质量评估模型训练方法、装置、电子设备及存储介质

1.本技术涉及机器学习和深度学习的技术领域，具体而言，涉及一种质量评估模型训练方法、装置、电子设备及存储介质。


背景技术：

2.目前的评估图像质量通常是根据人工提取图像中的数学特征来评估图像质量，具体例如：分析出图像质量常见的关键性影响因素(如对比度、清晰度、偏移度、信息熵、纹路的数量和质量等)，然后，根据这些关键性影响因素选取相应的量化公式进行计算，获得各个因素的得分，最后，将各个因素的得分进行加权平均，得出图像质量等级(例如高质量和低质量等级)或者图像质量分数(例如0至10分等)。上述的评估图像可以是行人识别、指静脉识别、人脸识别和指纹识别等等应用领域图像，为了便于理解和说明，下面以指静脉识别的应用领域图像的质量评估为例进行详细地说明。
3.在具体的实践过程中发现，当采集环境发生变化时，需要重新提取关键性影响因素，并根据重新提取的关键性影响因素评估图像质量，例如：在使用开放式的指静脉采集设备进行采集时，主要需要提取光照情况和灰尘等影响因素(由于手指位置相对固定，难以移动旋转等，因此不考虑手指移动、旋转和内外平移等因素)，然而，当使用封闭式的指静脉采集设备进行采集时，由于封闭环境的光照情况基本不变，因此主要需要提取指尖的移动、旋转和内外平移等因素来评估。因此，使用基于数学特征的方法来评估图像质量的适用性不强。


技术实现要素：

4.本技术实施例的目的在于提供一种质量评估模型训练方法、装置、电子设备及存储介质，用于改善评估图像质量的适用性不强的问题。
5.本技术实施例提供了一种质量评估模型训练方法，包括：使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，样本标签是样本图像对应的图像质量类别；以多个样本图像为训练数据，以多个样本标签为训练标签，对通用框架中设置的神经网络模型进行训练，获得质量评估模型，质量评估模型用于对待处理图像进行质量评估。在上述方案的实现过程中，通过通用框架提供的数据标注函数和神经网络模型分别进行数据标注和模型训练，从而使得通用框架能够将关键性影响因素参数化，修改通用框架中的参数(例如数据标注函数和神经网络模型)就能够适用于当前场景的神经网络模型，避免了采集环境发生变化时重新提取关键性影响因素的问题，从而有效地提高了评估图像质量的适用性。
6.可选地，在本技术实施例中，在使用通用框架中设置的数据标注函数对多个样本图像进行数据标注之前，还包括：使用通用框架中设置的样本扩充函数对样本图像进行扩充，获得扩充图像；将扩充图像添加至多个样本图像中。在上述方案的实现过程中，通过使用通用框架中设置的样本扩充函数对样本图像进行扩充，并将扩充图像添加至多个样本图
像中，从而避免了多个样本图像存在数据不均衡的问题，有效地提高了使用通用框架来评估图像质量的适用性和鲁棒性。
7.可选地，在本技术实施例中，通用框架还包括：质量类别序列；在获得扩充图像之后，还包括：从质量类别序列中确定出扩充图像对应的质量类别；将扩充图像对应的质量类别添加至多个样本标签中。在上述方案的实现过程中，通过从质量类别序列中确定出扩充图像对应的质量类别，并将扩充图像对应的质量类别添加至多个样本标签中，从而实现了使用通用框架对样本图像进行数据标注的功能。
8.可选地，在本技术实施例中，从质量类别序列中确定出扩充图像对应的质量类别，包括：计算扩充图像与多个样本图像中的同源样本图像之间的相似程度，同源样本图像是属于同一个目标对象的不同样本图像；计算出相似程度与多个样本图像的平均相似度之间的比例值；根据比例值从质量类别序列中确定出扩充图像对应的质量类别。在上述方案的实现过程中，通过先计算出扩充图像与同源样本图像之间的相似程度，再计算相似程度与多个样本图像的平均相似度之间的比例值，然后根据比例值从质量类别序列中确定出扩充图像对应的质量类别，从而实现了使用通用框架对样本图像进行数据标注的功能。
9.可选地，在本技术实施例中，质量类别序列包括：第一质量类别和第二质量类别，第一质量类别低于第二质量类别；根据比例值从质量类别序列中确定出扩充图像对应的质量类别，包括：判断比例值是否小于预设阈值；若是，则将第一质量类别确定为扩充图像对应的质量类别。
