【技术实现步骤摘要】
本专利技术属于视频监控、图像ai处理领域，尤其涉及一种多维图像质量评价方法及系统。
技术介绍
1、图像质量评价(image quality assessment,iqa)是图像处理中的基本技术之一，该技术主要通过对图像进行特性分析研究，然后评估出图像优劣(图像失真程度)。图像质量评价在图像处理系统中，对于算法分析比较、系统性能评估等方面有着重要的作用。近年来，随着对数字图像领域和ai领域的广泛研究，图像质量评价的研究也越来越受到研究者的关注，提出并完善了许多图像质量评价的指标和方法。主要的实现路线包括：
2、1.传统图像技术路线：
3、采用传统的cv(图像)算子，手工方式设计图像滤波器进行特征提取后，进行统计分析，对图像质量进行评价。如通过统计像素直方图方法实现明暗度检测，用laplace算子实现模糊度检测等。传统cv算子方法实现简单，计算复杂度低，但通常鲁棒性不高，容易受到图像尺寸、不同场景、光照遮挡等影响，传统特征提取+需要依赖设计人员的经验，构建过程比较复杂。
4、2.机器学习技术路线：
5、采用传统cv算子或机器学习模型提取特征后，用svm(支持向量机)等机器学习模型进行分类或回归实现，该方法与传统图像算子技术相比，具备更好的鲁棒性和泛化性，但在更复杂的场景和更大的数据规模下，最后需要判定的阈值仍需人工确定，在复杂场景下适应性受限。
6、3.深度学习技术路线：
7、随着深度学习技术在cv领域的蓬勃发展，深度神经网络的最大优点是把图像特征提取和回归过程
8、1.神经网络本身实现机制偏向“黑盒化”，所提取的特征可解释性存在严重不足；
9、2.深度学习模型算力消耗大，在一些对算力、功耗和实时性要求高的场景下(如安防实时监控)，仍然面临挑战。
技术实现思路
1、本专利技术所要解决的技术问题是针对
技术介绍
的不足提供一种多维图像质量评价方法，该方法兼顾了深度学习方法的迁移性、泛化性和鲁棒性，又解决了模型轻量化和可解释性的问题。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、一种多维图像质量评价方法，具体包含如下步骤；
4、步骤1，准备多个图像质量评价候选模型组成模组；
5、步骤2，对每个图像质量评价候选模型进行推理，分别计算得到图像质量评价结果；
6、步骤3，将图像质量评价结果作为向量元素进行拼接；
7、步骤4，将步骤3拼接的向量送入评价分类器，进行监督学习训练；
8、步骤5，准备1个轻量小模型进行图像质量评价训练；
9、步骤6，将小模型输出结果，对齐多个模型拼接向量进行回归训练；
10、步骤7，将小模型输出的质量评价向量送入轻量级小分类器；
11、步骤8，获取最终图像质量评价模型和评价分类模型。
12、作为本专利技术一种多维图像质量评价方法的进一步优选方案，在步骤1中，所述候选模型采用深度学习模型。
13、作为本专利技术一种多维图像质量评价方法的进一步优选方案，在步骤1中，所述候选模型采用机器学习模型。
14、作为本专利技术一种多维图像质量评价方法的进一步优选方案，在步骤2中，每个推理结果可对应具有明确意义的质量评价度量指标或评价得分。
15、作为本专利技术一种多维图像质量评价方法的进一步优选方案，所述步骤3具体如下，如模型1计算得到评价指标s1，模型2得到评价指标s2，模型n得到评价指标sn，则拼接为向量ft＝[s1,s2,…sn]。
16、作为本专利技术一种多维图像质量评价方法的进一步优选方案，在步骤6中，回归训练采用l2损失，具体计算如下：
17、loss1＝||ft–fs||2；
18、其中，loss1为回归训练l2损失，fs为轻量小模型输出的质量评价向量，ft为由评价指标拼接的向量。
19、作为本专利技术一种多维图像质量评价方法的进一步优选方案，步骤7，将轻量小模型输出的质量评价向量fs送入轻量级小分类器进行训练，蒸馏损失loss2＝kl(pt||ps)；
20、其中，pt为图像质量是否合格的预测结果，ps为多维图像质量是否合格的预测结果，kl为kl离散度。
21、作为本专利技术一种多维图像质量评价方法的进一步优选方案，所述机器学习模型采用svm模型实现的brisque度量算法。
22、作为本专利技术一种多维图像质量评价方法的进一步优选方案，对每个模型进行推理，分别计算得到图像质量评价结果，每个推理结果可对应具有明确意义的质量评价度量指标或评价得分，通过laplace算子计算得到图像模糊度得分，brisque模型得到图像模糊度得分。
23、一种基于多维图像质量评价方法的系统，包含多维评价模组、评价分类器、小评价模型和小分类器；
