本發(fā)明涉及圖像質(zhì)量評估，尤其涉及一種有感知意見的圖像質(zhì)量評估方法及系統(tǒng)。

背景技術(shù)：

1、在圖像分析中，一張高質(zhì)量輸入圖像顯得異常重要。經(jīng)過不斷地研究，圖像質(zhì)量評估已經(jīng)形成了圖像領(lǐng)域的一個重要分支，并在各種圖像分析任務(wù)中起到舉足輕重的作用。

2、從圖像質(zhì)量評估方法上可以分為主觀評估和客觀評估。其中主觀評估是指從人的主觀感知評估圖像的質(zhì)量，在實現(xiàn)上是根據(jù)原始圖像與失真圖像讓受試者評分，采用平均主觀得分?(mos)?或平均主觀得分差?(dmos)?表示最終結(jié)果?？陀^評估是指使用數(shù)學(xué)模型對圖像做出量化的質(zhì)量評分，常用的手段是通過圖像處理技術(shù)根據(jù)原始圖像生成一批失真圖像，在原始圖像與失真圖像間進行對比；圖像質(zhì)量評估算法的目的是實現(xiàn)對圖像質(zhì)量的自動評估，同時盡可能地和人的主觀質(zhì)量判斷保持一致。顯然主觀評估費時費力，難以應(yīng)用在大量圖像質(zhì)量的判別中。

3、因此有必要探究自動數(shù)學(xué)模型，實現(xiàn)與人的主觀質(zhì)量評價保持更高的一致性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于解決現(xiàn)有技術(shù)中主觀評估費時費力，難以應(yīng)用在大量圖像質(zhì)量的判別的技術(shù)問題。一種有感知意見的圖像質(zhì)量評估方法，包括以下步驟：

2、使用非深度學(xué)習(xí)算法對待訓(xùn)練圖像進行評分，得到第一質(zhì)量評估分值和人工分類標簽；

3、將所述待訓(xùn)練圖像、第一質(zhì)量評估分值和人工標簽輸入待訓(xùn)練深度學(xué)習(xí)模型；

4、根據(jù)所述待訓(xùn)練圖像，輸出深度學(xué)習(xí)網(wǎng)絡(luò)模型的第二質(zhì)量評估分值，根據(jù)第一質(zhì)量評估分值、第二質(zhì)量評估分值得到損失loss；根據(jù)所述損失loss，調(diào)整所述深度學(xué)習(xí)網(wǎng)絡(luò)模型的參數(shù)，完成深度學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練；

5、將待識別圖像輸入完成訓(xùn)練的深度學(xué)習(xí)網(wǎng)絡(luò)模型，完成圖像質(zhì)量的評估。

6、所述損失loss的計算方法為：

7、計算所述第一質(zhì)量評估分值與第二質(zhì)量評估分值之間的偏差程度mse；

8、根據(jù)所述人工標簽、所述人工標簽對應(yīng)的第一質(zhì)量評估分值、所述人工標簽對應(yīng)的第二質(zhì)量評估分值，定義一限制約束損失函數(shù)；根據(jù)所述偏差程度mse和約束損失函數(shù)，計算得到損失loss。所述約束損失函數(shù)的計算方法如下：

9、

10、其中，所述和為質(zhì)量好、壞圖像以標注分類標簽為約束產(chǎn)生的損失，所述和的定義如下：

11、

12、

13、其中，dist（）為歐幾里得距離權(quán)重計算，、為質(zhì)量好、壞圖像的第一質(zhì)量評估分值、、為質(zhì)量好、壞圖像的第二質(zhì)量評估分值，、為質(zhì)量好、壞圖像的第一質(zhì)量評估分值的平均值。

14、本發(fā)明第二方面還涉及一種有感知意見的圖像質(zhì)量評估裝置，所述裝置包括：

15、第一評估單元，用于使用非深度學(xué)習(xí)算法對待訓(xùn)練圖像進行評分，得到第一質(zhì)量評估分值和人工分類標簽；

16、輸入單元，用于將所述待訓(xùn)練圖像、第一質(zhì)量評估分值和人工標簽輸入待訓(xùn)練深度學(xué)習(xí)模型；

17、訓(xùn)練單元，根據(jù)所述待訓(xùn)練圖像，輸出深度學(xué)習(xí)網(wǎng)絡(luò)模型的第二質(zhì)量評估分值，根據(jù)第一質(zhì)量評估分值、第二質(zhì)量評估分值得到損失loss；根據(jù)所述損失loss，調(diào)整所述深度學(xué)習(xí)網(wǎng)絡(luò)模型的參數(shù)，完成深度學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練；

