CN109949264A - 一种图像质量评价方法、设备及存储设备 - Google Patents
一种图像质量评价方法、设备及存储设备 Download PDFInfo
- Publication number
- CN109949264A CN109949264A CN201711379886.5A CN201711379886A CN109949264A CN 109949264 A CN109949264 A CN 109949264A CN 201711379886 A CN201711379886 A CN 201711379886A CN 109949264 A CN109949264 A CN 109949264A
- Authority
- CN
- China
- Prior art keywords
- image
- type
- expert
- distortion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施方式公开了一种图像质量评价方法，还公开了相应的设备以及存储设备。本发明实施例中，通过图像失真类型分类，然后针对图像失真类型分别构建专家质量评估模型，再将图像失真类型分类结果和多个专家质量评估网络融合，评价图像质量分数；从而通过关注图像不同失真类型之间的差异性，以及通过针对性构建多个专家质量评估网络预测图像的质量分数，有效地对多个失真类型的图像的质量分数进行有效预测。
Description
技术领域
本发明涉及图像识别与处理领域，特别是涉及一种图像质量评价方法、设备及存储设备。
背景技术
移动互联网每天产生海量的图像，这些数据在很多领域有着至关重要的作用，比如安防监控、网络教育、医疗卫生、影视娱乐等等。然而，由于各种各样的物理条件的限制，使得人们最终观察到的图像和视频数据不可避免地存在着各种各样的质量损失，具体比如：
在采集过程中，往往由于曝光不均匀、机械系统抖动等原因造成采集过程中的失真；在传输和存储过程中，由于传输带宽和存储成本的限制，不得不使用有损或无损编码对数据进行压缩处理，导致图像和视频数据出现如方块效应、色调分离和振铃效应等失真；在显示终端，由于显示设备的对比度和色域的限制、亮度和色度的失调等也会导致显示失真。
上述各种失真都会影响对数据的进一步分析处理，影响人们更清晰地认识客观世界和更好地解决实际问题。具体比如：在安防监控领域，监控视频的质量严重影响对违法犯罪的评判效率；图像识别中，图像的失真影响识别结果的准确性和可靠性；在网络教育和视频点播系统中，传输误差也会影响教育传播的效果和观看体验。因此，对图像质量评价是一项急需解决的关键和难点问题，并且将用于进一步指导图像的信号处理与压缩。
随着深度学习的兴起，有学者采用了深度学习方法学习图像和质量之间的映射关系，是一种端到端的方式。比如：采用卷积神经网络(Convolutional neural networks,CNN)将特征提取和回归分析融入同一个网络中学习图像和质量分数之间的非线性映射关系；或者采用具有5层网络结构的深度学习算法进行图像质量评价，综合特征提取、分类、后验概率计算等功能为一体，等等。然而，现有的方法只是为多种失真设计了一种通用的网络模型进行预测，没有考虑到图像失真类型之间的差异性。
发明内容
本发明实施方式主要解决的技术问题是提供一种图像质量评价方法、设备及存储设备，通过基于多个专家质量评估网络的无参考图像客观感知质量评价方法，通过识别图像失真类型，并建立多个针对特定失真类型的专家质量评估网络对失真图像进行评估，最后通过一定的融合机制预测图像失真对图像质量的影响，即图像的质量分数。
为解决上述技术问题，本发明实施方式采用的一个技术方案是：
提供一种图像质量评价方法，包括：
获取待评价图像集；
构建图像失真类型分类模型；
根据所述图像失真类型分类模型对所述待评价图像集进行失真分类得到多个图像失真类型集；
根据图像失真类型构建专家质量评估模型，所述专家质量评估模型包括多个专家质量评估网络；
将所述图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数。
进一步的，所述获取待评价图像集步骤之后还包括：
将所述待评价图像进行局部归一化预处理；
计算归一化后的亮度值
其中，I(i,j)为坐标(x，y)处的亮度值，C是大于零的常数，μ(i,j)和σ(i,j)分别是亮度值I(i,j)的均值和方差。
进一步的，所述构建图像失真类型分类模的步骤包括：
对所述获取的图像经过卷积层抽取出M个二维图像特征；
将所述M个二维图像特征经过max池化得到响应最强的M个二维图像特征；
将所述M个二维图像特征通过两个全连接层将二维图像特征转换为一维图像特征；
将所述一维图像特征通过输出层输出，所述输出的一维特征中包括代表图像失真类型个数的神经元数量，所述输出层采用softmax函数预测图像属于每个图像失真类型的概率值：
其中，x是输出层中每个节点的输入值，n是输出层所有节点的个数。
进一步的，所述根据图像失真类型构建专家质量评估模型的步骤具体为：
对每个图像失真类型构建对应的专家质量评估网络从而构成专家质量评估模型，其中，所述专家质量评估网络采用回归网络。
进一步的，所述将图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数的步骤包括：
