图像画质的计算方法及装置、存储介质、电子设备与流程

1.本发明涉及图像处理领域，具体而言，涉及一种图像画质的计算方法及装置、存储介质、电子设备。


背景技术：

2.相关技术中，视图像已经是传递信息的最重要媒介之一，人们对于图像质量的追求是永无止尽的。在图像传播的链路中，可以通过更好的采集设备、更好的存储介质、更好的图像编码算法等来达到更好的画质。假设一种场景，当一名算法工程师发明了一种新颖的图像处理算法后，图像质量评价(image quality assessment,iqa)的算法通过对图像进行特性分析研究，然后评估出图像优劣，或者图像的失真程度，如何评价这个算法是否能够提升处理图像的画质、提升的画质是多少，关于回答这样的问题目前还没有一个比较有说服力的方式。
3.相关技术中，画质评价方法分为有参考和无参考的方法。有参考的方法需要提供一个标准模板，即定义出一副可以被视为“好”画质的图像，不需要与测试图像内容相同。然后通过比较一些统计值、图像特征等来得到测试图像与这个模板间的特征差异，从而得到测试图像相对于模板的画质分数；较好的无参考的方法一般都是通过机器学习来实现的，预先给一批图像进行人工的打分用以评估主观画质，然后用这样的大量数据来训练一个模型，最后通过这个模型来对一副新的图像进行画质打分。相关技术中，有参考的图像质量评价需要提供模板，这个限制条件使得它们在在日常的使用过程中变得极为不便利。另外由于对模板图像的内容不做限制，然而获得的分数是相对于模板而言的相对分数，因而采用不同的模板得到的分数将不同，使得这种方法的试用范围大大受限。无参考的图像质量评价需要训练复杂的机器学习模型，往往需要大量的人工打分数据，这使得算法的研制成本特别高。另外由于模型直接输出分数，这种模型的训练本身就是一个“病态问题”(所谓病态问题就是指对于输入的小小改变能够极大地影响输出结果，在这里指哪怕输入的图像之间差异很小，也容易获得差别较大的输出分数)，同时它极度依赖于模型训练的稳定性，一旦模型在训练过程中收敛的不好(出现过拟合或者欠拟合的现象)，都将导致最终的打分极不稳定，最终导致相关技术计算图像画质的效率较低。
4.针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种图像画质的计算方法及装置、存储介质、电子设备。
6.根据本技术实施例的一个方面，提供了一种图像画质的计算方法，包括：获取待评价的原始图像；采用图像去噪增强模型生成所述原始图像的修复图像，其中，所述图像去噪增强模型用于增强所述原始图像的图像画质；基于所述修复图像计算所述原始图像的图像画质。
7.进一步，在采用图像去噪增强模型生成所述原始图像的修复图像之前，所述方法
还包括：获取多组样本对，其中，每组所述样本对由一张高清图像和一张对应的低清图像组成；采用所述多组样本对训练卷积神经网络，得到所述图像去噪增强模型。
8.进一步，获取多组样本对包括：获取多张高清图像；针对每张高清图像，采用预设加噪算法进行加噪处理，得到对应的低清图像；为所述高清图像设置输出标签，对应的所述低清图像设置输入标签，组合生成多组样本对。
9.进一步，采用所述多组样本对训练卷积神经网络包括：针对所述多组样本对的每组样本对：对样本对中的低清图像进行下采样，生成多个第一中间图像；采用残差块结构对所述多个第一中间图像进行融合重组，生成对应的多个第二中间图像；将所述多个第二中间图像还原成与所述低清图像同等尺寸的第三中间图像；以所述第三中间图像为卷积神经网络的输出图像，逼近样本对中与所述低清图像对应的高清图像，直到损失值小于预设值。
10.进一步，对样本对中的低清图像进行下采样，生成多个第一中间图像，包括：基于预设梯度分步裁剪所述低清图像，生成多个第一中间图像，其中，每个所述第一中间图像的尺寸小于所述低清图像。
11.进一步，基于所述修复图像计算所述原始图像的图像画质包括：计算所述原始图像的像素均值和像素标准值，以及计算所述修复图像的像素均值和像素标准值；采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度，其中，所述相似度与所述原始图像的图像画质呈正相关。
12.进一步，采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度包括：采用以下公式计算所述原始图像与所述修复图像的相关度cov：cov＝∑(i-mi)(i
′‑
mi
′
)；采用以下公式计算所述原始图像与所述修复图像的相似度simi：其中，i为原始图像的像素值，i