18、第二評估單元，用于將待識別圖像輸入完成訓(xùn)練的深度學(xué)習(xí)網(wǎng)絡(luò)模型，完成圖像質(zhì)量的評估。

19、本發(fā)明第三方面提供了一種電子設(shè)備，包括：存儲器和至少一個處理器，所述存儲器中存儲有指令，所述存儲器和所述至少一個處理器通過線路互連；所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述電子設(shè)備執(zhí)行上述的如上所述的有感知意見的圖像質(zhì)量評估方法。

20、本發(fā)明的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當(dāng)其在計算機上運行時，使得計算機執(zhí)行上述的如上所述的有感知意見的圖像質(zhì)量評估方法。

21、本發(fā)明具有以下有益效果：

22、本專利提出的一種有感知意見的、新穎的、基于深度學(xué)習(xí)與傳統(tǒng)圖像處理結(jié)合圖像質(zhì)量評估方法，它屬于無參考圖像質(zhì)量評估方法，主要是較少引入人工監(jiān)督，同時實現(xiàn)較好的圖像質(zhì)量評估效果。

技術(shù)特征：

1.一種有感知意見的圖像質(zhì)量評估方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種有感知意見的圖像質(zhì)量評估方法，其特征在于，所述使用非深度學(xué)習(xí)算法對待訓(xùn)練圖像進行評分，得到第一質(zhì)量評估分值和人工標簽，包括：

3.根據(jù)權(quán)利要求2所述的一種有感知意見的圖像質(zhì)量評估方法，其特征在于，所述亮度與對比度評估特征的計算步驟為：

4.根據(jù)權(quán)利要求2所述的一種有感知意見的圖像質(zhì)量評估方法，其特征在于，所述清晰度評估特征的計算步驟為：

5.根據(jù)權(quán)利要求1所述的一種有感知意見的圖像質(zhì)量評估方法，其特征在于，所述損失loss的計算方法為：

6.根據(jù)權(quán)利要求5所述的一種有感知意見的圖像質(zhì)量評估方法，其特征在于，所述約束損失函數(shù)的計算方法如下：

7.一種有感知意見的圖像質(zhì)量評估裝置，其特征在于，所述裝置包括：

8.根據(jù)權(quán)利要求7所述的一種有感知意見的圖像質(zhì)量評估裝置，其特征在于，所述損失loss的計算方法為：

9.一種電子設(shè)備，所述電子設(shè)備包括存儲器和至少一個處理器，所述存儲器中存儲有指令；

10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有指令，其特征在于，所述指令被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-6中任一項所述有感知意見的圖像質(zhì)量評估方法的各個步驟。

技術(shù)總結(jié)
本發(fā)明涉及圖像質(zhì)量評估領(lǐng)域，公開了一種有感知意見的圖像質(zhì)量評估方法及裝置，包括：使用非深度學(xué)習(xí)算法對待訓(xùn)練圖像進行評分，得到第一質(zhì)量評估分值和人工分類標簽；將所述待訓(xùn)練圖像、第一質(zhì)量評估分值和人工標簽輸入待訓(xùn)練深度學(xué)習(xí)模型；根據(jù)所述待訓(xùn)練圖像，輸出深度學(xué)習(xí)網(wǎng)絡(luò)模型的第二質(zhì)量評估分值，完成深度學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練；將待識別圖像輸入完成訓(xùn)練的深度學(xué)習(xí)網(wǎng)絡(luò)模型，完成圖像質(zhì)量的評估。本專利提出的一種有感知意見的、新穎的、基于深度學(xué)習(xí)與傳統(tǒng)圖像處理結(jié)合圖像質(zhì)量評估方法，它屬于無參考圖像質(zhì)量評估方法，主要是較少引入人工監(jiān)督，同時實現(xiàn)較好的圖像質(zhì)量評估效果。

技術(shù)研發(fā)人員：黃奇,李源
受保護的技術(shù)使用者：上海點澤智能科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15