CN112669289A - 影像质量评估方法、装置、电子设备及存储介质 - Google Patents
影像质量评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112669289A CN112669289A CN202011614160.7A CN202011614160A CN112669289A CN 112669289 A CN112669289 A CN 112669289A CN 202011614160 A CN202011614160 A CN 202011614160A CN 112669289 A CN112669289 A CN 112669289A
- Authority
- CN
- China
- Prior art keywords
- image
- quality evaluation
- quality
- evaluated
- dimension
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 396
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims description 174
- 238000001303 quality assessment method Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 description 20
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000019771 cognition Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000002598 diffusion tensor imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 150000007524 organic acids Chemical class 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种影像质量评估方法、装置、电子设备及存储介质，所述方法首先获取待评估影像，然后通过质量评估模型实现对待评估影像的质量评估，可以使得到待评估影像的质量评估结果更准确。而且，在质量评估过程中，不需要引入人为操作，可以避免质量评估结果受到人为因素的影像，可以使质量评估结果更客观。
Description
技术领域
本发明涉及影像质量评估技术领域，尤其涉及一种影像质量评估方法、装置、电子设备及存储介质。
背景技术
随着技术的发展，机器成像的方式已成为疾病检查的主要手段。机器成像可包括CT影像以及核磁共振影像等，影像质量好坏将直接影响医生的诊断结果。为此，对影像质量进行评估至关重要。
目前，影像质量评估方法通常是通过人工评估的方式实现，这种评估方式主观性太强，导致不同人的评估结果存在差异，不利于客观的评价影像质量。
发明内容
本发明提供一种影像质量评估方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。
本发明提供一种影像质量评估方法，包括：
获取待评估影像；
将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
根据本发明提供的一种影像质量评估方法，所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，具体包括：
将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果；
将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果；
将所述完整性维度的评估结果以及所述内容维度的评估结果输入至所述质量评估模型的融合层，得到所述融合层输出的所述质量评估结果。
根据本发明提供的一种影像质量评估方法，所述将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果，具体包括：
将所述待评估影像输入至所述完整性维度评估层，由所述完整性维度评估层从完整性维度下的不同完整性子维度对所述待评估影像进行评估，并对不同完整性子维度的评估结果进行加权求和，得到并输出所述完整性维度的评估结果；
其中，所述完整性子维度至少包含如下两项子维度中的任一项：
影像是否缺损或丢失；
影像中切片层数是否完整。
根据本发明提供的一种影像质量评估方法，所述将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果，具体包括：
将所述待评估影像输入至所述内容维度评估层，由所述内容维度评估层从内容维度下的不同内容子维度对所述待评估影像进行评估，并对不同内容子维度的评估结果进行加权求和，得到并输出所述内容维度的评估结果；
其中，所述内容子维度至少包含如下两项子维度中的任一项：
影像中是否存在目标对象；
影像是否清晰。
根据本发明提供的一种影像质量评估方法，所述待评估影像包括每一影像采集员采集得到的多个第一影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每一影像采集员对应的所有第一影像的质量评估结果，确定所有影像采集员对应的整体质量评估期望以及所有影像采集员中目标影像采集员对应的目标质量评估期望；
基于所述整体质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的初步采集质量评估结果。
根据本发明提供的一种影像质量评估方法，所述待评估影像包括所述目标影像采集员采集得到的分属于多种影像类型的第二影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种影像类型的第二影像的质量评估结果，确定所述目标影像采集员对应的类型无关性质量评估期望；
基于所述类型无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的类型无关性采集质量评估结果。
根据本发明提供的一种影像质量评估方法，所述待评估影像包括所述目标影像采集员采集得到的分属于多种被试者群体的第三影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种被试者群体的第三影像的质量评估结果，确定所述目标影像采集员对应的被试者群体无关性质量评估期望；
基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果。
根据本发明提供的一种影像质量评估方法，所述基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果，之后还包括：
基于所述目标影像采集员对应的初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果，确定所述目标影像采集员对应的综合采集质量评估结果。
