CN113870210A - 一种图像质量评估方法、装置、设备及存储介质 - Google Patents
一种图像质量评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113870210A CN113870210A CN202111111417.1A CN202111111417A CN113870210A CN 113870210 A CN113870210 A CN 113870210A CN 202111111417 A CN202111111417 A CN 202111111417A CN 113870210 A CN113870210 A CN 113870210A
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- image
- quality evaluation
- target image
- 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 116
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001303 quality assessment method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像质量评估方法、装置、设备及存储介质,所述方法包括:获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。本发明能够实现易于实施、且可快速进行的同时保证了评估的精度的图像质量评估。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种图像质量评估方法、装置、设备及存储介质。
背景技术
在图像信息技术被广泛应用的情况下,对图像质量的评估变成一个广泛而基本的问题。图像质量的含义包括图像的逼真度和图像的可读懂性,所谓图像的逼真度是指被评价图像与标准图像的偏离程度,偏差越小,逼真度越高;而图像的可读懂性是指由图像能向人或机器提供信息的能力,它不仅与图像***的应用要求有关,而且常常与人眼的主观感觉有关,因此图像质量指标包括分辨率、色彩深度、图像失真等方面。
鉴于图像信息相对于其它信息有着无可比拟的优点,因此对图像信息进行合理判断成为各领域中不可或缺的手段,在图像的获取、处理、传输和记录的过程中,由于成像***、处理方法、传输介质和记录设备等不完善,加之物体运动、噪声污染等原因,不可避免地影响图像的逼真度和图像的可读懂性。
在图像识别中,所采集到的图像质量直接影响识别结果的准确性和可靠性。因此,图像质量的合理评估具有非常重要的应用价值,尤其是评估的速度与精度之间的平衡。
发明内容
本发明的目的在于克服现有技术的不足,适应现实需要,公开一种图像质量评估方法、装置、设备及存储介质,实现易于实施、且可快速进行的同时保证了评估的精度的图像质量评估。
第一方面,本申请实施例提供了一种图像质量评估方法,所述方法包括:
获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;
获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;
将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。
第二方面,本申请实施例还提供了一种图像质量评估装置,所述装置包括:
第一质量评估数据确定模块,用于获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;
第二质量评估数据模块,用于获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;
高质量图像判断模块,用于将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。
第三方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的方法。
本申请具有如下有益效果:
通过获取参考图像的第一特征数据,并根据第一特征数据确定参考图像的第一质量评估数据,其中,参考图像为符合预设高质量图像标准的图像,获取目标图像的第二特征数据,并根据第二特征数据确定目标图像的第二质量评估数据,将第二质量评估数据与第一质量评估数据进行比较,并根据比较的结果确定目标图像是否为高质量图像,实现易于实施、且可快速进行的同时保证了评估的精度的图像质量评估。
附图说明
图1是本申请实施例一提供的一种图像质量评估方法实施例的流程图;
图2是本申请实施例二提供的一种图像质量评估装置实施例的结构框图;
图3是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1为本申请实施例一提供的一种图像质量评估方法实施例的流程图。
在进行图像质量评估,需要把高质量和低质量的图片进行区别、筛选时,可以利用符合预设高质量图像标准的图像作为参考图像。通过参考图像与目标图像对比的操作,实现判断目标图像所属高质量还是低质量图像的范畴。
如图1所示,本实施例可以包括如下步骤:
步骤110、获取参考图像的第一特征数据,并根据第一特征数据确定参考图像的第一质量评估数据,其中,参考图像为符合预设高质量图像标准的图像。
