
其中,m=1,……,M;rm是贝叶斯定理条件概率的概率值,f是概率密度函数,δm~bernouli(π),bernouli是指复合伯努利分布,δ是方差,至此这里可以将回归过程改造成一个基于贝叶斯高斯核的回归。
具体的,在将图像特征转化为特征向量后,基于贝叶斯算法构建初始回归函,提取图像特征提取器的参数,并基于图像特征提取器的参数计算特征权值,对特征权值进行归一化,将归一化后的特征权值导入初始回归函数,得到网络回归函数,将特征向量导入网络回归函数,计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
需要强调的是,为进一步保证上述待评估图像的私密和安全性,上述待评估图像还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5,作为对上述图2所示方法的实现,本申请提供了一种图像质量评价的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所述的图像质量评价的装置包括:
构建模块501,用于构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;
提取模块502,用于接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;
转化模块503,用于对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;
评估模块504,用于构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
进一步地,该图像质量评价的装置还包括:
预处理模块,用于获取预设数据库中的图像数据,并对图像数据进行预处理;
标注模块,用于对进行预处理后的图像数据进行标注,并对标注后的图像数据进行随机组合,得到训练样本集和验证数据集;
存储模块,用于将训练样本集和验证数据集存储到预设数据库中。
进一步地,图像生成网络包括编码层和解码层,编码层包括若干个卷积核,解码层包括若干个反卷积核,卷积核与反卷积核一一对应,构建模块501具体包括:
提取单元,用于提取训练样本集中的训练样本,依次将每一个训练样本导入到图像生成网络的编码层;
第一训练单元,用于利用每一个训练样本对图像生成网络中的编码层进行训练,得到若干个个训练完成的卷积核;
压缩单元,用于基于深度学习压缩算法对训练完成的若干个卷积核进行筛选,去除若干个卷积核中的冗余项;
构建单元,用于利用去除冗余项后的若干个卷积核构建图像特征提取器。
进一步地,该图像质量评价的装置还包括:
采集单元,用于采集编码层中每一个卷积核的训练结果;
第二训练单元,用于将每一个卷积核的训练结果导入对应的反卷积核中,通过每一个卷积核的训练结果训练对应的反卷积核,得到若干个个训练完成的反卷积核。
进一步地,该图像质量评价的装置还包括:
验证单元,用于提取验证数据集中的验证样本,将验证数据集导入到图像生成网络;
卷积单元,用于利用若干个个训练完成的卷积核分别对验证样本进行特征提取,得到若干个验证样本的特征提取结果;
还原单元,用于将若干个验证样本的特征提取结果分别导入到对应的反卷积核进行特征还原,得到特征还原结果;
拟合单元,用于基于特征还原结果与验证样本,使用反向传播算法进行拟合,获取预测误差;
迭代单元,用于将预测误差与预设阈值进行比较,若预测误差大于预设阈值,则对图像生成网络进行迭代更新,直到预测误差小于或等于预设阈值为止,获取图像生成网络。
进一步地,转化模块具体包括:
转化单元,用于基于空间金字塔池化对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量。
进一步地,评估模块504具体包括:
函数构建单元,用于基于贝叶斯算法构建初始回归函数;
参数提取单元,用于提取图像特征提取器的参数,并基于图像特征提取器的参数计算特征权值;
导入单元,用于将特征权值导入初始回归函数,得到网络回归函数;
评估单元,用于将特征向量导入网络回归函数,计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。
本申请公开了一种图像质量评价的装置,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。本申请通过通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,在进行图像质量评价时,先通过训练好的深度学习网络获取图像特征,然后基于利用网络回归函数计算图像特征的回归值,最后基于图像特征的回归值确定待评估图像的质量,本申请构建的图像质量评价***结构简单,不会占用过多的服务器资源,有效降低计算资源消耗,可以满足移动端的部署使用要求。同时,最终通过网络回归函数对图像质量进行评价,可以针对评价结果做出数学上的解释,方便使用者直观的分析问题。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过***总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作***和各类应用软件,例如图像质量评价的方法的计算机可读指令等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据,例如运行所述图像质量评价的方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请公开了一种计算机设备,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。本申请通过通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,在进行图像质量评价时,先通过训练好的深度学习网络获取图像特征,然后基于利用网络回归函数计算图像特征的回归值,最后基于图像特征的回归值确定待评估图像的质量,本申请构建的图像质量评价***结构简单,不会占用过多的服务器资源,有效降低计算资源消耗,可以满足移动端的部署使用要求。同时,最终通过网络回归函数对图像质量进行评价,可以针对评价结果做出数学上的解释,方便使用者直观的分析问题。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的图像质量评价的方法的步骤。
本申请公开了一种存储介质,属于人工智能技术领域,本申请通过构建图像生成网络,通过预设数据库中的训练样本集对图像生成网络进行训练,获取图像特征提取器;接收待评估图像,并利用图像特征提取器提取待评估图像的图像特征;对待评估图像的图像特征进行特征向量转化,将图像特征转化为特征向量;构建网络回归函数,利用网络回归函数计算特征向量的回归值,并根据特征向量的回归值确定待评估图像的质量。本申请通过通过简化深度学习网络以及采用机器回归的方式来构建图像质量评价***,在进行图像质量评价时,先通过训练好的深度学习网络获取图像特征,然后基于利用网络回归函数计算图像特征的回归值,最后基于图像特征的回归值确定待评估图像的质量,本申请构建的图像质量评价***结构简单,不会占用过多的服务器资源,有效降低计算资源消耗,可以满足移动端的部署使用要求。同时,最终通过网络回归函数对图像质量进行评价,可以针对评价结果做出数学上的解释,方便使用者直观的分析问题。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (8)