多个专家质量评估网络预测得到一组随机变量：Q＝{q1,q2,…,qK}，其中，离散随机变量的概率质量函数p(qi)＝pi满足：
其中，qi是第i个专家质量评估网络预测的质量分数，pi是图像属于第i个失真类型的概率值；
计算图像失真类型的随机变量的质量分数E(q)：
为解决上述技术问题，本发明实施方式采用的第二个技术方案是：
提供一种图像质量评价设备，包括：
获取模块，用于获取待评价图像集；
第一构建模块，用于构建图像失真类型分类模型；
失真图像分类模块，用于根据所述图像失真类型分类模型对所述待评价图像集进行失真分类得到多个图像失真类型集；
第二构建模块，用于根据图像失真类型构建专家质量评估模型，所述专家质量评估模型包括多个专家质量评估网络；
融合评价模块，用于将所述图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数。
进一步的，所述设备还包括：
图像处理模块，用于将所述待评价图像进行局部归一化预处理；
亮度值计算模块，用于计算归一化后的亮度值。
进一步的，所述第一构建模块包括：
卷积单元，用于对获取的图像经过卷积层抽取出M个二维图像特征；
池化单元，用于将所述M个二维图像特征经过max池化得到响应最强的M个二维图像特征；
转换单元，用于将所述M个二维图像特征通过两个全连接层将二维图像特征转换为一维图像特征；
输出单元，用于将所述一维图像特征通过输出层输出，所述输出的一维特征中包括代表图像失真类型个数的神经元数量，所述输出层采用softmax函数预测图像属于每个图像失真类型的概率值。
进一步的，所述融合评价模块包括：
预测单元，用于根据多个专家质量评估网络预测得到一组随机变量：Q＝{q1,q2,…,qK}，其中，离散随机变量的概率质量函数p(qi)＝pi满足：
其中，qi是第i个专家质量评估网络预测的质量分数，pi是图像属于第i个失真类型的概率值；
计算单元，用于计算图像失真类型的随机变量的质量分数。
为解决上述技术问题，本发明实施方式采用的第三个技术方案是：提供一种存储设备，所述存储设备存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
为解决上述技术问题，本发明实施方式采用的第四个技术方案是：提供一种图像质量评价设备，包括存储器、处理器以及存储在所述存储器中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权利要求1至5任一项所述方法的步骤。
本发明实施方式的有益效果是：区别于现有技术的情况，本发明实施方式中通过图像失真类型分类，然后针对图像失真类型分别构建专家质量评估模型，再将图像失真类型分类结果和多个专家质量评估网络融合，评价图像质量分数；从而通过关注图像不同失真类型之间的差异性，以及通过针对性构建多个专家质量评估网络预测图像的质量分数，有效地对多个失真类型的图像的质量分数进行有效预测。
附图说明
图1是本发明实施例一种图像质量评价方法的数据流程图；
图2是本发明实施例一种图像质量评价方法的另一数据流程图；
图3是本发明实施例一种图像质量评价设备的逻辑结构示意图；
图4是本发明实施例一种图像质量评价设备的另一逻辑结构示意图；
图5是本发明实施例中第一构建模块的逻辑结构示意图；
图6是本发明实施例一种图像质量评价设备的另一逻辑结构示意图。
具体实施方式
实施例一，参阅图1，本发明图像质量评价方法的实施方式包括：
101、获取待评价图像集；
在本实施例中，首先获取待评价图像集。
102、构建图像失真类型分类模型；
在步骤101中获取待评价图像集后，然后构建图像失真类型分类模型，对失真图像的失真类型进行判断和分类。在本实施例中采用卷积神经网络模型对图像失真类型进行识别，也可采用其他方法对图像失真类型进行识别，在本发明中不做限制。
本实施例采用卷积神经网络模型具体的，包括1个输入层、1个卷积层、一个max池化层和3个全连接层。对输入的失真图像经过卷积层抽取出M个二维图像特征，然后经过max池化得到响应最强烈的M个二维图像特征，再通过两个全连接层将二维图像特征转换为一维特征，最后一个全连接层即为输出层，神经元个数为N，代表输出的失真类型个数，输出层采用softmax函数预测属于每个图像失真类型的概率值：
其中，x是最后一个全连接层，即输出层中每个节点的输入值，n是最后一层所有节点个数。Softmax函数预测图像属于每个类别的概率值。虽然本实施例采用了卷积神经网络模型，但是本发明的保护范围不限于该网络，网络模型可以采用其他的深度网络，本实施例中不做限制。
103、根据图像失真类型分类模型对待评价图像集进行失真分类得到多个图像失真类型集；
构建图像失真类型分类模型后，再根据该模型对待评价图像集进行失真分类得到多个图像失真类型集。
104、根据图像失真类型构建专家质量评估模型；
步骤103中得到多个图像失真类型集后，再对每个图像失真类型构建对应的专家质量评估网络从而构成专家质量评估模型，其中，专家质量评估模型包括多个专家质量评估网络，专家质量评估网络采用回归网络。具体的：
本实施例中针对特定失真类型构建专家质量评估模型对失真图像进行质量分数预测。对每种失真类型可采用同一网络模型或者不同的网络模型，本实施例中为了描述简单，采用同一网络模型。将每种图像失真类型的质量评价建模为回归问题，采用的回归网络，具体包括1个输入层、1个卷积层、一个max池化层和3个全连接层，其中最后一个全连接层即为输出层，神经元个数N＝1。最后一层的神经元节点采用sigmoid函数计算：
