(19)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 202211373829.7 (22)申请日 2022.11.04 (71)申请人 江西电信 信息产业有限公司 地址 330000 江西省南昌市南昌经济技 术 开发区桂苑 大道 （创业大厦） 3楼 (72)发明人 张斌　徐军亮　张伟　施嘉韦　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 何世磊 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像质量评价方法、 装置、 可读存储介质及 电子设备 (57)摘要 一种图像质量评价方法、 装置、 可读存储介 质及电子设备， 该方法包括， 获取待评估图像和 对应的原始图像， 并将待评估图像和原始图像输 入至卷积自编码网络中； 提取卷积自编码网络的 每个特征层的特征层信息； 分别利用SSIM指标、 PSNR指标以及信息熵指标评价各个特征层的各 个通道下的待评估图像和原始图像， 以得到每个 特征层的每个通道在相应指标下的指标分数； 根 据每个特征层的每个通道在相应指标下的指标 分数， 确定每个特征层的质量分数； 根据每个特 征层的质量分数以及各个特征层的标准差比例 计算待评估图像的质量评价分数。 本发明充分利 用了卷积自编码网络的特征层来对图像进行质 量评价， 准确性高。 权利要求书3页 说明书12页 附图3页 CN 115423809 A 2022.12.02 CN 115423809 A 1.一种图像质量评价方法， 其特 征在于， 包括， 获取待评估图像和对应的原始图像， 并将所述待评估图像和所述原始图像输入至卷积 自编码网络中； 提取所述卷积自编码网络的每个特征层的特征层信息， 其中， 每个所述特征层均包括 多个通道， 所述特征层信息包括各个通道下所述待评估图像的特征图像和所述原始图像的 特征图像； 基于提取的特征层信息， 分别利用SSIM指标、 PSNR指标以及信息熵指标评价各个特征 层的各个通道下的所述待评估图像和原始图像， 以得到每个特征层的每个通道在相应指标 下的指标分数； 根据每个特征层的每 个通道在相应指标 下的指标分数， 确定每 个特征层的质量分数； 获取每个特征层的标准差比例， 并根据每个特征层的质量分数以及各个所述特征层的 标准差比例计算所述待评估图像的质量评价分数。 2.如权利要求1所述的图像质量评价方法， 其特征在于， 所述基于提取的特征层信息， 分别利用SSIM指标、 PSN R指标以及信息熵指标评价各个特征层的各个通道下的所述待评估 图像和原 始图像， 以得到每 个特征层的每 个通道在相应指标 下的指标分数的步骤 包括： 将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像作为两个 输入参数一起输入到结构相似性函数中进行计算， 得到各个特征层的SSIM指标分数集合， 所述SSIM指标分数集 合包括各个通道下的S SIM指标分数； 将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入 峰值信噪比函数中进行计算， 得到各个特征层的PSNR指标分数集合， 所述PSNR指标分数集 合包括各个通道下的PSNR指标分数数组， 每个所述PSNR指标分数数组包括所述待评估图像 的PSNR指标分数和所述原 始图像的P SNR指标分数； 将所述待评估图像和所述原始图像在各个特征层的各个通道下的特征图像分别输入 MI函数中进行计算， 得到各个特征层的信息熵指标分数集合， 所述信息熵指标分数集合包 括各个通道下的信息熵指标分数数组， 每个所述信息熵指标分数数组包括所述待评估图像 的信息熵指标分数和所述原 始图像的信息熵指标分数。 3.