1.本公开涉及图像与视频处理
技术领域：
：，尤其涉及一种图像质量评价方法、图像质量评价装置、计算机可读存储介质与电子设备。
背景技术：
：：2.图像质量评价(imagequalityassessment，iqa)是指通过计算机评价图像质量，以模仿人类对于图像质量感知的标准。图像质量评价通常包括三类任务：全参考图像质量评价、降参考图像质量评价和无参考图像质量评价(或称盲质量评价)。其中，无参考图像质量评价是指在不借助任何参考图像的情况下进行图像质量评价，是图像质量评价中难度最高却又非常关键的一类任务。3.相关技术在进行无参考图像质量评价时，与人类的视觉感知存在一定的差别，导致评价结果的准确性不高。4.需要说明的是，在上述
背景技术：
：部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域技术人员已知的现有技术的信息。技术实现要素：5.本公开提供一种图像质量评价方法、图像质量评价装置、计算机可读存储介质与电子设备，进而至少在一定程度上解决相关技术中无法对图像进行准确评价的问题。6.根据本公开的第一方面，提供一种图像质量评价方法，包括：获取目标图像在多个尺度下的基础特征图像；对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取所述每个尺度下的局部质量特征；对所述每个尺度下的基础特征图像进行卷积处理，以提取所述每个尺度下的语义特征，并根据所述语义特征确定每个尺度下的自适应参数；分别利用所述每个尺度下的自适应参数对相同尺度下的所述局部质量特征进行融合，得到每个尺度下的融合质量特征；基于所述每个尺度下的融合质量特征，确定所述目标图像的评价值。7.根据本公开的第二方面，提供一种图像质量评价装置，包括：基础特征图像获取模块，被配置为获取目标图像在多个尺度下的基础特征图像；局部质量特征提取模块，被配置为对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取所述每个尺度下的局部质量特征；自适应参数确定模块，被配置为对所述每个尺度下的基础特征图像进行卷积处理，以提取所述每个尺度下的语义特征，并根据所述语义特征确定每个尺度下的自适应参数；局部质量特征融合模块，被配置为分别利用所述每个尺度下的自适应参数对相同尺度下的所述局部质量特征进行融合，得到每个尺度下的融合质量特征；多尺度融合模块，被配置为基于所述每个尺度下的融合质量特征，确定所述目标图像的评价值。8.根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的图像质量评价方法及其可能的实现方式。9.根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面的图像质量评价方法及其可能的实现方式。10.本公开的技术方案具有以下有益效果：11.第一方面，先获取基础特征图像，属于对图像的识别，再提取局部质量特征以及根据语义特征确定自适应参数，属于对图像的感知，使得本方案采用先识别后感知的图像质量评价方式，符合人类视觉感知的过程。第二方面，通过对基础特征图像进行池化处理，并进一步根据所得到的抽象特征图像提取局部质量特征，能够更加敏锐地发现目标图像中的局部失真，并有利于处理目标图像中的不均匀畸变。第三方面，通过对基础特征图像进行卷积处理，并进一步根据所得到的语义特征确定自适应参数，可以适应图像内容的变化而调整参数，即自适应调整图像质量评价的方式或标准，以模仿人类对于图像质量的感知方式随图像内容变化的特点。第四方面，在多个尺度下提取局部质量特征以及确定自适应参数，保证对目标图像中不同大小的失真进行充分评价。综合以上各方面，本方案能够提高图像质量评价的准确性。12.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明13.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。14.图1示出本示例性实施方式中一种系统架构的示意图；15.图2示出本示例性实施方式中一种电子设备的结构示意图；16.图3示出本示例性实施方式中一种图像质量评价方法的流程图；17.图4示出本示例性实施方式中通过基础特征提取网络对目标图像进行处理的示意图；18.图5示出本示例性实施方式中提取局部质量特征的流程图；19.图6示出本示例性实施方式中通过局部质量特征提取网络对基础特征图像进行处理的示意图；20.图7示出本示例性实施方式中确定自适应权重参数与自适应偏置参数的流程图；21.图8示出本示例性实施方式中通过第一自适应权重确定网络对第一基础特征图像进行处理的示意图；22.图9示出本示例性实施方式中确定全局自适应权重参数与全局自适应偏置参数的流程图；23.图10示出本示例性实施方式中通过全局自适应权重确定网络对第n基础特征图像进行处理的示意图；24.图11示出本示例性实施方式中通过图像质量评价模型对目标图像进行处理的示意图；25.图12示出本示例性实施方式中训练图像质量评价模型的流程图；26.图13示出本示例性实施方式中一种图像质量评价装置的结构示意图；27.图14示出本示例性实施方式中图像质量评价的结果验证示意图。具体实施方式28.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。29.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。30.相关技术大多采用深度学习进行无参考图像质量评价，取得了一定的进展。然而仍存在以下不足：31.针对无参考图像质量评价所建立的深度学习模型大多基于目标检测网络的结构，注重于学习图像的全局信息。而真实图像的失真大多存在于局部区域，特别是当图像大部分区域表现出较好的质量时，人类视觉系统会对局部失真非常敏感。因此，深度学习模型对于局部信息的忽视，导致其输出的图像质量评价结果与人类的感知存在较大差别。32.深度学习模型经过训练后，其结构与参数得到固定，意味着对图像质量的评价方式也得到固定。而人类对于图像质量的感知方式会随着图像内容的变化而变化，例如，人们会认为湛蓝的天空图像质量较高，而大多数深度学习模型却将其误认为是模糊的图像，原因是该图像包含较大的空旷区域。因此，深度学习模型固化的图像质量评价方式会影响结果的准确性。33.鉴于上述一个或多个问题，本公开的示例性实施方式首先提供一种图像质量评价方法。下面结合图1对本示例性实施方式运行环境的系统架构与应用场景进行示例性说明。34.图1示出了系统架构的示意图，该系统架构100可以包括终端110与服务器120。其中，终端110可以是智能手机、平板电脑、台式电脑、笔记本电脑等终端设备，服务器120泛指提供本示例性实施方式中图像质量评价相关服务的后台系统，可以是一台服务器或多台服务器形成的集群。终端110与服务器120之间可以通过有线或无线的通信链路形成连接，以进行数据交互。35.在一种实施方式中，可以由终端110执行上述图像质量评价方法。例如，用户使用终端110拍摄图像或者用户在终端110的相册中选取图像后，由终端110对该图像进行质量评价，输出评价值。36.在一种实施方式中，可以由服务器120可以执行上述图像质量评价方法。例如，用户使用终端110拍摄图像或者用户在终端110的相册中选取图像后，终端110将该图像上传至服务器120，由服务器120对该图像进行质量评价，向终端110返回评价值。37.由上可知，本示例性实施方式中的图像质量评价方法的执行主体可以是上述终端110或服务器120，本公开对此不做限定。38.本公开的示例性实施方式还提供一种用于执行上述图像质量评价方法的电子设备，该电子设备可以是上述终端110或服务器120。一般的，该电子设备可以包括处理器与存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行上述图像质量评价方法。39.下面以图2中的移动终端200为例，对该电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图2中的构造也能够应用于固定类型的设备。40.如图2所示，移动终端200具体可以包括：处理器201、存储器202、总线203、移动通信模块204、天线1、无线通信模块205、天线2、显示屏206、摄像模块207、音频模块208、电源模块209与传感器模块210。41.处理器201可以包括一个或多个处理单元，例如：处理器210可以包括ap(applicationprocessor，应用处理器)、调制解调处理器、gpu(graphicsprocessingunit，图形处理器)、isp(imagesignalprocessor，图像信号处理器)、控制器、编码器、解码器、dsp(digitalsignalprocessor，数字信号处理器)、基带处理器和/或npu(neural‑networkprocessingunit，神经网络处理器)等。本示例性实施方式中的图像质量评价方法可以由ap、gpu或dsp来执行，当方法涉及到神经网络相关的处理时，可以由npu来执行。42.编码器可以对图像或视频进行编码(即压缩)，例如可以将目标图像编码为特定的格式，以减小数据大小，便于存储或发送。解码器可以对图像或视频的编码数据进行解码(即解压缩)，以还原出图像或视频数据，如可以读取目标图像的编码数据，通过解码器进行解码，以还原出目标图像的数据，进而对该数据进行图像质量评价的相关处理。移动终端200可以支持一种或多种编码器和解码器。这样，移动终端200可以处理多种编码格式的图像或视频，例如：jpeg(jointphotographicexpertsgroup，联合图像专家组)、png(portablenetworkgraphics，便携式网络图形)、bmp(bitmap，位图)等图像格式，mpeg(movingpictureexpertsgroup，动态图像专家组)1、mpeg2、h.263、h.264、hevc(highefficiencyvideocoding，高效率视频编码)等视频格式。43.处理器201可以通过总线203与存储器202或其他部件形成连接。44.存储器202可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器201通过运行存储在存储器202的指令，执行移动终端200的各种功能应用以及数据处理。存储器202还可以存储应用数据，例如存储图像，视频等文件。45.