1.一种图像质量评价的方法,其特征在于,包括:
构建图像生成网络,通过预设数据库中的训练样本集对所述图像生成网络进行训练,获取图像特征提取器;
接收待评估图像,并利用所述图像特征提取器提取所述待评估图像的图像特征;
对所述待评估图像的图像特征进行特征向量转化,将所述图像特征转化为特征向量;
构建网络回归函数,利用所述网络回归函数计算所述特征向量的回归值,并根据所述特征向量的回归值确定所述待评估图像的质量;
所述图像生成网络包括编码层和解码层,所述编码层包括若干个卷积核,所述解码层包括若干个反卷积核,所述卷积核与所述反卷积核一一对应,所述构建图像生成网络,通过预设数据库中的训练样本集对所述图像生成网络进行训练,获取图像特征提取器的步骤,具体包括:
提取所述训练样本集中的训练样本,依次将每一个所述训练样本导入到所述图像生成网络的编码层;
利用每一个所述训练样本对所述图像生成网络中的编码层进行训练,得到若干个训练完成的卷积核;
基于深度学习压缩算法对训练完成的若干个所述卷积核进行筛选,去除若干个所述卷积核中的冗余项;
利用去除所述冗余项后的若干个所述卷积核构建所述图像特征提取器;
在所述利用每一个所述训练样本对所述图像生成网络卷积层中的编码层进行训练,得到若干个训练完成的卷积核的步骤之后,还包括:
采集所述编码层中每一个卷积核的训练结果;
将每一个所述卷积核的训练结果导入对应的反卷积核中,通过每一个所述卷积核的训练结果训练对应的反卷积核,得到若干个训练完成的反卷积核,其中,每一个所述卷积核与对应的反卷积核之间建立有连通通道,通过所述连通通道将每一个所述卷积核的训练结果传送对应的反卷积核上。
2.如权利要求1所述的图像质量评价的方法,其特征在于,在所述构建图像生成网络,通过预设数据库中的训练样本集对所述图像生成网络进行训练,获取图像特征提取器的步骤之前,还包括:
获取所述预设数据库中的图像数据,并对所述图像数据进行预处理;
对进行预处理后的所述图像数据进行标注,并对标注后的所述图像数据进行随机组合,得到训练样本集和验证数据集;
将所述训练样本集和所述验证数据集存储到所述预设数据库中。
3.如权利要求2所述的图像质量评价的方法,其特征在于,在所述将每一个所述卷积核的训练结果导入对应的反卷积核中,通过每一个所述卷积核的训练结果训练对应的反卷积核,得到若干个训练完成的反卷积核的步骤之后,还包括:
提取所述验证数据集中的验证样本,将所述验证数据集导入到所述图像生成网络;
利用若干个训练完成的所述卷积核分别对所述验证样本进行特征提取,得到若干个所述验证样本的特征提取结果;
将若干个所述验证样本的特征提取结果分别导入到对应的反卷积核进行特征还原,得到特征还原结果;
基于所述特征还原结果与验证样本,使用反向传播算法进行拟合,获取预测误差;
将所述预测误差与预设阈值进行比较,若所述预测误差大于预设阈值,则对所述图像生成网络进行迭代更新,直到所述预测误差小于或等于预设阈值为止,获取所述图像生成网络。
4.如权利要求1至3任意一项所述的图像质量评价的方法,其特征在于,所述对所述待评估图像的图像特征进行特征向量转化,将所述图像特征转化为特征向量的步骤,具体包括:
基于空间金字塔池化对所述待评估图像的图像特征进行特征向量转化,将所述图像特征转化为特征向量。
5.如权利要求4所述的图像质量评价的方法,其特征在于,所述构建网络回归函数,利用所述网络回归函数计算所述特征向量的回归值,并根据所述特征向量的回归值确定所述待评估图像的质量的步骤,具体包括:
基于贝叶斯算法构建初始回归函数;
提取所述图像特征提取器的参数,并基于所述图像特征提取器的参数计算特征权值;
将所述特征权值导入所述初始回归函数,得到网络回归函数;
将所述特征向量导入所述网络回归函数,计算所述特征向量的回归值,并根据所述特征向量的回归值确定所述待评估图像的质量。
6.一种图像质量评价的装置,其特征在于,所述图像质量评价的装置实现如权利要求1至5中任一项所述的图像质量评价的方法的步骤,所述图像质量评价的装置包括:
构建模块,用于构建图像生成网络,通过预设数据库中的训练样本集对所述图像生成网络进行训练,获取图像特征提取器;
提取模块,用于接收待评估图像,并利用所述图像特征提取器提取所述待评估图像的图像特征;
转化模块,用于对所述待评估图像的图像特征进行特征向量转化,将所述图像特征转化为特征向量;
评估模块,用于构建网络回归函数,利用所述网络回归函数计算所述特征向量的回归值,并根据所述特征向量的回归值确定所述待评估图像的质量。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的图像质量评价的方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的图像质量评价的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288901.7A CN112418292B (zh) | 2020-11-17 | 2020-11-17 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
PCT/CN2021/090416 WO2022105117A1 (zh) | 2020-11-17 | 2021-04-28 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288901.7A CN112418292B (zh) | 2020-11-17 | 2020-11-17 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418292A CN112418292A (zh) | 2021-02-26 |
CN112418292B true CN112418292B (zh) | 2024-05-10 |
Family
ID=74832061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288901.7A Active CN112418292B (zh) | 2020-11-17 | 2020-11-17 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112418292B (zh) |
WO (1) | WO2022105117A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418292B (zh) * | 2020-11-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
