CN115760822B - 一种图像质量检测模型建立方法及*** - Google Patents
一种图像质量检测模型建立方法及*** Download PDFInfo
- Publication number
- CN115760822B CN115760822B CN202211502424.9A CN202211502424A CN115760822B CN 115760822 B CN115760822 B CN 115760822B CN 202211502424 A CN202211502424 A CN 202211502424A CN 115760822 B CN115760822 B CN 115760822B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- model
- image
- subjective
- image quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 268
- 238000013210 evaluation model Methods 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 25
- 230000008447 perception Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种图像质量检测模型建立方法及***，属于图像识别技术领域，其包括获取图像的质量评价结果，并将每个图像质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价结果是由N个人员分别对K个图像进行评价得到的结果；基于每个评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；建立图像的主观评价模型；对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。通过将客观评价模型和主观评价模型相融合得到图像质量检测模型，从而便于结合客观评价和主观评价对图像的质量进行检测。本申请具有便于对图像识别采集到的图像的质量进行检测的效果。
Description
技术领域
本发明涉及图像识别技术领域，尤其是涉及一种图像质量检测模型建立方法及***。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用，图像识别通常分为四个步骤：图像采集、图像预处理、特征提取以及图像识别。
图像质量是指在图像识别中所采集到的图像的质量，采集到的图像质量与图像识别的结果息息相关，采集到的图像质量越清晰越完整，后续提取特征以及图像识别所得到的结果就越准确，然而，目前没有统一的标准对采集到的图像的质量进行评价，无法判断出采集到的图像是否满足图像识别的相关要求，容易导致最终图像识别出的结果不够准确，所以如何对采集到的图像的质量进行检测，是目前存在的问题。
发明内容
为了便于对图像识别采集到的图像的质量进行检测，本申请提供了一种图像质量检测模型建立方法及***。
第一方面，本申请提供的一种图像质量检测模型建立方法及***，采用如下的技术方案：
一种图像质量检测模型建立方法及***，包括：
获取图像的质量评价的结果，并将每个图像质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价的结果是由N个人员分别对K个图像进行评价得到的结果；
基于每个评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；
建立图像的主观评价模型；
对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。
通过采用上述技术方案，将N个人员对K个图像评价得到的质量评价结果，以及图像质量评价结果对应的图像数据作为一个评价子任务，利用评价子任务对预设的元学习模型进行迭代训练，得到图像的客观评价模型，以得到对图像的客观评价，再建立图像的主观评价模型，以得到对图像的主观评价，将客观评价模型和主观评价模型相融合即能够得到图像质量检测模型，从而便于结合客观评价和主观评价对图像的质量进行检测。
可选的，将每个人员对应的K个评价子任务作为一个评价任务；所述基于评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型，具体包括：
获取评价子任务的梯度；