移动终端200的通信功能可以通过移动通信模块204、天线1、无线通信模块205、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块204可以提供应用在移动终端200上2g、3g、4g、5g等移动通信解决方案。无线通信模块205可以提供应用在移动终端200上的无线局域网、蓝牙、近场通信等无线通信解决方案。46.显示屏206用于实现显示功能，如显示用户界面、图像、视频等。摄像模块207用于实现拍摄功能，如拍摄图像、视频等。音频模块208用于实现音频功能，如播放音频，采集语音等。电源模块209用于实现电源管理功能，如为电池充电、为设备供电、监测电池状态等。传感器模块210可以包括深度传感器2101、压力传感器2102、陀螺仪传感器2103、气压传感器2104等，以实现相应的感应检测功能。47.下面结合图3对本示例性实施方式中的图像质量评价方法进行说明，图3示出了该图像质量评价方法的示例性流程，可以包括：48.步骤s310，获取目标图像在多个尺度下的基础特征图像；49.步骤s320，对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征；50.步骤s330，对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数；51.步骤s340，分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征；52.步骤s350，基于每个尺度下的融合质量特征，确定目标图像的评价值。53.基于上述方法，第一方面，先获取基础特征图像，属于对图像的识别，再提取局部质量特征以及根据语义特征确定自适应参数，属于对图像的感知，使得本方案采用先识别后感知的图像质量评价方式，符合人类视觉感知的过程。第二方面，通过对基础特征图像进行池化处理，并进一步根据所得到的抽象特征图像提取局部质量特征，能够更加敏锐地发现目标图像中的局部失真，并有利于处理目标图像中的不均匀畸变。第三方面，通过对基础特征图像进行卷积处理，并进一步根据所得到的语义特征确定自适应参数，可以适应图像内容的变化而调整参数，即自适应调整图像质量评价的方式或标准，以模仿人类对于图像质量的感知方式随图像内容变化的特点。第四方面，在多个尺度下提取局部质量特征以及确定自适应参数，保证对目标图像中不同大小的失真进行充分评价。综合以上各方面，本方案能够提高图像质量评价的准确性。54.下面对图3中的每个步骤进行具体说明。55.参考图3，在步骤s310中，获取目标图像在多个尺度下的基础特征图像。56.目标图像是需要进行质量评价的图像。本公开对于目标图像的来源不做限定，例如目标图像可以是当前拍摄的图像，也可以是用户选取的任意图像。57.在步骤s310中，可以对目标图像进行不同尺度下初步的特征提取，该阶段所提取的特征一般是较为基础、低层次的特征，因此将得到的特征图像称为基础特征图像。58.本公开对于提取基础特征图像的具体方式不做限定，如可以采用不同类型的特征描述子从目标图像中提取基础特征图像。在一种实施方式中，可以通过特定的网络实现步骤s310的处理。具体地，将上述多个尺度表示为第一尺度至第n尺度，n为不小于2的正整数。图像质量评价方法还可以包括以下步骤：59.获取基础特征提取网络。该基础特征提取网络包括n个卷积层组合，其中，第一卷积层组合至第n卷积层组合分别对应第一尺度至第n尺度。60.相应的，上述获取目标图像在多个尺度下的基础特征图像，可以包括以下步骤：61.将目标图像输入所述基础特征提取网络，通过第一卷积层组合至第n卷积层组合分别输出第一基础特征图像至第n基础特征图像。62.其中，第一基础特征图像至第n基础特征图像分别为第一尺度下的基础特征图像至第n尺度下的基础特征图像。基础特征提取网络用于提取基础特征图像，主要结构是n个卷积层组合。卷积层组合是指包括多个卷积层的多层结构，卷积层组合中还可以包括其他类型的中间层，如池化层、上采样层等。n个卷积层组合之间可以是串接或并接的结构。当n个卷积层组合之间是串接的结构时，每个卷积层组合可用于对前一卷积层组合输出的中间数据进行处理，当n个卷积层组合之间是并接的结构时，每个卷积层组合可用于对目标图像或相同的中间数据进行处理。除了卷积层组合外，基础特征提取网络还可以包括其他中间层，如单个卷积层、池化层、上采样层等。63.图4示出了基础特征提取网络的示意性结构，包括一个卷积层与四个卷积层组合，每个卷积层组合又包括多个卷积层，每个卷积层中示出了卷积参数，包括卷积核的尺寸、通道数与步长。图4中将部分卷积层折叠显示为×2、×3、×5，如第一卷积层组合中(卷积1*1*64 卷积3*3*64 卷积1*1*512)的结构有两个。此外，在任意卷积层中，可以在卷积后进行相应的bn(batchnormalization，批量正则化)、relu激活(rectifiedlinearunit，线性修正单元，除relu外，也可以采用其他激活函数)等运算。64.举例来说，假设目标图像的尺寸为224*224，输入基础特征提取网络，经过各个部分得到的基础特征图像的尺寸与维度(维度即图像的通道数)如表1所示，表1中卷积参数的s1表示步长为1，s2表示步长为2。目标图像经过第一个卷积层，得到的特征图像(featuremap)的尺寸为112*112*64；该特征图像继续输入第一卷积层组合，输出第一基础特征图像，其尺寸为56*56*256；第一基础特征图像继续输入第二卷积层组合，输出第二基础特征图像，其尺寸为28*28*512；第二基础特征图像输入第三卷积层组合，输出第三基础特征图像，其尺寸为14*14*1024；第三基础特征图像继续输入第四卷积层组合，输出第四基础特征图像，其尺寸为7*7*2048。从第一基础特征图像至第四基础特征图像，体现了目标图像在微观尺度下的基础特征，以及越来越宏观尺度下的基础特征。65.表166.[0067][0068]在一种实施方式中，还可以在基础特征提取网络中增加残差块的结构，例如可以在每个卷积层组合的不同卷积层之间增加残差块直连的结构，使得基础特征图像的信息更加丰富。[0069]继续参考图3，在步骤s320中，对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征。[0070]局部质量特征是表征图像局部范围内质量信息的特征。池化处理一般是利用一定尺寸的池化窗遍历图像，对池化窗内的图像信息进行抽象表示。本示例性实施方式中，对基础特征图像进行池化处理，得到抽象特征图像，并对抽象特征图像做进一步的特征提取，得到局部质量特征。[0071]在对基础特征图像进行池化处理前，可以进行一定的预处理，包括但不限于降维、裁剪、重构等。对于池化处理后的抽象特征图像，可以通过全局池化、拉伸(flatten)、全连接等操作以进一步提取局部质量特征。[0072]在一种实施方式中，可以通过特定的网络实现步骤s320的处理。具体地，图像质量评价方法还可以包括以下步骤：[0073]获取第一局部质量特征提取网络至第n局部质量特征提取网络，其中每个局部质量特征提取网络包括池化层与全连接层。[0074]相应的，参考图5所示，上述对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征，可以包括以下步骤s510至s530：[0075]步骤s510，将第i基础特征图像输入第i局部质量特征提取网络；[0076]步骤s520，通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，第i抽象特征图像为第i尺度下的抽象特征图像；[0077]步骤s530，通过第i局部质量特征提取网络的全连接层对第i抽象特征图像进行处理，得到第i局部质量特征，第i局部质量特征为第i尺度下的局部质量特征。[0078]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像，即对于每一张基础特征图像，均可以采用图5的流程进行处理，得到对应尺度下的局部质量特征。[0079]第一局部质量特征提取网络至第n局部质量特征提取网络的结构可以相同，由于其所处理的基础特征图像不同，因此网络参数(此处的网络参数为超参数)可以不同。第一局部质量特征提取网络至第n局部质量特征提取网络可以分别连接到上述基础特征提取网络中的第一卷积层组合至第n卷积层组合的后端，即第一卷积层组合输出的第一基础特征图像输入第一局部质量提取网络，第二卷积层组合输出的第二基础特征图像输入第二局部质量提取网络，等等。[0080]每个局部质量特征提取网络包括池化层与全连接层，用于进行池化处理与全连接处理。其中，池化处理可以提取抽象特征，全连接处理可以将抽象特征进行融合与进一步的学习，以得到局部质量特征。此外，还可以在局部质量特征提取网络中设置其他类型的中间层，如用于对基础特征图像预处理的降维层、裁剪层、重构层等。示例性的，每个局部质量特征提取网络还可以包括降维层；上述对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征，还可以包括以下步骤：[0081]通过第i局部质量特征提取网络的降维层对第i基础特征图像进行降维处理。[0082]相应的，上述通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，可以包括以下步骤：[0083]通过第i局部质量特征提取网络的池化层对降维处理后的第i基础特征图像进行池化处理，得到第i抽象特征图像。[0084]其中，降维层可以通过1*1*mi(i＝1,2,…,n)的卷积来实现，mi表示第i局部质量特征提取网络的降维层的卷积通道数，与输入的基础特征图像的维度相对应。如根据表1中的基础特征图像的维度，考虑到较深的网络结构有利于提取抽象特征，因此mi的取值随着基础特征图像的维度加深而逐渐增加，如可以是：m1＝28，m2＝56，m3＝112，m4＝224。[0085]在进行降维时，实际上将基础特征图像不同维度上的特征进行了融合，有利于提取抽象特征，同时降低后续处理的计算量。[0086]经过池化处理的抽象特征图像，在进行全连接处理前，通常需要进行维度的变换。一般的，可以通过拉伸层将抽象特征图像拉伸为一维数组，或者通过全局池化层将每个通道的抽象特征图像转换为一维数据，从而得到各通道组成的一维数组。进而，对该一维数组进行全连接处理。[0087]图6示出了通过局部质量特征提取网络对基础特征图像进行处理的示意图，每个局部质量特征提取网络包括降维层、池化层、拉伸层与全连接层，各部分输出的数据维度信息可以参考表2所示。