确定图像质量的方法、装置、电子设备及存储介质.pdf

《确定图像质量的方法、装置、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《确定图像质量的方法、装置、电子设备及存储介质.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010473809.1 (22)申请日 2020.05.29 (71)申请人 北京金山云网络技术有限公司 地址 100085 北京市海淀区小营西路33号 3F02室 (72)发明人 李雅文贺沁雯李果樊鸿飞 蔡媛 (74)专利代理机构 北京柏杉松知识产权代理事 务所(普通合伙) 11413 代理人 马敬项京 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06N 3/08(2006.01) (54)发明名称 一种确定图像质。

2、量的方法、 装置、 电子设备 及存储介质 (57)摘要 本发明实施例提供了一种确定图像质量的 方法、 装置、 电子设备及存储介质， 涉及图像质量 评价技术领域， 可以减少确定图像质量所消耗的 人力成本。 本发明实施例的方案包括： 将待识别 图像输入图像质量评价模型， 然后获取图像质量 评价模型输出的待识别图像的图像质量。 其中， 图像质量评价模型为经过多张样本图像训练后 的神经网络模型， 多张样本图像包括对原始图像 进行不同失真程度和/或不同锐化程度处理后得 到的图像。 权利要求书4页 说明书13页 附图3页 CN 111640099 A 2020.09.08 CN 111640099 A 1。

3、.一种确定图像质量的方法， 其特征在于， 所述方法包括： 将待识别图像输入图像质量评价模型； 获取所述图像质量评价模型输出的所述待识别图像的图像质量； 其中， 所述图像质量评价模型为经过多张样本图像训练后的神经网络模型， 所述多张 样本图像包括对原始图像进行不同失真程度和/或不同锐化程度处理后得到的图像。 2.根据权利要求1所述的方法， 其特征在于， 所述图像质量评价模型通过如下步骤训练 获得： 通过第一样本训练集对孪生网络模型进行训练； 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名标 注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第。

4、二 分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方式 包括失真处理和锐化处理； 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第二分 支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图像以 及每张样本图像对应的图像质量得分。 3.根据权利要求2所述的方法， 其特征在于， 所述通过第一样本训练集对孪生网络模型 进行训练， 包括： 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过的样 本图像， 分别输入所述第一分支模型和所述第二分支模型； 获取所述第一分支模型和所述第二分支模型分别输出的图像质。

5、量排名； 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一分支 模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数值； 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于图像 质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定所述 孪生网络模型收敛时， 获得训练后的孪生网络模型。 4.根据权利要求3所述的方法。

6、， 其特征在于， 所述失真处理包括多种失真类型的处理， 所述锐化处理包括多种锐化类型的处理； 所述将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 包括： 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到的两 张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得到的 两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 5.一种确定图像质量的方法， 其特征在于， 所述方法包括： 获取多张样本图像；。

7、 所述多张样本图像包括对原始图像进行不同失真程度和/或不同 锐化程度处理后得到的图像； 权利要求书 1/4 页 2 CN 111640099 A 2 利用所述多张样本图像训练神经网络模型， 得到图像质量评价模型， 所述图像质量评 价模型用于确定待识别图像的图像质量。 6.根据权利要求5所述的方法， 其特征在于， 所述利用所述多张样本图像训练神经网络 模型， 得到图像质量评价模型， 包括： 通过第一样本训练集对孪生网络模型进行训练； 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名标 注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第二 分支。

8、模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方式 包括失真处理和锐化处理； 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第二分 支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图像以 及每张样本图像对应的图像质量得分。 7.根据权利要求6所述的方法， 其特征在于， 所述通过第一样本训练集对孪生网络模型 进行训练， 包括： 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过的样 本图像， 分别输入所述第一分支模型和所述第二分支模型； 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名；。

9、 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一分支 模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数值； 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于图像 质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定所述 孪生网络模型收敛时， 获得训练后的孪生网络模型。 8.根据权利要求7所述的方法， 其特。

10、征在于， 所述失真处理包括多种失真类型的处理， 所述锐化处理包括多种锐化类型的处理； 所述将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 包括： 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到的两 张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得到的 两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 9.一种确定图像质量的装置， 其特征在于， 所述装置包括： 输入模块， 用于将待识别图。

