基于人工智能的图像质量评估方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了一种基于人工智能的图像质量评估方法、装置、计算机设备及存储介质，属于多媒体技术领域。本发明专利技术通过对第一图像进行降采样处理，得到多个第二图像，使得根据第一图像和多个第二图像，获取到的多个目标图像块同样可以反映出第一图像在不同尺度下的像素信息，提升了目标图像块的表达能力，并且质量评估模型基于多个样本图像组训练得到，每个样本图像组包括锐度互不相同的至少两张样本图像，因此质量评估模型所输出的各个目标图像块，在基于锐度评估出的图像质量分数上具有更高的准确度，从而提升了图像质量评估过程的智能性。

Image quality evaluation method, device and computer equipment based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的图像质量评估方法、装置及计算机设备
本专利技术涉及多媒体
，特别涉及一种基于人工智能的图像质量评估方法、装置、计算机设备及存储介质。
技术介绍
随着多媒体技术的发展，在获取、压缩或传输图像的过程中往往会伴随着图像失真，为了节约图像质量评估的人力成本，因此，基于计算机设备的图像质量评估(imagequalityassessment，IQA)变得尤为重要。目前，计算机设备在进行图像质量评估时，可以使用SSIM(structuralsimilarityindex，结构相似性)或者PSNR(peaksignaltonoiseratio，峰值信噪比)等客观指标来评价图像的质量分数。在上述过程中，由于用户视觉与计算机视觉的视角不尽相同，导致对一些图像而言，虽然PSNR较高使得计算机设备评估出较高的质量分数，但是用户反而对这些图像评估出一个较低的质量分数，也即是说，计算机设备在进行图像质量评估的过程中准确度较低、智能性较差。
技术实现思路
本专利技术实施例提供了一种基于人工智能的图像质量评估方法、装置、计算机设备及存储介质，能够解决图像质量评估时准确度低、智能性差的问题。该技术方案如下：一方面，提供了一种基于人工智能的图像质量评估方法，该方法包括：对第一图像进行降采样处理，得到多个第二图像，所述多个第二图像的尺寸互不相同；根据所述第一图像和所述多个第二图像，获取多个目标图像块；将所述多个目标图像块输入质量评估模型，通过所述质量评估模型预测所述多个目标图像块的图像质量分数，所述质量评估模型基于多个样本图像组训练得到，每个样本图像组包括锐度互不相同的至少两张样本图像，一个样本图像组中各个样本图像对应于同一种子图像；将所述多个目标图像块的图像质量分数的平均值确定为所述第一图像的图像质量分数。在一种可能实施方式中，所述根据所述第一图像和所述多个第二图像，获取多个目标图像块包括：对所述第一图像和所述多个第二图像进行裁剪处理，得到多个图像块，从所述多个图像块中确定所述多个目标图像块，其中，所述多个图像块的尺寸相同。在一种可能实施方式中，所述从所述多个图像块中确定所述多个目标图像块包括：获取与所述多个图像块对应的多个梯度特征块，基于所述多个梯度特征块，确定所述多个图像块的权重；按照权重从大到小的顺序，对所述多个图像块进行排序，将排序位于前目标比例的图像块确定为候选图像块；从所述候选图像块中，随机指定所述多个目标图像块。在一种可能实施方式中，所述获取与所述多个图像块对应的多个梯度特征块包括：对所述第一图像进行边缘特征提取，得到第一梯度特征图；对所述多个第二图像进行边缘特征提取，得到多个第二梯度特征图；按照所述多个图像块的裁剪方式，对所述第一梯度特征图以及所述多个第二梯度特征图进行裁剪处理，得到所述多个梯度特征块，其中，每个梯度特征块对应于一个图像块。在一种可能实施方式中，所述基于所述多个梯度特征块，确定所述多个图像块的权重包括：对每个图像块，将与所述图像块对应的梯度特征块中各个像素值相加所得的数值，确定为所述图像块的权重。在一种可能实施方式中，所述质量评估模型为孪生卷积网络，所述通过所述质量评估模型预测所述多个目标图像块的图像质量分数包括：通过所述孪生卷积网络，对所述多个目标图像块进行卷积处理，得到所述多个目标图像块的图像质量分数。在一种可能实施方式中，所述方法还包括：对视频中的每个图像帧，执行所述基于人工智能的图像质量评估操作，得到各个图像帧的图像质量分数，将所述各个图像帧的图像质量分数的平均值确定为所述视频的视频质量分数。一方面，提供了一种质量评估模型的训练方法，所述方法包括：基于多个种子图像，生成多个样本图像组，所述多个种子图像的图像质量分数高于第一目标阈值，每个样本图像组包括锐度互不相同的至少两张样本图像，一个样本图像组中各个样本图像对应于同一种子图像；根据所述多个样本图像组，获取多个样本图像块组；基于所述多个样本图像块组，对初始模型进行训练，得到所述质量评估模型。在一种可能实施方式中，所述基于多个种子图像，生成多个样本图像组包括：对每个种子图像，基于不同的处理强度，对所述种子图像分别进行至少两次锐度劣化处理，得到锐度互不相同的至少两张样本图像，将所述至少两张样本图像获取为一个样本图像组；重复执行所述获取样本图像组的操作，直到达到目标次数，得到多个样本图像组。在一种可能实施方式中，所述基于所述多个样本图像块组，对初始模型进行训练，得到所述质量评估模型包括：将所述多个样本图像块组输入所述初始模型，通过所述初始模型预测所述多个样本图像块组的图像质量分数；基于所述多个样本图像块组的图像质量分数，确定与所述多个样本图像块组对应的多个样本图像组的质量预测关系；基于所述多个样本图像组的质量预测关系以及所述多个样本图像组的质量真实关系，获取所述多个样本图像组的损失函数值；当所述损失函数值大于第二目标阈值时，基于反向传播算法对所述初始模型进行参数调整，迭代执行所述参数调整的步骤，直到满足停止训练条件。在一种可能实施方式中，所述初始模型为初始孪生卷积网络，所述初始孪生卷积网络包括至少两个单支初始子网络，所述至少两个单支初始子网络之间共享权重，每个单支初始子网络用于处理一个样本图像块组中对应于同一样本图像的各个样本图像块。在一种可能实施方式中，所述将所述多个样本图像块组输入所述初始模型，通过所述初始模型预测所述多个样本图像块组的图像质量分数包括：对所述多个样本图像块组中任一样本图像块组，将对应于相同样本图像的各个样本图像块，输入所述初始孪生卷积网络中相同的单支初始子网络；通过所述初始单支子网络，对所述各个样本图像块进行卷积处理，输出所述各个样本图像块的图像质量分数；对每个样本图像的各个样本图像块，重复执行获取图像质量分数的步骤，得到所述多个样本图像块组的图像质量分数。在一种可能实施方式中，所述基于所述多个样本图像块组的图像质量分数，确定与所述多个样本图像块组对应的多个样本图像组的质量预测关系包括：对所述多个样本图像块组中任一样本图像块组，将对应于相同样本图像的各个样本图像块的图像质量分数的平均值，确定为所述样本图像的图像质量分数；对每个样本图像重复执行获取图像质量分数的步骤，得到各个样本图像的图像质量分数；将各个样本图像的图像质量分数之间的大小关系，确定为所述样本图像块组所对应样本图像组的质量预测关系；对每个样本图像块组重复执行获取质量预测关系的步骤，得到所述多个样本图像组的质量预测关系。一方面，提供了一种基于人工智能的图像质量评估装置，该装置包括：降采样模块，用于对第一图像进行降采样处理，得到多个第二图像，所述多个第二图像的尺寸互不相同；获取模块，用于根据所述第一图像和所述多个第二图像，获取多个本文档来自技高网...

