[发明专利]基于复杂网络的图像质量评价方法、装置及存储介质

说明书

本发明提供了基于复杂网络的图像质量评价方法、装置及存储介质，其中，先将待质量评价的图像快速转换为复杂网络，然后，在使用主流深度学习算法对图像进行特征提取的同时，结合了复杂网络的特征，最后，通过全连接网络对拼接后的信息进行处理，将两种不同方式提取的特征充分融合在一起，得到最终的质量评价结果。通过两种对图像不同的处理方式，更全面地挖掘图像信息，提高了图像质量评价的准确性，增强了图像质量评价的效果。

技术领域

本发明属于软件行业图像处理领域，尤其涉及一种将图像快速转换为复杂网络进行图像质量评价的方法、装置及存储介质。

背景技术

随着现代数字化技术的不断发展，医疗影像在基础医学、临床医学等方面的重要性日益凸显。高质量、高水平影像是确保医学诊断专业性和准确性的重要依据，因此医疗影像质量评价可以最大程度做到低质量或错误影像及早发现并在前端控制，为临床诊断提供可信赖的影像信息。

目前，医疗影像质量评价主流方法是基于深度学习的，利用深度学习模型自动挖掘潜在信息，得到医疗影像的质量评价结果。但是在某些情况下，如医疗影像中伪影不明显的情况下，该方法的质量评价效果不理想。

发明内容

本发明提供了一种基于复杂网络的图像质量评价方法、装置及存储介质，解决了现有技术中质量评价效果不理想的问题。

本发明提供了如下技术方案：

一方面，本发明提供了一种基于复杂网络的图像质量评价方法，所述方法包括：

确定两个像素的位置距离的最大值，确定两个像素的累加距离的阈值，所述累加距离为两个像素的位置距离与像素值距离之和；

针对待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息；其中，所述相邻像素为所述像素周围相对其位置距离不超过最大值的像素；所述边信息包括：形成边的两个像素的坐标和累加距离；

基于所述边信息，形成以像素坐标为节点、节点间有边相连的复杂网络；

计算所述复杂网络对应的属性，所述属性至少包括度、度分布、幂率分布系数、聚类系数中的一项或多项；

利用深度学习网络，将所述图像转换成高维特征向量；

将所述高维特征向量与所述复杂网络对应的属性进行拼接，得到拼接后的高维向量；

利用多个全连接层对所述拼接后的高维特征向量进行处理，得到所述图像的质量评价结果。

优选地，针对所述待评价图像中的每个像素，计算所述像素与所述像素的相邻像素的累加距离；如果所述累加距离小于所述阈值，则所述相邻像素与所述像素构成一条边，保存边信息，包括：

创建保存坐标和距离信息的第一数组；

在第一相邻像素有效区域内，确定相对于第一像素的位置距离不超过所述最大值的多个整数位置的第二像素，计算所述第二像素与所述第一像素的距离，将各个所述第二像素与所述第一像素的距离以及各个所述第二像素的坐标偏移量保存到所述第一数组中；所述第一相邻像素有效区域为以所述第一像素为中心且边长为2倍最大值加1个像素的正方形的一半区域；

创建保存边信息的第二数组；

针对所述待评价图像中的每个像素，确定所述像素的相邻像素，并基于所述第一数组计算所述像素的相邻像素的累加距离；

判断所述累加距离是否小于阈值；

如果所述累加距离小于所述阈值，将所述像素的坐标、所述相邻像素的坐标、所述像素和所述相邻像素的累加距离保存到所述第二数组中。