本发明还提供一种影像质量评估装置，包括：影像获取模块和质量评估模块。其中，
影像获取模块用于获取待评估影像；
质量评估模块用于将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
本发明还提供一种电子设备，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如上述任一种所述影像质量评估方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述影像质量评估方法的步骤。
本发明提供的影像质量评估方法、装置、电子设备及存储介质，首先获取待评估影像，然后通过质量评估模型实现对待评估影像的质量评估，可以使得到待评估影像的质量评估结果更准确。而且，在质量评估过程中，不需要引入人为操作，可以避免质量评估结果受到人为因素的影像，可以使质量评估结果更客观。
附图说明
为了更清楚地说明本发明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，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的影像质量评估方法的流程示意图；
图2是本发明提供的影像质量评估装置的流程示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于目前的影像质量评估方法通常是通过人工评估的方式实现，这种评估方式主观性太强，导致不同人的评估结果存在差异，不利于客观的评价影像质量。为此，本发明实施例中提供了一种影像质量评估方法，以解决现有技术中存在的技术问题。
图1为本发明实施例中提供的一种影像质量评估方法的流程示意图，如图1所示，该方法包括：
S1，获取待评估影像；
S2，将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
具体地，本发明实施例中提供的影像质量评估方法，其执行主体为服务器，既可以是本地服务器，也可以是云端服务器，本地服务器可以是计算机、平板电脑或者智能手机等，本发明实施例中对此不作具体限定。
首先执行步骤S1，获取到待评估影像，待评估影像是指需要对其质量进行评估的影像。待评估影像可以脑影像，也可以是其他部位的影像。既可以是CT影像，也可以是核磁共振影像，待评估影像的影像类型可以包括结构像、功能像以及弥散张量成像等，结构像可以包括灰质结构像和白质结构像等，功能像是指在完成某种预先设定的任务的情况下获取的影像，预先设定的任务可以包括识字造词、几何认知等。
其次执行步骤S2，将步骤S1获取的待评估影像输入至质量评估模型，由该质量评估模型对待评估影像从完整性和内容两个维度进行评估，并基于两个维度的评估结果对待评估影像进行质量评估，得到并输出待评估影像的质量评估结果。从完整性维度进行评估是指从待评估影像是否完整的角度对待评估影像的质量进行评估，也即判断待评估影像是否完整，例如待评估影像是否缺损或丢失、待评估影像中切片层数是否完整等。这是因为每种类型的影像都需要采集一定数量的横切片，例如灰质结构像需要采集不少于1000张。
从内容维度进行评估是指从待评估影像中包含的内容的角度对待评估影像的质量进行评估，也即判断待评估影像中包含的内容是否符合预设要求，例如待评估影像中包含的内容是否包含有目标对象、待评估影像中包含的内容是否可以清晰显示等。
然后根据完整性维度的评估结果以及内容维度的评估结果，将两个评估结果相结合，从整体的角度对待评估影像的质量进行评估，得到待评估影像的质量评估结果。其中，结合的方式可以是将两个评估结果进行加权求和，也可以是求均值，还可以通过其他方式实现，本发明实施例中对此不作具体限定。待评估影像的质量以及质量评估结果均可以以质量得分的形式进行表示，质量得分的取值范围可以是[0,1]，质量得分越大则表明待评估影像的质量越好。以下仅以待评估影像的质量以及质量评估结果为质量得分为例进行说明。除此之外，待评估影像的质量以及质量评估结果还可以以质量等级的形式进行表示，本发明实施例中对此不作具体限定。
本发明实施例中采用的质量评估模型，可以包含有用于从完整性维度以及内容维度表征影像的质量得分的关系模型，该关系模型可以是基于最小二乘法构建的、以影像的内容维度特征以及完整性维度特征为自变量、以影像的质量得分为因变量的关系模型。质量评估模型可以先提取待评估影像中的内容维度特征以及完整性维度特征，然后结合关系模型，确定出待评估影像的质量得分。
除此之外，质量评估模型还可以通过神经网络构建，并基于携带有质量标签的影像样本训练得到。影像样本是指用于训练质量评估模型的影像，影像样本携带有质量标签，该质量标签用于表征影像样本的质量得分，即影像样本的质量得分已知。在对质量评估模型进行训练时，可以先将影像样本输入至质量评估模型，由质量评估模型得到质量评估结果，然后计算该质量评估结果与质量标签的差值，基于该差值计算损失函数。采用不同的影像样本重复上述过程，并调整质量评估模型的模型参数，直至计算得到的损失函数收敛，训练完成。
本发明实施例中提供的影像质量评估方法，首先获取待评估影像，然后通过质量评估模型实现对待评估影像的质量评估，可以使得到待评估影像的质量评估结果更准确。而且，在质量评估过程中，不需要引入人为操作，可以避免质量评估结果受到人为因素的影像，可以使质量评估结果更客观。
在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，具体包括：
将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果；
将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果；
将所述完整性维度的评估结果以及所述内容维度的评估结果输入至所述质量评估模型的融合层，得到所述融合层输出的所述质量评估结果。
具体地，本发明实施例中，在通过质量评估模型确定待评估影像的质量评估结果时，质量评估模型可以包括完整性维度评估层、内容维度评估层以及融合层。可以先将待评估影像输入至完整性维度评估层，由完整性维度评估层提取待评估影像的完整性维度特征，并根据提取的完整性维度特征进行完整性维度评估，得到完整性维度的评估结果；由内容维度评估层提取待评估影像的内容维度特征，并根据内容维度特征进行内容维度评估，得到内容维度的评估结果。然后，将完整性维度的评估结果以及内容维度的评估结果输入至融合层，通过融合层对两个评估结果进行融合，最终得到待评估影像的质量评估结果。融合层具体可以对两个评估结果进行加权求和实现融合。需要说明的是，完整性维度评估以及内容维度评估均是一种质量评估，得到的评估结果均是一种质量评估结果，但并不是质量评估模型的输出结果。质量评估模型的输出结果为融合得到的待评估影像的质量评估结果，这可以理解为一种综合质量评估结果。
例如，质量评估模型输出的待评估影像的质量评估结果为S∈[0,1]，完整性维度的评估结果为Snumber∈[0,1]，内容维度的评估结果为Scontent∈[0,1]，则融合层的功能可以表示为：
S＝λSnumber+μScontent
