图像检测方法、装置、设备及存储介质制造方法及图纸

本公开实施例公开了图像检测方法、装置、设备及存储介质。该方法包括：获取待检测的目标图像，将目标图像输入至预设图像检测模型中，其中，预设图像检测模型通过利用预设样本对集合，对包含孪生网络的预设神经网络模型进行训练后得到，孪生网络中每个分支网络用于输出输入至分支网络的图像的色彩质量分值和图像损伤类别，预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像，样本对集合中包含至少两个对应于不同图像损伤类别的样本对，根据预设图像检测模型的输出结果，确定目标图像对应的目标色彩质量分值和目标图像损伤类别。通过采用上述技术方案，可提高图像检测的准确度。图像检测的准确度。图像检测的准确度。

【技术实现步骤摘要】
图像检测方法、装置、设备及存储介质


[0001]本公开实施例涉及计算机
，尤其涉及图像检测方法、装置、设备及存储介质。

技术介绍

[0002]图像中可以包含丰富的内容和信息，是一种常见的信息载体。在许多应用场景中，存在对图像质量进行检测的需求。
[0003]目前，在对图像质量进行检测时，通常针对如亮度、对比度以及色彩丰富度等细化指标直接从图像的颜色空间色域特定维度中提取简单的统计特征，而上述指标之间信息冗余较大，指标信息过于低维，只能反映画面属性，而无法反映画质好坏。例如，在对图像进行调整时，常常亮度以及对比度等多个指标同时变化且趋势不同，无法分辨调整前后图像画质的好坏。此外，图像作为信息载体，通常需要向人展示，而图像在获取、压缩、处理、传输、存储以及显示等过程中可能带来不同程度和类型的失真，形成图像损伤，降低人眼视觉观感，直接影响信息的获取，现有的检测方案通常受限于主观标注数据集的规模，无法在图像损伤维度表现出和人类主观感受的高相关性，也即无法得出准确的检测结果。
[0004]因此，目前的图像质量检测方案仍不够完善，需要改进。

技术实现思路

[0005]本公开实施例提供了图像检测方法、装置、存储介质及设备，可以优化现有的图像检测方案。
[0006]第一方面，本公开实施例提供了一种图像检测方法，包括：
[0007]获取待检测的目标图像；
[0008]将所述目标图像输入至预设图像检测模型中，其中，所述预设图像检测模型通过利用预设样本对集合，对包含孪生网络的预设神经网络模型进行训练后得到，所述孪生网络中包括结构相同且共享权重的两个分支网络，每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别，所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像，所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对；
[0009]根据所述预设图像检测模型的输出结果，确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
[0010]第二方面，本公开实施例提供了一种图像检测装置，包括：
[0011]目标图像获取模块，用于获取待检测的目标图像；
[0012]图像输入模块，用于将所述目标图像输入至预设图像检测模型中，其中，所述预设图像检测模型通过利用预设样本对集合，对包含孪生网络的预设神经网络模型进行训练后得到，所述孪生网络中包括结构相同且共享权重的两个分支网络，每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别，所述预设样本对集合中
的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像，所述样本对集合中包含至少两个对应于不同图像损伤类别的样本对；
[0013]图像检测模块，用于根据所述预设图像检测模型的输出结果，确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。
[0014]第三方面，本公开实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本公开实施例提供的图像检测方法。
[0015]第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例提供的图像检测方法。
[0016]本公开实施例中提供的图像检测方案，获取待检测的目标图像，将目标图像输入至预设图像检测模型中，其中，预设图像检测模型通过利用预设样本对集合对包含孪生网络的预设神经网络模型进行训练后得到，孪生网络中包括结构相同且共享权重的两个分支网络，每个分支网络用于输出输入至分支网络的图像的色彩质量分值和图像损伤类别，预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像，样本对集合中包含至少两个对应于不同图像损伤类别的样本对，根据预设图像检测模型的输出结果，确定目标图像对应的目标色彩质量分值和目标图像损伤类别。本专利技术实施例通过采用上述技术方案，用于图像检测的模型通过对包含孪生网络的模型进行训练得到，通过对同一图像主动添加同一类型的不同程度损伤得到样本对，样本对集合对应至少两种损伤，使得模型能够准确学习到不同损伤类别和不同色彩质量，进而将待检测的图像输入至模型后，可以同时输出准确的色彩质量分值和损伤类别，提高图像检测的准确度。
附图说明
[0017]图1为本公开实施例提供的一种图像检测方法的流程示意图；
[0018]图2为本公开实施例提供的另一种图像检测方法的流程示意图；
[0019]图3为本公开实施例提供的一种预设神经网络模型的训练过程示意图；
[0020]图4为本公开实施例提供的一种图像检测装置的结构框图；
[0021]图5为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
[0022]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0023]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0024]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示
“
至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0025]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0026]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0027]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0028]下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
[0029]图1为本公开实施例提供的一种图像检测方法的流程示意图，该方法可以由图像检测装置执行，其中该装置可由软件和/或硬件实现，一般可集成在电子设备中。所述电子设备可以为手机、智能手表、平板电脑以及个人数字助理等移动设备；也可为台式计算机等其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：获取待检测的目标图像；将所述目标图像输入至预设图像检测模型中，其中，所述预设图像检测模型通过利用预设样本对集合，对包含孪生网络的预设神经网络模型进行训练后得到，所述孪生网络中包括结构相同且共享权重的两个分支网络，每个所述分支网络用于输出输入至所述分支网络的图像的色彩质量分值和图像损伤类别，所述预设样本对集合中的每个样本对中包括基于同一预设原始图像生成的图像损伤类别相同但损伤程度不同的两个样本图像，所述预设样本对集合中包含至少两个对应于不同图像损伤类别的样本对；根据所述预设图像检测模型的输出结果，确定所述目标图像对应的目标色彩质量分值和目标图像损伤类别。2.根据权利要求1所述的方法，其特征在于，所述预设图像检测模型采用如下模型训练方法得到：对于所述预设样本对集合中的每个样本对，将样本对中的第一样本图像输入至所述预设神经网络模型中的孪生网络的第一分支网络，将样本对中的第二样本图像输入至所述孪生网络的第二分支网络，其中，所述预设样本对集合中的每个样本对均携带有质量排序标签和损伤类别标签，当所述第一样本图像的损伤程度低于所述第二样本图像的损伤程度时，质量排序标签的取值为第一预设值，当所述第一样本图像的损伤程度高于所述第二样本图像的损伤程度时，质量排序标签的取值为第二预设值，所述第一预设值大于所述第二预设值；根据所述第一分支网络输出的第一色彩质量分值和第一图像损伤类别、所述第一分支网络输出的第二色彩质量分值和第二图像损伤类别、所述质量排序标签以及所述损伤类别标签，计算预设损失函数；基于所述预设损失函数对所述预设神经网络模型进行调整，得到目标神经网络模型；根据所述目标神经网络模型中的训练完成后的第一分支网络或第二分支网络确定预设图像检测模型。3.根据权利要求2所述的方法，其特征在于，所述预设损失函数中包括预设排序损失函数和预设分类损失函数；其中，所述预设排序损失函数根据所述第一色彩质量分值、所述第二色彩质量分值以及所述质量排序标签计算得到；所述预设分类损失函数根据所述第一图像损伤类别、所述第二图像损伤类别以及所述损伤类别...

【专利技术属性】
技术研发人员：徐靖雯，廖懿婷，李军林，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：