图像质量评分方法、装置、存储介质以及电子设备制造方法及图纸

本发明专利技术公开了一种图像质量评分方法、装置、存储介质以及电子设备。该方法包括：获取待评分的目标图像；使用第一特征提取模型提取目标图像的深度学习特征；获取目标图像的目标特征，其中，目标特征包括目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；将深度学习特征和目标特征拼接为组合特征；将组合特征输入到目标评分模型，由目标评分模型对目标图像的质量进行评分，其中，目标评分模型为使用训练样本对原始评分模型进行训练得到的模型，训练样本包括多张训练图像和每一张训练图像的质量评分。本发明专利技术解决了对图像质量进行评分不准确的技术问题。准确的技术问题。准确的技术问题。

【技术实现步骤摘要】
图像质量评分方法、装置、存储介质以及电子设备


[0001]本专利技术涉及计算机领域，具体而言，涉及一种图像质量评分方法、装置、存储介质以及电子设备。

技术介绍

[0002]现有技术中，在对一张图像的图像质量进行评分的时候，通常可以使用评分模型提取图像的深度学习特征，然后根据深度学习特征确定图像的评分。
[0003]然而，由于图像的深度学习特征一般用于图像的识别、分类等任务，并不能够很好的表达图像的颜色、曝光等影响图像质量的信息，因此，通过图像的深度学习特征来确定图像的质量评分，确定的质量评分并不准确。

技术实现思路

[0004]本专利技术实施例提供了一种图像质量评分方法、装置、存储介质以及电子设备，以至少解决对图像进行质量评分不准确的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种图像质量评分方法，包括：获取待评分的目标图像；使用第一特征提取模型提取上述目标图像的深度学习特征；获取上述目标图像的目标特征，其中，上述目标特征包括上述目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；将上述深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像质量评分方法，其特征在于，包括：获取待评分的目标图像；使用第一特征提取模型提取所述目标图像的深度学习特征；获取所述目标图像的目标特征，其中，所述目标特征包括所述目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；将所述深度学习特征和所述目标特征拼接为组合特征；将所述组合特征输入到目标评分模型，由所述目标评分模型对所述目标图像的质量进行评分，其中，所述目标评分模型为使用训练样本对原始评分模型进行训练得到的模型，所述训练样本包括多张训练图像和每一张所述训练图像的质量评分。2.根据权利要求1所述的方法，其特征在于，在所述目标特征为所述颜色特征的情况下，获取所述目标特征包括：获取所述目标图像的颜色直方图。3.根据权利要求2所述的方法，其特征在于，所述获取所述目标图像的颜色直方图包括：将所述目标图像的像素的最小颜色值到最大颜色值划分为不同的颜色区间，其中，所述最小颜色值为所述目标图像中的像素点的颜色值的最小值，所述最大颜色值为所述目标图像中的像素点的颜色值的最大值；统计处于每一个所述颜色区间内的像素点的数量，得到所述颜色直方图。4.根据权利要求1所述的方法，其特征在于，在所述目标特征为所述纹理特征的情况下，获取所述目标特征包括：获取所述目标图像的灰度共生矩阵；将所述灰度共生矩阵作为所述目标图像的所述目标特征。5.根据权利要求1所述的方法，其特征在于，在所述目标特征为所述梯度特征的情况下，获取所述目标特征包括：获取所述目标图像的方向梯度直方图；将所述方向梯度直方图作为所述目标图像的所述目标特征。6.根据权利要求1至5任意一项所述的方法，其特征在于，在将所述深度学习特征和所述目标特征拼接为组合特征之前，所述方法还包括：对所述目标特征执行降维操作。7.根据权利要求6所述的方法，其特征在于，所述对所述目标特征执行降维操作包括：在所述目标特征包括...

【专利技术属性】
技术研发人员：贺沁雯，
申请(专利权)人：北京金山云网络技术有限公司，
类型：发明
国别省市：