′
为所述修复图像的像素值，mi为所述原始图像的像素均值，mi
′
为所述修复图像的像素均值，sigmai为所述原始图像的像素标准差，sigmai
′
为所述修复图像的像素标准差。
13.根据本技术实施例的另一个方面，还提供了一种图像画质的计算装置，包括：第一获取模块，用于获取待评价的原始图像；生成模块，用于采用图像去噪增强模型生成所述原始图像的修复图像，其中，所述图像去噪增强模型用于增强所述原始图像的图像画质；计算模块，用于基于所述修复图像计算所述原始图像的图像画质。
14.进一步，所述装置还包括：第二获取模块，用于在所述生成模块采用图像去噪增强模型生成所述原始图像的修复图像之前，获取多组样本对，其中，每组所述样本对由一张高清图像和一张对应的低清图像组成；训练模块，用于采用所述多组样本对训练卷积神经网络，得到所述图像去噪增强模型。
15.进一步，所述第二获取模块包括：第一获取单元，用于获取多张高清图像；处理单元，用于针对每张高清图像，采用预设加噪算法进行加噪处理，得到对应的低清图像；生成单元，用于为所述高清图像设置输出标签，对应的所述低清图像设置输入标签，组合生成多组样本对。
16.进一步，所述训练模块包括：第一处理单元，用于针对所述多组样本对的每组样本对：对样本对中的低清图像进行下采样，生成多个第一中间图像；采用残差块结构对所述多个第一中间图像进行融合重组，生成对应的多个第二中间图像；将所述多个第二中间图像
还原成与所述低清图像同等尺寸的第三中间图像；第二处理单元，用于以所述第三中间图像为卷积神经网络的输出图像，逼近样本对中与所述低清图像对应的高清图像，直到损失值小于预设值。
17.进一步，所述第一处理单元包括：裁剪子单元，用于基于预设梯度分步裁剪所述低清图像，生成多个第一中间图像，其中，每个所述第一中间图像的尺寸小于所述低清图像。
18.进一步，所述计算模块包括：第一计算单元，用于计算所述原始图像的像素均值和像素标准值，以及计算所述修复图像的像素均值和像素标准值；第二计算单元，用于采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度，其中，所述相似度与所述原始图像的图像画质呈正相关。
19.进一步，所述第二计算单元包括：第一计算子单元，用于采用以下公式计算所述原始图像与所述修复图像的相关度cov：cov＝∑(i-mi)(i
′‑
mi
′
；第二计算子单元，用于采用以下公式计算所述原始图像与所述修复图像的相似度simi：其中，i为原始图像的像素值，i
′
为所述修复图像的像素值，mi为所述原始图像的像素均值，mi
′
为所述修复图像的像素均值，sigmai为所述原始图像的像素标准差，sigmai
′
为所述修复图像的像素标准差。
20.根据本技术实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的步骤。
21.根据本技术实施例的另一方面，还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；其中：存储器，用于存放计算机程序；处理器，用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
22.本技术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方法中的步骤。
23.通过本发明，获取待评价的原始图像，采用图像去噪增强模型生成原始图像的修复图像，增强原始图像的图像画质，基于修复图像计算原始图像的图像画质，通过深度学习的去噪增强模型临时创造出一个参考图像，并不需要额外准备和定义参考图像，可以计算任意图像的图像画质，增加了适用范围，解决了相关技术计算图像画质的效率较低的技术问题，保证了图像画质的客观性和准确性。
附图说明
24.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
25.图1是本发明实施例的一种服务器的硬件结构框图；
26.图2是根据本发明实施例的一种图像画质的计算方法的流程图；
27.图3是本发明实施例处理样本图像的示意图；
28.图4是根据本发明实施例的一种图像画质的计算装置的结构框图；
29.图5是实施本发明实施例的一种电子设备的结构框图。
具体实施方式
30.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