举例来说，将56*56*256的第一基础特征图像输入第一局部质量特征提取网络，在降维层中通过1*1*28的卷积核进行降维，得到56*56*28的降维后的第一基础特征图像；再进入池化层，进行7*7(步长也为7)的平均池化处理，得到每个局部区域的抽象特征，即第一抽象特征图像，其维度为8*8*28；再通过拉伸层拉伸为一维数组，其维度为1792(＝1*8*8*28)；再通过全连接层输出28个维度的第一局部质量特征，通常为向量的形式。对于第二、第三、第四基础特征图像的处理流程相同，其相关的数据维度信息可以参考表2所示，因而不再赘述。[0088]表2[0089][0090][0091]继续参考图3，在步骤s330中，对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数。[0092]自适应参数是指对局部质量特征进行融合的参数。本示例性实施方式中，该参数需要与基础特征图像相适应(也可以理解为与目标图像或上述局部质量特征相适应)，即随着基础特征图像的不同而不同，因此称为自适应参数。通过对基础特征图像进行卷积处理，提取语义特征，使得计算机在理解图像语义的基础上，适应人类对于不同图像内容的不同评价方式或评价标准，确定自适应参数，自适应参数体现了评价方式或评价标准的变化。[0093]自适应参数可以包括自适应权重参数(weight)。在一种实施方式中，可以通过特定的网络实现步骤s330的处理。具体地，图像质量评价方法还可以包括以下步骤：[0094]获取第一自适应参数确定网络至第n自适应参数确定网络，其中每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络，语义特征提取子网络包括卷积层，权重参数确定子网络包括重构层。[0095]相应的，参考图7所示，上述对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数，可以包括以下步骤s710至s730：[0096]步骤s710，将第i基础特征图像输入第i自适应参数确定网络；[0097]步骤s720，通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，第i语义特征提取子网络为第i自适应参数确定网络的语义特征提取子网络，第i语义特征为第i尺度下的语义特征；[0098]步骤s730，通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，第i权重参数确定子网络为第i自适应参数确定网络的权重参数确定子网络，第i自适应权重参数为第i尺度下的自适应权重参数。[0099]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像，即对于每一张基础特征图像，均可以采用图7的流程进行处理，得到对应尺度下的自适应权重参数。[0100]第一自适应参数确定网络至第n自适应参数确定网络的结构可以相同，由于其所处理的基础特征图像不同，因此网络的参数可以不同。第一自适应参数确定网络至第n自适应参数确定网络可以分别连接到上述基础特征提取网络中的第一卷积层组合至第n卷积层组合的后端，即第一卷积层组合输出的第一基础特征图像输入第一自适应参数确定网络，第二卷积层组合输出的第二基础特征图像输入第二自适应参数确定网络，等等。[0101]每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络。其中，语义特征提取子网络包括卷积层，用于通过对基础特征图像进行卷积处理，以提取语义特征；权重参数确定子网络包括重构层，用于对语义特征进行数据重构(reshape)。一般的，语义特征的具体形式可以是语义特征图像，对语义特征图像进行数据重构时，可以根据局部质量特征的维度信息对语义特征图像中的数据进行重排，以得到自适应权重参数。[0102]此外，还可以在语义特征提取子网络或权重参数确定子网络中设置其他类型的中间层。在一种实施方式中，语义特征提取子网络还可以包括池化层。由此，上述通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，可以包括以下步骤：[0103]通过第i语义特征提取子网络对第i基础特征图像进行卷积与池化处理，得到第i语义特征。[0104]语义特征提取子网络中的池化层通常位于卷积层之后，基础特征图像输入语义特征提取子网络后，先经过卷积处理，以提取语义特征，再经过池化处理，对所提取的语义特征做进一步抽象，以提高语义特征的泛化性。[0105]在一种实施方式中，权重参数确定子网络还可以包括卷积层。由此，上述通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，可以包括以下步骤：[0106]通过第i权重参数确定子网络对第i语义特征进行卷积处理与数据重构，得到第i自适应权重参数。[0107]也就是说，在对语义特征进行数据重构前，可以再进行一次卷积处理，以融合语义特征在不同维度上的信息，并且可以调整语义特征的维度，如可以根据局部质量特征的维度信息对语义特征进行升维或降维。进而再进行数据重构，有利于进一步提高所得到的自适应权重参数的准确性。[0108]在一种实施方式中，自适应参数还可以包括自适应偏置参数(bias)。为了得到自适应偏置参数，还可以在每个自适应参数确定网络中设置偏置参数确定子网络，偏置参数确定子网络可以包括全连接层。一般的，权重参数确定子网络与偏置参数确定子网络是连接到语义特征提取子网络后的两个分支。参考图7所示，上述对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数，还可以包括以下步骤s740：[0109]步骤s740，通过第i偏置参数确定子网络将第i语义特征进行全连接处理，得到第i自适应偏置参数，第i偏置参数确定子网络为第i自适应参数确定网络的偏置参数确定子网络，第i自适应偏置参数为第i尺度下的自适应偏置参数。[0110]其中，偏置参数确定子网络中的全连接层用于对语义特征进行全连接处理，以得到自适应偏置参数。[0111]一般的，语义特征的具体形式可以是语义特征图像，在进行全连接处理前，通常需要进行维度的变换。举例来说，偏置参数确定子网络还可以包括全局池化层，用于将每个通道的语义特征图像转换为一维数据，从而得到各通道组成的一维数组。或者，偏置参数确定子网络还可以包括拉伸层，用于将语义特征图像拉伸为一维数组。在得到一维数组后，通过全连接层对该一维数组进行全连接处理。[0112]图8示出了通过第一自适应参数确定网络对第一基础特征图像进行处理的示意图。第一自适应参数确定网络包括第一语义特征提取子网络、第一权重参数确定子网络、第一偏置参数确定子网络，第一权重参数确定子网络与第一偏置参数确定子网络是连接到第一语义特征提取子网络后的两个分支。第一自适应参数确定网络中各部分输出的数据维度信息可以参考表3所示。将56*56*256的第一基础特征图像输入第一自适应参数确定网络，在第一语义特征提取子网络中先经过两个卷积层，如两个卷积层均可以通过3*3的卷积核进行卷积与relu激活处理；再经过池化层，如池化层可以采用8*8的池化窗、步长为8进行池化处理，以提取第一语义特征，其维度为7*7*14；然后将第一语义特征分别输入第一权重参数确定子网络与第一偏置参数确定子网络，在第一权重参数确定子网络中进行卷积与数据重构处理，输出第一自适应权重参数，其维度为14*28*1*1，在第一偏置参数确定子网络中进行全局池化与全连接处理，输出第一自适应偏置参数，其维度为14*1。[0113]应当理解，在其他自适应参数确定网络，可以根据实际情况设置网络参数(此处的网络参数为超参数)。例如，第二自适应参数确定网络中的池化层可以设置为4*4的池化窗、步长为4，第三自适应参数确定网络中的池化层可以设置为2*2的池化窗、步长为2，第四自适应参数确定网络中的池化层可以设置为1*1的池化窗、步长为1(相当于不进行池化)；第二、第三、第四自适应参数确定网络中的卷积层所采用的卷积核的通道数也可以不同于第一自适应参数确定网络。本公开对此不做限定。对于第二、第三、第四基础特征图像的处理流程相同，其相关的数据维度信息可以参考表3所示，因而不再赘述。[0114]表3[0115][0116]继续参考图3，在步骤s340中，分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征。[0117]示例性的，可以采用第一自适应权重参数对第一局部质量特征进行全连接处理，相当于对第一局部质量特征不同维度的进行融合，得到第一尺度下的融合质量特征。也可以采用第一自适应权重参数与第一自适应偏置参数对第一局部质量特征进行全连接处理，得到第一尺度下的融合质量特征。[0118]在一种实施方式中，图像质量评价方法还可以包括以下步骤：[0119]获取融合网络，该融合网络包括全连接层。[0120]相应的，上述分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征，可以包括以下步骤：[0121]将第i尺度下的自适应参数与第i局部质量特征输入融合网络，在融合网络中利用该自适应参数对该第i局部质量特征进行全连接处理，输出第i尺度下的融合质量特征。[0122]其中，i为[1,n]内的任意正整数，即对于每个尺度下的自适应参数与局部质量特征，均可以采用上述步骤进行处理，得到对应尺度下的融合质量特征。[0123]需要说明的是，融合网络可以表示如下：[0124]hm(lx,wx)＝qꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0125]其中hm(hypermodule)表示融合网络，x表示目标图像，lx表示局部质量特征，wx表示融合网络的参数，即自适应参数，q表示融合质量特征。可见，wx与x相关，表示融合网络的参数并非固定不变，会随不同的图像而变化，使得输出的融合质量特征也适应于图像内容的变化，以便于自适应的根据图像内容去评价图像质量。[0126]继续参考图3，在步骤s350中，基于每个尺度下的融合质量特征，确定目标图像的评价值。[0127]一般的，可以将不同尺度下的融合质量特征做进一步的融合，这样可以综合目标图像中的不同大小的局部失真的信息，最终输出目标图像的评价值。