其中，x为神经元的输入，qi代表神经元的输出，指示输入图像i的质量分数。
105、将图像失真类型集与专家指令评估模型进行融合，并评价图像质量分数；
对于多种失真叠加的图像，其质量分数应该是对应的多个专家质量评估网络预测的质量分数的融合。多个专家质量评估网络预测得到一组随机变量Q＝{q1,q2,…,qK}，其中qi是第i个专家质量评估网络预测的质量分数。离散随机变量的概率质量函数是p(qi)＝pi，pi是图像属于第i个失真类型的概率值，满足以下公式：
本实施例中采用加权融合的方法，将失真类型预测结果和专家网络预测结果进行融合，符合图像失真类型的叠加性。最好的融合结果是对失真类型的随机变量的期望E(q)，即质量分数：
本实施例中，通过图像失真类型分类，然后针对图像失真类型分别构建专家质量评估模型，再将图像失真类型分类结果和多个专家质量评估网络融合，评价图像质量分数；从而通过关注图像不同失真类型之间的差异性，以及通过针对性构建多个专家质量评估网络预测图像的质量分数，有效地对多个失真类型的图像的质量分数进行有效预测。
实施例二，参阅图2，本发明图像质量评价方法的实施方式包括：
在本实施例中，步骤201、以及步骤204至步骤207与实施例一中的步骤101至步骤105相同，此处不做赘述。
202、将待评价图像进行局部归一化预处理；
为了提高对图像亮度和对比度等变化的鲁棒性，获取待评价图像集精辟，首先需要对待评价图像进行局部归一化预处理。
203、计算归一化后的亮度值；
对待评价图像进行局部归一化预处理后，给定一幅图像I，坐标(x,y)处的亮度值为I(i,j)，计算归一化后的值
其中，C是设定一个大于零的常数项以避免除数为0，μ(i,j)和σ(i,j)分别是均值和方差，其定义如下：
其中，P和Q分别是归一化局部窗口的长和宽。
为了进一步对数据增强，在本实施例中对每幅失真图像裁取若干个不重叠的大小为W×H图像块，并且对每个图像块的标签与原图像一致，并且质量分数的赋值与原图像也一致。
本实施例中，通过图像失真类型分类，然后针对图像失真类型分别构建专家质量评估模型，再将图像失真类型分类结果和多个专家质量评估网络融合，评价图像质量分数；从而通过关注图像不同失真类型之间的差异性，以及通过针对性构建多个专家质量评估网络预测图像的质量分数，有效地对多个失真类型的图像的质量分数进行有效预测。
实施例三，参阅图3、图4和图5，本发明图像质量评价设备的实施方式包括：
获取模块301，用于获取待评价图像集。
第一构建模块302，用于构建图像失真类型分类模型，对失真图像的失真类型进行判断和分类。在本实施例中采用卷积神经网络模型对图像失真类型进行识别，也可采用其他方法对图像失真类型进行识别，在本发明中不做限制。具体的：
本实施例采用卷积神经网络模型具体的，包括1个输入层、1个卷积层、一个max池化层和3个全连接层。对输入的失真图像经过卷积层抽取出M个二维图像特征，然后经过max池化得到响应最强烈的M个二维图像特征，再通过两个全连接层将二维图像特征转换为一维特征，最后一个全连接层即为输出层，神经元个数为N，代表输出的失真类型个数，输出层采用softmax函数预测属于每个图像失真类型的概率值：
其中，x是最后一个全连接层，即输出层中每个节点的输入值，n是最后一层所有节点个数。Softmax函数预测图像属于每个类别的概率值。虽然本实施例采用了卷积神经网络模型，但是本发明的保护范围不限于该网络，网络模型可以采用其他的深度网络，本实施例中不做限制。
失真图像分类模块303，用于根据图像失真类型分类模型对待评价图像集进行失真分类得到多个图像失真类型集。
第二构建模块304，用于根据图像失真类型构建专家质量评估模型，所述专家质量评估模型包括多个专家质量评估网络，其中，专家质量评估模型包括多个专家质量评估网络，专家质量评估网络采用回归网络；具体的：
本实施例中针对特定失真类型构建专家质量评估模型对失真图像进行质量分数预测。对每种失真类型可采用同一网络模型或者不同的网络模型，本实施例中为了描述简单，采用同一网络模型。将每种图像失真类型的质量评价建模为回归问题，采用的回归网络，具体包括1个输入层、1个卷积层、一个max池化层和3个全连接层，其中最后一个全连接层即为输出层，神经元个数N＝1。最后一层的神经元节点采用sigmoid函数计算：
其中，x为神经元的输入，qi代表神经元的输出，指示输入图像i的质量分数。
融合评价模块305，用于将所图像失真类型集与专家指令评估模型进行融合，并评价图像质量分数。具体的：
对于多种失真叠加的图像，其质量分数应该是对应的多个专家质量评估网络预测的质量分数的融合。多个专家质量评估网络预测得到一组随机变量Q＝{q1,q2,…,qK}，其中qi是第i个专家质量评估网络预测的质量分数。离散随机变量的概率质量函数是p(qi)＝pi，pi是图像属于第i个失真类型的概率值，满足以下公式：
本实施例中采用加权融合的方法，将失真类型预测结果和专家网络预测结果进行融合，符合图像失真类型的叠加性。最好的融合结果是对失真类型的随机变量的期望E(q)，即质量分数：
进一步的，本实施例中图像质量评价设备还包括：
图像处理模块306，用于将待评价图像进行局部归一化预处理。
亮度值计算模块307，用于计算归一化后的亮度值。具体的：
对待评价图像进行局部归一化预处理后，给定一幅图像I，坐标(x,y)处的亮度值为I(i,j)，计算归一化后的值