其中，λ∈[0,1]和μ∈[0,1]分别为Snumber和Scontent的权重，为质量评估模型的结构参数，可以通过质量评估模型的训练过程确定。且有λ+μ＝1。
本发明实施例中，通过质量评估模型中完整性维度评估层以及内容维度评估层分别实现完整性维度评估以及内容维度评估，再通过融合层实现两个维度评估结果的融合，有利于质量评估模型的维护，还可以使得待评估影像的质量评估结果更准确。
在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果，具体包括：
将所述待评估影像输入至所述完整性维度评估层，由所述完整性维度评估层从完整性维度下的不同完整性子维度对所述待评估影像进行评估，并对不同完整性子维度的评估结果进行加权求和，得到并输出所述完整性维度的评估结果；
其中，所述完整性子维度至少包含如下两项子维度中的任一项：
影像是否缺损或丢失；
影像中切片层数是否完整。
具体地，质量评估模型的完整性维度评估层，其具体实现方式是从完整性维度下的不同完整性子维度对待评估影像的质量进行评估，完整性维度下的不同完整性子维度可以包括待评估影像是否缺损或丢失、待评估影像中切片层数是否完整等，完整性维度评估层可以提取每个完整性子维度相关的完整性子维度特征，并根据提取的完整性子维度特征进行每个完整性子维度评估，得到每个完整性子维度的评估结果。对所有完整性子维度的评估结果进行加权求和，得到完整性维度的评估结果。
例如，完整性维度下共有k个完整性子维度，第i个完整性子维度的评估结果为
第i个完整性子维度对应的权重，也即
的权重为λi∈[0,1](1≤i≤k)，且有
则有：
本发明实施例中，完整性维度评估层通过不同完整性子维度对待评估影像的质量进行评估，并对所有完整性子维度的评估结果进行加权求和得到完整性维度的评估结果，实现对待评估影像在完整性维度下的质量的精确性评估，使得待评估影像的质量评估结果更准确。
在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果，具体包括：
将所述待评估影像输入至所述内容维度评估层，由所述内容维度评估层从内容维度下的不同内容子维度对所述待评估影像进行评估，并对不同内容子维度的评估结果进行加权求和，得到并输出所述内容维度的评估结果；
其中，所述内容子维度至少包含如下两项子维度中的任一项：
影像中是否存在目标对象；
影像是否清晰。
具体地，质量评估模型的内容维度评估层，其具体实现方式是从内容维度下的不同内容子维度对待评估影像的质量进行评估，内容维度下的不同内容子维度可以包括待评估影像中是否存在目标对象、待评估影像是否清晰等，内容维度评估层可以提取每个内容子维度相关的内容子维度特征，并根据提取的内容子维度特征进行每个内容子维度评估，得到每个内容子维度的评估结果。对所有内容子维度的评估结果进行加权求和，得到内容维度的评估结果。
例如，内容维度下共有L个内容子维度，第l个内容子维度的评估结果为
第l个内容子维度对应的权重，也即
的权重为μl∈[0,1](1≤l≤L)，且有
则有：
本发明实施例中，内容维度评估层通过不同内容子维度对待评估影像的质量进行评估，并对所有内容子维度的评估结果进行加权求和得到内容维度的评估结果，实现对待评估影像在内容维度下的质量的精确性评估，使得待评估影像的质量评估结果更准确。
目前脑影像分析技术已经成为脑智研究的一种最为广泛而重要的方式，尤其是对儿童青少年的脑智研究。要有效的将脑影像与脑智的发育情况建立联系，儿童青少年去完成预先设定的任务(如识字造词、几何认知等)，在任务进行过程中采集脑影像。采集的多类型脑影像包括：1)结构像：该类脑影像中能非常清楚地区别大脑的灰白质，对比度比较明显，该类数据反映的是脑结构信息，无时间信息，通常包括T1、T2像等。2)功能像：该类数据可反映大脑活动的动态信息，时间分辨率可达到毫秒级别；通常选择只扫描局部脑组织，从而可以在不损失时间分辨率的同时，提高空间分辨率。基于血氧水平依赖(Blood OxygenLevel-dependent，BOLD)的功能像主要用来研究脑皮层的功能，3)弥散张量成像(Diffusion Tensor Imaging，DTI)反映的是脑白质静态的结构特征，通过施加不同方向的梯度场来采样水分子在各个方向的弥散情况，最后估计出每个体素的结构指标(如，各项异性盒弥散系数)。
因此，儿童青少年脑智研究的脑影像采集是一个十分复杂的过程，而且相对于成年人来说配合度更低，这些都对影像采集员的水平提出了极大的挑战。影像采集员的水平成为制约儿童青少年脑智研究的一个重要因素。其中，本发明实施例中所述的影像采集员的水平是指影像采集员的影像采集水平。
因此，构建一套科学有效的量化计算方法对影像采集员的水平进行评估，及时选取高水平的影像采集员，保证影像的采集质量，对儿童青少年脑智研究十分重要。由于儿童青少年脑智研究的影像采集种类丰富，过程十分复杂，采集对象的自律性相对较差，因此影响所采集质量的因素是多方面的。要对影像采集员的水平进行客观有效的评估，需要剔除其他非操作水平所导致的干扰因素。
目前绝大多数的人员能力评估方法都是基于主观判断、设备操作能力测试等传统方法，具有主观性，不准确，缺乏量化客观的评估。
1)工作分析法：明确所从事的影像采集员应该具备哪些素质，通过定性的方法筛选并明确评价指标，然后对采集员的操作能力进行评价；
2)实际操作法：直接让采集员对影像扫描设备等进行实际操作，现场观察采集员的操作能力，直接进行能力评价；优点：评价结果真实可信，评价要素有针对性；
3)问卷调查法：运用内容明确，表达正确的问卷量表，让采集员根据个人的知识和经验，自行选择答案，然后根据问卷结果对其进行能力评价。
现有的技术方案已经取得了一定的研究成果，且在实际中也得到一定的应用尝试。但这些技术方案存在一些缺点：
1)主观性过强。不管是上述哪种方法，都是人为主观的对采集员的理论知识或实际操作能力进行评价，容易受评价员的知识经验能力等个人因素的影响。
2)耗时、耗人力。特别是实际操作法，不仅需要大量的人力、时间对采集员的能力进行评价，还需要采集员在设备上进行实操，这对于评价少量的采集员还可行，一旦需要评价大量的采集员，该方法将很难应用于实际。
3)准确性低。问卷调查法，需要运用内容明确、表达正确的问卷调查表，问卷一般用于量化人员的理论知识与经验，若用于量化采集员的实际操作知识与经验将尤其困难，因此，这类的传统方法准确性偏低。
4)可定性难量化。筛选评价指标时，传统方法都是人为地筛选评价指标，人为地实施评测，因此评价结果具有描述性，容易受评价员的知识经验能力等个人因素的影响，因此只可定性无法量化。
基于此，在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述待评估影像包括每一影像采集员采集得到的多个第一影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每一影像采集员对应的所有第一影像的质量评估结果，确定所有采集员对应的整体质量评估期望以及所有影像采集员中目标影像采集员对应的目标质量评估期望；
基于所述整体质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的初步采集质量评估结果。