基于所有评价子任务的梯度，对评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集；
按照预设顺序，从训练集中选取评价任务对预设的元学习模型进行迭代训练，直至元学习模型的损失函数收敛，得到图像的客观评价模型。
通过采用上述技术方案，利用评价子任务的梯度对评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集，使得训练集的选取更加准确，在按照预设顺序从训练集中选取评价任务对元学习模型进行迭代训练，直至元学习模型的损失函数收敛，即可得到客观评价模可选的，所述基于评价子任务的梯度，对评价任务进行筛选，并将筛选后的评价任务作为预设的元学习模型的训练集，具体包括：
根据每个人员对应的所有评价子任务的梯度，得到每个人员评价任务的梯度矩阵；
将N个人员中每个人员的梯度矩阵分别和N个人员中剩余人员的梯度矩阵进行相似度计算，得到每个人员的评价任务与剩余人员的评价任务之间的相似度因子；
对所有人员的评价任务的相似度因子进行排序，筛选出排序靠前的相似度因子对应的M个人员；
将M个人员的评价任务作为元学习模型的训练集。
通过采用上述技术方案，每个人员对应的所有评价子任务，即K个子任务，利用每个人员对应的K个评价子任务的梯度，组成每个人员评价任务的梯度矩阵，利用每个人员的评价任务的梯度矩阵，计算得到每个人员的评价任务与剩余人员的评价任务之间的相似度因子，根据相似度因子的排序结果筛选出相似度因子高的M个人员，并将这M个人员的评价任务作为训练集，即筛选出了具有代表性的评价任务作为训练集，从而便于对元学习模型进行训练。
可选的，所述按照预设顺序，从训练集中选取评价任务对预设的元学习模型进行迭代训练，具体包括：
实时获取元学习模型中待训练的参数；
利用选取出的评价任务中的每个评价子任务的梯度，对待训练的参数进行训练，得到单次训练参数θi＝θ-αgi；其中，θ为待训练的参数，α为单次学习率，gi为子任务的梯度；θi′←θ-αgi
根据选取出的评价任务中所有评价子任务对应的单次训练参数，得到联合训练参数其中，β为联合学习率；
将联合训练参数作为元学习模型中待训练的参数，并按照预设顺序选取下一个评价任务。
通过采用上述技术方案，利用选取出的评价任务中的每个评价子任务的梯度对元学习模型中的待训练参数进行训练，得到单次训练参数，将评价任务中所有评价子任务得到的单次训练参数进行整合得到联合训练参数，将联合训练参数作为元学习模型中的待训练参数，并按照预设顺序选取下一个评价任务对新的待训练参数进行训练，实现了对元学习模型的迭代训练。
可选的，所述建立图像的主观评价模型，具体包括：
获取图像的相对评价以及绝对评价，所述相对评价以及绝对评价分别包括z个等级；
根据相对评价的历史数据以及绝对评价的历史数据，生成相对评价-绝对评价的损失代价矩阵；
合并相对评价以及绝对评价，并生成主观感知向量；
对主观感知向量进行归一化，得到图像的各个评价等级的比例；
根据损失代价矩阵和评价等级的比例，生成主观评价模型。
通过采用上述技术方案，获取图像的相对评价以及绝对评价，并根据相对评价的历史数据以及绝对评价的历史数据，生成相对评价-绝对评价的损失代价矩阵，将相对评价以及进行合并得到主观感知向量，对主观感知向量进行归一化得到图像的各个评价等级的比例，再根据损失代价矩阵和评价等级的比例生成主观评价模型。
可选的，所述根据损失代价矩阵和评价等级的比例，生成主观评价模型，具体包括：根据损失代价矩阵和评价等级的比例，计算评价类别代价向量Xi＝Dij·Pi；其中，Dij是损失代价矩阵，P是评价等级的比例；
根据评价类别代价向量，生成主观评价模型。
通过采用上述技术方案，根据损失代价矩阵和评价等级的比例，计算评价类别代价向量，根据评价类别代价向量生成主观评价模型，从而便于主观评价模型输出图像最接近的评价等级的比例。
可选的，所述对客观评价模型和主观评价模型进行融合，得到图像质量检测模型，具体包括：
获取客观评价模型的输出结果以及主观评价模型的输出结果；
根据客观评价模型的输出结果以及主观评价模型的输出结果，生成图像质量类别其中，xa为主观评价模型的输出结果，θa为客观评价模型的输出结果；基于图像质量类别，生成图像质量检测模型。
通过采用上述技术方案，通过根据客观评价模型的输出结果以及主观评价模型的输出结果，生成图像质量类别，再根据图像质量类别生成图像质量检测模型，使得图像质量检测模型融合了客观评价和主观评价两个角度，使得对图像质量的检测更加准确。
第二方面，本申请提供一种图像质量检测模型建立***，采用如下技术方案：
一种图像质量检测模型建立***，包括：