11、像输入图像质量评价模型； 获取模块， 用于获取所述图像质量评价模型输出的所述待识别图像的图像质量； 其中， 所述图像质量评价模型为经过多张样本图像训练后的神经网络模型， 所述多张 样本图像包括对原始图像进行不同失真程度和/或不同锐化程度处理后得到的图像。 10.根据权利要求9所述的装置， 其特征在于， 所述装置还包括训练模块， 所述训练模块 权利要求书 2/4 页 3 CN 111640099 A 3 用于： 通过第一样本训练集对孪生网络模型进行训练； 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名标 注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分。

12、支模型和所述第二 分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方式 包括失真处理和锐化处理； 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第二分 支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图像以 及每张样本图像对应的图像质量得分。 11.根据权利要求10所述的装置， 其特征在于， 所述训练模块， 具体用于： 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过的样 本图像， 分别输入所述第一分支模型和所述第二分支模型； 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 根。

13、据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一分支 模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数值； 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于图像 质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定所述 孪生网络模型收敛时， 获得训练后的孪生网络模型。 12.根据权利要求11所述的装置， 其特。

14、征在于， 所述失真处理包括多种失真类型的处 理， 所述锐化处理包括多种锐化类型的处理； 所述训练模块， 具体用于： 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到的两 张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得到的 两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 13.一种确定图像质量的装置， 其特征在于， 所述装置包括： 获取模块， 用于获取多张样本图像； 所述多张样本图像包括对原始图像进行不同失真 程度和/或不同锐化程度处理后得到的图像； 训练模块， 用。

15、于利用所述获取模块获取的所述多张样本图像训练神经网络模型， 得到 图像质量评价模型， 所述图像质量评价模型用于确定待识别图像的图像质量。 14.根据权利要求13所述的装置， 其特征在于， 所述训练模块， 具体用于： 通过第一样本训练集对孪生网络模型进行训练； 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名标 注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第二 分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方式 包括失真处理和锐化处理； 权利要求书 3/4 页 4 CN 111640099 A 4 利用第二。

16、样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第二分 支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图像以 及每张样本图像对应的图像质量得分。 15.根据权利要求14所述的装置， 其特征在于， 所述训练模块， 具体用于： 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过的样 本图像， 分别输入所述第一分支模型和所述第二分支模型； 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一分支 模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数。

17、值； 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于图像 质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定所述 孪生网络模型收敛时， 获得训练后的孪生网络模型。 16.根据权利要求15所述的装置， 其特征在于， 所述失真处理包括多种失真类型的处 理， 所述锐化处理包括多种锐化类型的处理； 所述训练模块， 具体用于： 将所述第一样本训练集。

18、中， 对同一张原始图像进行相同失真类型的失真处理得到的两 张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得到的 两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 17.一种电子设备， 其特征在于， 包括处理器和存储器， 其中， 存储器， 用于存储计算机程序； 处理器， 用于执行存储器上所存储的程序时， 实现权利要求1-4或者5-8任一所述的方 法步骤。 18.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处理器执行时实现权利要求1-4或。

19、者5-8任一所述的方法步骤。 权利要求书 4/4 页 5 CN 111640099 A 5 一种确定图像质量的方法、 装置、 电子设备及存储介质 技术领域 0001 本发明涉及图像质量评价技术领域， 特别是涉及一种确定图像质量的方法、 装置、 电子设备及存储介质。 背景技术 0002 图像的质量对于从图像中获取的信息的准确性和充分性起着决定性作用， 因此准 确地衡量图像质量至关重要。 0003 相关技术中， 在构建训练样本时， 通过人工为每一张样本图像标注平均主观得分 (Mean Opinion Score， MOS)， 再通过标注后的样本图像训练神经网络模型， 最后利用训练 后的神经网络模型。

20、预测图像的质量。 0004 然而由于训练神经网络模型需要大量的样本图像， 若每一张样本图像都通过人工 标注的方式添加用于表示图像质量的标签， 则人工的工作量较大， 使得效率低。 发明内容 0005 本发明实施例的目的在于提供一种确定图像质量的方法、 装置、 电子设备及存储 介质， 以实现减少确定图像质量所消耗的人力成本。 具体技术方案如下： 0006 第一方面， 本发明实施例提供了一种确定图像质量的方法， 所述方法包括： 0007 将待识别图像输入图像质量评价模型； 0008 获取所述图像质量评价模型输出的所述待识别图像的图像质量； 0009 其中， 所述图像质量评价模型为经过多张样本图像训练。