该步骤中,参考图像的第一特征数据可以包括图像的噪声强度、梯度像素等。
在一种实现中,参考图像可以是从高质量图像数据库中随机选取一张高质量图像,然后根据随机选取的高质量图像,进行特征数据的提取,得到的第一特征数据。
在获取第一特征数据之后,可以从第一特征数据中选取一个或多个特征参数,选取的特征参数组成第一质量评估数据,第一质量评估数据的大小可以反映图像质量的高低。
在一种实施例中,步骤110包括:
将第一特征数据输入至预先生成的质量评估模型中,由质量评估模型对第一特征数据进行处理,输出第一质量评估数据。
该步骤中,预先生成的质量评估模型可以预先通过海量的测试图像进行训练而成,在训练过程中会产生多个质量评估模型,可以对这些质量评估模型进行测试,对这些质量评估模型输入已经确定的高质量图像和低质量图像,收集各个质量评估模型的评估结果,将各个质量评估模型输出的评估结果与预先知道的标准答案进行对比,正确率超过某个阈值或者是正确率最高的质量评估模型可以确定为最终的质量评估模型。
在一种实施例中,第一特征数据包括第一梯度特征数据以及第一噪声特征数据,质量评估模型包括梯度评估子模型以及噪声评估子模型,针对质量评估模型对第一特征数据进行处理,包括:
将第一噪声特征数据输入至噪声评估子模型中,并获得噪声评估子模型输出的噪声强度数据;
将噪声强度数据以及第一梯度特征数据输入至梯度评估子模型中,并获得梯度评估子模型输出的第一质量评估数据。
该步骤中,质量评估模型包括梯度评估子模型以及噪声评估子模型,质量评估模型可以是基于机器学习的神经网络模型,将第一噪声特征数据和第一梯度特征数据输入神经网络模型进行卷积处理,可以包括特征数据提取层。在获取第一特征数据后,可以对第一特征数据中的第一梯度特征数据以及第一噪声特征数据进行分别提取。可以先将提取得到的第一噪声特征数据输入至噪声评估子模型中,获得噪声强度数据,然后将获得的噪声强度数据以及提取得到的第一梯度特征数据输入至梯度评估子模型中,获得第一质量评估数据。
在另一种实现中,噪声评估子模型可以包括第一噪声特征数据提取层,对输入至质量评估模型的图像特征数据,通过噪声评估子模型的第一噪声特征数据提取层对第一噪声特征数据进行识别获取,然后将第一噪声特征数据输入至噪声强度数据确定层中,在噪声强度数据确定层中,针对第一噪声特征数据进行噪声强度计算,最后输出噪声强度数据。噪声在图像上常表现为引起较强视觉效果的孤立像素点或像素块,噪声强度的计算属于现有技术的常规算法,如从噪声的概率分布情况来看,可分为高斯噪声、瑞利噪声、伽马噪声、指数噪声和均匀噪声。在这里,对于噪声强度数据确定层中的噪声强度计算过程不做详细叙述。
将噪声强度数据以及第一梯度特征数据输入至梯度评估子模型中,并获得梯度评估子模型输出的第一质量评估数据。梯度评估子模型可以首先对第一梯度特征数据进行计算,在计算时,可以把图像看成二维离散函数,第一梯度特征数据可以是对该二维离散函数的求导,计算公式为:
G(x,y)=dx(i,j)+dy(i,j);
dx(i,j)=I(i+1,j)-I(i,j);
dy(i,j)=I(i,j+1)-I(i,j);
其中,I是图像像素的值(如:RGB值),(i,j)为像素的坐标。
步骤120、获取目标图像的第二特征数据,并根据第二特征数据确定目标图像的第二质量评估数据。
该步骤中,第二质量评估数据可以与第一质量评估数据相对应,将目标图像的第二特征数据输入同一个质量评估模型中,得到目标图像的第二质量评估数据。
步骤130、将第二质量评估数据与第一质量评估数据进行比较,并根据比较的结果确定目标图像是否为高质量图像。
通过质量评估模型分别针对第一特征数据和第二特征数据输出第一质量评估数据和第二质量评估数据,将第一质量评估数据和第二质量评估数据进行比较。在实现时,比较过程可以针对不同的特征数据设置相应的权重,得到目标图像的质量评估值,质量评估值大于设定阈值时可判断为高质量图片。
在另一种实现中,在针对不同的特征数据设置相应的权重后,还可以分别对获取到的参考图像和目标图像进行质量评估值的确定,然后对两者的质量评估值进行比较大小,如果目标图像的质量评估值大于参考图像的质量评估值,或者小于参考图像的质量评估值时,差值在设定的误差允许范围内,也可以把目标图片判定为高质量图片。
在一种实施例中,步骤130包括如下步骤:
计算第二质量评估数据与第一质量评估数据的相似度,作为比较结果;
当相似度大于预设阈值时,则判定目标图像为高质量图像。
在一种第二质量评估数据与第一质量评估数据进行比较的方式中,可以通过计算第二质量评估数据与第一质量评估数据的相似度,作为比较结果。当进行相似度计算后,相似度越大,意味着目标图像的质量越接近参考图片,也就是接近高质量图片,因此,当相似度大于预设阈值时,可以判定目标图片为高质量图片。
在计算相似度时,可以通过余弦相似度,将第二质量评估数据与第一质量评估数据转化为向量数据,用向量空间中的两个向量夹角的余弦值作为衡量两个质量评估数据差异大小的度量,值越接近1,就说明夹角角度越接近0°,也就是两个向量越相似。
在一种实施例中,参考图像的第一质量评估数据包括第一梯度数据以及第一噪声数据,目标图像的第二质量评估数据包括第二梯度数据以及第二噪声数据,步骤130还可以包括:
当第二噪声数据小于第一噪声数据,且第二梯度数据大于第一梯度数据时,则判定目标图像为高质量图像。
