[發(fā)明專利]評估圖像質(zhì)量的方法、裝置及終端設(shè)備

有效

• 申請?zhí)枺?/td>: 202011552230.0
• 申請日: 2020-12-24
• 公開（公告）號: CN112614110B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設(shè)計）人: 尹康
• 申請（專利權(quán)）人: OPPO（重慶）智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳中一聯(lián)合知識產(chǎn)權(quán)代理有限公司 44414
• 代理人: 肖遙

1.一種評估圖像質(zhì)量的方法，其特征在于，包括：

獲取待評估圖像；

將所述待評估圖像輸入至圖像評估模型中，得到所述待評估圖像對應(yīng)的至少一個質(zhì)量評估分值和所述待評估圖像的語義信息；

根據(jù)至少一個所述質(zhì)量評估分值和所述語義信息確定所述待評估圖像的質(zhì)量評估結(jié)果；

所述語義信息包括類別概率向量；

所述根據(jù)至少一個所述質(zhì)量評估分值和所述語義信息確定所述待評估圖像的質(zhì)量評估結(jié)果，包括：

根據(jù)所述質(zhì)量評估分值和所述類別概率向量確定第三特征向量，所述第三特征向量的維度為所述類別概率向量的維度與所述質(zhì)量評估分值的維度之和；

根據(jù)所述第三特征向量得到質(zhì)量評估結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，所述圖像評估模型包括圖像分類模型和至少一個質(zhì)量評估模型，其中，所述質(zhì)量評估模型用于獲得一個所述質(zhì)量評估分值，所述圖像分類模型用于確定所述待評估圖像的語義信息；

所述將所述待評估圖像輸入至圖像評估模型中，得到所述待評估圖像對應(yīng)的至少一個質(zhì)量評估分值和所述待評估圖像的語義信息，包括：

通過至少一個質(zhì)量評估模型確定待評估圖像的至少一個質(zhì)量評估分值；

通過所述圖像分類模型確定所述待評估圖像的語義信息。

3.如權(quán)利要求2所述的方法，其特征在于，所述質(zhì)量評估模型為卷積神經(jīng)網(wǎng)絡(luò)模型；

所述通過至少一個質(zhì)量評估模型確定待評估圖像的至少一個質(zhì)量評估分值，包括：

針對每一個所述卷積網(wǎng)絡(luò)模型，將所述待評估圖像輸入所述卷積神經(jīng)網(wǎng)絡(luò)模型，獲得所述卷積神經(jīng)網(wǎng)絡(luò)模型中的特征提取層針對所述待評估圖像所輸出的第一特征向量；

通過所述卷積神經(jīng)網(wǎng)絡(luò)模型中的自適應(yīng)池化層將所述第一特征向量轉(zhuǎn)化為預(yù)設(shè)維度的第二特征向量；

根據(jù)所述第二特征向量和所述卷積神經(jīng)網(wǎng)絡(luò)模型，獲得所述待評估圖像的一個質(zhì)量評估分值。

4.如權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第三特征向量得到質(zhì)量評估結(jié)果包括：

將所述第三特征向量輸入分類器，獲得所述分類器所輸出的質(zhì)量評估結(jié)果。

5.如權(quán)利要求4所述的方法，其特征在于，質(zhì)量評估模型為卷積神經(jīng)網(wǎng)絡(luò)模型；

在通過至少一個質(zhì)量評估模型確定待評估圖像的至少一個質(zhì)量評估分值之前，還包括：

通過第一圖像訓(xùn)練集，對參考卷積神經(jīng)網(wǎng)絡(luò)模型、參考圖像分類模型以及參考分類器進(jìn)行聯(lián)合訓(xùn)練，并將聯(lián)合訓(xùn)練后得到的參考卷積神經(jīng)網(wǎng)絡(luò)模型作為所述卷積神經(jīng)網(wǎng)絡(luò)模型，將聯(lián)合訓(xùn)練后得到的參考圖像分類模型作為所述圖像分類模型，以及將聯(lián)合訓(xùn)練后得到的參考分類器作為所述分類器。

6.如權(quán)利要求5所述的方法，其特征在于，所述通過第一圖像訓(xùn)練集，對參考卷積神經(jīng)網(wǎng)絡(luò)模型、參考圖像分類模型以及參考分類器進(jìn)行聯(lián)合訓(xùn)練，包括：

針對所述聯(lián)合訓(xùn)練的每一次迭代過程，將所述第一圖像訓(xùn)練集中針對本次迭代過程的第一訓(xùn)練圖像分別輸入所述參考卷積神經(jīng)網(wǎng)絡(luò)模型和所述參考圖像分類模型，獲得所述參考卷積神經(jīng)網(wǎng)絡(luò)模型針對所述第一訓(xùn)練圖像所輸出的第一質(zhì)量評估分值，以及獲得所述參考圖像分類模型針對所述第一訓(xùn)練圖像所輸出的第一類別概率向量；

根據(jù)所述第一質(zhì)量評估分值與所述第一類別概率向量確定第四特征向量；

通過所述參考分類器對所述第四特征向量進(jìn)行處理，獲得本次迭代過程所對應(yīng)的第二質(zhì)量評估分值；

根據(jù)所述第二質(zhì)量評估分值確定所述聯(lián)合訓(xùn)練是否完成。

7.如權(quán)利要求5所述的方法，其特征在于，在通過第一圖像訓(xùn)練集，對參考卷積神經(jīng)網(wǎng)絡(luò)模型、參考圖像分類模型以及參考分類器進(jìn)行聯(lián)合訓(xùn)練之前，還包括：

根據(jù)第二圖像訓(xùn)練集，對第一卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并將訓(xùn)練完成的第一卷積神經(jīng)網(wǎng)絡(luò)模型作為所述參考卷積神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)第三圖像訓(xùn)練集，對第一圖像分類模型進(jìn)行訓(xùn)練，并將訓(xùn)練完成的第一圖像分類模型作為所述參考圖像分類模型。