10.可选地，在本技术实施例中，在判断比例值是否小于预设阈值之后，还包括：若比例值大于或等于预设阈值，则将第二质量类别确定为扩充图像对应的质量类别。在上述方案的实现过程中，通过根据比例值从质量类别序列中确定出扩充图像对应的质量类别，从而实现了使用通用框架对样本图像进行数据标注的功能。
11.可选地，在本技术实施例中，在获得质量评估模型之后，还包括：使用质量评估模型对待处理图像进行质量评估，获得待处理图像的质量评估结果。在上述方案的实现过程中，通过使用通用框架中的质量评估模型对待处理图像进行质量评估，由于使用通用框架中的质量评估模型能够考虑到各种影响图像质量的关键性影响因素，且无需对模型训练和模型推断做过多调整，有效地减少了质量评估的工作量，提高了质量评估的效率。
12.本技术实施例还提供了一种质量评估模型训练装置，包括：图像数据标注模块，用于使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，样本标签是样本图像对应的图像质量类别；网络模型训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对通用框架中设置的神经网络模型进行训练，获得质量评估模型，质量评估模型用于对待处理图像进行质量评估。
13.可选地，在本技术实施例中，质量评估模型训练装置，还包括：扩充图像获得模块，用于使用通用框架中设置的样本扩充函数对样本图像进行扩充，获得扩充图像；扩充图像添加模块，用于将扩充图像添加至多个样本图像中。
14.可选地，在本技术实施例中，通用框架还包括：质量类别序列；质量评估模型训练装置，还包括：质量类别确定模块，用于从质量类别序列中确定出扩充图像对应的质量类别；质量类别添加模块，用于将扩充图像对应的质量类别添加至多个样本标签中。
15.可选地，在本技术实施例中，质量类别确定模块，包括：相似度计算子模块，用于计
算扩充图像与多个样本图像中的同源样本图像之间的相似程度，同源样本图像是属于同一个目标对象的不同样本图像；比例值计算子模块，用于计算出相似程度与多个样本图像的平均相似度之间的比例值；质量类别确定子模块，用于根据比例值从质量类别序列中确定出扩充图像对应的质量类别。
16.可选地，在本技术实施例中，质量类别序列包括：第一质量类别和第二质量类别，第一质量类别低于第二质量类别；质量类别确定子模块，包括：预设阈值判断单元，用于判断比例值是否小于预设阈值；第一类别确定单元，用于若比例值小于预设阈值，则将第一质量类别确定为扩充图像对应的质量类别。
17.可选地，在本技术实施例中，质量类别确定子模块，还包括：第二类别确定单元，用于若比例值大于或等于预设阈值，则将第二质量类别确定为扩充图像对应的质量类别。
18.可选地，在本技术实施例中，质量评估模型训练装置，还包括：图像质量评估模块，用于使用质量评估模型对待处理图像进行质量评估，获得待处理图像的质量评估结果。
19.本技术实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
20.本技术实施例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上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
21.本技术实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。
附图说明
22.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术实施例中的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
23.图1示出的本技术实施例提供的质量评估模型训练方法的流程示意图；
24.图2示出的本技术实施例提供的指静脉图像的样本扩充示意图；
25.图3示出的本技术实施例提供的使用质量评估模型进行质量评估的流程示意图；
26.图4示出的本技术实施例提供的质量评估模型训练装置的结构示意图；
27.图5示出的本技术实施例提供的电子设备的结构示意图。
