【技术实现步骤摘要】
图像处理方法、装置、电子设备、存储介质及程序产品
[0001]本申请涉及人工智能技术,尤其涉及一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
[0002]人工智能(AI,Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。
[0003]互联网时代下的视频、游戏、直播等应用均为用户提供了丰富的视觉服务,画面质量是视觉服务的核心保证,为了提升用户的视觉体验感,相关技术中提供了针对画面图像进行画面质量评价的技术方案,基于统一标准对图像的画质进行主观评分,但这种主观评分方式耗费大量的人力,并且无法快速地输出画质评价的相关报告。
技术实现思路
[0004]本申请实施例提供一种基于人工智能的图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品,能够提升图像的画质评价准确度。
[0005]本申请实施例的技术方案是这样实现的:本申请实施例提供一种基于人工智能的图像处理方法,包括:对目标图像进行显著性预测处理,得到所述目标图像中每个像素的关注度;对所述目标图像进行分割处理,得到所述目标图像的多个区域;对每个所述区域进行画质评分预测处理,得到每个所述区域的画质评分;基于所述目标图像中每个像素的关注度以及每个所述区域的画质评分,确定所述目标图像的画质评分。
[0006]本申请实施例提供一种基于人工智能的图像处理 ...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的图像处理方法,其特征在于,所述方法包括:对目标图像进行显著性预测处理,得到所述目标图像中每个像素的关注度;对所述目标图像进行分割处理,得到所述目标图像的多个区域;对每个所述区域进行画质评分预测处理,得到每个所述区域的画质评分;基于所述目标图像中每个像素的关注度以及每个所述区域的画质评分,确定所述目标图像的画质评分。2.根据权利要求1所述的方法,其特征在于,所述显著性预测处理是通过调用显著预测模型实现的,所述显著预测模型包括N个级联的显著卷积网络以及M个级联的上采样网络,其中,N为大于或者等于2的整数,M与N相等;所述对目标图像进行显著性预测处理,得到所述目标图像中每个像素的关注度,包括:通过所述N个级联的显著卷积网络对所述目标图像进行显著特征提取处理,得到所述目标图像的显著性特征;通过所述M个级联的上采样网络对所述显著性特征进行上采样处理,得到所述目标图像中每个像素的关注度。3.根据权利要求2所述的方法,其特征在于,所述通过所述N个级联的显著卷积网络对所述目标图像进行显著特征提取处理,得到所述目标图像的显著性特征,包括:通过N个级联的显著卷积网络中的第n显著卷积网络,对所述第n显著卷积网络的输入进行多尺度卷积特征提取处理,并将所述第n显著卷积网络输出的第n多尺度特征提取结果传输到第n+1显著卷积网络以继续进行多尺度卷积特征提取处理,得到对应所述第n+1显著卷积网络的第n+1多尺度特征提取结果;其中,n为取值从1开始递增的整数变量,n的取值范围为,当n取值为1时,所述第n显著卷积网络的输入为所述目标图像,当n取值为时,所述第n显著卷积网络的输入为第n
‑
1显著卷积网络输出的第n
‑
1多尺度特征提取结果,当n取值为N
‑
1时,所述第n+1多尺度特征提取结果为所述显著性特征。4.根据权利要求3所述的方法,其特征在于,所述第n显著卷积网络包括与多个卷积核尺度一一对应的多个第n卷积层,所述通过N个级联的显著卷积网络中的第n显著卷积网络,对所述第n显著卷积网络的输入进行多尺度卷积特征提取处理,包括:通过所述多个第n卷积层中每个所述第n卷积层对所述第n显著卷积网络的输入进行对应所述卷积核尺度的卷积特征提取处理,得到对应每个所述第n卷积层的卷积特征;将对应每个所述第n卷积层的卷积特征进行拼接处理,得到对应所述第n显著卷积网络的第n多尺度特征提取结果。5.根据权利要求2所述的方法,其特征在于,所述通过所述M个级联的上采样网络对所述显著性特征进行上采样处理,得到所述目标图像中每个像素的关注度,包括:通过M个级联的上采样网络中的第m上采样网络,对所述第m上采样网络的输入进行尺度扩大处理,并将所述第m上采样网络输出的第m尺度扩大结果传输到第m+1上采样网络以继续进行尺度扩大处理,得到对应所述第m+1上采样网络的第m+1尺度扩大结果;其中,m为取值从1开始递增的整数变量,m的取值范围为,当m取值为1时,所述第m上采样网络的输入为所述显著性特征,当m取值为时,所述第m上采样网络的输入为第m
‑
1上采样网络输出的第m
‑
1尺度扩大结果,当n取值为M
‑
1时,所述第m+1尺度
扩大结果为每个所述像素的关注度。6.根据权利要求5所述的方法,其特征在于,所述通过M个级联的上采样网络中的第m上采样网络,对所述第m上采样网络的输入进行尺度扩大处理之前,所述方法还包括:当m取值为时,将第M+1
‑
m显著卷积网络的输出与所述第m
‑
1上采样网络的输出的第m
‑
1尺度扩大结果进行拼接处理,并将拼接处理结果作为所述第m上采样网络的输入,以替代将所述第m
‑
1上采样网络输出的第m
‑
1尺度扩大结果作为所述第m上采样网络的输入。7...
【专利技术属性】
技术研发人员:黄超,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。