其中，C是设定一个大于零的常数项以避免除数为0，μ(i,j)和σ(i,j)分别是均值和方差，其定义如下：
其中，P和Q分别是归一化局部窗口的长和宽。
为了进一步对数据增强，在本实施例中对每幅失真图像裁取若干个不重叠的大小为W×H图像块，并且对每个图像块的标签与原图像一致，并且质量分数的赋值与原图像也一致。
进一步的，第一构建模块302包括：
卷积单元3021，用于对获取的图像经过卷积层抽取出M个二维图像特征；
池化单元3022，用于将M个二维图像特征经过max池化得到响应最强的M个二维图像特征；
转换单元3023，用于将M个二维图像特征通过两个全连接层将二维图像特征转换为一维图像特征；
输出单元3024，用于将一维图像特征通过输出层输出，其中输出的一维特征中包括代表图像失真类型个数的神经元数量，输出层采用softmax函数预测图像属于每个图像失真类型的概率值，具体公式为：
其中，x是最后一个全连接层，即输出层中每个节点的输入值，n是最后一层所有节点个数。Softmax函数预测图像属于每个类别的概率值。虽然本实施例采用了卷积神经网络模型，但是本发明的保护范围不限于该网络，网络模型可以采用其他的深度网络，本实施例中不做限制。
进一步的，融合评价模块305包括：
预测单元，用于根据多个专家质量评估网络预测得到一组随机变量：Q＝{q1,q2,…,qK}，其中，离散随机变量的概率质量函数p(qi)＝pi满足：
其中，qi是第i个专家质量评估网络预测的质量分数，pi是图像属于第i个失真类型的概率值；
计算单元，用于计算图像失真类型的随机变量的质量分数。
本实施例中，通过图像失真类型分类，然后针对图像失真类型分别构建专家质量评估模型，再将图像失真类型分类结果和多个专家质量评估网络融合，评价图像质量分数；从而通过关注图像不同失真类型之间的差异性，以及通过针对性构建多个专家质量评估网络预测图像的质量分数，有效地对多个失真类型的图像的质量分数进行有效预测。
实施例四，本发明实施例提供一种存储设备，该存储设备中存储有计算机程序，该计算机程序被处理器执行实现实施例一和实施例二中方法的步骤，步骤具体详见实施例一和实施例二，此处不做赘述。
实施例五，请参阅图6，本发明一种图像质量评价设备包括存储器、处理器以及存储在该存储器中并可在处理器上运行的计算机程序，处理器执行存储器中的计算机程序时实现实施例一和实施例二中方法的步骤，步骤具体详见实施例一和实施例二，此处不做赘述。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种图像质量评价方法，其特征在于，包括：
获取待评价图像集；
构建图像失真类型分类模型；
根据所述图像失真类型分类模型对所述待评价图像集进行失真分类得到多个图像失真类型集；
根据图像失真类型构建专家质量评估模型，所述专家质量评估模型包括多个专家质量评估网络；
将所述图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数。
2.根据权利要求1所述的方法，其特征在于，所述获取待评价图像集步骤之后还包括：
将所述待评价图像进行局部归一化预处理；
计算归一化后的亮度值
其中，I(i,j)为坐标(x，y)处的亮度值，C是大于零的常数，μ(i,j)和σ(i,j)分别是亮度值I(i,j)的均值和方差。
3.根据权利要求2所述的方法，其特征在于，所述构建图像失真类型分类模的步骤包括：
对所述获取的图像经过卷积层抽取出M个二维图像特征；
将所述M个二维图像特征经过max池化得到响应最强的M个二维图像特征；
将所述M个二维图像特征通过两个全连接层将二维图像特征转换为一维图像特征；
将所述一维图像特征通过输出层输出，所述输出的一维特征中包括代表图像失真类型个数的神经元数量，所述输出层采用softmax函数预测图像属于每个图像失真类型的概率值：
其中，x是输出层中每个节点的输入值，n是输出层所有节点的个数。
4.根据权利要求3所述的方法，其特征在于，所述根据图像失真类型构建专家质量评估模型的步骤具体为：
对每个图像失真类型构建对应的专家质量评估网络从而构成专家质量评估模型，其中，所述专家质量评估网络采用回归网络。
5.根据权利要求4所述的方法，其特征在于，所述将图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数的步骤包括：
多个专家质量评估网络预测得到一组随机变量：Q＝{q1,q2,…,qK}，其中，离散随机变量的概率质量函数p(qi)＝pi满足：
其中，qi是第i个专家质量评估网络预测的质量分数，pi是图像属于第i个失真类型的概率值；
计算图像失真类型的随机变量的质量分数E(q)：
6.一种图像质量评价设备，其特征在于，包括：
获取模块，用于获取待评价图像集；
第一构建模块，用于构建图像失真类型分类模型；
失真图像分类模块，用于根据所述图像失真类型分类模型对所述待评价图像集进行失真分类得到多个图像失真类型集；
第二构建模块，用于根据图像失真类型构建专家质量评估模型，所述专家质量评估模型包括多个专家质量评估网络；
融合评价模块，用于将所述图像失真类型集与所述专家指令评估模型进行融合，并评价图像质量分数。
7.根据权利要求6所述的设备，其特征在于，所述设备还包括：
图像处理模块，用于将所述待评价图像进行局部归一化预处理；
亮度值计算模块，用于计算归一化后的亮度值。
8.根据权利要求7所述的设备，其特征在于，所述第一构建模块包括：