具体实施方式
28.下面将结合本技术实施例中附图，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实施例中的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术实施例的详细描述并非旨在限制要求保护的本技术实施例的范围，而是仅仅表示本技术实施例中的选定实施例。基于本技术实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
29.可以理解的是，本技术实施例中的“第一”、“第二”用于区别类似的对象。本领域技
术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
30.在介绍本技术实施例提供的质量评估模型训练方法之前，先介绍本技术实施例中所涉及的一些概念：
31.指静脉识别(finger-vein identification)，是一种新的生物特征识别技术，指静脉身份认证利用手指内的静脉分布图像来进行身份识别。
32.需要说明的是，本技术实施例提供的质量评估模型训练方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和unix服务器。
33.下面介绍该质量评估模型训练方法适用的应用场景，这里的应用场景包括但不限于：行人识别、指静脉识别、人脸识别和指纹识别等等应用领域，为了便于理解和说明，下面以指静脉识别的应用领域图像(下面简称指静脉图像)的质量评估为例进行详细地说明。由于指静脉图像是个人身份敏感的隐私信息，在通常现实情况下很难收集到大量的原始指静脉图像，因此，可以使用该质量评估模型训练方法进行样本扩充、数据标注和模型训练等等。
34.可以理解的是，也可以使用该质量评估模型训练方法对通用框架中设置的神经网络模型进行训练，并训练后的质量评估模型对待处理图像进行质量评估，从而使得通用框架能够将关键性影响因素参数化，修改通用框架中的参数(例如数据标注函数和神经网络模型)就能够适用于当前场景的神经网络模型，避免了采集环境发生变化时重新提取关键性影响因素的问题，从而有效地提高了评估图像质量的适用性等。
35.请参见图1示出的本技术实施例提供的质量评估模型训练方法的流程示意图；本技术实施例提供了一种质量评估模型训练方法，包括：
36.步骤s110：使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，样本标签是样本图像对应的图像质量类别。
37.通用框架，是指用于质量评估的软件框架，该通用框架中可以设置有数据标注函数、样本扩充函数、神经网络模型和/或质量类别序列等等。此处的通用框架可以表示为m(a,c,f,n)，其中，a表示数据标注函数，c表示质量类别序列，f表示样本扩充函数，n表示神经网络模型，m表示通用框架。
38.可以理解的是，如果用户没有在通用框架中设置数据标注函数、样本扩充函数、神经网络模型或质量类别序列，那么可以使用通用框架中默认设置(即默认选择)的数据标注函数、样本扩充函数、神经网络模型或质量类别序列。
39.步骤s120：以多个样本图像为训练数据，以多个样本标签为训练标签，对通用框架中设置的神经网络模型进行训练，获得质量评估模型，质量评估模型用于对待处理图像进行质量评估。
40.神经网络模型，是指通用框架中设置的神经网络被训练后的模型，该神经网络模型是用于对待处理图像进行质量评估的模型。此处的神经网络模型包括但不限于：siamese-network模型、mobilenet模型和squeeze模型等等，其中，mobilenet模型包括：
mobilenet v1模型、mobilenet v2模型和mobilenet v3模型等等。