31.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.实施例1
33.本技术实施例一所提供的方法实施例可以在服务器、计算机、影像设备、手机、平板或者类似的运算装置中执行。以运行在服务器上为例，图1是本发明实施例的一种服务器的硬件结构框图。如图1所示，服务器可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器的结构造成限定。例如，服务器还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
34.存储器104可用于存储服务器程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种图像画质的计算方法对应的服务器程序，处理器102通过运行存储在存储器104内的服务器程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
35.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
36.在本实施例中提供了一种图像画质的计算方法，图2是根据本发明实施例的一种图像画质的计算方法的流程图，如图2所示，该流程包括如下步骤：
37.步骤s202，获取待评价的原始图像；
38.本实施例的原始图像是待进行图像质量评价的图像，该原始图像也可以是由多张
图像组成的动图或者视频。
39.步骤s204，采用图像去噪增强模型生成原始图像的修复图像，其中，图像去噪增强模型用于增强原始图像的图像画质；
40.本实施例的图像去噪增强模型是训练好的深度学习模型，用于去除原始图像中的冗余特征，增加原始图像中的关键特征或用户特征，从而提高原始图像的真实度和清晰度，增强图像画质。
41.步骤s206，基于修复图像计算原始图像的图像画质。
42.在计算过程中，以该修复图像为参考图像/基准图像，采用有参考的质量评价算法计算原始图像的失真度或者清晰度，得到原始图像的图像画质量化值。
43.通过上述步骤，获取待评价的原始图像，采用图像去噪增强模型生成原始图像的修复图像，增强原始图像的图像画质，基于修复图像计算原始图像的图像画质，通过深度学习的去噪增强模型临时创造出一个参考图像，并不需要额外准备和定义参考图像，可以计算任意图像的图像画质，增加了适用范围，解决了相关技术计算图像画质的效率较低的技术问题，保证了图像画质的客观性和准确性。
44.在本实施例的一个实施方式中，在采用图像去噪增强模型生成原始图像的修复图像之前，还包括：
45.s11，获取多组样本对，其中，每组样本对由一张高清图像和一张对应的低清图像组成；
46.本实施例的高清图像和低清图像是同一张图像的两个版本，可以基于不同的应用场景进行界定，如分辨率1920
×
1080或以上的为高清图像，以下的为低清图像。
47.在一个示例中，获取多组样本对包括：获取多张高清图像；针对每张高清图像，采用预设加噪算法进行加噪处理，得到对应的低清图像；为高清图像设置输出标签，对应的低清图像设置输入标签，组合生成多组样本对。
48.可选的，可以将不同的高清图像进行不同程度的加噪处理，从而生成不同低清程度的低清图像，从而保证样本的丰富度，进而提高去噪增强模型的适用性。
49.在另一个示例中，也可以先获取低清图像，然后对低清图像进行去噪和增强处理，得到对应的高清图像。获取多组样本对包括：获取多张低清图像；针对每张低清图像，采用预设去噪算法进行增强处理，得到对应的高清图像；为高清图像设置输出标签，对应的低清图像设置输入标签，组合生成多组样本对。
50.通过采用样本对中高清图像生成低清图像(反之同理)，减少了样本数据的采集量，同时保证了样本的质量。当然，也可以采用其他的预处理方法来获取低清-高清图像对，只需要保证低清图像的画质差于高清图像即可。
51.s12，采用多组样本对训练卷积神经网络，得到图像去噪增强模型。
52.本实施例的卷积神经网络(convolutional neural network,cnn)是一种前馈神经网络，由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层(pooling layer)。
53.在基于本实施方式的一个示例中，采用多组样本对训练卷积神经网络包括：针对多组样本对的每组样本对：对样本对中的低清图像进行下采样，生成多个第一中间图像；采用残差块结构对多个第一中间图像进行融合重组，生成对应的多个第二中间图像；将多个
