[发明专利]图像质量评分方法、装置、存储介质以及电子设备

说明书

本发明公开了一种图像质量评分方法、装置、存储介质以及电子设备。该方法包括：获取待评分的目标图像；使用第一特征提取模型提取目标图像的深度学习特征；获取目标图像的目标特征，其中，目标特征包括目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；将深度学习特征和目标特征拼接为组合特征；将组合特征输入到目标评分模型，由目标评分模型对目标图像的质量进行评分，其中，目标评分模型为使用训练样本对原始评分模型进行训练得到的模型，训练样本包括多张训练图像和每一张训练图像的质量评分。本发明解决了对图像质量进行评分不准确的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种图像质量评分方法、装置、存储介质以及电子设备。

背景技术

现有技术中，在对一张图像的图像质量进行评分的时候，通常可以使用评分模型提取图像的深度学习特征，然后根据深度学习特征确定图像的评分。

然而，由于图像的深度学习特征一般用于图像的识别、分类等任务，并不能够很好的表达图像的颜色、曝光等影响图像质量的信息，因此，通过图像的深度学习特征来确定图像的质量评分，确定的质量评分并不准确。

发明内容

本发明实施例提供了一种图像质量评分方法、装置、存储介质以及电子设备，以至少解决对图像进行质量评分不准确的技术问题。

根据本发明实施例的一个方面，提供了一种图像质量评分方法，包括：获取待评分的目标图像；使用第一特征提取模型提取上述目标图像的深度学习特征；获取上述目标图像的目标特征，其中，上述目标特征包括上述目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；将上述深度学习特征和上述目标特征拼接为组合特征；将上述组合特征输入到目标评分模型，由上述目标评分模型对上述目标图像的质量进行评分，其中，上述目标评分模型为使用训练样本对原始评分模型进行训练得到的模型，上述训练样本包括多张训练图像和每一张上述训练图像的质量评分。

根据本发明实施例的另一方面，提供了一种图像质量评分装置，包括：第一获取模块，用于获取待评分的目标图像；提取模块，用于使用第一特征提取模型提取上述目标图像的深度学习特征；第二获取模块，用于获取上述目标图像的目标特征，其中，上述目标特征包括上述目标图像的颜色特征、纹理特征以及梯度特征中的至少之一；拼接模块，用于将上述深度学习特征和上述目标特征拼接为组合特征；输入模块，用于将上述组合特征输入到目标评分模型，由上述目标评分模型对上述目标图像的质量进行评分，其中，上述目标评分模型为使用训练样本对原始评分模型进行训练得到的模型，上述训练样本包括多张训练图像和每一张上述训练图像的质量评分。

作为一种可选的示例，上述第二获取模块包括：第一获取单元，用于在上述目标特征为上述颜色特征的情况下，获取上述目标图像的颜色直方图。

作为一种可选的示例，上述第一获取单元包括：划分子单元，用于将上述目标图像的像素的最小颜色值到最大颜色值划分为不同的颜色区间，其中，上述最小颜色值为上述目标图像中的像素点的颜色值的最小值，上述最大颜色值为上述目标图像中的像素点的颜色值的最大值；统计子单元，用于统计处于每一个上述颜色区间内的像素点的数量，得到上述颜色直方图。

作为一种可选的示例，上述第二获取模块包括：第二获取单元，用于获取上述目标图像的灰度共生矩阵或Tamura纹理特征或者自回归纹理特征；第一确定单元，用于将上述灰度共生矩阵或Tamura纹理特征或者自回归纹理特征作为上述目标图像的上述目标特征。

作为一种可选的示例，上述第二获取模块包括：第三获取单元，用于获取上述目标图像的Brenner梯度特征或者laplacian算子特征；第二确定单元，用于将上述Brenner梯度特征或者laplacian算子特征作为上述目标图像的上述目标特征。

作为一种可选的示例，上述装置还包括：处理模块，用于在将上述深度学习特征和上述目标特征拼接为组合特征之前，对上述目标特征执行降维操作。