41.上述步骤s120的实施方式例如：使用通用框架中设置的神经网络模型对样本图像对应的图像质量类别进行预测，获得预测类别，并使用均方误差(mean square error，mse)、交叉熵损失函数、平方损失函数、指数损失函数(exponential loss)、0-1损失函数(zero-one loss)或者绝对值损失函数等等计算出预测类别与样本标签中的图像质量类别之间的损失值，并再根据该损失值更新神经网络模型的网络权重参数，直到神经网络模型的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得训练后的质量评估模型。其中，上述的预设阈值也可以根据具体情况进行设置，例如设置为100或者1000等等，上述的质量评估模型是用于对待处理图像进行质量评估的。
42.可以理解的是，由于该通用框架抽象出了各个参数(即数据标注函数、样本扩充函数、神经网络模型或质量类别序列)，且通用框架中默认设置(即默认选择)有数据标注函数、样本扩充函数、神经网络模型或质量类别序列，因此，用户可以直接修改通用框架(例如数据标注函数和神经网络模型)就能够适用于当前场景的神经网络模型，从而提高了通用框架的灵活性和适应性。
43.在上述方案的实现过程中，通过通用框架提供的数据标注函数和神经网络模型分别进行数据标注和模型训练，从而使得通用框架能够将关键性影响因素参数化，修改通用框架中的参数(例如数据标注函数和神经网络模型)就能够适用于当前场景的神经网络模型，避免了采集环境发生变化时重新提取关键性影响因素的问题，从而有效地提高了评估图像质量的适用性。
44.作为上述质量评估模型训练方法的一种可选实施方式，在使用通用框架中设置的数据标注函数进行数据标注之前，还可以进行图像扩充(又被称为图像增强)，该实施方式可以包括：
45.步骤s111：使用通用框架中设置的样本扩充函数对样本图像进行扩充，获得扩充图像。
46.请参见图2示出的本技术实施例提供的指静脉图像的样本扩充示意图；样本扩充函数，是指通用框架中设置的用于对样本图像进行图像扩充(又被称为图像增强)的函数，此处以对手指的指静脉图像进行图像扩充为例进行说明，可以用于指静脉图像的样本扩充函数包括但不限于：高斯模糊函数、沿x轴随机平移(x-shift)函数、沿y轴随机平移(y-shift)函数、沿z轴随机平移(z-shift)函数、沿着x轴旋转(roll)函数、沿着y轴旋转(pitch)函数、沿着z轴旋转(yaw)函数和图像对比度衰减函数等等。
47.上述步骤s111的实施方式例如：从高质量类别和低质量类别中确定出样本图像数量较少的质量类别，假设高质量类别的样本图像数量是2000，且低质量类别的样本图像数量是150，那么很明显低质量类别的样本图像数量是远低于高质量类别的样本图像数量的，因此可以使用通用框架中设置的样本扩充函数对低质量类别的样本图像进行扩充，获得扩充后的扩充图像。上述图像扩充(又被称为图像增强)的过程可以使用公式表示为(i1′
,
…
,i
′m)＝f(i1,
…
,in)，其中，m表示扩充后的扩充图像的数量，(i1′
,
…
,i
′m)表示扩充后的扩充图像，i1,
…
,in表示需要扩充的样本图像，n表示样本图像的数量，f表示通用框架中设置的样本扩充函数的集合，样本扩充函数可以有很多种，例如使用公式表示为：f＝(f1,
…
,fi,
…
,f
t
)，其中，fi(i＝1,
…
,t)表示样本扩充函数的集合中的其中一种样本扩充函数。
48.步骤s112：将扩充图像添加至多个样本图像中，获得扩充后的多个样本图像。
49.上述步骤s112的实施方式例如：将扩充图像添加至多个样本图像中可以使用公式表示为i＝(i
′1,
…
,i
′m)∪(i1,
…
,in)＝(i1′
,
…
,i
′m,
…
,i1,
…
,in)，从而获得扩充后的多个样本图像；其中，i表示扩充后的多个样本图像，m表示扩充后的扩充图像的数量，(i
′1,
…
,i
′m)表示扩充后的扩充图像，i1,
…
,in表示需要扩充的样本图像，n表示样本图像的数量。
50.作为上述质量评估模型训练方法的一种可选实施方式，上述的通用框架还可以包括：质量类别序列；在步骤s111的获得扩充图像之后，还可以确定扩充图像的质量类别(即数据标注)。
51.上述的数据标注的第一种实施方式，可以对扩充图像进行数据标注，该实施方式可以包括：
52.步骤s113：从质量类别序列中确定出扩充图像对应的质量类别。