[0128]在一种实施方式中，参考图9所示，图像质量评价方法还可以包括以下步骤s910至s940：[0129]步骤s910，获取全局自适应参数确定网络，全局自适应参数确定网络包括全局语义特征提取子网络与全局权重参数确定子网络，全局语义特征提取子网络包括卷积层与全局池化层，全局权重参数确定子网络包括维度调整层；[0130]步骤s920，将第n基础特征图像输入全局自适应参数确定网络；[0131]步骤s930，通过全局语义特征提取子网络对第n基础特征图像进行卷积与全局池化处理，以提取全局语义特征；[0132]步骤s940，通过全局权重参数确定子网络将全局语义特征进行维度调整，得到全局自适应权重参数。[0133]相应的，上述基于每个尺度下的融合质量特征，确定目标图像的评价值，可以包括以下步骤：[0134]利用全局自适应权重参数对每个尺度下的融合质量特征进行全连接处理，得到所述目标图像的评价值。[0135]其中，全局自适应参数是对不同尺度下的融合质量特征做进一步融合时所用的参数，其可以包括全局自适应权重参数，是对不同尺度下的融合质量特征进行加权所用的权重。[0136]全局自适应参数确定网络用于确定全局自适应参数，其结构相比于上述第一自适应参数确定网络至第n自适应参数确定网络可以存在差别。具体地，全局语义特征提取子网络需要提取全局语义特征，是较为宏观尺度的语义特征，可以在其中设置全局池化层，以抽象出全局语义特征，可以是一维数组。全局权重参数确定子网络维度可以不进行卷积与数据重构处理，通过对全局语义特征进行维度调整即可得到全局自适应权重参数，使得全局自适应权重参数的维度与各尺度的融合质量特征的维度相对应。因此全局权重参数确定子extrac)表示局部质量提取网络，图像质量评价模型中包括4个局部质量提取网络，分别为lqe1～lqe4。awm(adaptiveweightmodule)表示自适应参数确定网络，图像质量评价模型中包括5个自适应参数确定网络，分别为awm1～awm4以及awmg(全局自适应参数确定网络)。hm表示融合网络，融合网络为算法模块，不包括参数。[0148]将目标图像输入图11所示的图像质量评价模型，首先通过第一个卷积层的处理，之后依次通过stage1～stage4，输出第一基础特征图像至第四基础特征图像。[0149]将第一基础特征图像输入lqe1与awm1，lqe1输出第一局部质量特征l1，awm1输出第一自适应权重参数w1与第一自适应偏置参数b1；将第二基础特征图像输入lqe2与awm2，lqe2输出第二局部质量特征l2，awm2输出第二自适应权重参数w2与第二自适应偏置参数b2；将第三基础特征图像输入lqe3与awm3，lqe3输出第三局部质量特征l3，awm3输出第三自适应权重参数w3与第三自适应偏置参数b3；将第四基础特征图像输入lqe4与awm4，lqe4输出第四局部质量特征l4，awm4输出第四自适应权重参数w4与第四自适应偏置参数b4；将第四基础特征图像输入awmg，awmg输出全局自适应权重参数wg与全局自适应偏置参数bg。[0150]将l1、w1、b1共同输入hm，hm利用w1、b1对l1进行全连接处理，输出第一尺度下的融合质量特征h1；将l2、w2、b2共同输入hm，hm利用w2、b2对l2进行全连接处理，输出第二尺度下的融合质量特征h2；将l3、w3、b3共同输入hm，hm利用w3、b3对l3进行全连接处理，输出第三尺度下的融合质量特征h3；将l4、w4、b4共同输入hm，hm利用w4、b4对l4进行全连接处理，输出第四尺度下的融合质量特征h4。在进行每个尺度下的局部质量特征融合时，hm的算法如下所示：[0151][0152]将h1、h2、h3、h4拼接后，与wg、bg共同输入hm，hm利用w4、b4对l4进行全连接处理，输出目标图像的评价值(score)。在进行全部尺度下的局部质量特征融合时，hm的算法如下所示：[0153]score＝wg*h′ bgꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0154][0155]其中，可表示拼接。[0156]在一种实施方式中，图像质量评价方法还可以包括针对图像质量评价模型的训练流程，参考图12所示，训练流程可以包括以下步骤s1210至s1230：[0157]步骤s1210，建立图像质量评价模型，图像质量评价模型包括待训练的基础特征提取网络、第一局部质量特征提取网络至第n局部质量特征提取网络、第一自适应参数确定网络至第n自适应参数确定网络与全局自适应参数确定网络。[0158]此时建立的图像质量评价模型为初始模型，其中的参数可以通过任意方式进行初始化，如可以进行随机初始化，或者将基础特征提取网络采用imagenet的预训练模型，其他部分使用xavier初始化方式。[0159]步骤s1220，获取数据集，数据集包括样本图像与样本图像的评价值标签。[0160]样本图像可以是真实的失真图像。示例性的，可以采用koniq‑10k数据集，包括10073张真实失真的样本图像，且图像内容与失真具有较高的多样性。样本图像的评价值标签可以是人工评价所得到的评价值。在koniq‑10k数据集中，每一张样本图像由至少120进行评价，评价值在[1,100]之间，通过取平均值得到样本图像的评价值标签。[0161]在获取数据集后，可以划分训练集与测试集，如可以按照8:2的比例随机划分，得到的训练集包括含8058张样本图像，测试集包括2015张样本图像。[0162]在一种实施方式中，针对样本图像可以进行以下任意一种或多种预处理：[0163]①设置一定的概率(如可以是0.5)，采用该概率对样本图像进行仿射变换，包括但不限于水平翻转、垂直翻转、平移、旋转、缩放等，仿射变换后得到新的样本图像。[0164]②将样本图像统一为预定的分辨率，如可以是512*384。[0165]③在样本图像中随机截取一定数量(如25张)的局部图像，局部图像的尺寸可以与图像质量评价模型的输入图像尺寸相同，如可以是224*224，将所截取的局部图像作为后续训练图像质量评价模型的真实输入。[0166]④将上述局部图像的像素值归一化到[0,1.0]内。[0167]步骤s1230，对基础特征提取网络设置第一学习率，对第一局部质量特征提取网络至第n局部质量特征提取网络、第一自适应参数确定网络至第n自适应参数确定网络与全局自适应参数确定网络设置第二学习率，利用数据集训练图像质量评价模型。[0168]其中，第一学习率与第二学习率均可以是可变学习率，如随着epoch增加而逐渐降低。第一学习率可视为图像质量评价模型的基础学习率，第二学习率是为了加速局部质量特征提取网络与自适应参数确定网络的收敛而设置的特殊学习率。在训练的前z个epoch中所述第二学习率大于所述第一学习率，在训练的前z个epoch之后所述第二学习率等于所述第一学习率，z可以为任意正整数。示例性的，以z＝8为例，第一学习率与第二学习率的关系可以如下所示：[0169][0170][0171]其中，lr1表示第一学习率，lr2表示第二学习率，epoch表示当前训练的“代”数。在前5个epoch中，lr1为初始学习率，设置为2×10‑5，从第6个epoch开始，每增加一个epoch学习率降低10倍。在前8个epoch中，lr2为lr1的10倍，从第9个epoch开始，lr2与lr1相同。[0172]在模型训练中，可以采用任意形式的损失函数，如可以采用l1损失，如下所示：[0173][0174]scorej为图像质量评价模型输出的样本图像j的评价值，qj为样本图像j的评价值标签。e表示一个训练周期中使用的样本图像数量。[0175]示例性的，采用权重衰减为5×10‑4的adam优化器，对图像质量评价模型进行15个epoch的训练，训练批量大小为96，并采用上述第一学习率与第二学习率的设置，通过损失函数值的反向传播，进行模型参数的更新。[0176]在一种实施方式中，在测试阶段，可以从测试集中的样本图像随机截取5个像素为224×224分辨率的局部图像，输入图像质量评价模型，得到每张局部图像的评价值，对5张局部图像的评价值取平均值，得到样本图像的评价值。[0177]在一种实施方式中，在步骤s310前，可以执行以下步骤：[0178]获取待评价图像；[0179]从待评价图像中截取多张预设尺寸的局部图像，以作为目标图像。[0180]在确定目标图像的评价值后，图像质量评价方法还可以包括以下步骤：[0181]综合每一张目标图像的评价值，得到待评价图像的评价值。[0182]其中，待评价图像可以是待评价的原始图像，可以对其采用与上述样本图像相同的预处理方式进行处理。示例性的，可以先将待评价图像调整为预定的分辨率，如可以是512*384，将像素值归一化到[0,1.0]以内，再根据实际需求随机截取t张局部图像，以作为t张目标图像。[0183]针对每一张目标图像，采用图3的方法流程进行处理，得到评价值。由此得到t张目标图像的t个评价值，再对t个评价值进行综合，如可以计算平均值或加权平均值等，得到待评价图像的评价值。示例性的，对t个评价值计算平均值，可以如下所示[0184][0185]其中，s0为待评价图像的评价值，sk为目标图像(局部图像)k的评价值。[0186]通过截取多张局部图像对待评价图像进行处理的方式，可以适应图像质量评价模型的输入图像尺寸，并更加注重于发现图像中的局部失真，进一步提高图像质量评价的准确性。[0187]本公开的示例性实施方式还提供一种图像质量评价装置。参考图13所示，该图像质量评价装置1300可以包括：[0188]基础特征图像获取模块1310，被配置为获取目标图像在多个尺度下的基础特征图像；[0189]局部质量特征提取模块1320，被配置为对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征；[0190]自适应参数确定模块1330，被配置为对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数；[0191]局部质量特征融合模块1340，被配置为分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征；[0192]多尺度融合模块1350，被配置为基于每个尺度下的融合质量特征，确定目标图像的评价值。[0193]在一种实施方式中，基础特征图像获取模块1310，还被配置为：[0194]获取待评价图像；[0195]从待评价图像中截取多张预设尺寸的局部图像，以作为目标图像；[0196]多尺度融合模块1350，还被配置为：[0197]在确定目标图像的评价值后，综合每一张目标图像的评价值，得到待评价图像的评价值。