【技术保护点】
1.一种基于人工智能的图像质量评估方法，其特征在于，所述方法包括：/n对第一图像进行降采样处理，得到多个第二图像，所述多个第二图像的尺寸互不相同；/n根据所述第一图像和所述多个第二图像，获取多个目标图像块；/n将所述多个目标图像块输入质量评估模型，通过所述质量评估模型预测所述多个目标图像块的图像质量分数，所述质量评估模型基于多个样本图像组训练得到，每个样本图像组包括锐度互不相同的至少两张样本图像，一个样本图像组中各个样本图像对应于同一种子图像；/n将所述多个目标图像块的图像质量分数的平均值确定为所述第一图像的图像质量分数。/n

【技术特征摘要】
1.一种基于人工智能的图像质量评估方法，其特征在于，所述方法包括：
对第一图像进行降采样处理，得到多个第二图像，所述多个第二图像的尺寸互不相同；
根据所述第一图像和所述多个第二图像，获取多个目标图像块；
将所述多个目标图像块输入质量评估模型，通过所述质量评估模型预测所述多个目标图像块的图像质量分数，所述质量评估模型基于多个样本图像组训练得到，每个样本图像组包括锐度互不相同的至少两张样本图像，一个样本图像组中各个样本图像对应于同一种子图像；
将所述多个目标图像块的图像质量分数的平均值确定为所述第一图像的图像质量分数。


2.根据权利要求1所述的方法，其特征在于，所述根据所述第一图像和所述多个第二图像，获取多个目标图像块包括：
对所述第一图像和所述多个第二图像进行裁剪处理，得到多个图像块，从所述多个图像块中确定所述多个目标图像块，其中，所述多个图像块的尺寸相同。


3.根据权利要求2所述的方法，其特征在于，所述从所述多个图像块中确定所述多个目标图像块包括：
获取与所述多个图像块对应的多个梯度特征块，基于所述多个梯度特征块，确定所述多个图像块的权重；
按照权重从大到小的顺序，对所述多个图像块进行排序，将排序位于前目标比例的图像块确定为候选图像块；
从所述候选图像块中，随机指定所述多个目标图像块。


4.根据权利要求3所述的方法，其特征在于，所述获取与所述多个图像块对应的多个梯度特征块包括：
对所述第一图像进行边缘特征提取，得到第一梯度特征图；
对所述多个第二图像进行边缘特征提取，得到多个第二梯度特征图；
按照所述多个图像块的裁剪方式，对所述第一梯度特征图以及所述多个第二梯度特征图进行裁剪处理，得到所述多个梯度特征块，其中，每个梯度特征块对应于一个图像块。


5.根据权利要求1所述的方法，其特征在于，所述质量评估模型为孪生卷积网络，所述通过所述质量评估模型预测所述多个目标图像块的图像质量分数包括：
通过所述孪生卷积网络，对所述多个目标图像块进行卷积处理，得到所述多个目标图像块的图像质量分数。


6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对视频中的每个图像帧，执行所述基于人工智能的图像质量评估操作，得到各个图像帧的图像质量分数，将所述各个图像帧的图像质量分数的平均值确定为所述视频的视频质量分数。


7.一种质量评估模型的训练方法，其特征在于，所述方法包括：
基于多个种子图像，生成多个样本图像组，所述多个种子图像的图像质量分数高于第一目标阈值，每个样本图像组包括锐度互不相同的至少两张样本图像，一个样本图像组中各个样本图像对应于同一种子图像；
根据所述多个样本图像组，获取多个样本图像块组；
基于所述多个样本图像块组，对初始模型进行训练，得到所述质量评估模型。


8.根据权利要求7所述的方法，其特征在于，所述基于多个种子图像，生成多个样本图像组包括：
对每个种子图像，基于不同的处理强度，对所述种子图像分别进行至少两次锐度劣化处理，得到锐度互不相同的至少两张样本图像，将所述至少两张样本图像获取为一个样本图像组；
重复执行所述获取样本图像组的操作，直到达到目标次数，得到多个样本图像组。


9.根据权利要求7所述的方法，其特征在于，所述基于所述多个样本图像块组，对初始模型进行训练，得到所述质量评估模型包括：
将所述多个样本图像块组输入所述初始模型，通过所述初始模型预测所述多个样本图...

【专利技术属性】
技术研发人员：张亚彬，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44