53.可以理解的是，可以从两种质量类别的质量类别序列c＝(c1，c2)中确定，也可以从三种质量类别的质量类别序列c＝(c1，c2，c3)确定扩充图像对应的质量类别；其中，c表示质量类别序列，c1表示第一质量类别，c2表示第二质量类别，c3表示第三质量类别，下面将详细地讨论这两种情况。
54.步骤s114：将扩充图像对应的质量类别添加至多个样本标签中。
55.上述步骤s114的实施方式例如：使用预设编程语言编译或者解释的可执行程序将扩充图像对应的质量类别添加至多个样本标签中；可以使用的编程语言例如：c、c++、java、basic、javascript、lisp、shell、perl、ruby、python和php等等。
56.作为上述步骤s113的一种可选实施方式，在确定扩充图像对应的质量类别(即数据标注)的过程中，还可以根据同源样本图像的相似度进行筛选，该实施方式可以包括：
57.步骤s113a：计算扩充图像与多个样本图像中的同源样本图像之间的相似程度，同源样本图像是属于同一个目标对象的不同样本图像。
58.上述步骤s113a的实施方式例如：使用公式计算扩充图像与多个样本图像中的同源样本图像之间的相似程度；其中，s
i,j
表示第j个扩充图像与多个样本图像中的第i类别同源样本图像之间的相似程度，i
i,j
表示第i类别同源样本图像中的第j个扩充图像的图像特征，i
i,k
表示第i类别同源样本图像中的第k个图像特征，h(i
i,j
,i
i,k
)表示两者之间的距离函数，此处的距离函数包括但不限于：余弦距离函数、欧氏距离(euclidean distance)函数或者汉明距离(hamming distance)函数等等，ni表示第i类别同源样本图像中的样本图像数量。上述的同源样本图像是指与扩充图像属于同一个目标对象的不同样本图像，例如：同一个手指在不同方向角度拍照的图像，或者同一个手指的不同部位(例如左半侧和右半侧)的图像。
59.步骤s113b：计算出相似程度与多个样本图像的平均相似度之间的比例值。
60.上述步骤s113b的实施方式例如：首先，根据公式计算出多个样本图像的平均相似度；其中，表示多个样本图像中第i类别同源样本图像中除
了第j个扩充图像之外的其它样本图像的平均相似度，s
i,k
表示第k个扩充图像与多个样本图像中的第i类别同源样本图像之间的相似程度，ni表示第i类别同源样本图像中的样本图像数量。然后，再计算出相似程度与多个样本图像的平均相似度之间的比例值，可以使用公式表示为其中，s
i,j
表示第j个扩充图像与多个样本图像中的第i类别同源样本图像之间的相似程度，表示多个样本图像中第i类别同源样本图像中除了第j个扩充图像之外的其它样本图像的平均相似度，t表示相似程度与多个样本图像的平均相似度之间的比例值。
61.步骤s113c：根据比例值从质量类别序列中确定出扩充图像对应的质量类别。
62.作为上述步骤s113c的第一种实施方式，从两种质量类别的质量类别序列中确定质量类别的情况，上述的质量类别序列包括：第一质量类别和第二质量类别，第一质量类别低于第二质量类别；其中，第一质量类别可以是低质量类别，且第二质量类别可以是高质量类别，可以使用公式来进行表示，例如c＝(c1，c2)；c表示质量类别序列，c1表示第一质量类别，c2表示第二质量类别。根据比例值从质量类别序列中确定出扩充图像对应的质量类别，该实施方式可以包括：判断比例值t是否小于预设阈值t0；若比例值小于预设阈值,即t《t0，则将第一质量类别确定为扩充图像对应的质量类别。若比例值大于或等于预设阈值，即t≥t0，则将第二质量类别确定为扩充图像对应的质量类别。其中，预设阈值t0可以根据具体情况设置，具体例如：将预设阈值t0设置为65％或者85％等等。