评价获取单元，用于获取图像的质量评价的结果，并将每个图像质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价的结果是由N个人员分别对K个图像进行评价得到的结果；
客观模型生成单元，基于所有评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；
主观模型生成单元，建立图像的主观评价模型；以及，
检测模型生成单元，对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。
通过采用上述技术方案，利用评价获取单元对图像的质量评价的结果进行获取，利用客观模型生成单元生成图像的客观评价模型，便于对图像进行客观的评价，利用主观模型生成单元建立主观评价模型，便于对图像进行主观评价，利用检测模型生成单元客观评价和主观评价相融合，使得生成的图像质量检测模型对图像质量的检测结果更加准确。
第三方面，本申请提供一种计算机设备，采用如下技术方案：
一种计算机设备，包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行如第一方面中任一所述的一种图像质量检测模型建立方法及***。
第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，包括存储有能够被处理器加载并执行如第一方面中任一所述的一种图像质量检测模型建立方法及***的计算机程序。
附图说明
图1是本申请其中一实施例图像质量检测方法的流程图。
图2是本申请其中一实施例对元学习模型训练的方法流程图。
图3是本申请其中一实施例对训练集选取的方法流程图。
图4是本申请其中一实施例对元学习模型迭代训练的方法流程图。
图5是本申请其中一实施例主观评价模型生成的方法流程图。
图6是本申请其中一实施例图像质量检测模型生成的方法流程图。
图7是本申请其中一实施例图像质量检测的***框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-7及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例公开一种图像质量检测模型建立方法及***。参照图1，一种图像质量检测模型建立方法及***包括：
步骤S101：获取图像的质量评价的结果，并将每个图像质量评价结果和对应的图像数据作为一个评价子任务。
其中，所述图像的质量评价的结果是由N个人员分别对K个图像进行评价得到的结果，K和N均为大于等于1的正整数。
其中，K个图像可以选取不同场景下的图像，例如在图像识别中所采集到的图像的明暗、角度、曝光度等不同质量的图像，由N个人员分别对K个不同质量的图像进行评价。
步骤S102：基于每个评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；
其中，元学习模型是一种机器学习模型，是为了解决普通神经网络模型存在的泛化性能不足、对不同种类任务适应性较差问题的模型，元学习模型通过少量的数据样本就能快速学习新的概念或者既能经过不同任务的训练之后，元学习模型就能很好的适应和泛化到一个新的任务。具体到本申请中，由于图像识别在获取图像时，影响图像质量的因素较多，利用普通的神经网络模型无法列举所有情况下的图像，导致普通的神经网络模型难以对图像的质量进行评价。
应当理解，元学习模型是以人为导向的，所以在训练元学习模型时，需要以N个人员的评价子任务对元学习模型进行训练。
步骤S103：建立图像的主观评价模型；
步骤S104：对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。
上述实施方式中，根据N个人员对K个图像评价得到的质量评价结果，以及图像质量评价结果对应的图像数据作为一个评价子任务，利用评价子任务对预设的元学习模型进行迭代训练，得到图像的客观评价模型，以得到对图像的客观评价，再建立图像的主观评价模型，以得到对图像的主观评价，将融合客观评价模型和主观评价模型相融合即能够得到图像质量检测模型，从而便于结合客观评价和主观评价对图像的质量进行检测。
参照图2，作为步骤S102的一种实施方式，将每个人员对应的K个评价子任务作为一个评价任务，步骤S102具体包括：
步骤S1021：获取评价子任务的梯度；
其中，梯度是一个向量，用来在元学习模型中找到最优参数而用到的偏导数，即在元学习模型中，通过梯度的方式对每个评价子任务进行表达。
步骤S1022：基于所有评价子任务的梯度，对评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集；
