[发明专利]图像质量评价方法、图像质量评价模型的训练方法和装置

说明书

本发明提供了一种图像质量评价方法、图像质量评价模型的训练方法和装置，该方法包括：获取待处理图像；将该待处理图像输入至预先训练完成的图像质量评价模型中，得到待处理图像在预设的多个质量等级下的评价结果；该图像质量评价模型为使用样本集通过机器学习训练得到的，样本集中的每个样本均包括一个样本图像和该样本图像对应的质量标签分布；该质量标签分布中包括预设的多个质量等级，以及样本图像属于每个质量等级的概率值。该方式通过图像质量评价模型对待处理图像进行质量评价得到图像的质量等级，该图像质量评价模型在训练的过程中可以从样本图像的质量标签分布中学习到图像质量内在的不确定性，进而提高模型质量评价的精度和稳定性。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种图像质量评价方法、图像质量评价模型的训练方法和装置。

背景技术

智能安防是通过计算机视觉等人工智能技术分析监控摄像头捕捉的图像，并从图像中及时发现特定的人、物以及事件。在智能安防系统中，由于物体距离监控摄像头较远、光照条件恶劣以及摄像头本身成像效果较差等原因，易导致摄像头捕捉到的监控图像清晰度较差且分辨率较低，从而影响智能安防的监控效果。因此，需要对监控图像进行准确的质量评价，并根据评价结果自动调用相应的图像增强算法对监控图像进行增强，以使智能安防系统对增强后的图像进行相应的处理，来提高智能安防的效果。

相关技术中，可以通过训练后的深度学习模型对监控图像进行质量评价。在训练深度学习模型时，需要对训练集中的每个图像标注质量等级标签，通常一个类别的图像对应同一个质量等级标签，然后通过训练集训练深度学习模型，训练完成后将监控图像输入至模型中，可以得到该监控图像对应的质量等级结果，但由于图像质量评价具有很强的主观性，对于同一张图像，不同的人给出的图像质量评价一般是不同的，导致图像质量评价本身具有不确定性，该方式将一个类别的图像归属为一个质量等级，过于绝对化，导致该方式得到的质量评价结果稳定性和精确度较差。

发明内容

本发明的目的在于提供一种图像质量评价方法、图像质量评价模型的训练方法和装置，以提高图像质量评价结果的稳定性和精确度。

第一方面，本发明实施例提供一种图像质量评价方法，该方法包括：获取待处理图像；将待处理图像输入至预先训练完成的图像质量评价模型中，得到待处理图像在预设的多个质量等级下的评价结果；其中，图像质量评价模型为使用样本集通过机器学习训练得到，样本集中的每个样本均包括一个样本图像和样本图像对应的质量标签分布；质量标签分布中包括预设的多个质量等级，以及样本图像属于每个质量等级的概率值。

在可选的实施方式中，针对于样本集中的每个样本图像，当前样本图像的质量标签分布通过下述方式确定：获取当前样本图像对应的多个标注结果；该标注结果用于表示当前样本图像的质量等级；基于多个标注结果和预设的多个质量等级，生成当前样本图像的质量标签分布。

在可选的实施方式中，上述基于多个标注结果和预设的多个质量等级，生成当前样本图像的质量标签分布的步骤，包括：计算多个标注结果对应的质量等级的平均值，得到等级均值；基于等级均值和预设的多个质量等级，确定当前样本图像属于预设的多个质量等级中的每个质量等级的概率值；组合每个质量等级的概率值，得到当前样本图像的质量标签分布。

在可选的实施方式中，上述基于等级均值和预设的多个质量等级，确定当前样本图像属于预设的多个质量等级中的每个质量等级的概率值的步骤，包括：通过下述算式，计算当前样本图像属于预设的多个质量等级中的每个质量等级的概率值：

其中，p_j表示当前样本图像属于预设的多个质量等级中第j个质量等级的概率值；j表示第j个质量等级的等级值；y表示等级均值；Z表示归一化因子；N表示预设的多个质量等级的总数；σ表示预设标准差；exp表示以自然常数e为底的指数函数运算；∑表示求和运算。