The invention discloses the image definition evaluation method, the device, the computer equipment and the storage medium, in which the method includes: obtaining the image to be processed, input the image to be processed to the pre trained evaluation model, obtain the comprehensive evaluation of the image definition of the evaluation model output, and evaluate the image definition comprehensive score as the evaluation. The model is based on N image sharpness score based on N different scales, and is synthesized by N image sharpness score. N is a positive integer greater than one. The accuracy of the evaluation result can be improved by applying the scheme of the invention.
【技术实现步骤摘要】
图像清晰度评估方法、装置、计算机设备及存储介质
本专利技术涉及计算机应用技术,特别涉及图像清晰度评估方法、装置、计算机设备及存储介质。
技术介绍
随着互联网内容生态的蓬勃发展,以图像、视频为载体的各类信息越来越多。图像、视频的清晰度对用户体验有很大影响,为此,需要对图像清晰度进行评估,以过滤掉模糊的图像等,结合多帧图像的清晰度亦可确定视频的清晰度。现有技术中,通常采用一个图像分类器,将图像分为清晰和模糊两个类别,图像分类器可以是神经网络模型,模型的输入为一幅图像,输出为模糊和清晰两个类别的得分,取得分高者作为图像的类别。图像清晰度和图像大小有较大关系,比如一幅800*800的图像不清晰,但压缩到神经网络模型要求的大小如224*224后,就可能变得比较清晰。而现有技术中从统一尺度去评估图像的清晰度,对于较大或较小的图像,评估结果都可能不准确。
技术实现思路
有鉴于此,本专利技术提供了图像清晰度评估方法、装置、计算机设备及存储介质,能够提高评估结果的准确性。具体技术方案如下:一种图像清晰度评估方法,包括:获取待处理的图像;将所述待处理的图像输入给预先训练得到的评估模型;获取所述评估模型输出的图像清晰度综合评分,所述图像清晰度综合评分为所述评估模型分别基于N个不同尺度得到N个图像清晰度评分后,综合所述N个图像清晰度评分得到的,N为大于一的正整数。根据本专利技术一优选实施例,所述获取待处理的图像之前,进一步包括:分别获取不同清晰程度的图像,并分别获取每幅图像的图像清晰度综合评分;根据获取到的图像及对应的图像清晰度综合评分,训练得到所述评估模型。根据本专利技 ...
【技术保护点】
一种图像清晰度评估方法,其特征在于,包括:获取待处理的图像;将所述待处理的图像输入给预先训练得到的评估模型;获取所述评估模型输出的图像清晰度综合评分,所述图像清晰度综合评分为所述评估模型分别基于N个不同尺度得到N个图像清晰度评分后,综合所述N个图像清晰度评分得到的,N为大于一的正整数。
【技术特征摘要】
1.一种图像清晰度评估方法,其特征在于,包括:获取待处理的图像;将所述待处理的图像输入给预先训练得到的评估模型;获取所述评估模型输出的图像清晰度综合评分,所述图像清晰度综合评分为所述评估模型分别基于N个不同尺度得到N个图像清晰度评分后,综合所述N个图像清晰度评分得到的,N为大于一的正整数。2.根据权利要求1所述的方法,其特征在于,所述获取待处理的图像之前,进一步包括:分别获取不同清晰程度的图像,并分别获取每幅图像的图像清晰度综合评分;根据获取到的图像及对应的图像清晰度综合评分,训练得到所述评估模型。3.根据权利要求2所述的方法,其特征在于,所述分别获取每幅图像的图像清晰度综合评分包括:针对每幅图像,分别获取人工标注的所述图像所属的清晰程度类别,所述清晰程度类别数大于一,并将预先设定的所述图像所属的清晰程度类别对应的评分作为所述图像的图像清晰度综合评分。4.根据权利要求1所述的方法,其特征在于,所述评估模型包括:Se-ResNeXt50模型。5.根据权利要求4所述的方法,其特征在于,每个图像清晰度评分分别对应所述Se-ResNeXt50模型中的一个Block,N个图像清晰度评分对应所述Se-ResNeXt50模型中的最后N个Block;从所述N个Block引出N个分支,每个分支分别结合所述图像的大小信息得出所述图像清晰度评分。6.根据权利要求1所述的方法,其特征在于,所述图像清晰度综合评分为所述N个图像清晰度评分的均值。7.根据权利要求2所述的方法,其特征在于,所述训练得到所述评估模型之前,进一步包括:对获取到的图像进行预处理,将获取到的图像调整为所述评估模型要求的大小;所述将所述待处理的图像输入给预先训练得到的评估模型之前,进一步包括:对所述待处理的图像进行预处理,将所述待处理的图像调整为所述评估模型要求的大小。8.根据权利要求7所述的方法,其特征在于,将图像调整为所述评估模型要求的大小包括:若所述图像的长边小于所述评估模型要求的长度,且所述图像的短边小于所述评估模型要求的长度,则通过补灰边的方式,将所述图像的长边和短边分别调整为所述评估模型要求的长度;若所述图像的长边大于所述评估模型要求的长度,则将所述图像的长边压缩到所述评估模型要求的长度,并按照同样的压缩比例,压缩所述图像的短边,若压缩后的短边小于所述评估模型要求的长度,则通过补灰边的方式,将所述图像的短边调整为所述评估模型要求的长度。9.一种图像清晰度评估装置,其特征在于,包括:获取单元以及评估单元;所述获取单元,用于获取待处理的图像;所述评估单元,用于将所述待处理的图像输入给预先训练得到的评估模型,获取所述评估模型输出的图像清晰度综合评分,所述图像清晰度综...
【专利技术属性】
技术研发人员:赵翔,李鑫,刘霄,李旭斌,孙昊,文石磊,丁二锐,
申请(专利权)人:百度在线网络技术北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。