63.作为上述步骤s113c的第二种实施方式，从三种质量类别的质量类别序列确定扩充图像对应的质量类别的情况，上述的质量类别序列包括：第一质量类别、第二质量类别和第三质量类别，第一质量类别低于第二质量类别，且第二质量类别低于第三质量类别。其中，第一质量类别可以是低质量类别，且第二质量类别可以是中质量类别，且第三质量类别可以是高质量类别，使用公式可以表示为c＝(c1，c2，c3)；c表示质量类别序列，c1表示第一质量类别，c2表示第二质量类别，c3表示第三质量类别。上述的根据比例值从质量类别序列中确定出扩充图像对应的质量类别，该实施方式可以包括：若比例值t小于或等于第一预设阈值t1，即t≤t1，则将第一质量类别确定为扩充图像对应的质量类别。若比例值t大于第一预设阈值t1，且小于或等于第二预设阈值t2，即t1＜t≤t2，则将第二质量类别确定为扩充图像对应的质量类别。若比例值t大于第二预设阈值t2，即t2＜t，则将第二质量类别确定为扩充图像对应的质量类别。其中，第一预设阈值和第二预设阈值可以根据具体情况设置，具体例如：将第一预设阈值设置为40％或者50％，且将第二预设阈值设置为70％或者80％等等。
64.上述的数据标注的第二种实施方式，可以对用户的初始样本库中的样本图像进行数据标注，该实施方式可以包括：
65.步骤s115：获取初始样本库中的样本图像。
66.上述步骤s115的实施方式例如：先确定初始样本库中的质量类别对应的样本图像数量是否均衡，具体地，判断初始样本库中的高质量类别的样本图像数量和低质量类别的样本图像数量之间的差值是否大于预设阈值；若高质量类别的样本图像数量和低质量类别的样本图像数量之间的差值大于预设阈值，则可以将高质量类别的样本图像数量和低质量类别的样本图像数量中较少的质量类别进行图像扩充(又被称为图像增强)，获得扩充后的初始样本库，然后，获取扩充后的初始样本库中的样本图像。其中，此处的预设阈值可以根
据具体情况设置，例如将预设阈值设置为10或者20等等。
67.步骤s116：从质量类别序列中确定出该样本图像对应的质量类别。
68.其中，该步骤s116的实施原理和实施方式与步骤s113的实施原理和实施方式是类似的，因此，这里不再说明其实施原理和实施方式，如有不清楚的地方，可以参考对步骤s113的描述。
69.在上述方案的实现过程中，通过使用通用框架中设置的样本扩充函数对样本图像进行扩充，并将扩充图像添加至多个样本图像中，从而避免了多个样本图像存在数据不均衡的问题，有效地提高了使用通用框架来评估图像质量的适用性和鲁棒性。
70.请参见图3示出的本技术实施例提供的使用质量评估模型进行质量评估的流程示意图；作为上述质量评估模型训练方法的一种可选实施方式，在获得质量评估模型之后，还可以使用质量评估模型进行质量评估，该实施方式可以包括：
71.步骤s210：获取待处理图像。
72.待处理图像，是指需要进行质量评估的图像，例如：指静脉图像、指纹图像、人脸图像、视频图像和红外线图像等等。
73.上述步骤s210的实施方式包括但不限于：第一种获得方式，使用摄像机、录像机或彩色照相机等终端设备对目标对象进行拍摄，获得待处理图像；然后该终端设备向电子设备发送待处理图像，然后电子设备接收终端设备发送的待处理图像，电子设备可以将待处理图像存储至文件系统、数据库或移动存储设备中；第二种获得方式，获取预先存储的待处理图像，具体例如：从文件系统、数据库或移动存储设备中获取待处理图像；第三种获得方式，使用浏览器等软件获取互联网上的待处理图像，或者使用其它应用程序访问互联网获得待处理图像。
74.步骤s220：使用质量评估模型对待处理图像进行质量评估，获得待处理图像的质量评估结果。
75.上述步骤s220的实施方式例如：使用质量评估模型从质量类别序列中确定出待处理图像对应的质量类别，从而完成对待处理图像进行质量评估，将待处理图像对应的质量类别确定为质量评估结果。具体地，可以从两种质量类别的质量类别序列c＝(c1,c2)中确定出待处理图像对应的质量类别，也可以从三种质量类别的质量类别序列c＝(c1,c2,c3)确定待处理图像对应的质量类别。
76.请参见图4示出的本技术实施例提供的质量评估模型训练装置的结构示意图；本技术实施例提供了一种质量评估模型训练装置300，包括：
77.图像数据标注模块310，用于使用通用框架中设置的数据标注函数对多个样本图像进行数据标注，获得多个样本标签，样本标签是样本图像对应的图像质量类别。
78.网络模型训练模块320，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对通用框架中设置的神经网络模型进行训练，获得质量评估模型，质量评估模型用于对待处理图像进行质量评估。
