【技术实现步骤摘要】
本专利技术涉及计算机，尤其是一种图像分析与质量评价方法及系统。
技术介绍
1、图像质量评价是一种给定图像输入，返回一个图像质量评价评分的任务，主流的图像质量评价方法主要分为全参考与无参考两种，全参考图像质量评价是量化两个图像之间的相似性，无参考旨在评估图像质量。在家居设计场景中，前端室内设计师每天生产出大量的家居场景渲染图，需要一定的方法及系统帮助设计师分析这部分图像质量，在图像质量评价中，设计师们更关注无参考图像质量评价任务。
2、无参考图像质量评价主要基于两类方法。第一类方法主要基于手工制作退化感知特征来表征自然场景统计，并使用回归模型或多元高斯模型获得最终质量分数。得益于深度学习的快速发展，此类方法显示出与传统方法相比优越的性能。然而，这些方法需要使用人类标记的基准进行训练，这限制了它们的可推广性和通用性。
3、第二类方法尝试不采用手工特征和人类标记训练集，直接使用基于clip的方法。得益于大规模的视觉语言训练，clip在广泛的任务中表现出了令人印象深刻的能力和可推广性。它们不仅关注图像的整体质量，还关注细粒度的质量属性以及抽象属性。这类方法在不经过标记数据集训练的前提下，依然能够获得与第一类方法相近的性能。
4、上述相关技术存在以下缺点：
5、1、前端产生的大量渲染图，常常被用作不同的用途，导致图像质量水平往往参差不齐，人工对所有渲染图进行分析和质量筛选，耗时耗力；
6、2、现有的基于深度学习的评价方法严重依赖于人工标记的数据集；
7、3、现有的图像
技术实现思路
1、有鉴于此，本专利技术实施例提供一种判别效率高的图像分析与质量评价方法及系统，以减少人工工作量并提高系统效率。
2、本专利技术实施例的一方面提供了一种图像分析与质量评价方法，包括：
3、收集历史设计的渲染图，并确定随机抽取的首批渲染图的测评质量信息，得到图像质量数据集；
4、构建文本图像对齐模型，得到对齐的文本模型和视觉模型，定义成对的文本关键词，计算所述文本关键词的文本特征，清空文本模型；
5、对所有渲染图，利用所述视觉模型计算得到图像视觉特征，进而计算图像直方图特征，利用所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征，构建得到图像特征库；
6、构建用于图像质量评价的第一梯度特征决策树，利用所述图像质量数据集及从所述图像特征库中获取对应的图像特征，完成对所述第一梯度特征决策树的训练；
7、迭代下一批渲染图，通过训练好的所述第一梯度特征决策树计算渲染图质量评分，筛选评分大于评分阈值的部分渲染图进行测评质量评判，补充并构建新的图像质量数据集；
8、将所述图像特征库中的所有图像特征输入到训练好的所述第一梯度特征决策树中，获得所有图像的质量评分，对评分大于评分阈值的渲染图进行图像风格评判,得到图像风格数据集；
9、构建用于图像风格评判的第二梯度特征决策树，利用所述图像风格数据集及从图像特征库中获取对应的图像特征，完成用于图像风格评判的所述第二梯度特征决策树的训练；
10、计算新产生的渲染图的图像特征，通过所述第一梯度特征决策树计算得到图像质量，通过所述第二梯度特征决策树计算得到图像风格，完成图像分析与质量评价。
11、可选地，所述构建文本图像对齐模型，得到对齐的文本模型和视觉模型，定义成对的文本关键词，计算所述文本关键词的文本特征，清空文本模型，包括：
12、构建文本图像对齐模型，得到对齐的文本模型和视觉模型；
13、定义所述文本模型和所述视觉模型中的成对的文本关键词；
14、计算所述文本关键词的文本特征，对所述文本特征进行标准化处理，得到正反两组特征；
15、清空不再使用的文本模型。
16、可选地，所述对所有渲染图，利用所述视觉模型计算得到图像视觉特征，进而计算图像直方图特征，利用所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征，构建得到图像特征库，包括：
17、逐一遍历所有渲染图，对于每一张渲染图，利用所述视觉模型计算得到图像视觉特征；
18、根据所述图像视觉特征，计算图像直方图特征；
19、所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征；
20、将所述图像视觉特征、所述图像直方图特征和所文本对齐特征合并，构建得到图像特征库。
21、可选地，所述文本对齐特征的计算过程为：
22、计算正向对齐的第一相似度，所述第一相似度的计算公式为：
23、计算反向对齐的第二相似度，所述第二相似度的计算公式为：
24、计算文本对齐特征，所述文本对齐特征的计算公式为：
25、其中，代表第一相似度；evi代表第i条图像视觉特征；代表正向对齐的文本特征；代表第二相似度；代表反省对齐的文本特征；eci代表文本对齐特征。