具体地，待评估影像可以是不同影像采集员采集得到的第一影像，每个影像采集员可以采集得到多个第一影像。每个影像采集员采集得到的多个第一影像可以是相同影像类型也可以是不同影像类型。
因此，在将待评估影像输入至质量评估模型之后，可以由质量评估模型输出每一影像采集员对应的所有第一影像的质量评估结果，即每一影像采集员采集得到的所有第一影像的质量评估结果。进一步地，根据每一影像采集员对应的所有第一影像的质量评估结果，可以确定所有影像采集员对应的整体质量评估期望，即所有影像采集员采集得到的所有第一影像的质量评估结果的均值。例如，整体质量评估期望可以表示为：
E(Φ)＝E(E(Φj))
其中，E(Φj)为第j个影像采集员对应的质量评估期望，即第j个影像采集员采集得到的所有第一影像的质量评估结果的均值，且有：
E(Φj)＝E(Sm)
其中，Sm(1≤m≤M)为第j个影像采集员采集得到的第m个第一影像的质量评估结果，M为第j个影像采集员采集得到的所有第一影像的数量。
根据每一影像采集员对应的所有第一影像的质量评估结果，还可以确定出所有影像采集员中目标影像采集员对应的目标质量评估期望。目标影像采集员可以是所有影像采集员中的任一影像采集员。以第j个影像采集员作为目标影像采集员，则E(Φj)为目标质量评估期望。
最后，根据整体质量评估期望以及目标质量评估期望，可以确定出目标影像采集员对应的初步采集质量评估结果。由于影像采集员采集得到的影像质量可以在一定程度上直接反映影像采集员的水平，因此可以从影像质量出发对影像采集员的水平进行初步评估。即可以通过初步采集质量评估结果表征目标影像采集员的初评水平，也即将初步采集质量评估结果作为评价目标影像采集员水平的初始指标。该初步采集质量评估结果可以是以得分形式表示。本发明实施例中可以直接将目标质量评估期望与整体质量评估期望之差作为初步采集质量评估结果。即有：
其中，
为初步采集质量评估结果。
接近于0时，表示该目标影像采集员的初评水平与整体水平相当；当
远大于0时，表示该目标影像采集员的初评水平远高于整体水平；
小于0时，表示该目标影像采集员的初评水平远低于整体水平。
本发明实施例中，通过质量评估模型输出的质量评估结果，确定所有采集员对应的整体质量评估期望以及所有影像采集员中目标影像采集员对应的目标质量评估期望，并可进一步确定目标影像采集员对应的初步采集质量评估结果，用以对目标影像采集员的水平进行初步评价。通过初步采集质量评估结果对目标影像采集员水平进行评价，评价过程中减少人力参与，可以使对目标影像采集员水平的评价更客观，不仅保证了评价的科学性，也大大提升了影像质量评估方法的实际应用价值。
由于影响影像采集员采集的影像质量的因素是多方面的，因此在通过采集的影像质量的好坏评价影像采集员的水平高低的基础上，还可以对影像采集员所采集的影像质量进行相关因素的分解，从中剔除影像采集员以外的其他干扰因素。本发明实施例中考虑的其他干扰因素包括影像类型以及被试者群体，以下进行具体说明。
由于脑智研究通常需要采集不同影像类型的脑影像，比如需要采集灰质结构像、白质结构像，以及各种类型的功能像，去完成某种预先设定的任务(比如，识字造词、几何认知等)的过程中进行脑影像的采集。很明显，不同影像类型的脑影像采集的难度差异比较大，因此采集质量也会有明显差异。因此，采集的影像类型也是影响脑影像采集质量的一个关键因素，需要从采集的影像类型的角度进行因素分析，以便为后续剔除其因素影响，对目标影像采集员进行客观的水平评估提供基础。
基于此，在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述待评估影像包括所述目标影像采集员采集得到的分属于多种影像类型的第二影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种影像类型的第二影像的质量评估结果，确定所述目标影像采集员对应的类型无关性质量评估期望；
基于所述类型无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的类型无关性采集质量评估结果。
具体地，待评估影像可以是目标影像采集员采集得到的分属于多种影像类型的第二影像，目标影像采集员采集得到的分属于每种影像类型的第二影像的数量可以是多个。
目标影像采集员采集得到的第二影像的影像类型可以划分为：
其中，
表示第t种影像类型的第二影像，例如“功能像-几何认知”。
因此，在将待评估影像输入至质量评估模型之后，可以由质量评估模型输出目标影像采集员采集得到的每种影像类型的所有第二影像的质量评估结果。进一步地，根据目标影像采集员对应的每种影像类型的所有第二影像的质量评估结果，可以确定目标影像采集员对应的每种影像类型的所有第二影像的质量评估期望，即有：
其中，E(Ωc)为目标影像采集员对应的所有影像类型的所有第二影像的质量评估期望，
为目标影像采集员对应的第t类影像类型的所有第二影像的质量评估期望，即目标影像采集员对应的第t类影像类型的所有第二影像的质量评估结果的均值，
为目标影像采集员采集得到的
中第ω个第二影像的质量评估结果。
更进一步地，根据目标影像采集员对应的每种影像类型的所有第二影像的质量评估期望，可以确定目标影像采集员对应的类型无关性质量评估期望，即目标影像采集员对应的所有影像类型的所有第二影像的质量评估结果的均值。即有：
其中，Ec(Φj)为目标影像采集员对应的类型无关性质量评估期望，Nj表示目标影像采集员所采集影像的总数量，
表示第t种影像类型的第二影像的数量，
表示第t种影像类型的所有第二影像的质量评估期望，即第t种影像类型的所有第二影像的质量评估结果的均值。
由于不同影像类型的影像质量差异，体现了影像类型对影像采集的影响，进一步影响目标影像采集员水平的评估，因此在对目标影像采集员水平评估时，需要剔除影像类型的影响作用。即根据目标质量评估期望，并结合类型无关性质量评估期望，确定目标影像采集员对应的类型无关性采集质量评估结果。可以通过类型无关性采集质量评估结果表征影像类型无关性下目标影像采集员的水平，也即将类型无关性采集质量评估结果作为评价影像类型无关性下目标影像采集员水平的指标。该类型无关性采集质量评估结果可以是以得分形式表示。本发明实施例中可以直接将目标质量评估期望与类型无关性质量评估期望之差作为类型无关性采集质量评估结果。即有：
其中，
为类型无关性采集质量评估结果。
接近于0时，表示影像类型无关性下该目标影像采集员的水平与整体水平相当；当
远大于0时，表示影像类型无关性下该目标影像采集员的水平远高于整体水平；
小于0时，表示影像类型无关性下该目标影像采集员的水平远低于整体水平。
本发明实施例中，通过质量评估模型输出的质量评估结果，确定目标影像采集员对应的类型无关性质量评估期望，并可结合目标质量评估期望进一步确定目标影像采集员对应的类型无关性采集质量评估结果，用以评价影像类型无关性下目标影像采集员的水平。通过类型无关性采集质量评估结果对目标影像采集员水平进行评价，评价过程中减少了影像类型对目标影像采集员水平的影响，可以使对目标影像采集员水平的评价更客观，不仅保证了评价的科学性，也大大提升了影像质量评估方法的实际应用价值。