卷积单元，用于对获取的图像经过卷积层抽取出M个二维图像特征；
池化单元，用于将所述M个二维图像特征经过max池化得到响应最强的M个二维图像特征；
转换单元，用于将所述M个二维图像特征通过两个全连接层将二维图像特征转换为一维图像特征；
输出单元，用于将所述一维图像特征通过输出层输出，所述输出的一维特征中包括代表图像失真类型个数的神经元数量，所述输出层采用softmax函数预测图像属于每个图像失真类型的概率值。
9.根据权利要求8所述的设备，其特征在于，所述融合评价模块包括：
预测单元，用于根据多个专家质量评估网络预测得到一组随机变量：Q＝{q1,q2,…,qK}，其中，离散随机变量的概率质量函数p(qi)＝pi满足：
其中，qi是第i个专家质量评估网络预测的质量分数，pi是图像属于第i个失真类型的概率值；
计算单元，用于计算图像失真类型的随机变量的质量分数。
10.一种存储设备，所述存储设备存储有计算机程序，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5任一项所述方法的步骤。
11.一种图像质量评价设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711379886.5A CN109949264A (zh) | 2017-12-20 | 2017-12-20 | 一种图像质量评价方法、设备及存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711379886.5A CN109949264A (zh) | 2017-12-20 | 2017-12-20 | 一种图像质量评价方法、设备及存储设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109949264A true CN109949264A (zh) | 2019-06-28 |
Family
ID=67005090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711379886.5A Pending CN109949264A (zh) | 2017-12-20 | 2017-12-20 | 一种图像质量评价方法、设备及存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109949264A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062914A (zh) * | 2019-11-28 | 2020-04-24 | 重庆中星微人工智能芯片技术有限公司 | 用于采集脸部图像的方法、装置、电子设备和计算机可读介质 |
| CN111179242A (zh) * | 2019-12-25 | 2020-05-19 | Tcl华星光电技术有限公司 | 图像处理方法及其装置 |
| CN111309035A (zh) * | 2020-05-14 | 2020-06-19 | 浙江远传信息技术股份有限公司 | 多机器人协同移动与动态避障方法、装置、设备及介质 |
| CN111612741A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于失真识别的精确无参考图像质量评价方法 |
| CN112672143A (zh) * | 2020-12-21 | 2021-04-16 | 北京金山云网络技术有限公司 | 视频质量的评估方法、装置及服务器 |
| WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
| CN113658091A (zh) * | 2020-05-12 | 2021-11-16 | Tcl科技集团股份有限公司 | 一种图像评价方法、存储介质及终端设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
| CN104616664A (zh) * | 2015-02-02 | 2015-05-13 | 合肥工业大学 | 一种基于声谱图显著性检测的音频识别方法 |
| CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
| CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
| CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
| CN106709566A (zh) * | 2016-12-07 | 2017-05-24 | 广东工业大学 | 一种基于深度学习的数据缺失值回填方法 |
| CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
| CN106980830A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络自亲缘关系识别方法与装置 |
| CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学（保定） | 一种汽轮机转子振动故障诊断方法及装置 |
