图像质量检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请提出一种图像质量检测方法、装置、计算机设备和存储介质，其中，方法包括：利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。该方法通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。

【技术实现步骤摘要】
图像质量检测方法、装置、计算机设备和存储介质
本申请涉及图像评价
，尤其涉及一种图像质量检测方法、装置、计算机设备和存储介质。
技术介绍
在将图片资源推送给用户之前，需要对图像进行审核，以筛除质量较差的图片。目前，衡量图像质量的方法包括主观评价和通过图像指标衡量。例如，根据图像的均方误差、峰值信噪比、结构相似性指数等指标，对图像的质量进行检测。这些指标虽然可以在一定程度上反映图像的质量，但是并不能代表图像的主观分数。在对图像主观打分时，主要是根据多个观察者的评价判断图像质量，得到图像的主观质量分。但是这种主观质量评价方式，客观性较差，且不同的观察者得到的主观质量分差异较大，可靠性较差。
技术实现思路
本申请提出一种图像质量检测方法、装置、计算机设备和存储介质，用于解决相关技术中的根据观察者的评价确定图像主观质量分的评价方式，客观性和可靠性较差的问题。本申请一方面实施例提出了一种图像质量检测方法，包括：利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。本申请实施例的图像质量检测方法，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。本实施例中，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。本申请另一方面实施例提出了一种图像质量检测装置，包括：预测模块，用于利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；检测模块，用于对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；修正模块，用于利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。本申请实施例的图像质量检测装置，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。本实施例中，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，从而避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且利用显著性值对初始主观质量分进行修正，提高了主观质量分的准确性。本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的图像质量检测方法。本申请另一方面实施例提出了一种非临时性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如上述实施例所述的图像质量检测方法。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例提供的一种图像质量检测方法的流程示意图；图2为本申请实施例提供的另一种图像质量检测方法的流程示意图；图3为本申请实施例提供的一种具体的图像质量检测方法的过程示意图；图4为本申请实施例提供的一种图像切分为多个图像块的示意图；图5为本申请实施例提供的另一种图像质量检测方法的流程示意图；图6为本申请实施例提供的一种图像质量检测装置的结构示意图；图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。下面参考附图描述本申请实施例的图像质量检测方法、装置、计算机设备和存储介质。本申请实施例，针对相关技术中根据观察者的评价确定图像主观质量分的评价方式，客观性和可靠性较差的问题，提出一种图像质量检测方法。本申请实施例的图像质量检测方法，通过利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分，对目标图像进行显著性检测，以确定目标图像对应的显著性值，利用显著性值，对目标图像对应的初始主观质量分进行修正，确定目标图像的最终主观质量分。由此，通过预设的神经网络模型对图像进行主观质量分预测，得到初始主观质量分，避免了人为评价带来的差异，提高了图像质量评价的客观性和可靠性，并且显著性值符合人的主观感受，利用显著性值对初始主观质量分进行修正，大大提高了主观质量分的准确性。图1为本申请实施例提供的一种图像质量检测方法的流程示意图。本申请实施例的图像质量检测方法，可由本申请提供的图像质量检测装置执行，上述装置可配置于计算机设备中。如图1所示，该图像质量检测方法包括：步骤101，利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与目标图像对应的初始主观质量分。其中，主观质量分用于指示主观感受程度，主观质量分越高，表明主观感受越好。相关技术中，在对图像进行质量评价时，多是根据多个观察者的评价判断图像质量，得到主观质量分。但是，这种主观质量评价方式，客观性较差，且不同的观察者得到的主观质量分差异较大，可靠性较差。再者，当图像较多或者对视频进行质量评价时，以人工方式进行质量评价，人工成本较高，且效率低。本实施例中，将待检测的目标图像输入至预设的神经网络模型，利用预设的神经网络模，对待检测的图像进行主观质量分预测，生成目标图像的初始主观质量分。其中，神经网络模型可包括特征提取层和回归层。那么首先将待检测的目标图像输入至特征提取层，由特征提取层提取特征，并将提取的特征输入至回归层。之后，回归层根据提取的特征进行主观质量分预测，输出目标图像的初始主观质量分。在实际使用中，可利用卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)对目标图像进行特征提取，得到目标图像的CNN特征，并将CNN特征输入至回归层，由回归层输出目标图像的主观质量分。本实施例中，利用预设的神经网络对图像进行主观质量分预测，可以避免人为评价带来的主观质量分差异，提高了图像质量评价的客观性和可靠性，而且可以节省人力，减少人工成本，提高图像质量评价的效率。步骤102，对目标图像进行显著性检测，以确定目标图像对应的显著性值。在实际中，人眼的对焦点是有限的，对整张图的观测其实是对图像中的“感兴趣”物体的观测。因此对图像质量的评价时，对有意义的局部的评价对主观质量分的影响较大。基于此，本实施例中，对目标图像进行显著性本文档来自技高网...

【技术保护点】
1.一种图像质量检测方法，其特征在于，包括：利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。

【技术特征摘要】
1.一种图像质量检测方法，其特征在于，包括：利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测，以生成与所述目标图像对应的初始主观质量分；对所述目标图像进行显著性检测，以确定所述目标图像对应的显著性值；利用所述显著性值，对所述目标图像对应的初始主观质量分进行修正，确定所述目标图像的最终主观质量分。2.如权利要求1所述的方法，其特征在于，所述对待检测的目标图像进行主观质量分预测之前，还包括：将所述目标图像进行切分处理，以得到所述目标图像包含的多个图像块；所述对待检测的目标图像进行主观质量分预测，包括：对所述目标图像中的多个图像块分别进行主观质量分预测，以生成与所述多个图像块中的每个图像块对应的初始主观质量分。3.如权利要求2所述的方法，其特征在于，所述确定所述目标图像对应的显著性值，包括：确定所述目标图像中每个像素点对应的显著性值；所述利用所述显著性均值，对所述目标图像对应的初始主观质量分进行修正，包括：根据所述每个图像块包含的像素点及每个像素点对应的显著性值，确定所述每个图像块对应的显著性值；利用所述每个图像块对应的显著性值，对所述每个图像块对应的初始主观质量分进行加权求和，以确定所述目标图像对应的最终主观质量分。4.如权利要求2所述的方法，其特征在于，所述将所述目标图像进行切分处理，以得到所述目标图像包含的多个图像块之前，还包括：根据所述目标图像的属性信息，确定所述目标图像对应的切分规则。5.如权利要求1-4任一所述的方法，其特征在于，所述利用预设的神经网络模型，对待检测的目标图像进行主观质量分预测之前，还包括：获取训练图像集，其中，所述训练图像集中包括多个图像及每个图像对应的标定主观质量分；对所述训练图像集中每个图像进行显著性检测，以确定每个图像对应的显著性值；利用初始神经网络模型，对每个图像进行主观质量分预测，以确定每个图像对应的预测主观质量算式，其中，所述...

【专利技术属性】
技术研发人员：岑敏强，
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