该步骤中,第一质量评估数据包括第一梯度数据以及第一噪声数据,目标图像的第二质量评估数据包括第二梯度数据以及第二噪声数据。在对第二质量评估数据与第一质量评估数据进行比较时,还可以对第一噪声数据与第二噪声数据进行比较,如果第二噪声数据小于第一噪声数据,而且第二梯度数据大于第一梯度数据时,可以判定目标图像为高质量图像。
在一种具体实现中,在进行第一噪声数据与第二噪声数据,第一梯度数据与第二梯度数据的比较之前,还可以先进行一次预判断。预判断可以利用参考图像的第一像素特征和目标图像的第二像素特征进行比较。其中,像素特征可以包括以下任一参数或任意参数的组合:原始图片大小、原始色彩矩阵或灰度矩阵、经变换的色彩矩阵或灰度矩阵、图片明度分布信息、图片特殊效果统计参数、以及原始图片格式和内嵌信息。在利用将第一像素特征与第二像素特征进行比较时可以通过方向梯度直方图特征来完成,具体步骤为:
对目标图像和参考图像进行灰度化,图像灰度化的数据可以迅速判断参考图像和目标图像的差距;
对目标图像和参考图像停止颜色空间的规范化调理图像的比照度,降低图像部分的阴影和光照变化所形成的影响,同时能够抑止噪音的干扰;
分别计算所述参考图像和目标图像中每个像素的梯度,每个像素的梯度包括大小和方向,并捕获轮廓信息,同时进一步弱化光照的干扰;
分别将参考图像和目标图像划分为若干个细胞单元,例如8*8像素/细胞单元;
统计每个单元的梯度直方图,可以构成每个细胞单元的特征描述子;
将同一图像的单元组成一个或多个像素块;
根据同一像素块内所有单元的梯度直方图,分别确定像素块的梯度直方图特征描述子;
将同一图像的所有像素块的梯度直方图特征描述子进行串联,分别确定参考图像和目标图像的梯度直方图特征描述子。
对目标图像和参考图像的梯度直方图特征描述子进行比较,若目标图像的梯度直方图特征描述子较参考图像的梯度直方图特征描述子大,则判定目标图像为及格图像,及格图像用于进一步的第一噪声数据与第二噪声数据,第一梯度数据与第二梯度数据的比较,判断是否为高质量图像。若目标图像的梯度直方图特征描述子较参考图像的梯度直方图特征描述子小,则为不及格图片,不及格图片可以直接判定为低质量图片,无需再进行下一步的判断。
在一种实施例中,还可以包括:
若目标图像为高质量图像,则将目标图像加入预设的高质量图像数据库中,高质量图像数据库用于提供参考图像,或者,用于对质量评估模型进行优化。
该步骤中,当目标图像为高质量图像,可以针对应用的场景进行使用,另外,还可以将目标图像加入预设的高质量图像数据库中,在下一次从高质量图像数据库中进行随机选取参考图像时,成为备选参考图像。另外,还可以用于对质量评估模型进行优化,为下游数据处理提供高质量的数据基础,使其成为判断高质量图像精度更高的质量评估模型。
在一种实施例中,还可以包括:
若判定目标图像为低质量图像,则丢弃目标图像或将目标图像存入低质量图像数据库中。
当目标图像为低质量图片时,可以针对相应的应用场景,对低质量图片进行丢弃、删除或者存入低质量图片数据库中等不同的操作。
在本发明实施例中,通过获取参考图像的第一特征数据,并根据第一特征数据确定参考图像的第一质量评估数据,其中,参考图像为符合预设高质量图像标准的图像,获取目标图像的第二特征数据,并根据第二特征数据确定目标图像的第二质量评估数据,将第二质量评估数据与第一质量评估数据进行比较,并根据比较的结果确定目标图像是否为高质量图像,实现易于实施、且可快速进行的同时保证了评估的精度的图像质量评估。
实施例二
图2为本发明实施例二提供的一种图像质量评估装置,所述装置包括:
第一质量评估数据确定模块210,用于获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;
第二质量评估数据模块220,用于获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;
高质量图像判断模块230,用于将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。
在一种实施例中,第一质量评估数据确定模块210,包括:
第一质量评估数据输出子模块,用于将所述第一特征数据输入至预先生成的质量评估模型中,由所述质量评估模型对所述第一特征数据进行处理,输出第一质量评估数据。
在一种实施例中,所述第一特征数据包括第一梯度特征数据以及第一噪声特征数据,所述质量评估模型包括梯度评估子模型以及噪声评估子模型;
所述第一质量评估数据输出子模块,包括:
噪声强度数据输出单元,用于将所述第一噪声特征数据输入至所述噪声评估子模型中,并获得所述噪声评估子模型输出的噪声强度数据;
第一质量评估数据输出单元,用于将所述噪声强度数据以及所述第一梯度特征数据输入至所述梯度评估子模型中,并获得所述梯度评估子模型输出的第一质量评估数据。
在一种实施例中,所述高质量图像判断模块230,包括:
相似度计算子模块,用于计算所述第二质量评估数据与所述第一质量评估数据的相似度,作为所述比较结果;
高质量图像判定子模块,用于当所述相似度大于预设阈值时,则判定所述目标图像为高质量图像。
在一种实施例中,所述参考图像的第一质量评估数据包括第一梯度数据以及第一噪声数据,所述目标图像的第二质量评估数据包括第二梯度数据以及第二噪声数据,所述高质量图像判断模块230,还可以用于:
当所述第二噪声数据小于所述第一噪声数据,且所述第二梯度数据大于所述第一梯度数据时,则判定所述目标图像为高质量图像。
在一种实施例中,还包括:
目标图像去向模块,用于若所述目标图像为高质量图像,则将所述目标图像加入预设的高质量图像数据库中,所述高质量图像数据库用于提供所述参考图像,或者,用于对所述质量评估模型进行优化。
在一种实施例中,还包括:
低质量图像去向模块,用于若判定所述目标图像为低质量图像,则丢弃所述目标图像或将所述目标图像存入低质量图像数据库中。
实施例三
图3为本申请实施例三提供的一种电子设备的结构示意图,如图3所示,该电子设备包括处理器310、存储器320、输入装置330和输出装置340;电子设备中处理器310的数量可以是一个或多个,图3中以一个处理器310为例;电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器320作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的方法实施例对应的程序指令模块。处理器310通过运行存储在存储器320中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的方法。
存储器设备320可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字或字符信息,以及产生与一种电子设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
实施例四
本申请实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行方法实施例中的方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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目前的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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个模块和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像质量评估方法,其特征在于,所述方法包括:
获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;
获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;
将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一特征数据确定所述参考图像的第一质量评估数据,包括:
将所述第一特征数据输入至预先生成的质量评估模型中,由所述质量评估模型对所述第一特征数据进行处理,输出第一质量评估数据。
3.根据权利要求2所述的方法,其特征在于,所述第一特征数据包括第一梯度特征数据以及第一噪声特征数据,所述质量评估模型包括梯度评估子模型以及噪声评估子模型;
所述由所述质量评估模型对所述第一特征数据进行处理,包括:
将所述第一噪声特征数据输入至所述噪声评估子模型中,并获得所述噪声评估子模型输出的噪声强度数据;
将所述噪声强度数据以及所述第一梯度特征数据输入至所述梯度评估子模型中,并获得所述梯度评估子模型输出的第一质量评估数据。
4.根据权利要求3所述的方法,其特征在于,所述将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像,包括:
计算所述第二质量评估数据与所述第一质量评估数据的相似度,作为所述比较结果;
当所述相似度大于预设阈值时,则判定所述目标图像为高质量图像。
5.根据权利要求4所述的方法,其特征在于,还包括:
若所述目标图像为高质量图像,则将所述目标图像加入预设的高质量图像数据库中,所述高质量图像数据库用于提供所述参考图像,或者,用于对所述质量评估模型进行优化。
6.根据权利要求5所述的方法,其特征在于,所述参考图像的第一质量评估数据包括第一梯度数据以及第一噪声数据,所述目标图像的第二质量评估数据包括第二梯度数据以及第二噪声数据;
所述将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像,还包括:
当所述第二噪声数据小于所述第一噪声数据,且所述第二梯度数据大于所述第一梯度数据时,则判定所述目标图像为高质量图像。
7.根据权利要求6所述的方法,其特征在于,还包括:
若判定所述目标图像为低质量图像,则丢弃所述目标图像或将所述目标图像存入低质量图像数据库中。
8.一种图像质量评估装置,其特征在于,所述装置包括:
第一质量评估数据确定模块,用于获取参考图像的第一特征数据,并根据所述第一特征数据确定所述参考图像的第一质量评估数据,其中,所述参考图像为符合预设高质量图像标准的图像;
第二质量评估数据模块,用于获取目标图像的第二特征数据,并根据所述第二特征数据确定所述目标图像的第二质量评估数据;
