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；将上述深度学习特征和上述目标特征拼接为组合特征；将上述组合特征输入到目标评分模型，由上述目标评分模型对上述目标图像的质量进行评分，其中，上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，上述训练样本包括多张训练图像和每一张上述训练图像的质量评分。
[0006]根据本专利技术实施例的另一方面，提供了一种图像质量评分装置，包括：第一获取模块，用于获取待评分的目标图像；提取模块，用于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；第二获取模块，用于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；拼接模块，用于将上述深度学习特征和上述目标特征拼接为组合特征；输入模块，用于将上述组合特征输入到目标评分模型，由上述目标评分模型对上述目标图像的质量进行评分，其中，上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，上述训练样本包括多张训练图像和每一张上述训练图像的质量评分。
[0007]作为一种可选的示例，上述第二获取模块包括：第一获取单元，用于在上述目标特征为上述颜色特征的情况下，获取上述目标图像的颜色直方图。
[0008]作为一种可选的示例，上述第一获取单元包括：划分子单元，用于将上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，上述最小颜色值为上述目标图像中的像素点的颜色值的最小值，上述最大颜色值为上述目标图像中的像素点的颜色值的最大值；统计子单元，用于统计处于每一个上述颜色区间内的像素点的数量，得到上述颜色直方图。
[0009]作为一种可选的示例，上述第二获取模块包括：第二获取单元，用于获取上述目标图像的灰度共生矩阵或Tamura纹理特征或者自回归纹理特征；第一确定单元，用于将上述灰度共生矩阵或Tamura纹理特征或者自回归纹理特征作为上述目标图像的上述目标特征。
[0010]作为一种可选的示例，上述第二获取模块包括：第三获取单元，用于获取上述目标图像的Brenner梯度特征或者laplacian算子特征；第二确定单元，用于将上述Brenner梯度特征或者laplacian算子特征作为上述目标图像的上述目标特征。
[0011]作为一种可选的示例，上述装置还包括：处理模块，用于在将上述深度学习特征和上述目标特征拼接为组合特征之前，对上述目标特征执行降维操作。
[0012]作为一种可选的示例，上述处理模块包括：第一降维单元，用于在上述目标特征包括上述颜色特征的情况下，将上述目标特征降维到上述颜色特征的第一维度，或者将上述目标特征降维到目标维度，其中，上述目标维度为与上述颜色特征的第一维度、上述纹理特征的第二维度以及上述梯度特征的第三维度不同的维度；或者第二降维单元，用于在上述目标特征包括上述纹理特征的情况下，将上述目标特征降维到上述纹理特征的第二维度，或者将上述目标特征降维到目标维度，其中，上述目标维度为与上述颜色特征的第一维度、上述纹理特征的第二维度以及上述梯度特征的第三维度不同的维度；或者第三降维单元，用于在上述目标特征包括上述梯度特征的情况下，将上述目标特征降维到上述梯度特征的第三维度，或者将上述目标特征降维到目标维度，其中，上述目标维度为与上述颜色特征的第一维度、上述纹理特征的第二维度以及上述梯度特征的第三维度不同的维度。
[0013]根据本专利技术实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被处理器运行时执行上述图像质量评分方法。
[0014]根据本专利技术实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的图像质量评分方法。
[0015]在本专利技术实施例中，采用了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；将上述深度学习特征和上述目标特征拼接为组合特征；将上述组合特征输入到目标评分模型，由上述目标评分模型对上述目标图像的质量进行评分，其中，上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，上述训练样本包括多张训练图像和每一张上述训练图像的质量评分的方法，由于在上述方法中，在确定目标图像的质量评分时，不仅仅提取目标图像的深度学习特征，还要提取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，并将深度学习特征和颜色特征、纹理特征以及梯度特征中的至少之一进行拼接，得到组合特征，最后根据组合特征来确定目标图像的质量评分，从而实现了提高对图像的质量进行评分的准确度的目的，进而解决了图像质量评分不准确的技术问题。
附图说明
[0016]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0017]图1是根据本专利技术实施例的一种可选的图像质量评分方法的流程图；
[0018]图2是根据本专利技术实施例的一种可选的图像质量评分方法的模型训练示意图；
[0019]图3是根据本专利技术实施例的一种可选的图像质量评分方法的获取组合特征的示意图；
[0020]图4是根据本专利技术实施例的一种可选的图像质量评分装置的结构示意图；
[0021]图5是根据本专利技术实施例的一种可选的电子设备的示意图。
具体实施方式
[0022]为了使本
的人员更好地理解本专利技术方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0023]需要说本文档来自技高网...

【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：