| CN107256546A (zh) * | 2017-05-23 | 2017-10-17 | 上海海事大学 | 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 |
| CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
| CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
| CN107392109A (zh) * | 2017-06-27 | 2017-11-24 | 南京邮电大学 | 一种基于深度神经网络的新生儿疼痛表情识别方法 |
-
2017
- 2017-12-20 CN CN201711379886.5A patent/CN109949264A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103475898A (zh) * | 2013-09-16 | 2013-12-25 | 北京理工大学 | 一种基于信息熵特征的无参考图像质量评价方法 |
| CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
| CN104616664A (zh) * | 2015-02-02 | 2015-05-13 | 合肥工业大学 | 一种基于声谱图显著性检测的音频识别方法 |
| CN105160678A (zh) * | 2015-09-02 | 2015-12-16 | 山东大学 | 基于卷积神经网络的无参考立体图像质量评估方法 |
| CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
| CN106780449A (zh) * | 2016-12-06 | 2017-05-31 | 嘉兴学院 | 一种基于纹理特征的无参考图像质量评价方法 |
| CN106709566A (zh) * | 2016-12-07 | 2017-05-24 | 广东工业大学 | 一种基于深度学习的数据缺失值回填方法 |
| CN106980830A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络自亲缘关系识别方法与装置 |
| CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学（保定） | 一种汽轮机转子振动故障诊断方法及装置 |
| CN107256546A (zh) * | 2017-05-23 | 2017-10-17 | 上海海事大学 | 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 |
| CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
| CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
| CN107392109A (zh) * | 2017-06-27 | 2017-11-24 | 南京邮电大学 | 一种基于深度神经网络的新生儿疼痛表情识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 董宏平,等: "互信息域中的无参考图像质量评价", 《中国图象图形学报》 * |
| 董宏平,等: "互信息域中的无参考图像质量评价", 《中国图象图形学报》, vol. 19, no. 3, 16 March 2014 (2014-03-16), pages 0485 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021082819A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
| US11836898B2 (en) | 2019-10-31 | 2023-12-05 | Beijing Kingsoft Cloud Network Technology Co., Ltd. | Method and apparatus for generating image, and electronic device |
| CN111062914A (zh) * | 2019-11-28 | 2020-04-24 | 重庆中星微人工智能芯片技术有限公司 | 用于采集脸部图像的方法、装置、电子设备和计算机可读介质 |
| CN111062914B (zh) * | 2019-11-28 | 2023-05-30 | 重庆中星微人工智能芯片技术有限公司 | 用于采集脸部图像的方法、装置、电子设备和计算机可读介质 |
| CN111179242A (zh) * | 2019-12-25 | 2020-05-19 | Tcl华星光电技术有限公司 | 图像处理方法及其装置 |
| CN111179242B (zh) * | 2019-12-25 | 2023-06-02 | Tcl华星光电技术有限公司 | 图像处理方法及其装置 |
| CN111612741A (zh) * | 2020-04-22 | 2020-09-01 | 杭州电子科技大学 | 一种基于失真识别的精确无参考图像质量评价方法 |