高质量图像判断模块,用于将所述第二质量评估数据与所述第一质量评估数据进行比较,并根据所述比较的结果确定所述目标图像是否为高质量图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111417.1A CN113870210A (zh) | 2021-09-18 | 2021-09-18 | 一种图像质量评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111111417.1A CN113870210A (zh) | 2021-09-18 | 2021-09-18 | 一种图像质量评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870210A true CN113870210A (zh) | 2021-12-31 |
Family
ID=78993265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111111417.1A Pending CN113870210A (zh) | 2021-09-18 | 2021-09-18 | 一种图像质量评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037602A (zh) * | 2024-04-15 | 2024-05-14 | 深圳市捷易科技有限公司 | 图像质量优化方法、装置、电子设备、介质及程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN111798421A (zh) * | 2020-06-29 | 2020-10-20 | 浙江同善人工智能技术有限公司 | 一种图像质量判断方法、设备及存储介质 |
-
2021
- 2021-09-18 CN CN202111111417.1A patent/CN113870210A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116713A1 (en) * | 2007-10-18 | 2009-05-07 | Michelle Xiao-Hong Yan | Method and system for human vision model guided medical image quality assessment |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
CN107610093A (zh) * | 2017-08-02 | 2018-01-19 | 西安理工大学 | 基于相似性特征融合的全参考型图像质量评价方法 |
CN108765407A (zh) * | 2018-05-31 | 2018-11-06 | 上海依图网络科技有限公司 | 一种人像图片质量判定方法及装置 |
CN111798421A (zh) * | 2020-06-29 | 2020-10-20 | 浙江同善人工智能技术有限公司 | 一种图像质量判断方法、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037602A (zh) * | 2024-04-15 | 2024-05-14 | 深圳市捷易科技有限公司 | 图像质量优化方法、装置、电子设备、介质及程序产品 |
CN118037602B (zh) * | 2024-04-15 | 2024-07-23 | 深圳市捷易科技有限公司 | 图像质量优化方法、装置、电子设备、介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
JP7051267B2 (ja) | 画像検出方法、装置、電子設備、記憶媒体、及びプログラム | |
CN109116129B (zh) | 终端检测方法、检测设备、***及存储介质 | |
US20160335523A1 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
CN107272899B (zh) | 一种基于动态手势的vr交互方法、装置及电子设备 | |
CN112396050B (zh) | 图像的处理方法、设备以及存储介质 | |
CN112381092B (zh) | 跟踪方法、装置及计算机可读存储介质 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 | |
CN112883762A (zh) | 一种活体检测方法、装置、***及存储介质 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN113012030A (zh) | 图像拼接方法、装置及设备 | |
CN113315995B (zh) | 提高视频质量的方法、装置、可读存储介质及电子设备 | |
CN115345895A (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN113822871A (zh) | 基于动态检测头的目标检测方法、装置、存储介质及设备 | |
CN108133210B (zh) | 一种图像格式识别方法及装置 | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
CN111325670A (zh) | 一种数据增强方法、装置及电子设备 | |
CN114266749B (zh) | 一种基于TridentNet的图像处理方法 |
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 |