WO2022217496A1 (zh) * | 2021-04-14 | 2022-10-20 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
CN113112518B (zh) * | 2021-04-19 | 2024-03-26 | 深圳思谋信息科技有限公司 | 基于拼接图像的特征提取器生成方法、装置和计算机设备 |
CN113486939A (zh) * | 2021-06-30 | 2021-10-08 | 平安证券股份有限公司 | 一种处理图片的方法、装置、终端及存储介质 |
CN117135306A (zh) * | 2022-09-15 | 2023-11-28 | 深圳Tcl新技术有限公司 | 电视清晰度的调试方法及装置 |
CN115984843A (zh) * | 2022-12-06 | 2023-04-18 | 北京信息科技大学 | 一种再制造原料评估方法、装置、存储介质及电子设备 |
CN117830246B (zh) * | 2023-12-27 | 2024-06-11 | 广州极点三维信息科技有限公司 | 一种图像分析与质量评价方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949277A (zh) * | 2019-03-04 | 2019-06-28 | 西北大学 | 一种基于排序学习和简化残差网络的oct图像质量评价方法 |
JP2020014042A (ja) * | 2018-07-13 | 2020-01-23 | 日本放送協会 | 画質評価装置、学習装置及びプログラム |
CN110766658A (zh) * | 2019-09-23 | 2020-02-07 | 华中科技大学 | 一种无参考激光干扰图像质量评价方法 |
CN111242036A (zh) * | 2020-01-14 | 2020-06-05 | 西安建筑科技大学 | 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002415B2 (en) * | 2016-04-12 | 2018-06-19 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
US10540589B2 (en) * | 2017-10-24 | 2020-01-21 | Deep North, Inc. | Image quality assessment using similar scenes as reference |
CN110033446B (zh) * | 2019-04-10 | 2022-12-06 | 西安电子科技大学 | 基于孪生网络的增强图像质量评价方法 |
CN112418292B (zh) * | 2020-11-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-17 CN CN202011288901.7A patent/CN112418292B/zh active Active
-
2021
- 2021-04-28 WO PCT/CN2021/090416 patent/WO2022105117A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020014042A (ja) * | 2018-07-13 | 2020-01-23 | 日本放送協会 | 画質評価装置、学習装置及びプログラム |
CN109949277A (zh) * | 2019-03-04 | 2019-06-28 | 西北大学 | 一种基于排序学习和简化残差网络的oct图像质量评价方法 |
CN110766658A (zh) * | 2019-09-23 | 2020-02-07 | 华中科技大学 | 一种无参考激光干扰图像质量评价方法 |
CN111242036A (zh) * | 2020-01-14 | 2020-06-05 | 西安建筑科技大学 | 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022105117A1 (zh) | 2022-05-27 |
CN112418292A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
CN113139628B (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
CN112164002B (zh) | 人脸矫正模型的训练方法、装置、电子设备及存储介质 | |
CN113761153B (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
JP2023500222A (ja) | 系列マイニングモデルの訓練方法、系列データの処理方法、系列マイニングモデルの訓練装置、系列データの処理装置、コンピュータ機器、及びコンピュータプログラム | |
CN114241459B (zh) | 一种驾驶员身份验证方法、装置、计算机设备及存储介质 | |
US20220101121A1 (en) | Latent-variable generative model with a noise contrastive prior | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN116580257A (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
CN114282059A (zh) | 视频检索的方法、装置、设备及存储介质 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN116821113A (zh) | 时序数据缺失值处理方法、装置、计算机设备及存储介质 | |
CN116958325A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN112950501B (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN112966150A (zh) | 一种视频内容抽取的方法、装置、计算机设备及存储介质 | |
CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113344060A (zh) | 文本分类模型训练方法、诉讼状分类方法及装置 | |
CN111915701A (zh) | 一种基于人工智能的按钮图像生成方法和装置 | |
CN116798052B (zh) | 文本识别模型的训练方法和装置、存储介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |