评估图像质量的方法、装置及终端设备制造方法及图纸

本申请提供的一种图像质量评估方法，包括：获取待评估图像；将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息；根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果。通过上述方法，可以提升图像质量评估的准确率。

【技术实现步骤摘要】
评估图像质量的方法、装置及终端设备
本申请属于图像质量评估
，尤其涉及评估图像质量的方法、评估图像质量的装置、终端设备及计算机可读存储介质。
技术介绍
图像质量评估在许多场景都有广泛的应用需求，比如对图像进行质量评估可以从大量图像中筛选出高质量图像，和低质量图像。之后电子设备可以删除低质量图像，以减小硬件存储压力；或者，电子设备可以基于图像的质量评分可以从视频中提取中质量较好的图像。此外，还可以从大规模的数据中筛选出高质量的训练图像以用于神经网络模型的训练等。
技术实现思路
本申请实施例提供了评估图像质量的方法、评估图像质量的装置、终端设备及计算机可读存储介质，可以提升图像质量评估的准确率。第一方面，本申请实施例提供了一种评估图像质量的方法，包括：获取待评估图像；将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息；根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果。第二方面，本申请实施例提供了一种评估图像质量的装置，包括：获取模块，用于获取待评估图像；处理模块，用于将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息；确定模块，用于根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果。第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器、显示器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，其特征在于，上述处理器执行上述计算机程序时实现如第一方面上述的评估图像质量的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面上述的评估图像质量的方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中上述的评估图像质量的方法。本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，可以获取待评估图像，然后将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息，从而获得用于描述所述待评估图像的初步的质量评估结果的质量评估分值，以及诸如所述待评估图像的场景信息、目标对象类别信息等语义信息，再根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果，从而可以根据所述语义信息对所述质量评估分值的评估偏差进行调整，能够针对不同语义的图像应用不同的图像质量评估标准来获得对应的质量评估结果，以提升图像质量评估的泛化性能，从而提升了图像质量评估的准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的一种评估图像质量的方法的流程示意图；图2是本申请一实施例提供的一种具体应用场景的示例性示意图；图3是本申请一实施例提供的另一种评估图像质量的方法的流程示意图；图4是本申请一实施例提供的卷积神经网络的一种示例性示意图；图5是本申请一实施例提供的所述图像评估模型和所述分类器的一种示意性结构图；图6是本申请一实施例提供的一种评估图像质量的装置的结构示意图；图7是本申请一实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。实施例一随着手机等终端设备上的图像采集系统不断发展，各种应用场景中的图像数量也呈现指数级的增长。对可靠的图像质量评估的需求也日益增加。目前的图像质量评估方式可以基于诸如卷积神经网络等深度学习技术来实现。而在实际应用中，各种待评估图像均通过预先训练得到的固定参数的一个卷积神经网络来确定质量评估分值，即所有的待评估图像均遵循该卷积神经网络中预选训练得到的一套固定的评分规则。然而在实际应用场景中，不同的待评估图像所对应的评分规则可能存在差异。例如，在诸如人像类的图像中，一般可能会认为具有背景虚化效果的图像是质量较好的图像，而在诸如风景类的图像中，一般可能会希望整个图像都是清晰的图像，即整个图像都处于清晰状态时才认为是质量较好的图像。因此，目前的图像质量评估方式的质量评估准确率往往较低。而本申请实施例可以通过图像评估模型得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息，从而获得用于描述所述待评估图像的初步的质量评估结果的质量评估分值，以及诸如所述待评估图像的场景信息、目标对象类别信息等语义信息，再根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果，从而可以根据所述语义信息对所述质量评估分值的评估偏差进行调整，能够针对不同语义的图像应用不同的图像质量评估标准来获得对应的质量评估结果，以提升图像质量评估的泛化性能，从而提升了图像质量评估的准确性。具体地，图1示出了本申请实施例提供的一种评估图像质量的方法的流程图，该评估图像质量的方法可以应用于终端设备。所述终端设备可以具有图像评估功能。本申请实施例对终端设备的具体类型不作任何限制。示例性的，所述终端设备的类型可以为台式电脑、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移本文档来自技高网...

