一种图像质量评价方法、设备及存储设备技术

本发明专利技术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。本发明专利技术实施例中，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。

【技术实现步骤摘要】
一种图像质量评价方法、设备及存储设备
本专利技术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。
技术介绍
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(Convolutionalneuralnetworks,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。
技术实现思路
本专利技术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，本专利技术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，本专利技术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，本专利技术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，本专利技术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。本专利技术实施方式的有益效果是：区别于现有技术的情况，本专利技术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是本专利技术实施例一种图像质量评价方法的数据流程图；图2是本专利技术实施例一种图像质量评价方法的另一数据流程图；图3是本专利技术实施例一种图像质量评价设备的逻辑结构示意图；图4是本专利技术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是本专利技术实施例中第一构建模块的逻辑结构示意图；图6是本专利技术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，本专利技术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、构建图本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：樊春玲，张云，姜青山，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44