一种视频图像质量评估方法、终端设备及存储介质技术

本发明专利技术涉及一种视频图像质量评估方法、终端设备及存储介质，该方法中包括：S1：采集所有待检测设备的图像，并根据预设的各诊断项对各图像进行诊断得到诊断得分；将诊断得分作为各图像的标签后构建训练集；S2：采集多个图像诊断模型，通过训练集对分别每个模型进行训练；S3：基于训练后的各模型的损失函数的大小，将损失函数最小对应的模型作为预选模型；S4：通过预选模型对各待检测设备输出的视频帧图像的进行诊断，以得到各待检测设备的图像质量；S5：实时判断时间是否到达下一个时间周期，当到达时，重新进行步骤S1

【技术实现步骤摘要】
一种视频图像质量评估方法、终端设备及存储介质


[0001]本专利技术涉及图像质量评估领域，尤其涉及一种视频图像质量评估方法、终端设备及存储介质。

技术介绍

[0002]在图像信息技术被广泛应用的情况下，对图像质量的评估变成一个广泛而基本的问题。由于图像信息相对于其它信息有着无可比拟的优点，因此对图像信息进行合理处理成为各领域中不可或缺的手段。
[0003]在图像的获取、处理、传输和记录的过程中，由于成像系统、处理方法、传输介质和记录设备等不完善，加之物体运动、噪声污染等原因，不可避免地带来某些图像失真和降质，这给人们认识客观世界、研究解决问题带来很大的困难。比如，在图像识别中，所采集到的图像质量直接影响识别结果的准确性和可靠性；又如，远程会议和视频点播等系统受传输差错、网络延迟等不利因素影响，都需要在线实时的图像质量监控，以便于服务提供商动态地调整信源定位策略，进而满足服务质量的要求；在军事应用方面，战场监视和打击评估的效果也取决于无人机等航拍设备所采集到的图像或视频的质量。因此，图像质量的合理评估具有非常重要的应用价值。现有的图像质量评估方式具有以下缺陷：
[0004](1)工作量大：对所有的设备，依次根据实时监控的画面，进行人工判断；
[0005](2)误差大：主观性占比很大，都是靠感觉判断，误差大；
[0006](3)时效性低：当所有的设备都检查完耗时8个小时，前面没问题的设备可能出现问题。