21、后的神经网络模型， 所述 多张样本图像包括对原始图像进行不同失真程度和/或不同锐化程度处理后得到的图像。 0010 可选的， 所述图像质量评价模型通过如下步骤训练获得： 0011 通过第一样本训练集对孪生网络模型进行训练； 0012 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名 标注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第 二分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方 式包括失真处理和锐化处理； 0013 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第 二分支模型进。

22、行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图 像以及每张样本图像对应的图像质量得分。 0014 可选的， 所述通过第一样本训练集对孪生网络模型进行训练， 包括： 0015 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型； 0016 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 0017 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一 分支模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数值； 说明书 1/13 页 6 CN 111640。

23、099 A 6 0018 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 0019 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 0020 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本 图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于 图像质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定 所述孪生网络模型收敛时， 获得训练后的孪生网络模型。 0021 可选的， 所述失真处理包括多种失真类型的处理， 所述锐化处理包括多种锐化类 型的处理； 0022 所述将所述第一样本训练集中。

24、同一张原始图像对应的两张经过同种处理方式处 理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 包括： 0023 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到 的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 0024 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得 到的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 0025 第二方面， 本发明实施例提供了一种确定图像质量的方法， 所述方法包括： 0026 获取多张样本图像； 所述多张样本图像包括对原始图像进行不同失真程度和/或 不同锐化程度。

25、处理后得到的图像； 0027 利用所述多张样本图像训练神经网络模型， 得到图像质量评价模型， 所述图像质 量评价模型用于确定待识别图像的图像质量。 0028 可选的， 所述利用所述多张样本图像训练神经网络模型， 得到图像质量评价模型， 包括： 0029 通过第一样本训练集对孪生网络模型进行训练； 0030 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名 标注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第 二分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方 式包括失真处理和锐化处理； 0031 利用第二样本。

26、训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第 二分支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图 像以及每张样本图像对应的图像质量得分。 0032 可选的， 所述通过第一样本训练集对孪生网络模型进行训练， 包括： 0033 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型； 0034 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 0035 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一 分支模型和所述第二分支模型分别输出的图像。

27、质量排名， 计算损失函数值； 0036 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 0037 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 0038 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本 图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于 说明书 2/13 页 7 CN 111640099 A 7 图像质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定 所述孪生网络模型收敛时， 获得训练后的孪生网络模型。 0039 可选的， 所述失真处理包括多种失真类型的处理， 所。

28、述锐化处理包括多种锐化类 型的处理； 0040 所述将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处 理过的样本图像， 分别输入所述第一分支模型和所述第二分支模型， 包括： 0041 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到 的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 0042 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得 到的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 0043 第三方面， 本发明实施例提供了一种确定图像质量的装置， 所述装置包括： 0044 输入模块， 。

29、用于将待识别图像输入图像质量评价模型； 0045 获取模块， 用于获取所述图像质量评价模型输出的所述待识别图像的图像质量； 0046 其中， 所述图像质量评价模型为经过多张样本图像训练后的神经网络模型， 所述 多张样本图像包括对原始图像进行不同失真程度和/或不同锐化程度处理后得到的图像。 0047 可选的， 所述装置还包括训练模块， 所述训练模块用于： 0048 通过第一样本训练集对孪生网络模型进行训练； 0049 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名 标注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第 二分支模型共享模型参数。

30、； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方 式包括失真处理和锐化处理； 0050 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第 二分支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图 像以及每张样本图像对应的图像质量得分。 0051 可选的， 所述训练模块， 具体用于： 0052 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型； 0053 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 0054 根据输入所述孪生网络模型的两张。

31、样本图像的图像质量排名标注， 以及所述第一 分支模型和所述第二分支模型分别输出的图像质量排名， 计算损失函数值； 0055 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 0056 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 0057 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本 图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于 图像质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定 所述孪生网络模型收敛时， 获得训练后的孪生网络模型。 0058 可选的， 所述失真处理包括。

32、多种失真类型的处理， 所述锐化处理包括多种锐化类 型的处理； 0059 所述训练模块， 具体用于： 说明书 3/13 页 8 CN 111640099 A 8 0060 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到 的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 0061 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得 到的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 0062 第四方面， 本发明实施例还提供了一种确定图像质量的装置， 所述装置包括： 0063 获取模块， 用于获取多张样本图像； 所述。

33、多张样本图像包括对原始图像进行不同 失真程度和/或不同锐化程度处理后得到的图像； 0064 训练模块， 用于利用所述获取模块获取的所述多张样本图像训练神经网络模型， 得到图像质量评价模型， 所述图像质量评价模型用于确定待识别图像的图像质量。 0065 可选的， 所述训练模块， 具体用于： 0066 通过第一样本训练集对孪生网络模型进行训练； 0067 其中， 所述第一样本训练集包括多张样本图像以及每张样本图像的图像质量排名 标注； 所述孪生网络模型包括第一分支模型和第二分支模型， 所述第一分支模型和所述第 二分支模型共享模型参数； 不同图像处理方式采用不同的图像质量排名标注； 所述处理方 式包。

34、括失真处理和锐化处理； 0068 利用第二样本训练集， 对通过所述第一样本训练集训练得到的第一分支模型或第 二分支模型进行训练， 得到所述图像质量评价模型， 所述第二样本训练集包括多张样本图 像以及每张样本图像对应的图像质量得分。 0069 可选的， 所述训练模块， 具体用于： 0070 将所述第一样本训练集中同一张原始图像对应的两张经过同种处理方式处理过 的样本图像， 分别输入所述第一分支模型和所述第二分支模型； 0071 获取所述第一分支模型和所述第二分支模型分别输出的图像质量排名； 0072 根据输入所述孪生网络模型的两张样本图像的图像质量排名标注， 以及所述第一 分支模型和所述第二分支。

35、模型分别输出的图像质量排名， 计算损失函数值； 0073 根据所述损失函数值， 确定所述孪生网络模型是否收敛； 0074 若所述孪生网络模型未收敛， 则根据所述损失函数值， 调整所述模型参数； 0075 将剩余样本图像中同一张原始图像对应的两张经过同种处理方式处理过的样本 图像， 分别输入所述第一分支模型和所述第二分支模型， 获取输出的图像质量排名， 并基于 图像质量排名标注和输出的图像质量排名计算损失函数值， 直至基于所述损失函数值确定 所述孪生网络模型收敛时， 获得训练后的孪生网络模型。 0076 可选的， 所述失真处理包括多种失真类型的处理， 所述锐化处理包括多种锐化类 型的处理； 00。

36、77 所述训练模块， 具体用于： 0078 将所述第一样本训练集中， 对同一张原始图像进行相同失真类型的失真处理得到 的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型； 或者， 0079 将所述第一样本训练集中， 对同一张原始图像进行相同锐化类型的锐化处理后得 到的两张样本图像， 分别输入所述第一分支模型和所述第二分支模型。 0080 第五方面， 本发明实施例提供了一种电子设备， 包括处理器、 通信接口、 存储器和 通信总线， 其中， 处理器， 通信接口， 存储器通过通信总线完成相互间的通信； 说明书 4/13 页 9 CN 111640099 A 9 0081 存储器， 用于存放。

37、计算机程序； 0082 处理器， 用于执行存储器上所存放的程序时， 实现上述任一确定图像质量的方法 的步骤。 0083 第六方面， 本发明实施例还提供了一种计算机可读存储介质， 所述计算机可读存 储介质内存储有计算机程序， 所述计算机程序被处理器执行时实现上述任一确定图像质量 的方法的步骤。 0084 第七方面， 本发明实施例还提供了一种包含指令的计算机程序产品， 当其在计算 机上运行时， 使得计算机执行上述任一确定图像质量的方法。 0085 本发明实施例的技术方案至少可以带来以下有益效果： 本发明实施例利用了对原 始图像进行不同失真程度和/或不同锐化程度处理后得到的样本图像， 对神经网络模型。

38、进 行训练， 使得训练后得到的图像质量评价模型可以依据图像的失真程度以及图像的锐化程 度， 确定图像质量。 由于对原始图像进行失真处理和锐化处理都是自动化处理， 所以本发明 实施例减少了确定图像质量所消耗的人力成本。 0086 当然， 实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优 点。 附图说明 0087 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以 根据这些附图获得其他的附图。。

39、 0088 图1为本发明实施例提供的一种确定图像质量的方法流程图； 0089 图2为本发明实施例提供的一种训练孪生网络模型的方法流程图； 0090 图3为本发明实施例提供的另一种确定图像质量的方法流程图； 0091 图4为本发明实施例提供的一种确定图像质量的装置结构示意图； 0092 图5为本发明实施例提供的另一种确定图像质量的装置结构示意图； 0093 图6为本发明实施例提供的一种电子设备的结构示意图。 具体实施方式 0094 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 。

40、本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0095 为了减少确定图像质量所消耗的人力成本， 本发明实施例提供了一种确定图像质 量的方法， 应用于第一电子设备， 其中第一电子设备可以是手机、 平板电脑或者计算机等设 备。 参见图1， 该方法包括如下步骤。 0096 步骤101， 将待识别图像输入图像质量评价模型。 0097 其中， 图像质量评价模型为经过多张样本图像训练后的神经网络模型， 多张样本 图像包括对原始图像进行不同失真程度和/或不同锐化程度处理后得到的图像。 可选的， 原 说明书 5/13 页 10 CN 11。

41、1640099 A 10 始图像可以是高清图像。 0098 在本发明实施例中， 图像质量评价模型基于多张样本图像、 每张样本图像的图像 质量排名标注以及每张样本图像的图像质量得分训练而得。 0099 可以理解的， 失真程度和锐化程度可以包括0， 对原始图像进行失真程度为0的失 真处理， 可以理解为不对原始图像进行失真处理， 对原始图像进行锐化程度为0的锐化处 理， 可以理解为不对原始图像进行锐化处理。 样本图像中可以包括原始图像， 原始图像可以 理解为进行失真程度为0且锐化程度为0的处理后得到的样本图像。 0100 在本发明实施例中， 可以对原始图像进行失真处理， 或者对原始图像进行锐化处 理。

42、， 或者对原始图像既进行失真处理又进行锐化处理。 0101 步骤102， 获取图像质量评价模型输出的待识别图像的图像质量。 0102 本发明实施例的技术方案至少可以带来以下有益效果： 本发明实施例利用了对原 始图像进行不同失真程度和/或不同锐化程度处理后得到的样本图像对神经网络模型进行 训练， 使得训练后得到的图像质量评价模型可以依据图像的失真程度以及图像的锐化程 度， 确定图像质量。 由于对原始图像进行失真处理和锐化处理都是自动化处理， 所以本发明 实施例减少了确定图像质量所消耗的人力成本。 0103 可选的， 本发明实施例中的图像质量评价模型可以基于经过多张样本图像训练后 的孪生网络模型中。

43、的其中一个分支模型得到。 0104 其中， 孪生网络模型包括第一分支模型和第二分支模型， 第一分支模型和第二分 支模型共享模型参数。 第一分支模型和第二分支模型使用相同类型的神经网络， 例如， 第一 分支模型和第二分支模型均为卷积神经网络(Convolutional Neural Networks， CNN)。 0105 可以理解的， CNN是一种前馈神经网络， 包括一个或多个卷积层以及全连接层， 还 可以包括关联权重层和池化层。 0106 可选的， 图像质量评价模型通过如下两个步骤训练获得。 0107 步骤一， 通过第一样本训练集对孪生网络模型进行训练。 0108 其中， 第一样本训练集包括。

44、多张样本图像以及每张样本图像的图像质量排名标 注， 不同图像处理方式采用不同的图像质量排名标注， 处理方式包括失真处理和锐化处理。 0109 在本发明实施例中， 图像质量排名标注用于表示图像的失真程度和/或锐化程度 在样本图像中的排名。 0110 可选的， 对一张原始图像经过不同失真程度处理后得到的多张样本图像， 每张样 本图像的图像质量排名标注表示样本图像的失真程度排名。 例如， 对原始图像进行失真程 度分别为05的处理， 得到样本图像AF。 其中， 样本图像A-F所经过的失真程度依次递增。 所以样本图像A所经过的失真程度为0， 为原始图像， 样本图像A的图像质量排名标注可以为 0， 表示失。

45、真程度排名为0。 同理， 样本图像B的图像质量排名标注为1， 样本图像C的图像 质量排名标注为2， 样本图像D的图像质量排名标注为3， 样本图像E的图像质量排名标 注为4， 样本图像F的图像质量排名标注为5。 0111 对一张原始图像经过不同锐化程度处理后得到的多张样本图像， 每张样本图像的 图像质量排名标注表示样本图像的锐化程度排名。 例如， 对原始图像进行锐化程度分别为1 3的处理， 得到样本图像ac， 其中， 样本图像ac所经过的锐化程度依次递增。 所以样本 图像a的图像质量排名标注可以为1， 表示锐化程度排名为1。 同理， 样本图像b的图像质量 说明书 6/13 页 11 CN 111。

46、640099 A 11 排名标注可以为2， 样本图像c的图像质量排名标注可以为3。 0112 对一张原始图像经过不同失真程度以及不同锐化程度处理后得到的多张样本图 像， 每张样本图像的图像质量排名标注包括样本图像的锐化程度排名和失真程度排名。 例 如， 对原始图像进行失真程度分别为13以及锐化程度分别为13的处理， 得到样本图像1 9。 样本图像的图像质量排名标注为x,y， 其中， x表示样本图像的失真程度排名， y表示 样本图像的锐化程度排名。 所以样本图像1的图像质量排名标注为1,1， 样本图像2的图像 质量排名标注为1,2， 样本图像3的图像质量排名标注为1,3， 样本图像4的图像质量排。

47、 名标注为2,1， 样本图像5的图像质量排名标注为2,2， 样本图像6的图像质量排名标注 为2,3， 样本图像7的图像质量排名标注为3,1， 样本图像8的图像质量排名标注为3, 2， 样本图像9的图像质量排名标注为3,3。 0113 可选的， 本发明实施例中的第一样本训练集包括的原始图像可以来源于指定数据 库。 其中， 指定数据库包括： 滑铁卢(Waterloo)、 数据集(Places_val)和数据集(DIV2K)。 0114 可以理解的， 本发明实施例可以从多种数据集中获取原始图像， 泛化了样本图像， 使得训练得到后的图像质量评价模型预测准确度更高。 0115 步骤二， 利用第二样本训练。

48、集， 对通过第一样本训练集训练得到的第一分支模型 或第二分支模型进行训练， 得到图像质量评价模型。 其中， 第二样本训练集包括多张样本图 像以及每张样本图像对应的图像质量得分。 0116 可选的， 第二样本训练集包括的样本图像可以与第一样本训练集包括的样本图像 相同， 或者， 第二样本训练集包括的样本图像可以与第一样本训练集包括的样本图像不同。 示例性的， 第二样本训练集包括的样本图像可以从数据集(LIVE)中获取。 但是， 第二样本训 练集的样本量小于第一样本训练集。 0117 在本发明实施例中， 第二样本训练集包括的每张样本图像的图像质量得分可以是 人工标注的。 0118 可选的， 图像质。

49、量得分可以为预先标注的平均主观得分差异(Differential mean opinion score， DMOS)。 0119 其中， DMOS指的是人眼对无失真图像和有失真图像评价得分的差异， 或者人眼对 无锐化图像和有锐化图像评价得分的差异， DMOS数值越小表示图像质量越高， DMOS数值越 大表示图像质量越低。 0120 本发明实施例的技术方案还可以带来以下有益效果： 本发明实施例首先利用无需 人工标注的第一样本训练集中大量的样本图像， 对孪生网络模型进行训练， 得到粗略的能 够根据失真程度和锐化程度确定图像质量的模型。 再利用第二样本训练集对粗略的模型进 行微调， 得到识别准确度更。

50、高的图像质量评价模型。 由于微调时才会利用需要人工标注的 样本图像， 微调所利用的样本图像数量相对较少， 大大减少了人工标记量， 从而从整体上提 高了获得图像质量评价模型的效率。 0121 而且本发明实施例利用存在对应的图像质量得分的样本图像， 训练孪生网络模型 的其中一支分支模型， 使得图像质量评价模型预测的图像质量得分与DMOS更相关。 0122 可选的， 参见图2， 上述获得图像质量评价模型的步骤一中， 通过第一样本训练集 对孪生网络模型进行训练的方法， 可以包括以下步骤。 0123 步骤201、 将第一样本训练集中同一张原始图像对应的两张经过同种处理方式处 说明书 7/13 页 12 。