第二中间图像还原成与低清图像同等尺寸的第三中间图像；以第三中间图像为卷积神经网络的输出图像，逼近样本对中与低清图像对应的高清图像，直到损失值小于预设值。
54.在一些具体的实施方式中，对样本对中的低清图像进行下采样，生成多个第一中间图像，包括：基于预设梯度分步裁剪低清图像，生成多个第一中间图像，其中，每个第一中间图像的尺寸小于低清图像。
55.在一个示例中，针对低清图像1，进行一次裁剪，得到低清图像1-1，低清图像1-2，然后分别对低清图像1-1和低清图像1-2进行第二次裁剪，得到低清图像1-1-1，低清图像1-1-2，低清图像1-2-1，低清图像1-2-2，生成4个第一中间图像，第一中间图像的数量也可以是8，16，32等。
56.在此以高清图像生成样本对为例进行说明，首先采集大量高清图像，然后使用多种预处理算法对高清图像进行加噪处理，预处理算法可以但不限于：添加jpeg压缩噪声、添加视频压缩噪声、高斯噪声、椒盐噪声、下采样/上采样、模糊、像素抖动等。可以通过相同的裁剪方式得到大量的低清-高清图像对，作为训练卷积神经网络的训练数据。
57.在对卷积神经网络进行训练时，可以使用深度残差网络结构来设计网络模型，如图3所示，图3是本发明实施例处理样本图像的示意图，该模型具有如图3所示的下采样-处理-上采样结构，在下采样过程中，基于低清图像，输入图像的尺寸大小(size)会不断变小，对应的，特征图的数量也不断变多，在这个过程中图像的信息会经过不断抽象提炼，去除低清图像中的冗余信息；中间的处理部分采用了大量的残差块结构(神经网络中的结构)对下采样提取到的图像信息进行融合以及重组；上采样则将处理后的多个图像还原成与输入(低清图像)同等大小的输出，即高清图像，神经网络使用低清图像作为输入，将输出与高清图像进行逼近，采用神经网络输出的高清图像与样本中的高清图形计算损失函数的损失值，并不断调整卷积神经网络中的系数，以使训练后的卷积神经网络输出的高清图像与样本中的高清图形逼近(如达到预设阈值)，最终训练得到的网络就具有将有噪的低清图像复原为无噪高清图像的能力。
58.在网络的训练阶段可以采用其他网络设计结构，只需要保证网络能够针对这种低清图像进行去噪增强修复，并且输出的图像大小与输入图像大小一致即可。
59.在本实施例的一个实施方式中，基于修复图像计算原始图像的图像画质包括：计算原始图像的像素均值和像素标准值，以及计算修复图像的像素均值和像素标准值；采用像素均值和像素标准值计算原始图像与修复图像的相似度，其中，相似度与原始图像的图像画质呈正相关。
60.可选的，采用像素均值和像素标准值计算原始图像与修复图像的相似度包括：采用以下公式计算原始图像与修复图像的相关度cov：cov＝∑(i-mi)(i
′‑
mi
′
)；采用以下公式计算原始图像与修复图像的相似度simi：其中，i为原始图像的像素值，i
′
为修复图像的像素值，mi为原始图像的像素均值，mi
′
为修复图像的像素均值，sigmai为原始图像的像素标准差，sigmai
′
为修复图像的像素标准差。
61.在一个实施场景中，使用原始图像的像素矩阵i输入模型g(图像去噪增强模型)，输出修复图像的像素矩阵i’，将这个过程表达为：i’＝g(i)；
62.然后将i于i’进行相似性比对，比对流程包括：
63.s21，计算i与i’各自的像素均值mi,mi’；
64.s22，计算i与i’各自的像素标准差：
[0065][0066][0067]
s23，计算i与i’的相关度：cov＝∑(i-mi)(i
′‑
mi
′
)；
[0068]
s24，计算i与i’的相似度为：
[0069]
计算得到的相似度取值区间为0～1，越接近于1表示i与i’越接近，代表原始输入图像画质越好，反之，越接近于0表示i与i’差距越大，也就意味着原始输入图像画质越差，该相似度的值可以作为图像画质的评价值，相似度越高，图像画质越好。
[0070]
在此需要说明的是，在画质评估计算时阶段，也可以采用其它有参考评价方法，例如，mse(mean square error，均方误差)、psnr(peak signal to noise ratio，峰值信噪比)、ssim(structural similarity，结构相似性)等手段，只需要保证最后的取值能够描述画质的相对变化程度即可。
[0071]
