图像质量的评价方法与装置的制造方法
【技术领域】
[0001] 本发明涉及图像处理领域，尤其涉及一种图像质量的评价方法与装置。
【背景技术】
[0002] 对图像或照片等的质量进行评价广泛应用在图像处理领域，例如，硬件配置相似 的两台相机，若能客观判断哪台相机拍摄出来的照片整体质量更高，将能够更好地指导消 费者消费。一般而言，图像质量指人们对一幅图像视觉感受的主观评价。在本说明书中，图 像质量是一个统计概念，是指大部分人对一幅图像视觉感受的主观评价。
[0003] 现有的图像质量评价方法包括用户直接观察图像并给出评价的方法，例如通过观 察图像的清晰度给出诸如"很清晰"、"清晰度还行"等评价，还包括用分辨率度量图像质量 的方法，例如，分辨率越高，质量越好。
[0004] 在实现上述现有的图像质量评价的过程中，发明人发现现有技术中至少存在如下 问题：若用户直接观察图像并给出评价，则评价结果过于主观，难以反映真实的图像质量； 若用分辨率度量图像质量，则评价结果过于偏颇，同样难以反映真实的图像质量，例如有些 相机的分辨率达到1200万像素，可用户感觉其拍摄出来的照片清晰度还不如800万像素的 手机。
【发明内容】
[0005] 本发明的实施例提供一种图像质量的评价方法与装置，其目的在于更加真实地反 映图像质量。
[0006] 为达到上述目的，本发明的实施例采用如下技术方案：
[0007] 一方面，提供一种图像质量的评价方法，包括：
[0008] 步骤S1、通过统计随机人群对图像的评价结果，构建以图像的多个特征参数为自 变量、以图像的评价结果为因变量的评价函数；
[0009] 步骤S2、提取待评价图像中与所述自变量匹配的多个特征参数；
[0010] 步骤S3、根据所述待评价图像的多个特征参数与所述评价函数确定所述待评价图 像的评价结果。
[0011] 另一方面，提供一种图像质量的评价装置，包括：
[0012] 评价函数构建单元，用于通过统计随机人群对图像的评价结果，构建以图像的多 个特征参数为自变量、以图像的评价结果为因变量的评价函数；
[0013] 特征参数提取单元，用于提取待评价图像中与所述自变量匹配的多个特征参数；
[0014] 评价结果确定单元，用于根据所述待评价图像的多个特征参数与所述评价函数确 定所述待评价图像的评价结果。
[0015] 本发明实施例提供的图像质量的评价方法与装置，通过构建以图像的多个特征参 数为自变量、以图像的评价结果为因变量的评价函数，只需将待评价图像的多个特征参数 输入评价函数即可确定所述待评价图像的评价结果。由此可见，相对于现有技术中因用户 直接观察图像并给出评价导致评价结果过于主观，或者因用分辨率度量图像质量导致评价 结果过于偏颇，根据本实施例提供的方法与装置由于评价函数是通过统计随机人群对图像 的评价结果而构建的，因此能够避免评价结果的主观性，且由于综合多个特征参数来确定 评价结果，因此能够避免评价结果偏颇，总之，根据本实施例提供的方法与装置能够更加真 实地反映图像质量。
【附图说明】
[0016] 图1为实施例一提供的图像质量的评价方法的流程图；
[0017] 图2为实施例二提供的图像质量的评价方法的流程图；
[0018] 图3为实施例三提供的图像质量的评价方法的流程图；
[0019] 图4为实施例四提供的图像质量的评价装置的结构示意图。
【具体实施方式】
[0020] 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 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它 实施例，都属于本发明保护的范围。
[0021] 实施例一
[0022] 本实施例提供一种图像质量的评价方法。该评价方法用于根据图像的特征参数确 定图像质量，确定的图像质量以评价结果的方式表示：评价结果越好，图像质量越高。该评 价方法涉及的评价函数以图像的特征参数为自变量、以图像的评价结果为因变量。在本实 施例中，图像质量的评价方法可由具备控制处理功能的模块或设备执行，这样的设备例如 可以为计算机、照相机或移动通信终端等。以下的说明中以执行主体是计算机为例进行说 明。如图1所示，本实施例提供的图像质量的评价方法包括如下步骤：
[0023] S1、通过统计随机人群对图像的评价结果，构建以图像的多个特征参数为自变量、 以图像的评价结果为因变量的评价函数。
[0024] 本步骤中构建的评价函数用于客观评价待评价图像。其中，图像的特征参数包括 但不限于以下特征参数的任意组合：结构相似度、结构相似度的差异程度、熵、锐度、饱和 度、梯度、对比度、纹理均值等。
[0025] 构建评价函数的方式一般选用函数拟合，但不仅限于此。为了进行函数拟合，需先 行获取供拟合用的数据。这些数据源自于随机人群对图像的评价结果及其对应的特征参 数。基于获取的评价结果及其对应的特征参数，利用ANNs(Artificial Neural Networks, 人工神经网络）或ML (Machine Learning,机器学习）系统等人工智能技术进行评价函数 拟合，从而构建评价函数。其中，ANNs是一种类似于大脑神经突触联接结构的信息处理数 学模型，包括但不限于后向传播神经网络、径向基函数神经网络和广义回归神经网络等；ML 是专门研究计算机怎样模拟或实现人类的学习行为学科，目的是获取新的知识或技能，重 新组织已有的知识结构使之不断改善自身的性能，包括但不限于支持向量机、极限学习机 等。
[0026] S2、提取待评价图像中与自变量匹配的多个特征参数。
[0027] 在构建上述那样的评价函数的基础上，为了对待评价的图像或照片等进行图像质 量评价，可先对待评价图像进行处理，提取其多个特征参数。提取的特征参数的种类与评价 函数中作为自变量的特征参数的种类对应，即构建评价函数时参考了哪些特征参数，则在 对待评价图像进行评价时就选取哪些特征参数。
[0028] 计算机可直接从待评价图像中提取特征参数，也可接收用户输入或来自其他设备 的特征参数，例如，在图形图像设计中，为了设计出质量最优的图像，用户通过输入大小逐 渐变化的特征参数来进行设计，此时计算机可直接接收用户输入的特征参数。
[0029] S3、根据待评价图像的多个特征参数与评价函数确定待评价图像的评价结果。
[0030] 如上所述，评价函数以特征参数为自变量并以评价结果为因变量，因此，在此步骤 中，将待评价图像的特征参数输入评价函数可得到待评价图像的评价结果。
[0031] 根据本实施例提供的图像质量的评价方法，在构建以图像的多个特征参数为自变 量并以图像的评价结果为因变量的评价函数，只需将待评价图像的多个特征参数输入评价 函数即可确定所述待评价图像的评价结果。相对于现有技术中因用户直接观察图像并给出 评价导致评价结果过于主观，或者因用分辨率度量图像质量导致评价结果过于偏颇，本实 施例提供的方法由于评价函数是通过统计随机人群对图像的评价结果而构建的，因此能够 避免评价结果的主观性，且由于综合多个特征参数来确定评价结果，因此能够避免评价结 果偏颇，总之，根据本实施例提供的方法能够更加真实地反映图像质量。
[0032] 此外，由于本实施例提供的图像质量的评价方法中，让电子设备模拟人眼的视觉 感受，将评分工作转移到电子设备，因此能够节省人力，能够快速地得出待评价图像的评价 结果，有利于将图像质量的评价方法应用于便携式终端等处理能力相对较弱的电子设备。