[0198]在一种实施方式中，上述多个尺度包括第一尺度至第n尺度，n为不小于2的正整数；图像质量评价装置1300还可以包括模型获取模块，被配置为：[0199]获取基础特征提取网络，基础特征提取网络包括n个卷积层组合，其中，第一卷积层组合至第n卷积层组合分别对应第一尺度至第n尺度；[0200]基础特征图像获取模块1310，被配置为：[0201]将目标图像输入基础特征提取网络，通过第一卷积层组合至第n卷积层组合分别输出第一基础特征图像至第n基础特征图像，第一基础特征图像至第n基础特征图像分别为第一尺度下的基础特征图像至第n尺度下的基础特征图像。[0202]在一种实施方式中，模型获取模块，还被配置为：[0203]获取第一局部质量特征提取网络至第n局部质量特征提取网络，其中每个局部质量特征提取网络包括池化层与全连接层；[0204]局部质量特征提取模块1320，被配置为：[0205]将第i基础特征图像输入第i局部质量特征提取网络；[0206]通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，第i抽象特征图像为第i尺度下的抽象特征图像；[0207]通过第i局部质量特征提取网络的全连接层对第i抽象特征图像进行处理，得到第i局部质量特征，第i局部质量特征为第i尺度下的局部质量特征；[0208]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像。[0209]在一种实施方式中，自适应参数包括自适应权重参数。[0210]模型获取模块，还被配置为：[0211]获取第一自适应参数确定网络至第n自适应参数确定网络，其中每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络，语义特征提取子网络包括卷积层，权重参数确定子网络包括重构层。[0212]自适应参数确定模块1330，被配置为：[0213]将第i基础特征图像输入第i自适应参数确定网络；[0214]通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，第i语义特征提取子网络为第i自适应参数确定网络的语义特征提取子网络，第i语义特征为第i尺度下的语义特征；[0215]通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，第i权重参数确定子网络为第i自适应参数确定网络的权重参数确定子网络，第i自适应权重参数为第i尺度下的自适应权重参数。[0216]在一种实施方式中，自适应参数还包括自适应偏置参数。每个自适应参数确定网络还包括偏置参数确定子网络，偏置参数确定子网络包括全连接层。[0217]自适应参数确定模块1330，还被配置为：[0218]通过第i偏置参数确定子网络将第i语义特征进行全连接处理，得到第i自适应偏置参数，第i偏置参数确定子网络为第i自适应参数确定网络的偏置参数确定子网络，第i自适应偏置参数为第i尺度下的自适应偏置参数。[0219]在一种实施方式中，模型获取模块，还被配置为：[0220]获取全局自适应参数确定网络，全局自适应参数确定网络包括全局语义特征提取子网络与全局权重参数确定子网络，全局语义特征提取子网络包括卷积层与全局池化层，全局权重参数确定子网络包括维度调整层；[0221]将第n基础特征图像输入全局自适应参数确定网络；[0222]通过全局语义特征提取子网络对第n基础特征图像进行卷积与全局池化处理，以correlationcoefficient，斯皮尔曼相关系数)来衡量图像质量评价的性能，plcc用于定量度量质量分数预测结果与真实结果的一致性，srocc用于定量度量质量分数预测结果与真实结果的排序相关性，plcc或srocc的值越大，表示图像质量评价方法的预测性能越好。本示例性实施方式与其他九种算法的对比如表5所示，可以看出本示例性实施方式具有最优的图像质量评价性能。[0238]表5[0239]算法名称plccsroccbrisque0.6810.665il‑niqe0.5230.507hosa0.6940.671biecon0.6510.618wadiqam0.8050.797sfa0.8720.856pqr0.8840.880dbcnn0.8840.875hypernet0.8920.874本示例性实施方式0.8970.881[0240]本公开的示例性实施方式还提供了一种计算机可读存储介质，可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一种可选的实施方式中，该程序产品可以实现为便携式紧凑盘只读存储器(cd‑rom)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0241]程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd‑rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。[0242]计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。[0243]可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。[0244]可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。[0245]应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。[0246]所属
技术领域：
：的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。[0247]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种图像质量评价方法、图像质量评价装置、计算机可读存储介质与电子设备。
背景技术：
：：2.图像质量评价(imagequalityassessment，iqa)是指通过计算机评价图像质量，以模仿人类对于图像质量感知的标准。图像质量评价通常包括三类任务：全参考图像质量评价、降参考图像质量评价和无参考图像质量评价(或称盲质量评价)。其中，无参考图像质量评价是指在不借助任何参考图像的情况下进行图像质量评价，是图像质量评价中难度最高却又非常关键的一类任务。3.相关技术在进行无参考图像质量评价时，与人类的视觉感知存在一定的差别，导致评价结果的准确性不高。4.需要说明的是，在上述
背景技术：
：部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域技术人员已知的现有技术的信息。技术实现要素：5.本公开提供一种图像质量评价方法、图像质量评价装置、计算机可读存储介质与电子设备，进而至少在一定程度上解决相关技术中无法对图像进行准确评价的问题。6.根据本公开的第一方面，提供一种图像质量评价方法，包括：获取目标图像在多个尺度下的基础特征图像；对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取所述每个尺度下的局部质量特征；对所述每个尺度下的基础特征图像进行卷积处理，以提取所述每个尺度下的语义特征，并根据所述语义特征确定每个尺度下的自适应参数；分别利用所述每个尺度下的自适应参数对相同尺度下的所述局部质量特征进行融合，得到每个尺度下的融合质量特征；基于所述每个尺度下的融合质量特征，确定所述目标图像的评价值。7.根据本公开的第二方面，提供一种图像质量评价装置，包括：基础特征图像获取模块，被配置为获取目标图像在多个尺度下的基础特征图像；局部质量特征提取模块，被配置为对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取所述每个尺度下的局部质量特征；自适应参数确定模块，被配置为对所述每个尺度下的基础特征图像进行卷积处理，以提取所述每个尺度下的语义特征，并根据所述语义特征确定每个尺度下的自适应参数；局部质量特征融合模块，被配置为分别利用所述每个尺度下的自适应参数对相同尺度下的所述局部质量特征进行融合，得到每个尺度下的融合质量特征；多尺度融合模块，被配置为基于所述每个尺度下的融合质量特征，确定所述目标图像的评价值。8.根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的图像质量评价方法及其可能的实现方式。9.根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面的图像质量评价方法及其可能的实现方式。10.本公开的技术方案具有以下有益效果：11.第一方面，先获取基础特征图像，属于对图像的识别，再提取局部质量特征以及根据语义特征确定自适应参数，属于对图像的感知，使得本方案采用先识别后感知的图像质量评价方式，符合人类视觉感知的过程。第二方面，通过对基础特征图像进行池化处理，并进一步根据所得到的抽象特征图像提取局部质量特征，能够更加敏锐地发现目标图像中的局部失真，并有利于处理目标图像中的不均匀畸变。第三方面，通过对基础特征图像进行卷积处理，并进一步根据所得到的语义特征确定自适应参数，可以适应图像内容的变化而调整参数，即自适应调整图像质量评价的方式或标准，以模仿人类对于图像质量的感知方式随图像内容变化的特点。第四方面，在多个尺度下提取局部质量特征以及确定自适应参数，保证对目标图像中不同大小的失真进行充分评价。综合以上各方面，本方案能够提高图像质量评价的准确性。12.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明13.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。14.图1示出本示例性实施方式中一种系统架构的示意图；15.图2示出本示例性实施方式中一种电子设备的结构示意图；16.图3示出本示例性实施方式中一种图像质量评价方法的流程图；17.图4示出本示例性实施方式中通过基础特征提取网络对目标图像进行处理的示意图；18.图5示出本示例性实施方式中提取局部质量特征的流程图；19.图6示出本示例性实施方式中通过局部质量特征提取网络对基础特征图像进行处理的示意图；20.图7示出本示例性实施方式中确定自适应权重参数与自适应偏置参数的流程图；21.图8示出本示例性实施方式中通过第一自适应权重确定网络对第一基础特征图像进行处理的示意图；22.图9示出本示例性实施方式中确定全局自适应权重参数与全局自适应偏置参数的流程图；23.图10示出本示例性实施方式中通过全局自适应权重确定网络对第n基础特征图像进行处理的示意图；24.图11示出本示例性实施方式中通过图像质量评价模型对目标图像进行处理的示意图；25.