图像曝光度的评测方法及装置制造方法及图纸

本发明专利技术提供了一种图像曝光度的评测方法及装置，其中，上述方法包括：利用大量不同曝光度的图像，通过机器学习训练出回归模型，然后获取待检测图像的偏度特征，使用回归模型分析该偏度特征得到该图像的曝光度。采用上述方案，解决了相关技术中进行图像的曝光度检测不准确的问题，实现了迅速准确的确定图像的曝光度。

Evaluation method and device of image exposure degree

The present invention provides a method and device for evaluating the exposure degree of the image. The method includes: using a large number of images with different exposure degrees, the regression model is trained by machine learning, then the bias characteristic of the image to be detected is obtained, and the exposure degree of the image is obtained by using the regression model to analyze the bias. By adopting the above scheme, the problem of inaccuracy of image exposure detection in related technologies is solved, and the exposure degree of the image is quickly and accurately determined.

【技术实现步骤摘要】
图像曝光度的评测方法及装置
本专利技术涉及通信领域，具体而言，涉及一种图像曝光度的评测方法及装置。
技术介绍
在相关技术中，图像作为视觉信息的主要来源，蕴含了大量的有价值信息，然而，在图像的获取、存储、传输、显示等过程中不可避免地会引入一些干扰因素，这些损失的可见性对消费者体验有着极大的影响，因此，对图像质量的可靠评估，在接受承诺的服务质量和改善终端用户的体验质量方面扮演着重要角色。近20年，图像质量评价(ImageQualityAssessment，简称为IQA)领域研究受到了广泛的关注，预测图像质量的相关方法在各种图像处理中得到广泛应用，例如图像的压缩、传输、恢复、增强等等。另外，人类视觉系统(HumanVisualSystem，简称为HVS)是许多情况下感知信息的终极接收者，主观质量评估是衡量图像质量最可靠的方法，然而，主观质量评估成本高、复杂度高，在实时应用中无法灵活使用，因此，开发客观质量评价方案是必要的。相关技术中，图像质量评价可以分为主观评价方法和客观评价方法，主观评价由观察者对图像质量进行主观评分，一般采用平均主观得分(MeanOpinionScore，简称为MOS)或平均主观得分差异(DifferentialMeanOpinionScore，简称为DMOS)(即人眼对无失真图像和有失真图像评价得分的差异)表示，但主观评价工作量大、耗时长，使用起来很不方便。客观评价方法是由计算机根据一定算法计算得到图像的质量指标，根据评价时是否需要参考图像又可以分为全参考(Full-Reference，简称为FR)、半参考(部分参考)(Reduced-Reference，简称为RR)和无参考(No-Reference，简称为NR)等三类评价方法。全参考方法在评价失真图像时，需要提供一个无失真的原始图像，经过对二者的比对，得到一个对失真图像的评价结果，随着研究的发展，这类方法的准确性越来越好，但其缺点是需要提供无失真的参考图像，这在实际应用中往往很难得到。半参考方法也称为部分参考方法，它不需要将失真图像与原始图像相比较，而只需要将失真图像的某些特征与原始图像的相同特征进行比较，其相应的应用领域包括视频传输中的数字水印验证、利用副通道进行视频质量监控与码率控制等。无参考方法也称为盲图像质量(BlindImageQuality，简称为BIQ)评价方法，则完全无需参考图像，根据失真图像的自身特征来估计图像的质量。有些方法是面向特定失真类型的，如针对模糊、噪声、块状效应的严重程度进行评价；有些方法先进行失真原因分类，再进行定量评价；而有些方法则试图同时评价不同失真类型的图像。无参考方法最具实用价值，有着非常广泛的应用范围，但正是由于没有参考图像，以及图像内容的千变万化，使得无参考图像质量评价相对更为困难。针对相关技术中进行图像的曝光度检测不准确的问题，目前还没有有效的解决方案。
技术实现思路
本专利技术实施例提供了一种图像曝光度的评测方法及装置，以至少解决相关技术中进行图像的曝光度检测不准确的问题。根据本专利技术的一个实施例，提供了一种图像曝光度的评测方法，包括：获取待检测图像的偏度特征；使用回归模型对所述偏度特征进行分析，依据所述偏度特征确定所述待检测图像的曝光度，其中，所述回归模型为使用多组样本图像通过机器学习训练出来的，所述多组样本图像包括曝光度不同的图像。可选地，使用所述多组样本图像通过以下方式获取所述回归模型：以所述多组样本图像为样本，通过前馈神经网络获取所述回归模型。可选地，以所述多组样本图像为样本，通过前馈神经网络获取所述回归模型，包括：获取多组样本图像中每张图像的曝光度数值或曝光度所属类型，其中，所述曝光度所属类型包括欠曝光度，曝光适宜，过曝光度；获取每张图像的偏度特征；以所述多组样本图像的曝光度数值或所属类型，以及偏度特征为样本，通过前馈神经网络获取所述回归模型。可选地，通过以下方式获取图像的偏度特征：获取所述图像的整体偏度值；将所述待检测图像进行两次不同尺度的分块，获取多个分块的偏度值；级联所述整体偏度值和所述多个分块的偏度值获取多维特征向量，将所述多维特征向量作为所述图像的偏度特征。需要补充的是，本实施例中的方式去获取图像的偏度特征可以应用于待检测图像，也可以用于样本图像，即本可选实施例的意在记载获取一张图像的偏度特征的方式。可选地，将所述待检测图像进行两次不同尺度的分块，获取多个分块的偏度值，级联所述整体偏度值和所述多个分块的偏度值获取多维特征向量，将所述多维特征向量作为所述图像的特征值，包括：将所述图像进行2*2分块，获取4个第一分块的偏度值；将所述图像进行4*4分块，获取16第二分块的偏度值；级联所述整体偏度值，4个第一分块的偏度值，以及16个第二分块的偏度值，获取21维特征向量，将所述21维特征向量作为所述图像的偏度特征。可选地，在使用多组样本图像通过机器学习训练出所述回归模型之前，所述方法还包括：获取所述多组样本图像，其中，所述多组样本图像之间的图像方差集中在预设范围。根据本专利技术的另一个实施例，还提供了一种图像曝光度的评测装置，包括：获取模块，用于获取待检测图像的偏度特征；确定模块，用于使用回归模型对所述偏度特征进行分析，依据所述偏度特征确定所述待检测图像的曝光度，其中，所述回归模型为使用多组样本图像通过机器学习训练出来的，所述多组样本图像包括曝光度不同的图像。可选地，所述装置还包括：训练模块，用于通过以下方式获取所述回归模型：以所述多组样本图像为样本，通过前馈神经网络获取所述回归模型。根据本专利技术的另一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。根据本专利技术的另一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例任一项中所述的方法。通过本专利技术，利用大量不同曝光度的图像，通过机器学习训练出回归模型，然后获取待检测图像的偏度特征，使用回归模型分析该偏度特征得到该图像的曝光度。采用上述方案，解决了相关技术中进行图像的曝光度检测不准确的问题，实现了迅速准确的确定图像的曝光度。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的图像曝光度的评测方法的流程图；图2是根据本专利技术优选实施例的照片一的示意图；图3是根据本专利技术优选实施例的照片二的示意图；图4是根据本专利技术优选实施例的一般图像曝光度进行无参考客观质量评价的方法示意图；图5是根据本专利技术优选实施例的照片三的示意图；图6是根据本专利技术优选实施例的照片四的示意图；图7是根据本专利技术优选实施例的照片五的示意图；图8是根据本专利技术优选实施例的偏度统计量的示意图；图9是根据本专利技术优选实施例的前馈神经网络结构的示意图；图10是根据本专利技术优选实施例的“一般图像”曝光度数据集图像方差分布直方图。具体实施方式实施例一在本实施例中提供了一种图像曝光度的评测方法，图1是根据本专利技术实施例的图像曝光度的评测方法的流程图，如图1所示，该流程包括如下步骤：步骤S102，获取待检测图像的偏度特征；步骤S104，使用回归模型对该偏度特征进行分析，依据该本文档来自技高网...

