质量评估模型训练方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种质量评估模型训练方法、装置、电子设备及存储介质，该方法包括：使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，样本标签是样本图像对应的图像质量类别；以多个样本图像为训练数据，以多个样本标签为训练标签，对通用框架中设置的神经网络模型进行训练，获得质量评估模型，质量评估模型用于对待处理图像进行质量评估。通过通用框架提供的数据标注函数和神经网络模型分别进行数据标注和模型训练，从而避免了采集环境发生变化时重新提取关键性影响因素的问题，从而有效地提高了评估图像质量的适用性。量的适用性。量的适用性。

【技术实现步骤摘要】
质量评估模型训练方法、装置、电子设备及存储介质


[0001]本申请涉及机器学习和深度学习的
，具体而言，涉及一种质量评估模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]目前的评估图像质量通常是根据人工提取图像中的数学特征来评估图像质量，具体例如：分析出图像质量常见的关键性影响因素(如对比度、清晰度、偏移度、信息熵、纹路的数量和质量等)，然后，根据这些关键性影响因素选取相应的量化公式进行计算，获得各个因素的得分，最后，将各个因素的得分进行加权平均，得出图像质量等级(例如高质量和低质量等级)或者图像质量分数(例如0至10分等)。上述的评估图像可以是行人识别、指静脉识别、人脸识别和指纹识别等等应用领域图像，为了便于理解和说明，下面以指静脉识别的应用领域图像的质量评估为例进行详细地说明。
[0003]在具体的实践过程中发现，当采集环境发生变化时，需要重新提取关键性影响因素，并根据重新提取的关键性影响因素评估图像质量，例如：在使用开放式的指静脉采集设备进行采集时，主要需要提取光照情况和灰尘等影响因素(由于手指位置相对固定，难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种质量评估模型训练方法，其特征在于，包括：使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，所述样本标签是所述样本图像对应的图像质量类别；以所述多个样本图像为训练数据，以所述多个样本标签为训练标签，对所述通用框架中设置的神经网络模型进行训练，获得质量评估模型，所述质量评估模型用于对待处理图像进行质量评估。2.根据权利要求1所述的方法，其特征在于，在所述使用通用框架中设置的数据标注函数对多个样本图像进行数据标注之前，还包括：使用所述通用框架中设置的样本扩充函数对样本图像进行扩充，获得扩充图像；将所述扩充图像添加至所述多个样本图像中。3.根据权利要求2所述的方法，其特征在于，所述通用框架还包括：质量类别序列；在所述获得扩充图像之后，还包括：从所述质量类别序列中确定出所述扩充图像对应的质量类别；将所述扩充图像对应的质量类别添加至所述多个样本标签中。4.根据权利要求3所述的方法，其特征在于，所述从所述质量类别序列中确定出所述扩充图像对应的质量类别，包括：计算所述扩充图像与所述多个样本图像中的同源样本图像之间的相似程度，所述同源样本图像是属于同一个目标对象的不同样本图像；计算出所述相似程度与所述多个样本图像的平均相似度之间的比例值；根据所述比例值从所述质量类别序列中确定出所述扩充图像对应的质量类别。5.根据权利要求4所述的方法，其特征在于，所述质量类别序列包括：第一质量类别和第二质量类别，所述第一质量类别低于所述第二质量类别...

【专利技术属性】
技术研发人员：宋丹，李长燕，姚琼，徐翔，李文生，吕燚，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：