图12示出本示例性实施方式中训练图像质量评价模型的流程图；26.图13示出本示例性实施方式中一种图像质量评价装置的结构示意图；27.图14示出本示例性实施方式中图像质量评价的结果验证示意图。具体实施方式28.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。29.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。30.相关技术大多采用深度学习进行无参考图像质量评价，取得了一定的进展。然而仍存在以下不足：31.针对无参考图像质量评价所建立的深度学习模型大多基于目标检测网络的结构，注重于学习图像的全局信息。而真实图像的失真大多存在于局部区域，特别是当图像大部分区域表现出较好的质量时，人类视觉系统会对局部失真非常敏感。因此，深度学习模型对于局部信息的忽视，导致其输出的图像质量评价结果与人类的感知存在较大差别。32.深度学习模型经过训练后，其结构与参数得到固定，意味着对图像质量的评价方式也得到固定。而人类对于图像质量的感知方式会随着图像内容的变化而变化，例如，人们会认为湛蓝的天空图像质量较高，而大多数深度学习模型却将其误认为是模糊的图像，原因是该图像包含较大的空旷区域。因此，深度学习模型固化的图像质量评价方式会影响结果的准确性。33.鉴于上述一个或多个问题，本公开的示例性实施方式首先提供一种图像质量评价方法。下面结合图1对本示例性实施方式运行环境的系统架构与应用场景进行示例性说明。34.图1示出了系统架构的示意图，该系统架构100可以包括终端110与服务器120。其中，终端110可以是智能手机、平板电脑、台式电脑、笔记本电脑等终端设备，服务器120泛指提供本示例性实施方式中图像质量评价相关服务的后台系统，可以是一台服务器或多台服务器形成的集群。终端110与服务器120之间可以通过有线或无线的通信链路形成连接，以进行数据交互。35.在一种实施方式中，可以由终端110执行上述图像质量评价方法。例如，用户使用终端110拍摄图像或者用户在终端110的相册中选取图像后，由终端110对该图像进行质量评价，输出评价值。36.在一种实施方式中，可以由服务器120可以执行上述图像质量评价方法。例如，用户使用终端110拍摄图像或者用户在终端110的相册中选取图像后，终端110将该图像上传至服务器120，由服务器120对该图像进行质量评价，向终端110返回评价值。37.由上可知，本示例性实施方式中的图像质量评价方法的执行主体可以是上述终端110或服务器120，本公开对此不做限定。38.本公开的示例性实施方式还提供一种用于执行上述图像质量评价方法的电子设备，该电子设备可以是上述终端110或服务器120。一般的，该电子设备可以包括处理器与存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行上述图像质量评价方法。39.下面以图2中的移动终端200为例，对该电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图2中的构造也能够应用于固定类型的设备。40.如图2所示，移动终端200具体可以包括：处理器201、存储器202、总线203、移动通信模块204、天线1、无线通信模块205、天线2、显示屏206、摄像模块207、音频模块208、电源模块209与传感器模块210。41.处理器201可以包括一个或多个处理单元，例如：处理器210可以包括ap(applicationprocessor，应用处理器)、调制解调处理器、gpu(graphicsprocessingunit，图形处理器)、isp(imagesignalprocessor，图像信号处理器)、控制器、编码器、解码器、dsp(digitalsignalprocessor，数字信号处理器)、基带处理器和/或npu(neural‑networkprocessingunit，神经网络处理器)等。本示例性实施方式中的图像质量评价方法可以由ap、gpu或dsp来执行，当方法涉及到神经网络相关的处理时，可以由npu来执行。42.编码器可以对图像或视频进行编码(即压缩)，例如可以将目标图像编码为特定的格式，以减小数据大小，便于存储或发送。解码器可以对图像或视频的编码数据进行解码(即解压缩)，以还原出图像或视频数据，如可以读取目标图像的编码数据，通过解码器进行解码，以还原出目标图像的数据，进而对该数据进行图像质量评价的相关处理。移动终端200可以支持一种或多种编码器和解码器。这样，移动终端200可以处理多种编码格式的图像或视频，例如：jpeg(jointphotographicexpertsgroup，联合图像专家组)、png(portablenetworkgraphics，便携式网络图形)、bmp(bitmap，位图)等图像格式，mpeg(movingpictureexpertsgroup，动态图像专家组)1、mpeg2、h.263、h.264、hevc(highefficiencyvideocoding，高效率视频编码)等视频格式。43.处理器201可以通过总线203与存储器202或其他部件形成连接。44.存储器202可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器201通过运行存储在存储器202的指令，执行移动终端200的各种功能应用以及数据处理。存储器202还可以存储应用数据，例如存储图像，视频等文件。45.移动终端200的通信功能可以通过移动通信模块204、天线1、无线通信模块205、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块204可以提供应用在移动终端200上2g、3g、4g、5g等移动通信解决方案。无线通信模块205可以提供应用在移动终端200上的无线局域网、蓝牙、近场通信等无线通信解决方案。46.显示屏206用于实现显示功能，如显示用户界面、图像、视频等。摄像模块207用于实现拍摄功能，如拍摄图像、视频等。音频模块208用于实现音频功能，如播放音频，采集语音等。电源模块209用于实现电源管理功能，如为电池充电、为设备供电、监测电池状态等。传感器模块210可以包括深度传感器2101、压力传感器2102、陀螺仪传感器2103、气压传感器2104等，以实现相应的感应检测功能。47.下面结合图3对本示例性实施方式中的图像质量评价方法进行说明，图3示出了该图像质量评价方法的示例性流程，可以包括：48.步骤s310，获取目标图像在多个尺度下的基础特征图像；49.步骤s320，对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征；50.步骤s330，对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数；51.步骤s340，分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征；52.步骤s350，基于每个尺度下的融合质量特征，确定目标图像的评价值。53.基于上述方法，第一方面，先获取基础特征图像，属于对图像的识别，再提取局部质量特征以及根据语义特征确定自适应参数，属于对图像的感知，使得本方案采用先识别后感知的图像质量评价方式，符合人类视觉感知的过程。第二方面，通过对基础特征图像进行池化处理，并进一步根据所得到的抽象特征图像提取局部质量特征，能够更加敏锐地发现目标图像中的局部失真，并有利于处理目标图像中的不均匀畸变。第三方面，通过对基础特征图像进行卷积处理，并进一步根据所得到的语义特征确定自适应参数，可以适应图像内容的变化而调整参数，即自适应调整图像质量评价的方式或标准，以模仿人类对于图像质量的感知方式随图像内容变化的特点。第四方面，在多个尺度下提取局部质量特征以及确定自适应参数，保证对目标图像中不同大小的失真进行充分评价。综合以上各方面，本方案能够提高图像质量评价的准确性。54.下面对图3中的每个步骤进行具体说明。55.参考图3，在步骤s310中，获取目标图像在多个尺度下的基础特征图像。56.目标图像是需要进行质量评价的图像。本公开对于目标图像的来源不做限定，例如目标图像可以是当前拍摄的图像，也可以是用户选取的任意图像。57.在步骤s310中，可以对目标图像进行不同尺度下初步的特征提取，该阶段所提取的特征一般是较为基础、低层次的特征，因此将得到的特征图像称为基础特征图像。58.本公开对于提取基础特征图像的具体方式不做限定，如可以采用不同类型的特征描述子从目标图像中提取基础特征图像。在一种实施方式中，可以通过特定的网络实现步骤s310的处理。具体地，将上述多个尺度表示为第一尺度至第n尺度，n为不小于2的正整数。图像质量评价方法还可以包括以下步骤：59.获取基础特征提取网络。该基础特征提取网络包括n个卷积层组合，其中，第一卷积层组合至第n卷积层组合分别对应第一尺度至第n尺度。60.相应的，上述获取目标图像在多个尺度下的基础特征图像，可以包括以下步骤：61.将目标图像输入所述基础特征提取网络，通过第一卷积层组合至第n卷积层组合分别输出第一基础特征图像至第n基础特征图像。62.其中，第一基础特征图像至第n基础特征图像分别为第一尺度下的基础特征图像至第n尺度下的基础特征图像。基础特征提取网络用于提取基础特征图像，主要结构是n个卷积层组合。卷积层组合是指包括多个卷积层的多层结构，卷积层组合中还可以包括其他类型的中间层，如池化层、上采样层等。n个卷积层组合之间可以是串接或并接的结构。当n个卷积层组合之间是串接的结构时，每个卷积层组合可用于对前一卷积层组合输出的中间数据进行处理，当n个卷积层组合之间是并接的结构时，每个卷积层组合可用于对目标图像或相同的中间数据进行处理。除了卷积层组合外，基础特征提取网络还可以包括其他中间层，如单个卷积层、池化层、上采样层等。63.图4示出了基础特征提取网络的示意性结构，包括一个卷积层与四个卷积层组合，每个卷积层组合又包括多个卷积层，每个卷积层中示出了卷积参数，包括卷积核的尺寸、通道数与步长。图4中将部分卷积层折叠显示为×2、×3、×5，如第一卷积层组合中(卷积1*1*64 卷积3*3*64 卷积1*1*512)的结构有两个。此外，在任意卷积层中，可以在卷积后进行相应的bn(batchnormalization，批量正则化)、relu激活(rectifiedlinearunit，线性修正单元，除relu外，也可以采用其他激活函数)等运算。64.