[發明專利]圖像質量評分方法、裝置、存儲介質以及電子設備

在審

• 申請號: 202111168826.5
• 申請日: 2021-09-30
• 公開（公告）號: CN113705587A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 賀沁雯
• 申請（專利權）人: 北京金山云網絡技術有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 曾軍

本發明公開了一種圖像質量評分方法、裝置、存儲介質以及電子設備。該方法包括：獲取待評分的目標圖像；使用第一特征提取模型提取目標圖像的深度學習特征；獲取目標圖像的目標特征，其中，目標特征包括目標圖像的顏色特征、紋理特征以及梯度特征中的至少之一；將深度學習特征和目標特征拼接為組合特征；將組合特征輸入到目標評分模型，由目標評分模型對目標圖像的質量進行評分，其中，目標評分模型為使用訓練樣本對原始評分模型進行訓練得到的模型，訓練樣本包括多張訓練圖像和每一張訓練圖像的質量評分。本發明解決了對圖像質量進行評分不準確的技術問題。

技術領域

本發明涉及計算機領域，具體而言，涉及一種圖像質量評分方法、裝置、存儲介質以及電子設備。

背景技術

現有技術中，在對一張圖像的圖像質量進行評分的時候，通?？梢允褂迷u分模型提取圖像的深度學習特征，然后根據深度學習特征確定圖像的評分。

然而，由于圖像的深度學習特征一般用于圖像的識別、分類等任務，并不能夠很好的表達圖像的顏色、曝光等影響圖像質量的信息，因此，通過圖像的深度學習特征來確定圖像的質量評分，確定的質量評分并不準確。

發明內容

本發明實施例提供了一種圖像質量評分方法、裝置、存儲介質以及電子設備，以至少解決對圖像進行質量評分不準確的技術問題。

根據本發明實施例的一個方面，提供了一種圖像質量評分方法，包括：獲取待評分的目標圖像；使用第一特征提取模型提取上述目標圖像的深度學習特征；獲取上述目標圖像的目標特征，其中，上述目標特征包括上述目標圖像的顏色特征、紋理特征以及梯度特征中的至少之一；將上述深度學習特征和上述目標特征拼接為組合特征；將上述組合特征輸入到目標評分模型，由上述目標評分模型對上述目標圖像的質量進行評分，其中，上述目標評分模型為使用訓練樣本對原始評分模型進行訓練得到的模型，上述訓練樣本包括多張訓練圖像和每一張上述訓練圖像的質量評分。

根據本發明實施例的另一方面，提供了一種圖像質量評分裝置，包括：第一獲取模塊，用于獲取待評分的目標圖像；提取模塊，用于使用第一特征提取模型提取上述目標圖像的深度學習特征；第二獲取模塊，用于獲取上述目標圖像的目標特征，其中，上述目標特征包括上述目標圖像的顏色特征、紋理特征以及梯度特征中的至少之一；拼接模塊，用于將上述深度學習特征和上述目標特征拼接為組合特征；輸入模塊，用于將上述組合特征輸入到目標評分模型，由上述目標評分模型對上述目標圖像的質量進行評分，其中，上述目標評分模型為使用訓練樣本對原始評分模型進行訓練得到的模型，上述訓練樣本包括多張訓練圖像和每一張上述訓練圖像的質量評分。

作為一種可選的示例，上述第二獲取模塊包括：第一獲取單元，用于在上述目標特征為上述顏色特征的情況下，獲取上述目標圖像的顏色直方圖。

作為一種可選的示例，上述第一獲取單元包括：劃分子單元，用于將上述目標圖像的像素的最小顏色值到最大顏色值劃分為不同的顏色區間，其中，上述最小顏色值為上述目標圖像中的像素點的顏色值的最小值，上述最大顏色值為上述目標圖像中的像素點的顏色值的最大值；統計子單元，用于統計處于每一個上述顏色區間內的像素點的數量，得到上述顏色直方圖。

作為一種可選的示例，上述第二獲取模塊包括：第二獲取單元，用于獲取上述目標圖像的灰度共生矩陣或Tamura紋理特征或者自回歸紋理特征；第一確定單元，用于將上述灰度共生矩陣或Tamura紋理特征或者自回歸紋理特征作為上述目標圖像的上述目標特征。

作為一種可選的示例，上述第二獲取模塊包括：第三獲取單元，用于獲取上述目標圖像的Brenner梯度特征或者laplacian算子特征；第二確定單元，用于將上述Brenner梯度特征或者laplacian算子特征作為上述目標圖像的上述目標特征。

作為一種可選的示例，上述裝置還包括：處理模塊，用于在將上述深度學習特征和上述目標特征拼接為組合特征之前，對上述目標特征執行降維操作。