一种无参考图像质量评价方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种无参考图像质量评价方法、装置及存储介质，该方法包括：获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。本发明专利技术基于深度学习方法预测图像的质量分数，避免图像质量过低影响后续处理算法的准确性。

【技术实现步骤摘要】
一种无参考图像质量评价方法、装置及存储介质
本专利技术涉及图像评价
，尤其涉及一种无参考图像质量评价方法、装置及存储介质。
技术介绍
图像在采集、传输等过程中不可避免的受到各种失真的影响，如压缩、散焦模糊、运动模糊、噪声、异常曝光等。失真的引入改变了像素间的相关性，在一定程度上丢失图像原始信息，将会对后期目标检测和缺陷识别准确率造成影响。为了使得检测、识别算法能更准确地对目标进行辨别，降低误差，需要对待检测图像的质量进行预判。特别对于输电线路的巡检图像，大多使用机器人或者无人机对输电线路进行拍摄，使得巡检图像在拍摄时易受到恶劣天气、无人机抖动、拍摄角度等多种因素的影响而产生失真，对后期目标识别与检测的准确率造成影响。
技术实现思路
本专利技术实施例的目的是提供一种无参考图像质量评价方法、装置及存储介质，基于深度学习方法预测图像的质量分数，避免图像质量过低影响后续处理算法的准确性。为实现上述目的，本专利技术一实施例提供了一种无参考图像质量评价方法，包括以下步骤：获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。优选地，所述将所述待评价图像进行归一化处理，具体包括：将所述待评价图像不同坐标的像素值代入公式进行计算，得到归一化处理后的图像在对应坐标的像素值；其中，i和j分别为所述待评价图像在水平方向的坐标值和在垂直方向的坐标值，1≤i≤M，1≤j≤N，M和N分别为所述待评价图像的高度和宽度，为归一化处理后的图像在坐标(i，j)处的像素值，I(i,j)为所述待评价图像在坐标(i，j)处的像素值；μ(i,j)为所述待评价图像在坐标(i，j)处的均值，σ(i,j)为所述待评价图像在坐标(i，j)处的对比度；C为预设常数。优选地，所述待评价图像在坐标(i，j)处的均值μ(i,j)的计算公式为其中，P和Q分别为预设的图像处理窗口的高度和宽度，ωp,q为二维圆对称高斯函数，Ip,q(i,j)为所述待评价图像在坐标(i，j)处的像素值。优选地，所述待评价图像在坐标(i，j)处的对比度σ(i,j)的计算公式为优选地，所述基于多任务学习的网络模型包括6个卷积层、1个最大池化层、2个求和层、1个连接层和5个完全连接层；其中，6个卷积层分为两组，一组3个卷积层，第一组卷积层后连接最大池化层和一个求和层，之后连接第二组卷积层，第二组卷积层后连接另一个求和层；6个卷积层、1个最大池化层与2个求和层组成一个CNN特征提取器；所述CNN特征提取器之后连接两个学习模块，第一个学习模块包括2个完全连接层，用于提取自然场景统计；第二个学习模块包括1个连接层和3个完全连接层，用于预测图像质量分数。优选地，所述基于多任务学习的网络模型的目标函数的表达式为其中，其中X,Y1和Y2分别为输入图像块、自然场景统计特征标签以及预测的图像质量分数标签，W1为所述CNN特征提取器对应的第一权重参数，W2和W3分别为提取自然场景统计任务对应的的第二权重参数和预测图像质量分数任务对应的第三权重参数，f1(X；W1,W2)为在网络模型参数为W1和W2的情况下得到的输入图像块的自然场景统计特征；f2(X；W1,W3)表示在网络模型参数为W1和W3的情况下预测的输入图像块的预测质量分数。本专利技术另一实施例提供了一种无参考图像质量评价装置，所述装置包括：图像获取模块，用于获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；图像划分模块，用于将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；分数预测模块，用于将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算模块，用于计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。本专利技术另一实施例对应提供了一种使用无参考图像质量评价方法的装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的无参考图像质量评价方法。本专利技术还有一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的无参考图像质量评价方法。与现有技术相比，本专利技术实施例所提供的一种无参考图像质量评价方法、装置及存储介质，不需要参考图像的介入，可以基于深度学习的方法对图像的质量进行估计进而区分图像质量等级，与图像质量分数标签有较高的一致性，进而避免因图像质量过低而影响后续处理算法的准确性。附图说明图1是本专利技术提供的一种无参考图像质量评价方法的一个实施例的流程示意图；图2是本专利技术提供的一种无参考图像质量评价方法的另一个实施例的流程示意图；图3是本专利技术提供的无参考图像质量评价装置的一个实施例的结构示意图；图4是本专利技术提供的使用无参考图像质量评价方法的装置的一个实施例的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，是本专利技术提供的一种无参考图像质量评价方法的一个实施例的流程示意图，所述方法包括步骤S1至步骤S4：S1、获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；S2、将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；S3、将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；S4、计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。具体地，获取已标识有标签的待评价图像，将待评价图像进行归一化处理，以去除图像的相关性。待评价图像的标签为图像质量分数标签。为了适应输电线路巡检图像的质量评价，待评价图像可以选择输电线路巡检图像。将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签。优选地，划分的图像块的大小为32×32。每个图像块作为深度学习网络模型的输入。将每块图像块输入预设的基于多任务学习的网络模型，本文档来自技高网...

【技术保护点】
1.一种无参考图像质量评价方法，其特征在于，包括以下步骤：/n获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；/n将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；/n将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；/n计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。/n

【技术特征摘要】
1.一种无参考图像质量评价方法，其特征在于，包括以下步骤：
获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；
将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；
将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；
计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。


2.如权利要求1所述的无参考图像质量评价方法，其特征在于，所述将所述待评价图像进行归一化处理，具体包括：
将所述待评价图像不同坐标的像素值代入公式进行计算，得到归一化处理后的图像在对应坐标的像素值；其中，i和j分别为所述待评价图像在水平方向的坐标值和在垂直方向的坐标值，1≤i≤M，1≤j≤N，M和N分别为所述待评价图像的高度和宽度，为归一化处理后的图像在坐标(i，j)处的像素值，I(i,j)为所述待评价图像在坐标(i，j)处的像素值；μ(i,j)为所述待评价图像在坐标(i，j)处的均值，σ(i,j)为所述待评价图像在坐标(i，j)处的对比度；C为预设常数。


3.如权利要求2所述的无参考图像质量评价方法，其特征在于，所述待评价图像在坐标(i，j)处的均值μ(i,j)的计算公式为其中，P和Q分别为预设的图像处理窗口的高度和宽度，ωp,q为二维圆对称高斯函数，Ip,q(i,j)为所述待评价图像在坐标(i，j)处的像素值。


4.如权利要求3所述的无参考图像质量评价方法，其特征在于，所述待评价图像在坐标(i，j)处的对比度σ(i,j)的计算公式为


5.如权利要求1所述的无参考图像质量评价方法，其特征在于，所述基于多任务学习的网络模型包括6个卷积层、1个最大池化层、2个求和层、1个连接层和5个完全连接层；其中，6个卷积层分为两组，一组3个卷积层，第一组卷积层后连接最大池化层和一个求和层，之后连接第二组卷积层，第二组卷积层后连接另一个求和层...

【专利技术属性】
技术研发人员：张显聪，杨珏，范旭娟，陈雁，何锦强，廖永力，朱登杰，
申请(专利权)人：广东电网有限责任公司广州供电局，南方电网科学研究院有限责任公司，
类型：发明
国别省市：广东;44