举例来说，假设目标图像的尺寸为224*224，输入基础特征提取网络，经过各个部分得到的基础特征图像的尺寸与维度(维度即图像的通道数)如表1所示，表1中卷积参数的s1表示步长为1，s2表示步长为2。目标图像经过第一个卷积层，得到的特征图像(featuremap)的尺寸为112*112*64；该特征图像继续输入第一卷积层组合，输出第一基础特征图像，其尺寸为56*56*256；第一基础特征图像继续输入第二卷积层组合，输出第二基础特征图像，其尺寸为28*28*512；第二基础特征图像输入第三卷积层组合，输出第三基础特征图像，其尺寸为14*14*1024；第三基础特征图像继续输入第四卷积层组合，输出第四基础特征图像，其尺寸为7*7*2048。从第一基础特征图像至第四基础特征图像，体现了目标图像在微观尺度下的基础特征，以及越来越宏观尺度下的基础特征。65.表166.[0067][0068]在一种实施方式中，还可以在基础特征提取网络中增加残差块的结构，例如可以在每个卷积层组合的不同卷积层之间增加残差块直连的结构，使得基础特征图像的信息更加丰富。[0069]继续参考图3，在步骤s320中，对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征。[0070]局部质量特征是表征图像局部范围内质量信息的特征。池化处理一般是利用一定尺寸的池化窗遍历图像，对池化窗内的图像信息进行抽象表示。本示例性实施方式中，对基础特征图像进行池化处理，得到抽象特征图像，并对抽象特征图像做进一步的特征提取，得到局部质量特征。[0071]在对基础特征图像进行池化处理前，可以进行一定的预处理，包括但不限于降维、裁剪、重构等。对于池化处理后的抽象特征图像，可以通过全局池化、拉伸(flatten)、全连接等操作以进一步提取局部质量特征。[0072]在一种实施方式中，可以通过特定的网络实现步骤s320的处理。具体地，图像质量评价方法还可以包括以下步骤：[0073]获取第一局部质量特征提取网络至第n局部质量特征提取网络，其中每个局部质量特征提取网络包括池化层与全连接层。[0074]相应的，参考图5所示，上述对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征，可以包括以下步骤s510至s530：[0075]步骤s510，将第i基础特征图像输入第i局部质量特征提取网络；[0076]步骤s520，通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，第i抽象特征图像为第i尺度下的抽象特征图像；[0077]步骤s530，通过第i局部质量特征提取网络的全连接层对第i抽象特征图像进行处理，得到第i局部质量特征，第i局部质量特征为第i尺度下的局部质量特征。[0078]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像，即对于每一张基础特征图像，均可以采用图5的流程进行处理，得到对应尺度下的局部质量特征。[0079]第一局部质量特征提取网络至第n局部质量特征提取网络的结构可以相同，由于其所处理的基础特征图像不同，因此网络参数(此处的网络参数为超参数)可以不同。第一局部质量特征提取网络至第n局部质量特征提取网络可以分别连接到上述基础特征提取网络中的第一卷积层组合至第n卷积层组合的后端，即第一卷积层组合输出的第一基础特征图像输入第一局部质量提取网络，第二卷积层组合输出的第二基础特征图像输入第二局部质量提取网络，等等。[0080]每个局部质量特征提取网络包括池化层与全连接层，用于进行池化处理与全连接处理。其中，池化处理可以提取抽象特征，全连接处理可以将抽象特征进行融合与进一步的学习，以得到局部质量特征。此外，还可以在局部质量特征提取网络中设置其他类型的中间层，如用于对基础特征图像预处理的降维层、裁剪层、重构层等。示例性的，每个局部质量特征提取网络还可以包括降维层；上述对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征，还可以包括以下步骤：[0081]通过第i局部质量特征提取网络的降维层对第i基础特征图像进行降维处理。[0082]相应的，上述通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，可以包括以下步骤：[0083]通过第i局部质量特征提取网络的池化层对降维处理后的第i基础特征图像进行池化处理，得到第i抽象特征图像。[0084]其中，降维层可以通过1*1*mi(i＝1,2,…,n)的卷积来实现，mi表示第i局部质量特征提取网络的降维层的卷积通道数，与输入的基础特征图像的维度相对应。如根据表1中的基础特征图像的维度，考虑到较深的网络结构有利于提取抽象特征，因此mi的取值随着基础特征图像的维度加深而逐渐增加，如可以是：m1＝28，m2＝56，m3＝112，m4＝224。[0085]在进行降维时，实际上将基础特征图像不同维度上的特征进行了融合，有利于提取抽象特征，同时降低后续处理的计算量。[0086]经过池化处理的抽象特征图像，在进行全连接处理前，通常需要进行维度的变换。一般的，可以通过拉伸层将抽象特征图像拉伸为一维数组，或者通过全局池化层将每个通道的抽象特征图像转换为一维数据，从而得到各通道组成的一维数组。进而，对该一维数组进行全连接处理。[0087]图6示出了通过局部质量特征提取网络对基础特征图像进行处理的示意图，每个局部质量特征提取网络包括降维层、池化层、拉伸层与全连接层，各部分输出的数据维度信息可以参考表2所示。举例来说，将56*56*256的第一基础特征图像输入第一局部质量特征提取网络，在降维层中通过1*1*28的卷积核进行降维，得到56*56*28的降维后的第一基础特征图像；再进入池化层，进行7*7(步长也为7)的平均池化处理，得到每个局部区域的抽象特征，即第一抽象特征图像，其维度为8*8*28；再通过拉伸层拉伸为一维数组，其维度为1792(＝1*8*8*28)；再通过全连接层输出28个维度的第一局部质量特征，通常为向量的形式。对于第二、第三、第四基础特征图像的处理流程相同，其相关的数据维度信息可以参考表2所示，因而不再赘述。[0088]表2[0089][0090][0091]继续参考图3，在步骤s330中，对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数。[0092]自适应参数是指对局部质量特征进行融合的参数。本示例性实施方式中，该参数需要与基础特征图像相适应(也可以理解为与目标图像或上述局部质量特征相适应)，即随着基础特征图像的不同而不同，因此称为自适应参数。通过对基础特征图像进行卷积处理，提取语义特征，使得计算机在理解图像语义的基础上，适应人类对于不同图像内容的不同评价方式或评价标准，确定自适应参数，自适应参数体现了评价方式或评价标准的变化。[0093]自适应参数可以包括自适应权重参数(weight)。在一种实施方式中，可以通过特定的网络实现步骤s330的处理。具体地，图像质量评价方法还可以包括以下步骤：[0094]获取第一自适应参数确定网络至第n自适应参数确定网络，其中每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络，语义特征提取子网络包括卷积层，权重参数确定子网络包括重构层。[0095]相应的，参考图7所示，上述对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数，可以包括以下步骤s710至s730：[0096]步骤s710，将第i基础特征图像输入第i自适应参数确定网络；[0097]步骤s720，通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，第i语义特征提取子网络为第i自适应参数确定网络的语义特征提取子网络，第i语义特征为第i尺度下的语义特征；[0098]步骤s730，通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，第i权重参数确定子网络为第i自适应参数确定网络的权重参数确定子网络，第i自适应权重参数为第i尺度下的自适应权重参数。[0099]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像，即对于每一张基础特征图像，均可以采用图7的流程进行处理，得到对应尺度下的自适应权重参数。[0100]第一自适应参数确定网络至第n自适应参数确定网络的结构可以相同，由于其所处理的基础特征图像不同，因此网络的参数可以不同。第一自适应参数确定网络至第n自适应参数确定网络可以分别连接到上述基础特征提取网络中的第一卷积层组合至第n卷积层组合的后端，即第一卷积层组合输出的第一基础特征图像输入第一自适应参数确定网络，第二卷积层组合输出的第二基础特征图像输入第二自适应参数确定网络，等等。[0101]每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络。其中，语义特征提取子网络包括卷积层，用于通过对基础特征图像进行卷积处理，以提取语义特征；权重参数确定子网络包括重构层，用于对语义特征进行数据重构(reshape)。一般的，语义特征的具体形式可以是语义特征图像，对语义特征图像进行数据重构时，可以根据局部质量特征的维度信息对语义特征图像中的数据进行重排，以得到自适应权重参数。[0102]此外，还可以在语义特征提取子网络或权重参数确定子网络中设置其他类型的中间层。在一种实施方式中，语义特征提取子网络还可以包括池化层。由此，上述通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，可以包括以下步骤：[0103]通过第i语义特征提取子网络对第i基础特征图像进行卷积与池化处理，得到第i语义特征。[0104]语义特征提取子网络中的池化层通常位于卷积层之后，基础特征图像输入语义特征提取子网络后，先经过卷积处理，以提取语义特征，再经过池化处理，对所提取的语义特征做进一步抽象，以提高语义特征的泛化性。[0105]在一种实施方式中，权重参数确定子网络还可以包括卷积层。由此，上述通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，可以包括以下步骤：[0106]通过第i权重参数确定子网络对第i语义特征进行卷积处理与数据重构，得到第i自适应权重参数。