26、可选地，所述迭代下一批渲染图，通过训练好的所述第一梯度特征决策树计算渲染图质量评分，筛选评分大于评分阈值的部分渲染图进行测评质量评判，补充并构建新的图像质量数据集，包括：
27、迭代剩余的渲染图ar；
28、从剩余的渲染图ar中随机抽取新的渲染数据ari；
29、通过训练好的所述第一梯度特征决策树计算新的渲染数据ari的渲染图质量评分sri；
30、保留所述渲染图质量评分sri大于评分阈值θ1的部分渲染数据
31、对保留的部分渲染数据进行质量测评，确定渲染图的质量好坏；
32、将测评结果为好的图像定义为新的图像质量补充数据集ai；
33、将所述图像质量补充数据集ai与所述图像质量数据集混合后，继续训练梯度特征决策树，直到测评质量中优质图像占比大于评分阈值θ1，得到最终的图像质量评价模型
34、可选地，所述图像风格数据集中的图像风格包括：现代简约、现代轻奢、极简主义、奶油风、工业风、新北欧、原木风、日式、新中式、国潮、简约欧式、法式轻奢、法式、意式轻奢。
35、本专利技术实施例的另一方面还提供了一种图像分析与质量评价系统，包括：
36、第一模块，用于收集历史设计的渲染图，并确定随机抽取的首批渲染图的测评质量信息，得到图像质量数据集；
37、第二模块，用于构建文本图像对齐模型，得到对齐的文本模型和视觉模型，定义成对的文本关键词，计算所述文本关键词的文本特征，清空文本模型；
38、第三模块，用于对所有渲染图，利用所述视觉模型计算得到图像视觉特征，进而计算图像直方图特征，利用所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征，构建得到图像特征库；
39、第四模块，用于构建用于图像质量评价的第一梯度特征决策树，利用所述图像质量数据集及从所述图像特征库中获取对应的本文档来自技高网...
【技术保护点】
1.一种图像分析与质量评价方法，其特征在于，包括：
2.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述构建文本图像对齐模型，得到对齐的文本模型和视觉模型，定义成对的文本关键词，计算所述文本关键词的文本特征，清空文本模型，包括：
3.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述对所有渲染图，利用所述视觉模型计算得到图像视觉特征，进而计算图像直方图特征，利用所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征，构建得到图像特征库，包括：
4.根据权利要求3所述的一种图像分析与质量评价方法，其特征在于，
5.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述迭代下一批渲染图，通过训练好的所述第一梯度特征决策树计算渲染图质量评分，筛选评分大于评分阈值的部分渲染图进行测评质量评判，补充并构建新的图像质量数据集，包括：
6.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述图像风格数据集中的图像风格包括：现代简约、现代轻奢、极简主义、奶油风、工业风、新北欧、原木
7.一种图像分析与质量评价系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括处理器以及存储器；
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种图像分析与质量评价方法，其特征在于，包括：
2.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述构建文本图像对齐模型，得到对齐的文本模型和视觉模型，定义成对的文本关键词，计算所述文本关键词的文本特征，清空文本模型，包括：
3.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述对所有渲染图，利用所述视觉模型计算得到图像视觉特征，进而计算图像直方图特征，利用所述图像视觉特征和所述文本特征的相似度求图像的文本对齐特征，构建得到图像特征库，包括：
4.根据权利要求3所述的一种图像分析与质量评价方法，其特征在于，
5.根据权利要求1所述的一种图像分析与质量评价方法，其特征在于，所述迭代下一批渲染图，通过训练好的所述第一梯度特征决策树计算渲染图质量...
【专利技术属性】
技术研发人员：柯建生，戴振军，
申请(专利权)人：广州极点三维信息科技有限公司，
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。