【技术实现步骤摘要】
图像分类方法、图像分类模型训练方法及相关设备
[0001]本申请属于图像处理
，具体涉及一种图像分类方法、图像分类模型训练方法及相关设备。
技术介绍
[0002]众所周知，为了方便图像的处理，通常基于图像的模糊程度对图像进行分类。现有技术中，通常通过网络模型对图像的模糊程度进行评价，由于网络模型是对图像的全局特征进行分析评价，这样将会导致图像的模糊程度的评价准确性较差。因此，现有技术中存在图像的模糊程度分类的准确性较差的问题。
技术实现思路
[0003]本申请实施例的目的是提供一种图像分类方法、图像分类模型训练方法及相关设备，能够解决图像的模糊程度分类的准确性较差的问题。
[0004]第一方面，本申请实施例提供了一种图像分类方法，包括：
[0005]将第一图像输入到重构网络，得到第一特征图；
[0006]将所述第一特征图输入到峰值信噪比计算网络，得到所述峰值信噪比值；
[0007]在所述峰值信噪比值大于或等于第一阈值的情况下，将所述第一特征图输入到图像质量评价网络中，得到...
【技术保护点】
【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：将第一图像输入到重构网络，得到第一特征图；将所述第一特征图输入到峰值信噪比计算网络，得到所述峰值信噪比值；在所述峰值信噪比值大于或等于第一阈值的情况下，将所述第一特征图输入到图像质量评价网络中，得到所述第一图像的平均主观意见分值；根据所述峰值信噪比值和所述平均主观意见分值确定所述第一图像的模糊程度；其中，在所述峰值信噪比值小于所述第一阈值或者所述平均主观意见分值大于或等于第二阈值的情况下，确定所述第一图像为第一类图像；在所述平均主观意见分值小于所述第二阈值的情况下，确定所述第一图像为第二类图像，所述第一类图像的模糊程度小于所述第二类图像的模糊程度。2.根据权利要求1所述的方法，其特征在于，所述重构网络包括依次连接的第一浅层特征提取网络层、N个下采样网络层、N个第一上采样网络层、第一卷积层和第二上采样网络层，N为大于1的整数，所述N个下采样网络层依次串联，所述N个第一上采样网络层依次串联，且第n个第一上采样网络层的输入为其上一个网络层的输出和第N
‑
n+1个下采样网络层的输出融合后得到的特征；其中，所述将第一图像输入到重构网络，得到第一特征图包括：将所述第一图像输入到所述第一浅层特征提取网络层进行浅层特征提取处理，得到第一子特征图；利用所述N个下采样网络层和N个第一上采样网络层对所述第一子特征图进行采样处理，得到第二子特征图；利用所述第一卷积层对所述第二子特征图进行平滑处理得到第三子特征图；利用所述第二上采样网络层对所述第三子特征图进行上采样处理，得到所述第一特征图。3.根据权利要求1所述的方法，其特征在于，所述图像质量评价网络包括依次连接的多层卷积网络层和第一全连接网络层；其中，所述将所述第一特征图输入到图像质量评价网络中，得到所述第一图像的平均主观意见分值包括：将所述第一特征图输入至所述多层卷积网络层中进行特征提取和融合处理，得到具有高频抽象特征的第二特征图；利用所述第一全连接网络层对所述第二特征图进行降维处理，得到所述平均主观意见分值。4.根据权利要求1所述的方法，其特征在于，所述峰值信噪比计算网络包括依次连接的第一残差网络层、特征提取网络层、第二残差网络层、第二卷积层、第一全局池化层和第二全连接网络层；其中，所述第一残差网络层用于对所述第一特征图进行全局残差处理得到第四子特征图，所述特征提取网络层用于对所述第四子特征图进行高频细节信息特征提取处理得到第五子特征图，所述第二残差网络层用于对所述第五子特征图进行全局残差处理得到第六子特征图，所述第二卷积层用于对所述第六子特征图和所述第四子特征图融合后的特征图进行平滑处理得到第七子特征图，所述第一全局池化层用于对所述第七子特征图进行压缩处理的到第八子特征图，所述第二全连接网络层用于对所述第八子特征图进行降维处理得到所述峰值信噪比值。5.根据权利要求1所述的方法，其特征在于，所述将第一图像输入到重构网络，得到第
一特征图之前，所述方法还包括：将待处理的第一图像的尺寸调整为预...
【专利技术属性】
技术研发人员：陈圣，王洪斌，蒋宁，吴海英，周迅溢，曾定衡，
申请(专利权)人：马上消费金融股份有限公司，
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。