如权利要求2所述的图像质量评价方法， 其特征在于， 所述根据每个特征层的每个通 道在相应指标 下的指标分数， 确定每 个特征层的质量分数的步骤 包括： 确定当前特征层中各个通道的SSIM指标分数的最大分数和最小分数， 并将最小分数作 为所述当前特征层的SSIM指标的质量评估最佳值， 将最大分数作为所述当前特征层的SSIM 指标的质量评估最差值； 计算当前特征层的各个通道PSNR指标分数数组中的两个分数的差值， 并将计算出的各 个差值中的最小值和最大值分别作为所述当前特征层的PSNR指标的质量评估最佳值和质 量评估最差值； 计算当前特征层的各个通道的信 息熵指标分数数组中的两个分数的差值， 并将计算出 的各个差值中的最小值和 最大值分别作为所述当前特征层的信息熵指标 的质量评估最佳 值和质量评估最差值； 根据所述当前特征层的SSIM指标、 PSNR指标及信息熵指标的质量评估最佳值和质量评 估最差值计算所述当前 特征层的质量分数。权　利　要　求　书 1/3 页 2 CN 115423809 A 24.如权利要求3所述的图像质量评价方法， 其特征在于， 所述当前特征层的质量分数 ScoreAVG的计算公式为： ScoreAVG= （SSIMscore3+ PSNRscore3+ MI score3） /3； 其中， SSIMsocre3= （SSIMsocre1+SSIMsocre2） / （2*N） ， PSNRsocre3= （PSNRsocre1+PSNRsocre2） / （2* N） ， MIsocre3= （MIsocre1+MIsocre2） / （2*N） ， N为特征层的通道数量， SSIMsocre1和SSIMsocre2分别为 SSIM指标的质量评估最佳值和质量评估最差值， PSNRsocre1和PSNRsocre2分别为PSNR指标的质 量评估最佳值和质量评估最差值， MIsocre1和MIsocre2分别为信息熵指标的质量评估最佳值和 质量评估最差值。 5.如权利要求1所述的图像质量评价方法， 其特征在于， 所述卷积自编码网络的特征层 包括卷积层1， 卷积层2和池化层， 所述待评估图像的质量评价分数的计算公式为： SCORE=L1* ScoreAVG_1+ L2* ScoreAVG_2+ L3* ScoreAVG_3， 其中，SCORE为待评估图像的质量评价分数， L1、L2、L3分别为卷积层1， 卷积层2和池化层 的标准差的比例， ScoreAVG_1、ScoreAVG_2和ScoreAVG_3分别为卷积层1， 卷积层2和池化层的质 量分数。 6.如权利要求5所述的图像质量评价方法， 其特征在于， 所述获取每个特征层的标准差 比例的步骤 包括： 获取所述卷积层1， 卷积层2和池化层的标准差分， 并根据所述标准差分计算所述卷积 层1， 卷积层2和池化层的标准差比例， 其中， 所述卷积层1， 卷积层2和池化层的标准差比例 计算公式为， L1= SD1/ （SD1+ SD2+ SD3） ； L2= SD2/ （SD1+ SD2+ SD3） ； L3= SD3/ （SD1+ SD2+ SD3） ； 其中，SD1，SD2和SD3分别为卷积层1， 卷积层2和池化层的标准差分， L1、L2和L3分别为卷 积层1， 卷积层2和池化层的标准差比例。 7.如权利要求1所述的图像质量评价方法， 其特征在于， 所述将所述待评估图像和所述 原始图像输入至卷积自编码网络中的步骤之前还 包括： 获取训练集图像， 所述训练集图像包括无失真图像和对应的多张不同程度的失真图 像； 搭建卷积自编码网络， 并将训练集图像输入到所述卷积自编码网络中进行无监督学 习， 直至输入的失真图像经 过所述卷积自编码网络后， 均能重构出对应的无失真图像。 8.一种图像质量评价装置， 其特 征在于， 包括， 输入模块， 用于获取待评估图像和对应的原始图像， 并将所述待评估图像和所述原始 图像输入至卷积自编码网络中； 提取模块， 用于提取所述卷积自编码网络的每个特征层的特征层信 息， 其中， 每个所述 特征层均包括多个通道， 所述特征层信息包括各个通道下所述待评估图像的特征图像信息 和所述原 始图像的特 征图像； 指标评价模块， 用于基于提取的特征层信息， 分别利用SSIM指标、 PSNR指标以及信息熵 指标评价各个特征层的各个通道下的所述待评估图像和原始图像， 以得到每个特征层的每权　利　要　求　书 2/3 页 3 CN 115423809 A 3