[发明专利]一种无参考图像质量评价方法、装置及存储介质

说明书

本发明公开了一种无参考图像质量评价方法、装置及存储介质，该方法包括：获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。本发明基于深度学习方法预测图像的质量分数，避免图像质量过低影响后续处理算法的准确性。

技术领域

本发明涉及图像评价技术领域，尤其涉及一种无参考图像质量评价方法、装置及存储介质。

背景技术

图像在采集、传输等过程中不可避免的受到各种失真的影响，如压缩、散焦模糊、运动模糊、噪声、异常曝光等。失真的引入改变了像素间的相关性，在一定程度上丢失图像原始信息，将会对后期目标检测和缺陷识别准确率造成影响。为了使得检测、识别算法能更准确地对目标进行辨别，降低误差，需要对待检测图像的质量进行预判。

特别对于输电线路的巡检图像，大多使用机器人或者无人机对输电线路进行拍摄，使得巡检图像在拍摄时易受到恶劣天气、无人机抖动、拍摄角度等多种因素的影响而产生失真，对后期目标识别与检测的准确率造成影响。

发明内容

本发明实施例的目的是提供一种无参考图像质量评价方法、装置及存储介质，基于深度学习方法预测图像的质量分数，避免图像质量过低影响后续处理算法的准确性。

为实现上述目的，本发明一实施例提供了一种无参考图像质量评价方法，包括以下步骤：

获取已标识有标签的待评价图像，将所述待评价图像进行归一化处理；

将归一化处理后的图像划分为预设大小的若干块图像块，并将待评价图像的标签作为每块图像块的标签；

将每块图像块输入预设的基于多任务学习的网络模型，得到每个图像块的预测质量分数；其中，所述基于多任务学习的网络模型的目标函数是欧几里得损失函数最小化；

计算所有图像块的预测质量分数的平均值，作为所述待评价图像的最终质量分数。

优选地，所述将所述待评价图像进行归一化处理，具体包括：

将所述待评价图像不同坐标的像素值代入公式进行计算，得到归一化处理后的图像在对应坐标的像素值；其中，i和j分别为所述待评价图像在水平方向的坐标值和在垂直方向的坐标值，1≤i≤M，1≤j≤N，M和N分别为所述待评价图像的高度和宽度，为归一化处理后的图像在坐标(i，j)处的像素值，I(i,j)为所述待评价图像在坐标(i，j)处的像素值；μ(i,j)为所述待评价图像在坐标(i，j)处的均值，σ(i,j)为所述待评价图像在坐标(i，j)处的对比度；C为预设常数。

优选地，所述待评价图像在坐标(i，j)处的均值μ(i,j)的计算公式为其中，P和Q分别为预设的图像处理窗口的高度和宽度，ω_p,q为二维圆对称高斯函数，I_p,q(i,j)为所述待评价图像在坐标(i，j)处的像素值。

优选地，所述待评价图像在坐标(i，j)处的对比度σ(i,j)的计算公式为

优选地，所述基于多任务学习的网络模型包括6个卷积层、1个最大池化层、2个求和层、1个连接层和5个完全连接层；其中，6个卷积层分为两组，一组3个卷积层，第一组卷积层后连接最大池化层和一个求和层，之后连接第二组卷积层，第二组卷积层后连接另一个求和层；6个卷积层、1个最大池化层与2个求和层组成一个CNN特征提取器；所述CNN特征提取器之后连接两个学习模块，第一个学习模块包括2个完全连接层，用于提取自然场景统计；第二个学习模块包括1个连接层和3个完全连接层，用于预测图像质量分数。