一种图像评价方法、存储介质及终端设备技术

本发明专利技术公开了一种图像评价方法、存储介质及终端设备，所述方法包括获取待评价图像，并基于所述评价网络模型确定所述待评价图像的图像质量分数，其中，所述评价网络模型包括并联的语义信息模块以及失真信息模块。本发明专利技术通过语义信息模块确定所述图像的语义信息，并通过所述失真信息模块确定图像失真信息(例如，噪声种类，噪声强度等)，再根据确定到的语义信息以及失真信息对所述图像进行评价，这样通过将语义信息与失真信息相结合来对图像进行评价，提高了图像评价的准确性。提高了图像评价的准确性。提高了图像评价的准确性。

【技术实现步骤摘要】
一种图像评价方法、存储介质及终端设备


[0001]本专利技术涉及图像处理
，特别涉及一种图像评价方法、存储介质及终端设备。

技术介绍

[0002]图像质量评价是计算机视觉领域的重要研究方向，通过对图像质量评价的研究，不仅可以直接给出图像质量好坏的评价，还可以给出图像增强算法的参考方向。例如，通过评价某一指定场景下处理后图像的噪声和细节(模糊)，可以指出为了提高图像的整体视觉质量，采用的图像增强方案为：以牺牲图像细节的方式来关注图像去噪，或者以放松噪声影响的方式来保留及复原图像细节。
[0003]目前普遍使用的图像质量评价方法为客观质量评价方法，其中，客观质量评价方法可以分为全参考图像质量评价、半参考图像质量评价和无参考图像质量评价，其中，无参考图像质量评价指的是在没有任何对照图像信息的情况下，对任意一张图像进行质量评价。在客观质量评价方法中，由于在实际拍摄和处理的图像，很难找到精确的参考图像作为对照，从而无参考图像质量评价方法被广泛使用。然而，目标普遍使用的无参考图像质量评价方法主要从图像的局部信息出发来关注局部特征(例如，图像噪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像评价方法，其特征在于，所述方法应用于已训练的评价网络模型，所述评价方法包括：所述评价网络模型获取待评价图像；所述评价网络模型根据所述待评价图像，确定所述待评价图像对应的语义特征和失真特征；所述评价网络模型基于所述语义特征以及所述失真特征，确定所述待评价图像的图像质量分数。2.根据权利要求1所述的图像评价方法，其特征在于，所述评价网络模型包括语义信息模块以及失真信息模块，所述评价网络模型根据所述待评价图像，确定所述待评价图像对应的语义特征和失真特征具体包括：所述语义信息模块根据所述待评价图像，确定所述待评价图像对应的语义特征，所述语义特征用于反映所述待评价图像的语义信息；所述失真信息模块根据所述待评价图像确定所述待评价图像对应的失真特征，其中，所述失真特征用于反映所述待评价图像的失真程度。3.根据权利要求1所述图像评价方法，其特征在于，所述评价网络模型包括融合模块；所述评价网络模型基于所述语义特征以及所述失真特征，确定所述待评价图像的图像质量分数具体包括：所述融合模块根据所述语义特征以及所述失真特征，确定所述待评价图像的图像质量分数。4.根据权利要求2所述图像评价方法，其特征在于，所述语义特征的第一矩阵维度与所述失真特征的第二矩阵维度不同；所述融合模块根据所述语义特征以及所述失真特征，确定所述待评价图像的图像质量分数之前，所述方法包括：所述评价网络模型根据所述第一矩阵维度和第二矩阵维度确定目标矩阵维度；所述评价网络模型根据所述目标矩阵维度分别对所述语义特征以及所述失真特征进行调整，得到调整后的语义特征与调整后的失真特征。5.根据权利要求4所述图像评价方法，其特征在于，所述评价网络模型根据所述第一矩阵维度和第二矩阵维度确定目标矩阵维度具体包括：所述评价网络模型获取第一矩阵维度中的行数与第二矩阵维度中的行数中的最小行数，以及获取第一矩阵维度中的列数与第二矩阵维度中的列数中的最小列数；所述评价网络模型所述最小行数以及最小列数确定目标矩阵维度。6.根据权利要求1-5任一所述图像评价方法，其特征在于，所述评价网络模型为基于预设的训练图像集对第一网络模型进行训练得到，其中，所述第一网络模型中的失真信息模块为经过训练的网络模块，所述训练图像集包括多张训练图像以及每张训练图像对应的图像评价分数。7.根据权利要求6所述图像评价方法，其特征在于，所述第一网络模型中的失真信息模块为基于预设的训练样本训练得到，所述训练样本包括多组训练图像组，每组训练图像组包括第一图像和第二图像，所述第一图像与第二图像为同一原图像的失真图像，所述第一图像的失真类型与第二图像的失真类型相同，并且所述第一图...

【专利技术属性】
技术研发人员：李逸群，马岚，俞大海，
申请(专利权)人：TCL科技集团股份有限公司，
类型：发明
国别省市：