由于目标影像采集员采集的影像质量还与所采集的被试者群体相关，目标影像采集员对应的初步采集质量评估结果较差，可能是由于所采集的对象配合度低等原因；反过来目标影像采集员对应的初步采集质量评估结果较好也有可能是所采集的对象刚好是比较配合的群体。因此，还需要剔除被试者群体这一影响因素，做被试者群体无关性评估。
基于此，在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述待评估影像包括所述目标影像采集员采集得到的分属于多种被试者群体的第三影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种被试者群体的第三影像的质量评估结果，确定所述目标影像采集员对应的被试者群体无关性质量评估期望；
基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性质量评估结果。
具体地，由于影像的采集需要被试者(即影像采集对象)的积极配合，显然不同的被试群体对影像采集的质量影响巨大。例如，年龄偏小的儿童青少年配合度可能较低，男孩相比女孩配合度也可能偏低等。因此，首先根据被试者年龄、性别、性格等多方面因素综合考虑进行被试者群体划分。即有：
其中，
表示第f个被试者群体，例如“低龄-男孩-性格活波”。
因此，在将待评估影像输入至质量评估模型之后，可以由质量评估模型输出目标影像采集员采集得到的分属于多种被试者群体的第三影像的质量评估结果。进一步地，根据目标影像采集员对应的每种被试者群体的所有第三影像的质量评估结果，可以确定目标影像采集员对应的每种被试者群体的所有第三影像的质量评估期望，即有：
其中，E(Ωs)为目标影像采集员对应的每种被试者群体的所有第三影像的质量评估期望，
为目标影像采集员对应的第f种被试者群体的所有第三影像的质量评估期望，即目标影像采集员对应的第f种被试者群体的所有第三影像的质量评估结果的均值，
为目标影像采集员采集得到的
中第ω个第三影像的质量评估结果。
更进一步地，根据目标影像采集员对应的每种被试者群体的所有第三影像的质量评估期望，可以确定目标影像采集员对应的被试者群体无关性质量评估期望，即目标影像采集员对应的所有被试者群体的所有第三影像的质量评估结果的均值。即有：
其中，Es(Φj)为目标影像采集员对应的被试者群体无关性质量评估期望，j表示目标影像采集员所采集影像的总数量，
表示第f种被试者群体的第三影像的数量，
表示第f种被试者群体的所有第三影像的质量评估期望，即第f种被试者群体的所有第三影像的质量评估结果的均值。
由于不同被试者群体的影像质量差异，体现了被试者群体对影像采集的影响，进一步影响目标影像采集员水平的评估，因此在对目标影像采集员水平评估时，需要剔除被试者群体的影响作用。即根据目标质量评估期望，并结合被试者群体无关性质量评估期望，确定目标影像采集员对应的被试者群体无关性采集质量评估结果。可以通过被试者群体无关性采集质量评估结果表征被试者群体无关性下目标影像采集员的水平，也即将被试者群体无关性采集质量评估结果作为评价被试者群体无关性下目标影像采集员水平的指标。该被试者群体无关性采集质量评估结果可以是以得分形式表示。本发明实施例中可以直接将目标质量评估期望与被试者群体无关性质量评估期望之差作为被试者群体无关性采集质量评估结果。即有：
其中，
为被试者群体无关性采集质量评估结果。
接近于0时，表示被试者群体无关性下该目标影像采集员的水平与整体水平相当；当
远大于0时，表示被试者群体无关性下该目标影像采集员的水平远高于整体水平；
小于0时，表示被试者群体无关性下该目标影像采集员的水平远低于整体水平。
本发明实施例中，通过质量评估模型输出的质量评估结果，确定目标影像采集员对应的被试者群体无关性质量评估期望，并可结合目标质量评估期望进一步确定目标影像采集员对应的被试者群体无关性质量评估结果，用以评价被试者群体无关性下目标影像采集员的水平。通过被试者群体无关性采集质量评估结果对目标影像采集员水平进行评价，评价过程中减少了被试者群体对目标影像采集员水平的影响，可以使对目标影像采集员水平的评价更客观，不仅保证了评价的科学性，也大大提升了影像质量评估方法的实际应用价值。
在上述实施例的基础上，本发明实施例中提供的影像质量评估方法，所述基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果，之后还包括：
基于所述目标影像采集员对应的初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果，确定所述目标影像采集员对应的综合采集质量评估结果。
具体地，本发明实施例中，为了综合对目标影像采集员的水平进行更加鲁棒的评估，可以将目标影像采集员对应的初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果进行综合考虑，确定出目标影像采集员对应的综合采集质量评估结果。可以先按初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果分别对目标影像采集员的水平进行评级，例如由于
以及
的取值均在[-1,1]范围内，因此可以将[-1,1]分为[-1,-0.5)、[-0.5,0.5]以及(0.5,1]三段，分别对应于第三水平等级、第二水平等级以及第一水平等级，且分别用-1、0、1表示，第三水平等级对应于最低水平，第一水平等级对应于最高水平。即有下表：
表1
以及
等级表
然后根据按初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果对目标影像采集员的水平的评级结果，确定出目标影像采集员对应的综合采集质量评估结果。即可以确定目标影像采集员在三个评分角度上的水平等级均值作为目标影像采集员对应的综合采集质量评估结果。例如，若
为0.6，
为0.2，
为-0.2，则目标影像采集员在三个评分角度上的水平等级均值为：
1+0+(-1)＝0
即表示该目标影像采集员的综合采集质量评估结果为一般水平。
本发明提供的影像质量评估方法，可以用于对目标影像采集员的水平进行评价，与现有的影像采集员的水平评估方法相比，技术思路有很大不同。本发明实施例中针对实际应用场景，剔除了目标影像采集员自身因素以外的其他的干扰因素，解决了客观量化目标影像采集员操作能力的问题，形成了一套科学、规范地目标影像采集员水平评估指标和评价体系。
如图2所示，在上述实施例的基础上，本发明实施例中提供了一种影像质量评估装置，包括：影像获取模块21和质量评估模块22。
影像获取模块21用于获取待评估影像；
质量评估模块22用于将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述质量评估模块，具体包括：
完整性维度评估子模块，用于将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果；
内容维度评估子模块，用于将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果；