步骤S1023：按照预设顺序，从训练集中选取评价任务对预设的元学习模型进行迭代训练，直至元学习模型的损失函数收敛，得到图像的客观评价模型。
其中，损失函数是指用来估量模型的预测值与真实值的不一致程度，随着模型的训练损失函数会越来越小，代表模型的预测值越来越接近真实值，当训练模型后模型的损失函数不再减小时，则任务损失函数收敛。
上述实施方式中，利用评价子任务的梯度对评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集，使得训练集的选取更加准确，在按照预设顺序从训练集中选取评价任务对元学习模型进行迭代训练，直至元学习模型的损失函数收敛，即可得到客观评价模型。
参照图3，作为步骤S1022的一种实施方式，步骤S1022具体包括：
步骤S10221：根据每个人员对应的所有评价子任务的梯度，得到每个人员评价任务的梯度矩阵；
应当理解，每个人员对应K个评价子任务，即每个人员都对应K个评价子任务的梯度，而一个人员对应的K个评价子任务又组成该人员的评价任务，所以，将每个人的K个评价子任务的梯度进行组合，即能够得到该人员评价任务的梯度矩阵。
步骤S10222：将N个人员中每个人员的梯度矩阵分别和N个人员中剩余人员的梯度矩阵进行相似度计算，得到每个人员的评价任务与剩余人员的评价任务之间的相似度因子；其中，第a个人员的相似度因子R是所有人员对应的所有评价子任务的集合，a为大于等于1小于等于N的整数，gai是第a个人员对应的梯度矩阵，gj和gh是指剩余人员的评价任务的梯度矩阵，且j和h均为大于等于1小于等于K的整数。
应当理解，人员的梯度矩阵的相似度因子越高，说明该人员对梯度矩阵和剩余人员的梯度矩阵的相似度越高，从而说明该人员对图像质量评价的结果更加具有代表性。
步骤S10223：对所有人员的评价任务的相似度因子进行排序，筛选出排序靠前的相似度因子对应的M个人员；
其中，M为大于等于1小于等于N的正整数。
具体的，N个人员的相似度因子W＝{w1,w2,L,wN}，对W进行排序：Wrank＝sort(W)，其中，sort为降序排序算法。排序靠前的相似度因子对应的人员即为相似度因子高的人员。
步骤S10224：将M个人员的评价任务作为元学习模型的训练集。
应当理解，M个人员中的每个人员的评价任务都包括了K个评价子任务。
上述实施方式中，每个人员对应的所有评价子任务，即K个子任务，利用每个人员对应的K个评价子任务的梯度，组成每个人员评价任务的梯度矩阵，利用每个人员的评价任务的梯度矩阵，计算得到每个人员的评价任务与剩余人员的评价任务之间的相似度因子，根据相似度因子的排序结果筛选出相似度因子高的M个人员，并将这M个人员的评价任务作为训练集，即筛选出了具有代表性的评价任务作为训练集，从而便于对元学习模型进行训练。
参照图4，作为步骤S1023的一种实施方式，步骤S1023具体包括：
步骤S10231：实时获取元学习模型中待训练的参数；
步骤S10232：利用选取出的评价任务中的每个评价子任务的梯度，对待训练的参数进行训练，得到单次训练参数θi＝θ-αgi；
其中，θ为待训练的参数；α为单次学习率，单次学习率是指每次参数更新幅度的大小；gi为子任务的梯度，i是大于等于1小于等于K的正整数；
应当理解，本申请采用梯度下降的方法训练元学习模型，梯度下降法是一个广泛被用来最小化模型误差的参数优化算法。
步骤S10233：根据选取出的评价任务中所有评价子任务对应的单次训练参数，得到联合训练参数其中，β为联合学习率；
应当理解，选取出的评价任务的每个评价子任务均对应一个单次训练参数，即选取出的评价任务共包括K个单次训练参数。
步骤S10234：将联合训练参数作为元学习模型中待训练的参数，并按照预设顺序选取下一个评价任务。
其中，生成联合训练参数即对元学习模型的一次训练已完成，再将联合训练参数作为元学习模型中待训练的参数，重复执行步骤S10231-步骤S10234，以实现对元学习模型的迭代训练。
其中，按照预设顺序选择下一个评价任务可以按照相似度因子从大到小的顺序选择对应的评价任务，也可以按照随机的方式进行抽取评价任务。
上述实施方式中，利用选取出的评价任务中的每个评价子任务的梯度对元学习模型中的待训练参数进行训练，得到单次训练参数，将评价任务中所有评价子任务得到的单次训练参数进行整合得到联合训练参数，将联合训练参数作为元学习模型中的待训练参数，并按照预设顺序选取下一个评价任务对新的待训练参数进行训练，实现了对元学习模型的迭代训练。
参照图5，作为步骤S103的一种实施方式，步骤S103具体包括：
步骤S1031：获取图像的相对评价以及绝对评价，所述相对评价以及绝对评价分别包括z个等级；