采用本实施例的方案，使用深度学习模型进行图像修复增强，并利用修复增强结果来计算原始图像的图像画质。在准备阶段利用大量低清-高清图像对作为样本来训练出一个具备画质修复能力的图像去噪增强模型。在实际的画质评价阶段，首先将待评估图像通过该模型进行处理，得到其修复版本，经修复处理后的图像具备比原始图像更好的画质。使用处理后的修复图像与处理前的原始图像进行比对，越接近则代表原始输入图像画质越好，反差越大则代表原始图像画质越差。采用了一种新颖的图像去噪增强的思路对任意图像进行修复增强，获得理论上任意图像的理想画质目标，通过与理想画质目标作对比来计算待评估图像的画质。
[0072]
本实施例的方案通过训练一个图像去噪增强模型，在画质评价的阶段，将待测图像进行去噪增强操作得到一个高画质的输出作为参考评价的模板，通过将输入图像与这个模板进行比较，从而实现画质评价的目的。由于模型的去噪增强能力较强，因而能够保证输出的图像画质较高，避免了参考评价方法中模板选择的问题；此外去噪增强模型的训练结果是比较稳定的，非病态，因而可以避免无参考方法可能伴随的评价结果不稳定的问题。
[0073]
本实施例的方案不需要额外的参考图像，通过深度学习模型创造出了一个参考图像，并不需要人工额外准备参考图像，从而使得其适用范围大大增强。另外，本实施例所采用的相似性计算方法考虑到了图像间的结构相似性关系，具备其本质上的物理含义，所计算出的分数对于人眼感官而言会更加合理。本实施例中深度学习模型并不直接输出画质得分，而是输出理想高清图像，因而使得最终的结果更稳定，防止“病态问题”的出现；同时也避免了直接输出分数的无参考方法所面临的需要在数据准备阶段来进行高效人工画质打分标注的难题。
[0074]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算
机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0075]
实施例2
[0076]
在本实施例中还提供了一种图像画质的计算装置，用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0077]
图4是根据本发明实施例的一种图像画质的计算装置的结构框图，如图4所示，该装置包括：第一获取模块40，生成模块42，计算模块44，其中，
[0078]
第一获取模块40，用于获取待评价的原始图像；
[0079]
生成模块42，用于采用图像去噪增强模型生成所述原始图像的修复图像，其中，所述图像去噪增强模型用于增强所述原始图像的图像画质；
[0080]
计算模块44，用于基于所述修复图像计算所述原始图像的图像画质。
[0081]
可选的，所述装置还包括：第二获取模块，用于在所述生成模块采用图像去噪增强模型生成所述原始图像的修复图像之前，获取多组样本对，其中，每组所述样本对由一张高清图像和一张对应的低清图像组成；训练模块，用于采用所述多组样本对训练卷积神经网络，得到所述图像去噪增强模型。
[0082]
可选的，所述第二获取模块包括：第一获取单元，用于获取多张高清图像；处理单元，用于针对每张高清图像，采用预设加噪算法进行加噪处理，得到对应的低清图像；生成单元，用于为所述高清图像设置输出标签，对应的所述低清图像设置输入标签，组合生成多组样本对。
[0083]
可选的，所述训练模块包括：第一处理单元，用于针对所述多组样本对的每组样本对：对样本对中的低清图像进行下采样，生成多个第一中间图像；采用残差块结构对所述多个第一中间图像进行融合重组，生成对应的多个第二中间图像；将所述多个第二中间图像还原成与所述低清图像同等尺寸的第三中间图像；第二处理单元，用于以所述第三中间图像为卷积神经网络的输出图像，逼近样本对中与所述低清图像对应的高清图像，直到损失值小于预设值。
[0084]
可选的，所述第一处理单元包括：裁剪子单元，用于基于预设梯度分步裁剪所述低清图像，生成多个第一中间图像，其中，每个所述第一中间图像的尺寸小于所述低清图像。
[0085]
可选的，所述计算模块包括：第一计算单元，用于计算所述原始图像的像素均值和像素标准值，以及计算所述修复图像的像素均值和像素标准值；第二计算单元，用于采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度，其中，所述相似度与所述原始图像的图像画质呈正相关。
[0086]
可选的，所述第二计算单元包括：第一计算子单元，用于采用以下公式计算所述原始图像与所述修复图像的相关度cov：cov＝∑(i-mi)(i
′‑
mi
′
；第二计算子单元，用于采用以下公式计算所述原始图像与所述修复图像的相似度simi：其中，i为原始图像的像素值，i