综合评估子模块，用于将所述完整性维度的评估结果以及所述内容维度的评估结果输入至所述质量评估模型的融合层，得到所述融合层输出的所述质量评估结果。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述完整性维度评估子模块，具体用于：
将所述待评估影像输入至所述完整性维度评估层，由所述完整性维度评估层从完整性维度下的不同完整性子维度对所述待评估影像进行评估，并对不同完整性子维度的评估结果进行加权求和，得到并输出所述完整性维度的评估结果；
其中，所述完整性子维度至少包含如下两项子维度中的任一项：
影像是否缺损或丢失；
影像中切片层数是否完整。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述内容维度评估子模块，具体用于：
将所述待评估影像输入至所述内容维度评估层，由所述内容维度评估层从内容维度下的不同内容子维度对所述待评估影像进行评估，并对不同内容子维度的评估结果进行加权求和，得到并输出所述内容维度的评估结果；
其中，所述内容子维度至少包含如下两项子维度中的任一项：
影像中是否存在目标对象；
影像是否清晰。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述待评估影像包括每一影像采集员采集得到的多个第一影像；相应地，
所述影像质量评估装置还包括初步采集质量评估模块，用于：
基于每一影像采集员对应的所有第一影像的质量评估结果，确定所有影像采集员对应的整体质量评估期望以及所有影像采集员中目标影像采集员对应的目标质量评估期望；
基于所述整体质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的初步采集质量评估结果。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述待评估影像包括所述目标影像采集员采集得到的分属于多种影像类型的第二影像；相应地，
所述影像质量评估装置还包括类型无关性采集质量评估模块，用于：
基于每种影像类型的第二影像的质量评估结果，确定所述目标影像采集员对应的类型无关性质量评估期望；
基于所述类型无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的类型无关性采集质量评估结果。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述待评估影像包括所述目标影像采集员采集得到的分属于多种被试者群体的第三影像；相应地，
所述影像质量评估装置还包括被试者群体无关性质量评估模块，用于：
基于每种被试者群体的第三影像的质量评估结果，确定所述目标影像采集员对应的被试者群体无关性质量评估期望；
基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果。
在上述实施例的基础上，本发明实施例中提供的影像质量评估装置，所述影像质量评估装置还包括综合采集质量评估模块，用于：
基于所述目标影像采集员对应的初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果，确定所述目标影像采集员对应的综合采集质量评估结果。
具体地，本发明实施例中提供的影像质量评估装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述实施例中提供的影像质量评估方法，该方法包括：获取待评估影像；将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；所述质量评估模型基于携带有质量标签的影像样本训练得到。
此外，上述的存储器330中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。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，服务器，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述实施例中提供的影像质量评估方法，该方法包括：获取待评估影像；将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；所述质量评估模型基于携带有质量标签的影像样本训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述实施例中提供的影像质量评估方法，该方法包括：获取待评估影像；将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；所述质量评估模型基于携带有质量标签的影像样本训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种影像质量评估方法，其特征在于，包括：
获取待评估影像；
将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
2.根据权利要求1所述的影像质量评估方法，其特征在于，所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，具体包括：
将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果；
将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果；
将所述完整性维度的评估结果以及所述内容维度的评估结果输入至所述质量评估模型的融合层，得到所述融合层输出的所述质量评估结果。
3.根据权利要求2所述的影像质量评估方法，其特征在于，所述将所述待评估影像输入至所述质量评估模型的完整性维度评估层，得到所述完整性维度评估层输出的完整性维度的评估结果，具体包括：
将所述待评估影像输入至所述完整性维度评估层，由所述完整性维度评估层从完整性维度下的不同完整性子维度对所述待评估影像进行评估，并对不同完整性子维度的评估结果进行加权求和，得到并输出所述完整性维度的评估结果；
其中，所述完整性子维度至少包含如下两项子维度中的任一项：
影像是否缺损或丢失；
影像中切片层数是否完整。
4.根据权利要求2所述的影像质量评估方法，其特征在于，所述将所述待评估影像输入至所述质量评估模型的内容维度评估层，得到所述内容维度评估层输出的内容维度的评估结果，具体包括：
将所述待评估影像输入至所述内容维度评估层，由所述内容维度评估层从内容维度下的不同内容子维度对所述待评估影像进行评估，并对不同内容子维度的评估结果进行加权求和，得到并输出所述内容维度的评估结果；
其中，所述内容子维度至少包含如下两项子维度中的任一项：
影像中是否存在目标对象；
影像是否清晰。
5.根据权利要求1-4中任一项所述的影像质量评估方法，其特征在于，所述待评估影像包括每一影像采集员采集得到的多个第一影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每一影像采集员对应的所有第一影像的质量评估结果，确定所有影像采集员对应的整体质量评估期望以及所有影像采集员中目标影像采集员对应的目标质量评估期望；