【技术保护点】
1.一种评估图像质量的方法，其特征在于，包括：/n获取待评估图像；/n将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息；/n根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果。/n

【技术特征摘要】
1.一种评估图像质量的方法，其特征在于，包括：
获取待评估图像；
将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息；
根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果。


2.如权利要求1所述的方法，其特征在于，所述图像评估模型包括图像分类模型和至少一个质量评估模型，其中，所述质量评估模型用于获得一个所述质量评估分值，所述图像分类模型用于确定所述待评估图像的语义信息；
所述将所述待评估图像输入至图像评估模型中，得到所述待评估图像对应的至少一个质量评估分值和所述待评估图像的语义信息，包括：
通过至少一个质量评估模型确定待评估图像的至少一个质量评估分值；
通过所述图像分类模型确定所述待评估图像的语义信息。


3.如权利要求2所述的方法，其特征在于，所述质量评估模型为卷积神经网络模型；
所述通过至少一个质量评估模型确定待评估图像的至少一个质量评估分值，包括：
针对每一个所述卷积网络模型，将所述待评估图像输入所述卷积神经网络模型，获得所述卷积神经网络模型中的特征提取层针对所述待评估图像所输出的第一特征向量；
通过所述卷积神经网络模型中的自适应池化层将所述第一特征向量转化为预设维度的第二特征向量；
根据所述第二特征向量和所述卷积神经网络模型，获得所述待评估图像的一个质量评估分值。


4.如权利要求2所述的方法，其特征在于，所述语义信息包括类别概率向量；
所述根据至少一个所述质量评估分值和所述语义信息确定所述待评估图像的质量评估结果，包括：
根据所述质量评估分值和所述类别概率向量确定第三特征向量，所述第三特征向量的维度为所述类别概率向量的维度与所述质量评估分值的维度之和；
根据所述第三特征向量得到质量评估结果。


5.如权利要求4所述的方法，其特征在于，所述根据所述第三特征向量得到质量评估结果包括：
将所述第三特征向量输入分类器，获得所述分类器所输出的质量评估结果。


6.如权利要求5所述的方法，其特征在于，所述质量评估模型为卷积神经网络模型；
在通过至少一个质量评估模型确定待评估图像的至少一个质量评估分值之前，还包括：
通过第一图像训练集，对参考卷积神经网络模型、参考图像分类模型以及参考分类器进行联合训练，并将联合训练后得到的参考卷积神经网络模型作为所述卷积神经网络模型，将联合训练后得到的参考图像分类模型作为所述图像分类模型，以及将联合训练后得到的参考分类器作为所述分类器。


7.如权利要求6所述的方法，其特征在于，所述通过第一图像训练集，对参考卷积神经网络模型、参考图像分类模型以及参考分类器进行联合训练，包括：
针对所述联合训练的每一次迭代过程，将所述第一图像训练集中针对本次迭代过程的第一训练图像分别输入所述参考卷积神经网络模型和所述参考图像分类模型，获得所述参考卷积神经网络模型针对所述第一训练图像所输出的第一质量评估分值，以及获得所述参考图像分类模型针对所述第一训练图像所输出的第一类别概率向量；
根据所述第一质量评估分值与所述第一类别概率向量确定第四特征向量；
通过所述参考分类器对所述第四特征向量进行处理，获得本次迭代过程所对应的第二质量评估分值；
根据所述第二质量评估分值确定所述联合训练是否完成。


8.如权利要求6所述的方法，其特征在于，在通过第一图像训练集，对参考卷积神经网络模型、参考图像分类模型以及参考分类器进行联合训练之前，还包括：
根据第二图像训练集，对第一卷积神经网络模型进行训练，并将训练完成的第一卷积神经网络模型作为所述参考卷积神经网络模型；
根据第...

【专利技术属性】
技术研发人员：尹康，
申请(专利权)人：OPPO重庆智能科技有限公司，
类型：发明
国别省市：重庆;50