24、其中，多维评价模组：由多个图像质量评价模型组成，进行多维图像质量评价，输出评价结果作为向量元素进行拼接；
25、评价分类器：以多维评价指标组成的向量作为输入，经过评价分类器进行质量评价，输出该图像合格/非合格的预测结果；
26、小评价模型：轻量级的多维图像质量评价模型，输出的多维图像质量评价向量，与多维评价模组输出向量对齐；
27、小分类器：轻量级的图像评价分类模型，输出图像合格/非合格的预测结果，与评价分类器预测结果对齐。
28、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
29、1、本专利技术与现有的图像质量评价技术相比，本专利提出的方法计算所得出的多维图像质量评价指标具有强可解释性，提高算法可解释性和推理服务质量；
30、2、本专利技术与现有的图像质量评价技术相比，本专利提出的方法所涉及的模型是轻量化的，具有低算力、低时延和低存储的优势，提升了实时性效果，降低了算力资源消耗；
31、3、本专利技术多维图像质量评价指标的可解释性问题：本专利技术所采用的模型训练架构中，首先基于多个深度学习、机器学习或传统cv模型组成模组，分别得到多维图像质量评价指标，如ssim、模糊度、psnr、明暗度等，进一步采用知识迁移的方法(如蒸馏学习)进行轻量级模型训练后，轻量级模型推理出的向量的每个元素，均可与多个模型所组成的模组中相应的评价指标对齐，具有明确的物理意义，达到提升多维图像质量评价指标可解释的目的；
本文档来自技高网...【技术保护点】
1.一种多维图像质量评价方法，其特征在于：具体包含如下步骤；
2.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤1中，所述候选模型采用深度学习模型。
3.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤1中，所述候选模型采用机器学习模型。
4.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤2中，每个推理结果可对应具有明确意义的质量评价度量指标或评价得分。
5.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：所述步骤3具体如下，如模型1计算得到评价指标s1，模型2得到评价指标s2，模型n得到评价指标sn，则拼接为向量ft＝[s1,s2,…sn]。
6.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤6中，回归训练采用L2损失，具体计算如下：
7.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：步骤7，将轻量小模型输出的质量评价向量fs送入轻量级小分类器进行训练，蒸馏损失loss2＝KL(pT||PS)；
8.根据
9.根据权利要求4所述的一种多维图像质量评价方法，其特征在于：对每个模型进行推理，分别计算得到图像质量评价结果，每个推理结果可对应具有明确意义的质量评价度量指标或评价得分，通过Laplace算子计算得到图像模糊度得分，BRISQUE模型得到图像模糊度得分。
10.一种基于权利要求1至9任一项所述的多维图像质量评价方法的系统，其特征在于，包含多维评价模组、评价分类器、小评价模型和小分类器；
...【技术特征摘要】
1.一种多维图像质量评价方法，其特征在于：具体包含如下步骤；
2.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤1中，所述候选模型采用深度学习模型。
3.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤1中，所述候选模型采用机器学习模型。
4.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤2中，每个推理结果可对应具有明确意义的质量评价度量指标或评价得分。
5.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：所述步骤3具体如下，如模型1计算得到评价指标s1，模型2得到评价指标s2，模型n得到评价指标sn，则拼接为向量ft＝[s1,s2,…sn]。
6.根据权利要求1所述的一种多维图像质量评价方法，其特征在于：在步骤6中，回归训练采用l...
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。