[发明专利]一种基于多任务学习的图像质量评估方法及装置

说明书

本发明适用于计算机技术领域，提供了一种基于多任务学习的图像质量评估方法及装置，所述方法包括：根据根据多任务学习训练生成的基于卷积神经网络的图像质量评估模型对所述待质量评估的图像进行处理，确定所述图像的质量评估结果；其中，所述基于图像质量评估模型是预先基于自然属性特征任务学习所训练生成的；所述自然属性特征任务学习是使得图像经过图像质量评估模型处理后得到的自然属性特征响应结果与按照预设的自然属性特征提取规则对图像进行特征提取所得到的自然属性特征真实结果之间满足预设的要求，相比于现有的利用无参考图像质量评估算法所训练生成的图像质量评估模型，在模型分析的准确率上具有显著的提升。

技术领域

本发明属于计算机技术领域，尤其涉及一种图像质量评估方法及装置。

背景技术

图像是信息传递的一种重要载体，能够帮助我们更好地认识客观世界，在我们日常的工作和生活中起到了非常重要的作用，但图像在采集、存储、传输等过程中容易受到诸多因素的影响导致其质量受损，影响到人类对图像内容的感知。因此，通过图像质量评估方法可帮助人们快速识别目标图像的质量，将质量受损严重的图像筛选出来，避免影响到人类对图像内容的感知。

然而，现有的图像质量评估方法通常都是利用无参考图像质量评估算法所训练得到的图像质量评估模型进行特征筛选的，事实上，由于该图像质量评估算法未参考原始图像的相关特征，其并不能使得所筛选出的图像特征与原始图像的真实特征进行精准匹配，即采用此种图像质量评估方法所训练得到的图像质量评估模型无法高效准确的对图像质量进行评估。也就是说，现有的利用无参考图像质量评估算法所训练得到的图像质量评估模型进行图像的特征筛选的分析模型准确性较差，实际应用能力低。

可见，利用现有的图像质量评估方法所训练得到的图像质量评估模型所得到的图像质量评估结果还存在着准确性较差，实际应用能力低的技术问题。

发明内容

本发明实施例的目的在于提供一种图像质量评估方法，旨在解决利用现有的图像质量评估方法所训练得到的图像质量评估模型所得到的图像质量评估结果还存在着准确性较差，实际应用能力低的技术问题。

本发明实施例是这样实现的，一种图像质量评估方法，包括：

获取待质量评估的图像；

根据根据多任务学习训练生成的基于卷积神经网络的图像质量评估模型对所述待质量评估的图像进行处理，确定所述图像的质量评估结果；其中

根据基于卷积神经网络构建并训练完成的图像质量评估模型对所述待质量评估的图像进行处理，确定所述图像的质量评估结果；其中

所述基于卷积神经网络构建的图像质量评估模型是以图像自然属性特征和质量分数作为多任务学习目标训练生成的；所述自然属性特征任务学习是将按照预设的自然属性特征提取规则对图像进行特征提取所得到的自然属性特征作为模型学习的一个子任务，所述图像质量分数学习是指将图像主观质量分数作为模型学习的另一个子任务。

本发明实施例的另一目的在于提供一种图像质量评估装置，包括：

样本图像获取单元，用于获取待质量评估的图像；

待质量评估图像处理单元，用于根据多任务学习训练生成的基于卷积神经网络的图像质量评估模型对所述待质量评估的图像进行处理，确定所述图像的质量评估结果。

本发明实施例中提供的一种图像质量评估方法，是根据多任务学习训练生成的基于卷积神经网络的图像质量评估模型对所述待质量评估的图像进行处理，确定并输出所述图像的质量评估结果，由于其中根据多任务学习训练生成的基于卷积神经网络的图像质量评估模型是根据样本图像的自然属性特征以及质量评价分数作为损失值计算标准并通过卷积神经网络对相应的可变参数进行调整优化后得到的图像质量评估模型，因此此时根据该图像质量评估模型对待评估的图像的质量进行分析后得到的评估结果的准确率能保持在较高的水平，相比于现有的利用无参考图像质量评估算法所训练生成的图像质量评估模型，在模型分析的准确率上具有显著的提升，即提供了一种准确率高，应用效果好的图像质量评估方法。