| CN111612741B (zh) * | 2020-04-22 | 2023-11-03 | 杭州电子科技大学 | 一种基于失真识别的精确无参考图像质量评价方法 |
| CN113658091A (zh) * | 2020-05-12 | 2021-11-16 | Tcl科技集团股份有限公司 | 一种图像评价方法、存储介质及终端设备 |
| CN111309035A (zh) * | 2020-05-14 | 2020-06-19 | 浙江远传信息技术股份有限公司 | 多机器人协同移动与动态避障方法、装置、设备及介质 |
| CN112672143A (zh) * | 2020-12-21 | 2021-04-16 | 北京金山云网络技术有限公司 | 视频质量的评估方法、装置及服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949264A (zh) | 一种图像质量评价方法、设备及存储设备 | |
| Hou et al. | Blind image quality assessment via deep learning | |
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| Li et al. | No-reference image quality assessment with deep convolutional neural networks | |
| Xu et al. | No-reference/blind image quality assessment: a survey | |
| Yue et al. | Effective and efficient blind quality evaluator for contrast distorted images | |
| CN108665460A (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
| CN109034119A (zh) | 一种基于优化的全卷积神经网络的人脸检测方法 | |
| Hu et al. | Toward a no-reference quality metric for camera-captured images | |
| CN106484837A (zh) | 相似视频文件的检测方法和装置 | |
| Zhou et al. | Blind binocular visual quality predictor using deep fusion network | |
| He et al. | A visual residual perception optimized network for blind image quality assessment | |
| Kwon et al. | Distorted representation space characterization through backpropagated gradients | |
| Wang et al. | Visual interaction perceptual network for blind image quality assessment | |
| CN116403063A (zh) | 基于多区域特征融合的无参考屏幕内容图像质量评估方法 | |
| CN117671787A (zh) | 一种基于Transformer的康复动作评估方法 | |
| CN107146216A (zh) | 一种基于梯度自相似度的无参考图像客观质量评价方法 | |
| Wang et al. | Distortion recognition for image quality assessment with convolutional neural network | |
| Liu et al. | Combined CNN/RNN video privacy protection evaluation method for monitoring home scene violence | |
| Shen et al. | Channel recombination and projection network for blind image quality measurement | |
| CN107590804A (zh) | 基于通道特征和卷积神经网络的屏幕图像质量评价方法 | |
| CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
| CN113255701A (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
| Mittal et al. | Blind image quality assessment without training on human opinion scores | |
| CN116993760A (zh) | 一种基于图卷积和注意力机制的手势分割方法、系统、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |