[发明专利]一种基于深度神经网络的图像质量检测方法及装置

权利要求书

1.一种基于深度神经网络的图像质量检测方法，其特征在于，包括：

对各图像分别进行整体质量及局部质量的标定后作为样本，得到样本库；

所述得到样本库，具体包括：

计算各图像的峰值信噪比，根据所述峰值信噪比及肉眼的主观感受，对各图像进行图像级的整体质量标定；

将各图像划分为预设大小的多个块，结合标定的对应图像的整体质量，对各块进行像素级的局部质量标定；

将各图像与对应的整体质量及局部质量作为样本，得到样本库；

在优化的深度神经网络中对所述样本库进行分层训练，得到整体质量检测模型和局部质量检测模型，对所述整体质量检测模型和所述局部质量检测模型进行融合，得到图像质量检测模型；

所述得到图像质量检测模型，具体包括：

将所述样本库输入优化的深度神经网络，并在所述优化的深度神经网络中对所述样本库中的各图像划分为所述预设大小的多个块；

将所述样本库中的各图像与对应的各整体质量置于所述优化的深度神经网络的一个分支中进行训练，得到整体质量检测模型；将划分的各块与所述样本库中的各局部质量置于所述优化的深度神经网络的另一个分支中并结合反卷积操作进行训练，得到局部质量检测模型；

将所述整体质量检测模型与所述局部质量检测模型顺序拼接，得到图像质量检测模型；

采用所述图像质量检测模型，对输入图像进行整体质量检测和局部质量检测后，得到图像质量。

2.根据权利要求1所述的方法，其特征在于，所述采用所述图像质量检测模型，对输入图像进行整体质量检测和局部质量检测后，得到图像质量，具体包括：

采用所述图像质量检测模型，对输入图像进行整体质量检测和局部质量检测得到整体质量和局部质量，对所述整体质量和所述局部质量进行加权得到图像质量。

3.根据权利要求1所述的方法，其特征在于，所述对各图像分别进行整体质量及局部质量的标定后作为样本，得到样本库之前，还包括：将各图像调整为预设像素的图像；

所述采用所述图像质量检测模型，对输入图像进行整体质量检测和局部质量检测之前，还包括：将输入图像调整为所述预设像素的图像。

4.一种基于深度神经网络的图像质量检测装置，其特征在于，包括：

标定模块，用于对各图像分别进行整体质量及局部质量的标定后作为样本，得到样本库；

所述标定模块，具体包括：第一标定子模块、第二标定子模块和作为子模块；

所述第一标定子模块，用于计算各图像的峰值信噪比，根据所述峰值信噪比及肉眼的主观感受，对各图像进行图像级的整体质量标定；

所述第二标定子模块，用于将各图像划分为预设大小的多个块，结合所述第一标定子模块标定的对应图像的整体质量，对各块进行像素级的局部质量标定；

所述作为子模块，用于将各图像与对应的所述第一标定子模块标定的整体质量及所述第二标定子模块标定的局部质量作为样本，得到样本库；

训练模块，用于在优化的深度神经网络中对所述标定模块得到的样本库进行分层训练，得到整体质量检测模型和局部质量检测模型；

所述训练模块，具体包括：输入子模块、划分子模块和训练子模块；

所述输入子模块，用于将所述标定模块得到的样本库输入优化的深度神经网络；

所述划分子模块，用于在所述优化的深度神经网络中对所述输入子模块输入的样本库中的各图像划分为所述预设大小的多个块；

所述训练子模块，用于将所述输入子模块输入的样本库中的各图像与对应的各整体质量置于所述优化的深度神经网络的一个分支中进行训练，得到整体质量检测模型；将所述划分子模块划分的各块与所述输入子模块输入的样本库中的各局部质量置于所述优化的深度神经网络的另一个分支中并结合反卷积操作进行训练，得到局部质量检测模型；

融合模块，用于对所述训练模块得到的整体质量检测模型和局部质量检测模型进行融合，得到图像质量检测模型；其中，所述融合模块具体用于：将所述训练子模块得到的整体质量检测模型与局部质量检测模型顺序拼接，得到图像质量检测模型；

检测模块，用于采用所述融合模块得到的图像质量检测模型，对输入图像进行整体质量检测和局部质量检测后，得到图像质量。