其中，相对评价是指通过对K个图像之间进行相互比较而得到的优劣顺序的评价，在本实施例中，将相对评价分为五个等级，即z＝5，具体地，根据K个图像中较好、处于平均水平之上、处于平均水平、处于平均水平之下以及K个图像中较差的五个等级，对K个图像的进行由质量高到质量低的相对评价。
其中，绝对评价是指与标准图像进行比较得出的评价，标准图像由人工进行预设。在本实施例中，绝对评价也分为五个等级，具体地，根据与标准图像的质量相比一致、有区别但不妨碍观看、略微妨碍观看、妨碍观看以及严重妨碍观看五个等级，对K个图像的进行由质量高到质量低的绝对评价。
步骤S1032：根据相对评价的历史数据以及绝对评价的历史数据，生成相对评价-绝对评价的损失代价矩阵；
具体地，分别获取相对评价的损失代价矩阵和绝对评价的损失代价矩阵，分别预设相对评价的损失代价矩阵和绝对评价的损失代价矩阵的权重，将相对评价的损失代价矩阵和绝对评价的损失代价矩阵进行融合，得到相对评价-绝对评价的损失代价矩阵。相对评价的损失代价矩阵和绝对评价的损失代价矩阵的权重可以结合实际数据验证获得。
其中，相对评价的历史数据以及绝对评价的历史数据可以由大数据的方式进行收集，也可以由专家打分或多任务分类的混合矩阵的等方法获得。
步骤S1033：合并相对评价以及绝对评价，并生成主观感知向量；
其中，合并相对评价以及绝对评价是指将所有的相对评价和所有的相对评价合并成一个主观感知向量。
其中，步骤S1033之前还包括，对相对评价以及绝对评价进行KAPPA校验，判断KAPPA校验是否通过，若通过，则执行步骤S1033。KAPPA校验是一种用于指示一致性检验的指标以及衡量分类的效果的方法，即针对每个图像的相对评价和绝对评价是否匹配情况的校验。
应当理解，KAPPA校验通过计算KAPPA系数对图像质量进行衡量，KAPPA系数通常选择-1到1之间的数，KAPPA系数越大则一致性越好，当KAPPA系数为1时，说明相对评价的等级和绝对评价的等级完全一致，即相对评价和绝对评价越准确。在本实施例中，在KAPPA系数大于0.6时，则判定为KAPPA校验通过。
步骤S1034：对主观感知向量进行归一化，得到图像的各个评价等级的比例；
其中，归一化是指将样本的特征值映射到[0，1]区间内，即将有主观感知向量变换为图像评价等级的比例。
步骤S1035：根据损失代价矩阵和评价等级的比例，生成主观评价模型。
上述实施方式中，获取图像的相对评价以及绝对评价，并根据相对评价的历史数据以及绝对评价的历史数据，生成相对评价-绝对评价的损失代价矩阵，将相对评价以及进行合并得到主观感知向量，对主观感知向量进行归一化得到图像的各个评价等级的比例，再根据损失代价矩阵和评价等级的比例生成主观评价模型。
参照图6，作为步骤S1036的一种实施方式，步骤S1036具体包括：
根据损失代价矩阵和评价等级的比例，计算评价类别代价向量Xi＝Dij·Pi；根据评价类别代价向量，生成主观评价模型。
其中，Dij是损失代价矩阵，Pi是评价等级的比例，且P1+P2+L+Pz＝1；即对于一张图像选择第i类的比例。i和j均为大于等于1小于等于z的正整数；
在本实施例中z为5，类别代价向量Xi＝Dij·Pi为：
上述实施方式中，根据损失代价矩阵和评价等级的比例，计算评价类别代价向量，根据评价类别代价向量生成主观评价模型，从而便于主观评价模型输出图像最接近的评价等级的比例。
作为步骤S104的一种实施方式，步骤S104具体包括：
步骤S1041：获取客观评价模型的输出结果以及主观评价模型的输出结果；
其中，客观评价模型的输出结果和主观评价模型输出的结果均为对图像评价的各个等级的比例，在本实施例中，客观评价模型和主观评价模型均输出五个等级的比例，主观评价模型的输出结果即为类别代价向量。
步骤S1042：根据客观评价模型的输出结果以及主观评价模型的输出结果，生成图像质量类别其中，xa为主观评价模型的输出结果，θa为客观评价模型的输出结果；
在本实施例中，图像质量类别同样分为五类，由质量高到质量低依次为C1、C2、C3、C4以及C5。
例如，客观观评价模型的输出结果为0.1、0.1、0.5、0.2、0.1，观评价模型的输出结果为0.2、0.1、0.4、0.1、0.2，根据公式可得当a＝3时，xaθa的值最大，则图像质量类别为C3，说明图像质量处于第三个等级，从而实现了对图像质量的检测。
步骤S1043：基于图像质量类别，生成图像质量检测模型。
上述实施方式中，通过根据客观评价模型的输出结果以及主观评价模型的输出结果，生成图像质量类别，再根据图像质量类别生成图像质量检测模型，使得图像质量检测模型融合了客观评价和主观评价两个角度，使得对图像质量的检测更加准确。