′
为所述修复图像的像素值，mi为所述原始图像的像素均值，mi
′
为所述修复图像的像素均值，sigmai为所述原始图像的像素标准差，sigmai
′
为所述修复图像的像素标准差。
[0087]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0088]
实施例3
[0089]
本技术实施例还提供了一种电子设备，图5是本发明实施例的一种电子设备的结构图，如图5所示，包括处理器51、通信接口52、存储器53和通信总线54，其中，处理器51，通信接口52，存储器53通过通信总线54完成相互间的通信，存储器53，用于存放计算机程序；处理器51，用于执行存储器53上所存放的程序时，实现如下步骤：获取待评价的原始图像；采用图像去噪增强模型生成所述原始图像的修复图像，其中，所述图像去噪增强模型用于增强所述原始图像的图像画质；基于所述修复图像计算所述原始图像的图像画质。
[0090]
进一步，在采用图像去噪增强模型生成所述原始图像的修复图像之前，所述方法还包括：获取多组样本对，其中，每组所述样本对由一张高清图像和一张对应的低清图像组成；采用所述多组样本对训练卷积神经网络，得到所述图像去噪增强模型。
[0091]
进一步，获取多组样本对包括：获取多张高清图像；针对每张高清图像，采用预设加噪算法进行加噪处理，得到对应的低清图像；为所述高清图像设置输出标签，对应的所述低清图像设置输入标签，组合生成多组样本对。
[0092]
进一步，采用所述多组样本对训练卷积神经网络包括：针对所述多组样本对的每组样本对：对样本对中的低清图像进行下采样，生成多个第一中间图像；采用残差块结构对所述多个第一中间图像进行融合重组，生成对应的多个第二中间图像；将所述多个第二中间图像还原成与所述低清图像同等尺寸的第三中间图像；以所述第三中间图像为卷积神经网络的输出图像，逼近样本对中与所述低清图像对应的高清图像，直到损失值小于预设值。
[0093]
进一步，对样本对中的低清图像进行下采样，生成多个第一中间图像，包括：基于预设梯度分步裁剪所述低清图像，生成多个第一中间图像，其中，每个所述第一中间图像的尺寸小于所述低清图像。
[0094]
进一步，基于所述修复图像计算所述原始图像的图像画质包括：计算所述原始图像的像素均值和像素标准值，以及计算所述修复图像的像素均值和像素标准值；采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度，其中，所述相似度与所述原始图像的图像画质呈正相关。
[0095]
进一步，采用所述像素均值和像素标准值计算所述原始图像与所述修复图像的相似度包括：采用以下公式计算所述原始图像与所述修复图像的相关度cov：cov＝∑(i-mi)(i
′‑
mi
′
)；采用以下公式计算所述原始图像与所述修复图像的相似度simi：其中，i为原始图像的像素值，i
′
为所述修复图像的像素值，mi为所述原始图像的像素均值，mi
′
为所述修复图像的像素均值，sigmai为所述原始图像的像素标准差，sigmai
′
为所述修复图像的像素标准差。
[0096]
上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0097]
通信接口用于上述终端与其他设备之间的通信。
[0098]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0099]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0100]
在本技术提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的图像画质的计算方法。
[0101]
在本技术提供的又一实施例中，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实施例中任一所述的图像画质的计算方法。
[0102]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0103]
以上所述仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本技术的保护范围内。
[0104]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。