【技术保护点】
1.一种图像曝光度的评测方法，其特征在于，包括：获取待检测图像的偏度特征；使用回归模型对所述偏度特征进行分析，依据所述偏度特征确定所述待检测图像的曝光度，其中，所述回归模型为使用多组样本图像通过机器学习训练出来的，所述多组样本图像包括曝光度不同的图像。

【技术特征摘要】
1.一种图像曝光度的评测方法，其特征在于，包括：获取待检测图像的偏度特征；使用回归模型对所述偏度特征进行分析，依据所述偏度特征确定所述待检测图像的曝光度，其中，所述回归模型为使用多组样本图像通过机器学习训练出来的，所述多组样本图像包括曝光度不同的图像。2.根据权利要求1所述的方法，其特征在于，使用所述多组样本图像通过以下方式获取所述回归模型：以所述多组样本图像为样本，通过前馈神经网络获取所述回归模型。3.根据权利要求2所述的方法，其特征在于，以所述多组样本图像为样本，通过前馈神经网络获取所述回归模型，包括：获取多组样本图像中每张图像的曝光度数值或曝光度所属类型，其中，所述曝光度所属类型包括欠曝光度，曝光适宜，过曝光度；获取每张图像的偏度特征；以所述多组样本图像的曝光度数值或所属类型，以及偏度特征为样本，通过前馈神经网络获取所述回归模型。4.根据权利要求1或3所述的方法，其特征在于，通过以下方式获取图像的偏度特征：获取所述图像的整体偏度值；将所述待检测图像进行两次不同尺度的分块，获取多个分块的偏度值；级联所述整体偏度值和所述多个分块的偏度值获取多维特征向量，将所述多维特征向量作为所述图像的偏度特征。5.根据权利要求4所述的方法，其特征在于，将所述待检测图像进行两次不同尺度的分块，获取多个分块的偏度值，级联所述整体偏度值和所述多个分块的偏度值获取多...

【专利技术属性】
技术研发人员：胡文迪，李飞，张林，张荔郡，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东,44