本申请实施例公开一种图像质量检测模型建立***。参照图7，一种图像质量检测模型建立***，包括：
评价获取单元，用于获取图像的质量评价的结果，并将每个图像质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价的结果是由N个人员分别对K个图像进行评价得到的结果；
客观模型生成单元，基于所有评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；
主观模型生成单元，建立图像的主观评价模型；以及，
检测模型生成单元，对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。
本申请实施例一种图像质量检测模型建立***的实施原理为：利用评价获取单元对图像的质量评价的结果进行获取，利用客观模型生成单元生成图像的客观评价模型，便于对图像进行客观的评价，利用主观模型生成单元建立主观评价模型，便于对图像进行主观评价，利用检测模型生成单元客观评价和主观评价相融合，使得生成的图像质量检测模型对图像质量的检测结果更加准确。
本申请提供的一种图像质量检测模型建立***能够实现上述一种图像质量检测模型建立方法及***，且一种图像质量检测模型建立***的具体工作过程可参考上述方法实施例中的对应过程。
需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
基于同一技术构思，本发明还公开一种计算机设备，一种计算机设备包括存储器、处理器以及储存在存储器上并可在处理器上运行的计算机程序，处理器执行如上述任一种图像质量检测模型建立方法及***方法。
本发明还公开一种计算机可读储存介质，一种计算机可读存储介质，其特征在于，包括存储有能够被处理器加载并执行如上述任一种图像质量检测模型建立方法及***的计算机程序。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (6)
1.一种图像质量检测模型建立方法，其特征在于，包括：
获取图像的质量评价结果，并将每个所述图像的质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价结果是由N个人员分别对K个图像进行评价得到的结果；
基于每个所述评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；将每个人员对应的K个评价子任务作为一个评价任务；其中，所述基于每个所述评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型，具体包括：获取评价子任务的梯度；基于所有评价子任务的梯度，对所述评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集；按照预设顺序，从训练集中选取评价任务对预设的元学习模型进行迭代训练，直至元学习模型的损失函数收敛，得到图像的客观评价模型；
其中，所述基于所有评价子任务的梯度，对所述评价任务进行筛选，并将筛选后的评价任务作为元学习模型的训练集，具体包括：根据每个人员对应的所有评价子任务的梯度，得到每个人员评价任务的梯度矩阵；将N个人员中每个人员的梯度矩阵分别和N个人员中剩余人员的梯度矩阵进行相似度计算，得到每个人员的评价任务与剩余人员的评价任务之间的相似度因子；对所有人员的评价任务的相似度因子进行排序，筛选出排序靠前的相似度因子对应的M个人员；将M个人员的评价任务作为元学习模型的训练集；
其中，建立图像的主观评价模型；所述建立图像的主观评价模型，具体包括：
获取图像的相对评价以及绝对评价，所述相对评价以及绝对评价分别包括z个等级；
根据相对评价的历史数据以及绝对评价的历史数据，生成相对评价-绝对评价的损失代价矩阵；合并相对评价以及绝对评价，并生成主观感知向量；
对相对评价以及绝对评价进行KAPPA校验，判断KAPPA校验是否通过，若通过，则对主观感知向量进行归一化，得到图像的各个评价等级的比例；根据损失代价矩阵和评价等级的比例，生成主观评价模型；
其中，所述根据损失代价矩阵和评价等级的比例，生成主观评价模型，具体包括：根据损失代价矩阵和评价等级的比例，计算评价类别代价向量Xi＝Dij·Pi；其中，Dij是损失代价矩阵，Pi是评价等级的比例，且P1+P2+…+Pz＝1，i和j均为大于等于1小于等于z的正整数；根据评价类别代价向量，生成主观评价模型；
对所述客观评价模型和所述主观评价模型进行融合，得到图像质量检测模型。
2.根据权利要求1所述的一种图像质量检测模型建立方法，其特征在于，所述按照预设顺序，从训练集中选取评价任务对预设的元学习模型进行迭代训练，具体包括：
实时获取元学习模型中待训练的参数；
利用选取出的评价任务中的每个评价子任务的梯度，对待训练的参数进行训练，得到单次训练参数θi＝θ-αgi；其中，θ为待训练的参数，α为单次学习率，gi为子任务的梯度；
根据选取出的评价任务中所有评价子任务对应的单次训练参数，得到联合训练参数其中，β为联合学习率；
将联合训练参数作为元学习模型中待训练的参数，并按照预设顺序选取下一个评价任务。
3.根据权利要求1所述的一种图像质量检测模型建立方法，其特征在于，所述对所述客观评价模型和所述主观评价模型进行融合，得到图像质量检测模型，具体包括：
获取客观评价模型的输出结果以及主观评价模型的输出结果；
根据客观评价模型的输出结果以及主观评价模型的输出结果，生成图像质量类别其中，xa为主观评价模型的输出结果，θa为客观评价模型的输出结果；
基于图像质量类别，生成图像质量检测模型。
4.一种图像质量检测模型建立***，基于如权利要求1-3任一所述的方法，其特征在于：
评价获取单元，用于获取图像的质量评价结果，并将每个图像的质量评价结果和对应的图像数据作为一个评价子任务；其中，所述图像的质量评价结果是由N个人员分别对K个图像进行评价得到的结果；
客观模型生成单元，基于所有评价子任务，对预设的元学习模型进行迭代训练，得到图像的客观评价模型；
主观模型生成单元，建立图像的主观评价模型；以及，
检测模型生成单元，对客观评价模型和主观评价模型进行融合，得到图像质量检测模型。
5.一种计算机设备，其特征在于：包括存储器、处理器以及储存在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行如权利要求1-3中任一所述的一种图像质量检测模型建立方法。
6.一种计算机可读存储介质，其特征在于，包括存储有能够被处理器加载并执行如权利要求1-3中任一所述的一种图像质量检测模型建立方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211502424.9A CN115760822B (zh) | 2022-11-28 | 2022-11-28 | 一种图像质量检测模型建立方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211502424.9A CN115760822B (zh) | 2022-11-28 | 2022-11-28 | 一种图像质量检测模型建立方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115760822A CN115760822A (zh) | 2023-03-07 |
| CN115760822B true CN115760822B (zh) | 2024-03-19 |
Family
ID=85339379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211502424.9A Active CN115760822B (zh) | 2022-11-28 | 2022-11-28 | 一种图像质量检测模型建立方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760822B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728656A (zh) * | 2019-09-06 | 2020-01-24 | 西安电子科技大学 | 基于元学习的无参考图像质量数据处理方法、智能终端 |
| CN111539404A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于结构线索的全参考图像质量评估方法 |
| CN113033693A (zh) * | 2021-04-09 | 2021-06-25 | 中国矿业大学 | 一种融合用户主观属性的个性化图像美学评价方法及装置 |
| CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
| CN114972232A (zh) * | 2022-05-17 | 2022-08-30 | 西安电子科技大学 | 基于增量元学习的无参考图像质量评价方法 |
-
2022
- 2022-11-28 CN CN202211502424.9A patent/CN115760822B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728656A (zh) * | 2019-09-06 | 2020-01-24 | 西安电子科技大学 | 基于元学习的无参考图像质量数据处理方法、智能终端 |
| CN111539404A (zh) * | 2020-04-16 | 2020-08-14 | 华北电力大学 | 一种基于结构线索的全参考图像质量评估方法 |
| CN113033693A (zh) * | 2021-04-09 | 2021-06-25 | 中国矿业大学 | 一种融合用户主观属性的个性化图像美学评价方法及装置 |
| CN114066857A (zh) * | 2021-11-18 | 2022-02-18 | 烟台艾睿光电科技有限公司 | 红外图像质量评价方法、装置、电子设备及可读存储介质 |
| CN114972232A (zh) * | 2022-05-17 | 2022-08-30 | 西安电子科技大学 | 基于增量元学习的无参考图像质量评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 用户性格分析与个性化图像美学评价研究;祝汉城;《中国博士学位论文全文数据库信息科技辑》(第07期);第I138-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115760822A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6993027B2 (ja) | 画像分析方法、装置及びコンピュータプログラム | |
| TWI677852B (zh) | 一種圖像特徵獲取方法及裝置、電子設備、電腦可讀存儲介質 | |
| US8687879B2 (en) | Method and apparatus for generating special-purpose image analysis algorithms | |
| CN110570358A (zh) | 基于gan网络的车损图像增强方法和装置 | |
| CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
| KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN109815988B (zh) | 模型生成方法、分类方法、装置及计算机可读存储介质 | |
| CN115138059B (zh) | 一种引体向上的规范计数方法、***及其存储介质 | |
| CN115760822B (zh) | 一种图像质量检测模型建立方法及*** | |
| CN110879982A (zh) | 一种人群计数***及方法 | |
| EP3564857A1 (en) | Pattern recognition method of autoantibody immunofluorescence image | |
| CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及*** | |
| CN110082106B (zh) | 一种基于Yu范数的深度度量学习的轴承故障诊断方法 | |
| CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111680575A (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
| JP2005115569A (ja) | 信号識別装置および信号識別方法 | |
| CN112766419A (zh) | 一种基于多任务学习的图像质量评估方法及装置 | |
| JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| CN106682604A (zh) | 一种基于深度学习的模糊图像检测方法 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN111028949A (zh) | 一种基于物联网的医学影像检查训练***及方法 | |
| CN112487227A (zh) | 一种深度学习的细粒度图像分类方法及装置 | |
| CN109740435A (zh) | 一种图片类文件复杂度判定方法及平台 | |
| CN117274788B (zh) | 一种声呐图像目标定位方法、***、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |