[发明专利]一种图像质量评价方法、装置、设备及存储介质

说明书

本申请提供一种图像质量评价方法、装置、设备及存储介质，涉及图像质量评价领域。该方法包括：获取待评价图像；将待评价图像输入图像质量评价模型，得到待评价图像的质量评分；图像质量评价模型是基于第一训练样本集和第二训练样本集对第一初始模型训练之后得到的；第一训练样本集包括多个样本子集，样本子集中包括多个训练样本，训练样本中包括带有质量评分标签的训练图像、以及训练图像对应的排序标签。第二训练样本集包括多个样本子集，样本子集中包括多个训练样本，训练样本中包括带有排序伪标签的训练图像。该方法适用于对图像的质量评价模型训练过程中，用于解决带有质量评分标签的训练样本较少的问题。

技术领域

本申请涉及图像质量评价领域，尤其涉及一种图像质量评价方法、装置、设备及存储介质。

背景技术

数字图像在采集、压缩、传输、存储等过程中会因各种原因而产生不同类型、不同程度的失真。例如，在图像采集过程中出现的噪声、模糊；在图像压缩过程中出现的压缩失真；在图像传输过程中由于信息丢失而产生的图像部分缺失；在图像存储过程中由于存储设备的存储资源的限制而导致的图像分辨率地下等。这些失真会使得用户体验变差，不利于后续的处理或应用。因此，对于图像的质量评价成为了我们的需要。

目前的图像质量评价可以通过深度学习模型来实现。一般而言，构建一个稳定的深度学习模型需要大量标注有标签的训练样本。

但是，图像质量评价的质量评分标签的标注难度较大且标注代价较高。

发明内容

基于上述技术问题，本申请提供一种图像质量评价方法、装置、设备及存储介质，可以将图像质量评分任务转换为确定两个图像之间的质量评分的高低的分类任务，再结合半监督技术以达到利用无标签的数据得到稳定的深度学习模型，利用该深度学习模型可以在较少的标注标签的情况下，实现对图像质量的评价。

第一方面，本申请提供一种图像质量评价方法，该方法包括：获取待评价图像；将待评价图像输入图像质量评价模型，得到待评价图像的质量评分；图像质量评价模型是基于第一训练样本集和第二训练样本集对第一初始模型训练之后得到的；第一训练样本集包括多个样本子集，第一训练样本集中的任一个样本子集包括P个训练样本，P为大于或等于2的整数，对于P个训练样本中的第一训练样本，第一训练样本包括带有质量评分标签的第一训练图像、以及第一训练图像对应的排序标签；排序标签用于表征P个训练样本的质量评分标签之间的大小关系；第二训练样本集包括多个样本子集，第二训练样本集中的任一个样本子集包括Q个训练样本，Q为大于或等于2的整数，对于Q个训练样本中的第二训练样本，第二训练样本包括带有排序伪标签的第二训练图像；排序伪标签用于表征Q个训练样本的质量评分伪标签之间的大小关系。

应理解，对于监督学习来说，标签的标注难度较大且标注代价较高。对于半监督学习来说，图像质量评价任务与普通分类、检测、以及分割任务有所不同，图像质量评价任务输出的是一个连续的质量评分，而不是一个离散的类别。此外，分数伪标签包括大量噪声，且无法通过“置信度”等方式筛选出高噪声的分数伪标签。因此，半监督学习无法直接应用于图像质量评价任务中。而本申请提供的图像质量评价方法中，利用排序标签和排序伪标签将图像质量评价任务转化为分类任务，从而能够结合无人工标注的第二训练样本集利用半监督技术对第一初始模型进行训练得到图像质量评价模型，以实现在较少人工标注样本的情况下实现对图像质量的评价。

可选地，在获取待评价图像之前，该方法还包括：获取第一训练样本集和第二训练样本集；基于第一训练样本集和第二训练样本集，对第一初始模型进行训练，得到图像质量评价模型。