技术实现思路

[0007]为了解决上述问题，本专利技术提出了一种视频图像质量评估方法、终端设备及存储介质。
[0008]具体方案如下：
[0009]一种视频图像质量评估方法，包括以下步骤：
[0010]S1：采集所有待检测设备输出的视频帧图像，并根据预设的各视频质量诊断项对各图像依次进行诊断，将每张图像的所有诊断项的得分加权求和得到每张图像的诊断得分；将诊断得分作为各图像的标签后构建训练集；
[0011]S2：采集多个图像诊断模型，通过训练集对分别每个模型进行训练，得到训练后的各模型；
[0012]S3：基于训练后的各模型的损失函数的大小，将损失函数最小对应的模型作为预选模型；
[0013]S4：通过预选模型对各待检测设备输出的视频帧图像的进行诊断，以得到各待检测设备的图像质量；
[0014]S5：实时判断时间是否到达下一个时间周期，当到达时，重新进行步骤S1
‑
S4；当没
有到达时，持续进行步骤S4。
[0015]进一步的，步骤S1中还包括通过人工对每张图像的诊断得分进行复核，将复核后的诊断得分作为训练集中每张图像的标签。
[0016]进一步的，视频质量诊断项包括：信号丢失、图像模糊、对比度、图像过亮、图像过暗、图像偏色、黑白图像、噪声干扰、条纹干扰、画面冻结、视频抖动、视频剧变、场景变换、视频遮挡和云台失控。
[0017]进一步的，时间周期设置为1小时。
[0018]一种视频图像质量评估终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述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本专利技术实施例上述的方法的步骤。
[0019]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0020]本专利技术采用如上技术方案，通过模型池轮动的方式，能够得到各时间周期对应的最优模型，使得质量诊断结果更加的准确。
附图说明
[0021]图1所示为本专利技术实施例一的流程图。
具体实施方式
[0022]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0023]现结合附图和具体实施方式对本专利技术进一步说明。
[0024]实施例一：
[0025]本专利技术实施例提供了一种视频图像质量评估方法，如图1所示，所述方法包括以下步骤：
[0026]S1：采集所有待检测设备的视频帧图像，并根据预设的各视频质量诊断项对各图像依次进行诊断，将每张图像的所有诊断项的得分加权求和得到每张图像的诊断得分；将诊断得分作为各图像的标签后构建训练集。
[0027]该实施例中预设的视频质量诊断项包括：信号丢失、图像模糊、对比度、图像过亮、图像过暗、图像偏色、黑白图像、噪声干扰、条纹干扰、画面冻结、视频抖动、视频剧变、场景变换、视频遮挡和云台失控。在其他实施例中本领域技术人员可以根据需求增删或更改诊断项，在此不做限制。
[0028]每个诊断项均对应一个诊断项得分，根据预设的各诊断项的权重，将所有诊断项得分加权求和即可得到所有诊断项的总得分，即图像的诊断得分。
[0029]每个诊断项的诊断得分可以通过对应的算法模型诊断获得，具体算法模型可以采用现有模型，在此不做限定。
[0030]进一步的，由于诊断得分为机器输出结果，可能出现个别差异较大结果，为了避免该结果对后续模型训练的影响，该实施例中还包括通过人工对每张图像的诊断得分进行复
核，将复核后的诊断得分作为训练集中每张图像的标签。
[0031]S2：采集多个图像诊断模型，通过训练集对分别每个模型进行训练，得到训练后的各模型。
[0032]该实施例中图像诊断模型包括四个，分别为基于sklearn、spark ml、tensor flow和NVelocity引擎的图像诊断模型，在其他实施例中可以采用基于其他引擎的图像诊断模型，在此不做限制。由于每一种引擎的实现方式不同，因此对应图像诊断模型得到的诊断分数也不相同，不同模型可能适合不同的环境(如晴天、阴天)，在对应环境下的诊断分数准确率较高。
[0033]S3：基于训练后的各模型的损失函数的大小，将损失函数最小对应的模型作为预选模型。
[0034]模型的训练过程为多次迭代使得损失函数最小，因此，每个模型训练结束后都对应一个最终损失函数，作为训练后的模型的损失函数。通过横向比较各训练后的模型的损失函数，选择其中的最小值对应的模型作为预选模型。通过选择最小损失函数的方式可以得到所有模型中的最优模型。
[0035]损失函数的计算方式可以采用现有方式，如L1损失函数。
[0036]S4：通过预选模型对各待检测设备输出的视频帧图像的进行诊断，以得到各待检测设备的图像质量。
[0037]通过将各待检测设备输出的视频帧图像输入预选模型后，可以得到对应的诊断分数，基于诊断分数可以得到图像质量。
[0038]S5：实时判断时间是否到达下一个时间周期，当到达时，重新进行步骤S1
‑
S4；当没有到达时，持续进行步骤S4。
[0039]时间周期的大小本领域技术人员可以根据经验和实验结果进行设定，该实施例设定为1小时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频图像质量评估方法，其特征在于，包括以下步骤：S1：采集所有待检测设备输出的视频帧图像，并根据预设的各视频质量诊断项对各图像依次进行诊断，将每张图像的所有诊断项的得分加权求和得到每张图像的诊断得分；将诊断得分作为各图像的标签后构建训练集；S2：采集多个图像诊断模型，通过训练集对分别每个模型进行训练，得到训练后的各模型；S3：基于训练后的各模型的损失函数的大小，将损失函数最小对应的模型作为预选模型；S4：通过预选模型对各待检测设备输出的视频帧图像的进行诊断，以得到各待检测设备的图像质量；S5：实时判断时间是否到达下一个时间周期，当到达时，重新进行步骤S1
‑
S4；当没有到达时，持续进行步骤S4。2.根据权利要求1所述的视频图像质量评估方法，其特征在于：步骤S1中还包括通过人工对每张图像...

【专利技术属性】
技术研发人员：卢林威，卢天发，江文涛，
申请(专利权)人：罗普特科技集团股份有限公司，
类型：发明
国别省市：