基于所述整体质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的初步采集质量评估结果。
6.根据权利要求5所述的影像质量评估方法，其特征在于，所述待评估影像包括所述目标影像采集员采集得到的分属于多种影像类型的第二影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种影像类型的第二影像的质量评估结果，确定所述目标影像采集员对应的类型无关性质量评估期望；
基于所述类型无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的类型无关性采集质量评估结果。
7.根据权利要求6所述的影像质量评估方法，其特征在于，所述待评估影像包括所述目标影像采集员采集得到的分属于多种被试者群体的第三影像；相应地，
所述将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果，之后还包括：
基于每种被试者群体的第三影像的质量评估结果，确定所述目标影像采集员对应的被试者群体无关性质量评估期望；
基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果。
8.根据权利要求7所述的影像质量评估方法，其特征在于，所述基于所述被试者群体无关性质量评估期望以及所述目标质量评估期望，确定所述目标影像采集员对应的被试者群体无关性采集质量评估结果，之后还包括：
基于所述目标影像采集员对应的初步采集质量评估结果、类型无关性采集质量评估结果以及被试者群体无关性采集质量评估结果，确定所述目标影像采集员对应的综合采集质量评估结果。
9.一种影像质量评估装置，其特征在于，包括：
影像获取模块，用于获取待评估影像；
质量评估模块，用于将所述待评估影像输入至质量评估模型，得到由所述质量评估模型输出的所述待评估影像的质量评估结果；
其中，所述质量评估模型用于对所述待评估影像从完整性和内容两个维度进行评估，并基于所述两个维度的评估结果对所述待评估影像进行质量评估；
所述质量评估模型基于携带有质量标签的影像样本训练得到。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述影像质量评估方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述影像质量评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011614160.7A CN112669289A (zh) | 2020-12-30 | 2020-12-30 | 影像质量评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011614160.7A CN112669289A (zh) | 2020-12-30 | 2020-12-30 | 影像质量评估方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112669289A true CN112669289A (zh) | 2021-04-16 |
Family
ID=75411270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011614160.7A Pending CN112669289A (zh) | 2020-12-30 | 2020-12-30 | 影像质量评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669289A (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158729A (zh) * | 2011-05-05 | 2011-08-17 | 西北工业大学 | 无参考的视频序列编码质量客观评价方法 |
| CN103686145A (zh) * | 2013-11-15 | 2014-03-26 | 悉地（北京）国际建筑设计顾问有限公司 | 一种确定图像质量的方法和装置 |
| CN104346810A (zh) * | 2014-09-23 | 2015-02-11 | 上海交通大学 | 基于图片质量水平分类的图片质量评价方法 |
| CN107122763A (zh) * | 2017-05-22 | 2017-09-01 | 深圳动保科技有限公司 | 动物虹膜识别设备 |
| RU2016138608A (ru) * | 2016-09-29 | 2018-03-30 | Мэджик Лип, Инк. | Нейронная сеть для сегментации изображения глаза и оценки качества изображения |
| CN108269530A (zh) * | 2016-09-27 | 2018-07-10 | 广东欧珀移动通信有限公司 | Amoled显示屏的亮度调节方法及相关产品 |
| CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
| 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*** |
| CN111091158A (zh) * | 2019-12-25 | 2020-05-01 | 科大讯飞股份有限公司 | 针对教辅图像的图像质量的分类方法、装置及设备 |
| CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
| CN111738243A (zh) * | 2020-08-25 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 人脸图像的选择方法、装置、设备及存储介质 |
| CN111818599A (zh) * | 2020-07-08 | 2020-10-23 | 重庆无缝拼接智能科技有限公司 | 网络连接控制方法、装置及存储介质 |
| CN112036678A (zh) * | 2020-06-12 | 2020-12-04 | 北京师范大学 | 一种磁共振影像的综合质量评价体系构建方法及质控方法 |
| CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
-
2020
- 2020-12-30 CN CN202011614160.7A patent/CN112669289A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158729A (zh) * | 2011-05-05 | 2011-08-17 | 西北工业大学 | 无参考的视频序列编码质量客观评价方法 |
| CN103686145A (zh) * | 2013-11-15 | 2014-03-26 | 悉地（北京）国际建筑设计顾问有限公司 | 一种确定图像质量的方法和装置 |