79.可选地，在本技术实施例中，质量评估模型训练装置，还包括：
80.扩充图像获得模块，用于使用通用框架中设置的样本扩充函数对样本图像进行扩充，获得扩充图像。
81.扩充图像添加模块，用于将扩充图像添加至多个样本图像中。
82.可选地，在本技术实施例中，通用框架还包括：质量类别序列；质量评估模型训练装置，还包括：
83.质量类别确定模块，用于从质量类别序列中确定出扩充图像对应的质量类别。
84.质量类别添加模块，用于将扩充图像对应的质量类别添加至多个样本标签中。
85.可选地，在本技术实施例中，质量类别确定模块，包括：
86.相似度计算子模块，用于计算扩充图像与多个样本图像中的同源样本图像之间的相似程度，同源样本图像是属于同一个目标对象的不同样本图像。
87.比例值计算子模块，用于计算出相似程度与多个样本图像的平均相似度之间的比例值。
88.质量类别确定子模块，用于根据比例值从质量类别序列中确定出扩充图像对应的质量类别。
89.可选地，在本技术实施例中，质量类别序列包括：第一质量类别和第二质量类别，第一质量类别低于第二质量类别；质量类别确定子模块，包括：
90.预设阈值判断单元，用于判断比例值是否小于预设阈值。
91.第一类别确定单元，用于若比例值小于预设阈值，则将第一质量类别确定为扩充图像对应的质量类别。
92.可选地，在本技术实施例中，质量类别确定子模块，还包括：
93.第二类别确定单元，用于若比例值大于或等于预设阈值，则将第二质量类别确定为扩充图像对应的质量类别。
94.可选地，在本技术实施例中，质量评估模型训练装置，还包括：
95.图像质量评估模块，用于使用质量评估模型对待处理图像进行质量评估，获得待处理图像的质量评估结果。
96.应理解的是，该装置与上述的质量评估模型训练方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。
97.请参见图5示出的本技术实施例提供的电子设备的结构示意图。本技术实施例提供的一种电子设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的机器可读指令，机器可读指令被处理器410执行时执行如上的方法。
98.本技术实施例还提供了一种计算机可读存储介质430，该计算机可读存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。
99.其中，计算机可读存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(static random access memory,简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory,简称eeprom)，可擦除可编程只读存储器(erasable programmable read only memory,简称eprom)，可编程只读存储器(programmable read-only memory,简称prom)，只读存储器(read-only memory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。
100.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
101.本技术实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本技术实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。
102.另外，在本技术实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
103.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
104.以上的描述，仅为本技术实施例的可选实施方式，但本技术实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术实施例的保护范围之内。