| CN104346810A (zh) * | 2014-09-23 | 2015-02-11 | 上海交通大学 | 基于图片质量水平分类的图片质量评价方法 |
| CN108269530A (zh) * | 2016-09-27 | 2018-07-10 | 广东欧珀移动通信有限公司 | Amoled显示屏的亮度调节方法及相关产品 |
| RU2016138608A (ru) * | 2016-09-29 | 2018-03-30 | Мэджик Лип, Инк. | Нейронная сеть для сегментации изображения глаза и оценки качества изображения |
| CN107122763A (zh) * | 2017-05-22 | 2017-09-01 | 深圳动保科技有限公司 | 动物虹膜识别设备 |
| CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
| 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*** |
| CN111091158A (zh) * | 2019-12-25 | 2020-05-01 | 科大讯飞股份有限公司 | 针对教辅图像的图像质量的分类方法、装置及设备 |
| CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
| CN112036678A (zh) * | 2020-06-12 | 2020-12-04 | 北京师范大学 | 一种磁共振影像的综合质量评价体系构建方法及质控方法 |
| CN111818599A (zh) * | 2020-07-08 | 2020-10-23 | 重庆无缝拼接智能科技有限公司 | 网络连接控制方法、装置及存储介质 |
| CN111738243A (zh) * | 2020-08-25 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 人脸图像的选择方法、装置、设备及存储介质 |
| CN112102309A (zh) * | 2020-09-27 | 2020-12-18 | 中国建设银行股份有限公司 | 一种确定图像质量评估结果的方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| S. OUNI ET AL: "No-reference Image Semantic Quality Approach using Neural Network", 《ISSPIT》, pages 106 - 113 * |
| 罗忠亮: "一种改进的虹膜图像质量评价算法", 《信息电子工程》, vol. 7, no. 3, pages 212 - 217 * |
| 黄法秀等: "基于CNN的人脸图像亮度和清晰度质量评价", 《计算机工程与设计》, vol. 41, no. 07, pages 2004 - 2010 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
| CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类*** | |
| Güvendir et al. | Item removal strategies conducted in exploratory factor analysis: A comparative study | |
| CN108257132A (zh) | 一种基于机器学习的ct图像质量评估的方法 | |
| EP4273747A1 (en) | Blood vessel image classification processing method and apparatus, and device and storage medium | |
| CN113610853B (zh) | 基于静息态脑功能图像的情绪状态展示方法、装置及*** | |
| CN111598049A (zh) | 作弊识别方法和装置、电子设备、以及介质 | |
| CN114219754A (zh) | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 | |
| CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
| CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及*** | |
| CN112990266B (zh) | 多模态脑影像数据处理的方法、装置、设备及存储介质 | |
| CN112669289A (zh) | 影像质量评估方法、装置、电子设备及存储介质 | |
| CN116128854B (zh) | 一种基于卷积神经网络的髋关节超声图像质量评估方法 | |
| Zhang et al. | Blood vessel segmentation in fundus images based on improved loss function | |
| CN110706808A (zh) | 动脉瘤破裂状态预测方法和装置 | |
| CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类*** | |
| CN115760822A (zh) | 一种图像质量检测模型建立方法及*** | |
| CN113469274A (zh) | 一种阅读能力的测评方法、装置以及设备 | |
| CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
| CN117765532B (zh) | 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置 | |
| CN116030385B (zh) | 一种心肺复苏ai评价*** | |
| Khalid et al. | Efficient fundus image gradeability approach based on deep reconstruction-classification network | |
| Zhou et al. | An artificial intelligence model for the simulation of visual effects in patients with visual field defects | |
| CN118334411A (zh) | 一种雪花牛肉品质检测方法、***、设备及介质 | |
| Rai et al. | Detection of Diabetic Retinopathy Using Deep Learning Techniques |
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 |