[0107]也就是说，在对语义特征进行数据重构前，可以再进行一次卷积处理，以融合语义特征在不同维度上的信息，并且可以调整语义特征的维度，如可以根据局部质量特征的维度信息对语义特征进行升维或降维。进而再进行数据重构，有利于进一步提高所得到的自适应权重参数的准确性。[0108]在一种实施方式中，自适应参数还可以包括自适应偏置参数(bias)。为了得到自适应偏置参数，还可以在每个自适应参数确定网络中设置偏置参数确定子网络，偏置参数确定子网络可以包括全连接层。一般的，权重参数确定子网络与偏置参数确定子网络是连接到语义特征提取子网络后的两个分支。参考图7所示，上述对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数，还可以包括以下步骤s740：[0109]步骤s740，通过第i偏置参数确定子网络将第i语义特征进行全连接处理，得到第i自适应偏置参数，第i偏置参数确定子网络为第i自适应参数确定网络的偏置参数确定子网络，第i自适应偏置参数为第i尺度下的自适应偏置参数。[0110]其中，偏置参数确定子网络中的全连接层用于对语义特征进行全连接处理，以得到自适应偏置参数。[0111]一般的，语义特征的具体形式可以是语义特征图像，在进行全连接处理前，通常需要进行维度的变换。举例来说，偏置参数确定子网络还可以包括全局池化层，用于将每个通道的语义特征图像转换为一维数据，从而得到各通道组成的一维数组。或者，偏置参数确定子网络还可以包括拉伸层，用于将语义特征图像拉伸为一维数组。在得到一维数组后，通过全连接层对该一维数组进行全连接处理。[0112]图8示出了通过第一自适应参数确定网络对第一基础特征图像进行处理的示意图。第一自适应参数确定网络包括第一语义特征提取子网络、第一权重参数确定子网络、第一偏置参数确定子网络，第一权重参数确定子网络与第一偏置参数确定子网络是连接到第一语义特征提取子网络后的两个分支。第一自适应参数确定网络中各部分输出的数据维度信息可以参考表3所示。将56*56*256的第一基础特征图像输入第一自适应参数确定网络，在第一语义特征提取子网络中先经过两个卷积层，如两个卷积层均可以通过3*3的卷积核进行卷积与relu激活处理；再经过池化层，如池化层可以采用8*8的池化窗、步长为8进行池化处理，以提取第一语义特征，其维度为7*7*14；然后将第一语义特征分别输入第一权重参数确定子网络与第一偏置参数确定子网络，在第一权重参数确定子网络中进行卷积与数据重构处理，输出第一自适应权重参数，其维度为14*28*1*1，在第一偏置参数确定子网络中进行全局池化与全连接处理，输出第一自适应偏置参数，其维度为14*1。[0113]应当理解，在其他自适应参数确定网络，可以根据实际情况设置网络参数(此处的网络参数为超参数)。例如，第二自适应参数确定网络中的池化层可以设置为4*4的池化窗、步长为4，第三自适应参数确定网络中的池化层可以设置为2*2的池化窗、步长为2，第四自适应参数确定网络中的池化层可以设置为1*1的池化窗、步长为1(相当于不进行池化)；第二、第三、第四自适应参数确定网络中的卷积层所采用的卷积核的通道数也可以不同于第一自适应参数确定网络。本公开对此不做限定。对于第二、第三、第四基础特征图像的处理流程相同，其相关的数据维度信息可以参考表3所示，因而不再赘述。[0114]表3[0115][0116]继续参考图3，在步骤s340中，分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征。[0117]示例性的，可以采用第一自适应权重参数对第一局部质量特征进行全连接处理，相当于对第一局部质量特征不同维度的进行融合，得到第一尺度下的融合质量特征。也可以采用第一自适应权重参数与第一自适应偏置参数对第一局部质量特征进行全连接处理，得到第一尺度下的融合质量特征。[0118]在一种实施方式中，图像质量评价方法还可以包括以下步骤：[0119]获取融合网络，该融合网络包括全连接层。[0120]相应的，上述分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征，可以包括以下步骤：[0121]将第i尺度下的自适应参数与第i局部质量特征输入融合网络，在融合网络中利用该自适应参数对该第i局部质量特征进行全连接处理，输出第i尺度下的融合质量特征。[0122]其中，i为[1,n]内的任意正整数，即对于每个尺度下的自适应参数与局部质量特征，均可以采用上述步骤进行处理，得到对应尺度下的融合质量特征。[0123]需要说明的是，融合网络可以表示如下：[0124]hm(lx,wx)＝qꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0125]其中hm(hypermodule)表示融合网络，x表示目标图像，lx表示局部质量特征，wx表示融合网络的参数，即自适应参数，q表示融合质量特征。可见，wx与x相关，表示融合网络的参数并非固定不变，会随不同的图像而变化，使得输出的融合质量特征也适应于图像内容的变化，以便于自适应的根据图像内容去评价图像质量。[0126]继续参考图3，在步骤s350中，基于每个尺度下的融合质量特征，确定目标图像的评价值。[0127]一般的，可以将不同尺度下的融合质量特征做进一步的融合，这样可以综合目标图像中的不同大小的局部失真的信息，最终输出目标图像的评价值。[0128]在一种实施方式中，参考图9所示，图像质量评价方法还可以包括以下步骤s910至s940：[0129]步骤s910，获取全局自适应参数确定网络，全局自适应参数确定网络包括全局语义特征提取子网络与全局权重参数确定子网络，全局语义特征提取子网络包括卷积层与全局池化层，全局权重参数确定子网络包括维度调整层；[0130]步骤s920，将第n基础特征图像输入全局自适应参数确定网络；[0131]步骤s930，通过全局语义特征提取子网络对第n基础特征图像进行卷积与全局池化处理，以提取全局语义特征；[0132]步骤s940，通过全局权重参数确定子网络将全局语义特征进行维度调整，得到全局自适应权重参数。[0133]相应的，上述基于每个尺度下的融合质量特征，确定目标图像的评价值，可以包括以下步骤：[0134]利用全局自适应权重参数对每个尺度下的融合质量特征进行全连接处理，得到所述目标图像的评价值。[0135]其中，全局自适应参数是对不同尺度下的融合质量特征做进一步融合时所用的参数，其可以包括全局自适应权重参数，是对不同尺度下的融合质量特征进行加权所用的权重。[0136]全局自适应参数确定网络用于确定全局自适应参数，其结构相比于上述第一自适应参数确定网络至第n自适应参数确定网络可以存在差别。具体地，全局语义特征提取子网络需要提取全局语义特征，是较为宏观尺度的语义特征，可以在其中设置全局池化层，以抽象出全局语义特征，可以是一维数组。全局权重参数确定子网络维度可以不进行卷积与数据重构处理，通过对全局语义特征进行维度调整即可得到全局自适应权重参数，使得全局自适应权重参数的维度与各尺度的融合质量特征的维度相对应。因此全局权重参数确定子extrac)表示局部质量提取网络，图像质量评价模型中包括4个局部质量提取网络，分别为lqe1～lqe4。awm(adaptiveweightmodule)表示自适应参数确定网络，图像质量评价模型中包括5个自适应参数确定网络，分别为awm1～awm4以及awmg(全局自适应参数确定网络)。hm表示融合网络，融合网络为算法模块，不包括参数。[0148]将目标图像输入图11所示的图像质量评价模型，首先通过第一个卷积层的处理，之后依次通过stage1～stage4，输出第一基础特征图像至第四基础特征图像。[0149]将第一基础特征图像输入lqe1与awm1，lqe1输出第一局部质量特征l1，awm1输出第一自适应权重参数w1与第一自适应偏置参数b1；将第二基础特征图像输入lqe2与awm2，lqe2输出第二局部质量特征l2，awm2输出第二自适应权重参数w2与第二自适应偏置参数b2；将第三基础特征图像输入lqe3与awm3，lqe3输出第三局部质量特征l3，awm3输出第三自适应权重参数w3与第三自适应偏置参数b3；将第四基础特征图像输入lqe4与awm4，lqe4输出第四局部质量特征l4，awm4输出第四自适应权重参数w4与第四自适应偏置参数b4；将第四基础特征图像输入awmg，awmg输出全局自适应权重参数wg与全局自适应偏置参数bg。[0150]将l1、w1、b1共同输入hm，hm利用w1、b1对l1进行全连接处理，输出第一尺度下的融合质量特征h1；将l2、w2、b2共同输入hm，hm利用w2、b2对l2进行全连接处理，输出第二尺度下的融合质量特征h2；将l3、w3、b3共同输入hm，hm利用w3、b3对l3进行全连接处理，输出第三尺度下的融合质量特征h3；将l4、w4、b4共同输入hm，hm利用w4、b4对l4进行全连接处理，输出第四尺度下的融合质量特征h4。在进行每个尺度下的局部质量特征融合时，hm的算法如下所示：[0151][0152]将h1、h2、h3、h4拼接后，与wg、bg共同输入hm，hm利用w4、b4对l4进行全连接处理，输出目标图像的评价值(score)。在进行全部尺度下的局部质量特征融合时，hm的算法如下所示：[0153]score＝wg*h′ bgꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0154][0155]其中，可表示拼接。[0156]在一种实施方式中，图像质量评价方法还可以包括针对图像质量评价模型的训练流程，参考图12所示，训练流程可以包括以下步骤s1210至s1230：[0157]步骤s1210，建立图像质量评价模型，图像质量评价模型包括待训练的基础特征提取网络、第一局部质量特征提取网络至第n局部质量特征提取网络、第一自适应参数确定网络至第n自适应参数确定网络与全局自适应参数确定网络。[0158]此时建立的图像质量评价模型为初始模型，其中的参数可以通过任意方式进行初始化，如可以进行随机初始化，或者将基础特征提取网络采用imagenet的预训练模型，其他部分使用xavier初始化方式。[0159]步骤s1220，获取数据集，数据集包括样本图像与样本图像的评价值标签。[0160]样本图像可以是真实的失真图像。示例性的，可以采用koniq‑10k数据集，包括10073张真实失真的样本图像，且图像内容与失真具有较高的多样性。样本图像的评价值标签可以是人工评价所得到的评价值。在koniq‑10k数据集中，每一张样本图像由至少120进行评价，评价值在[1,100]之间，通过取平均值得到样本图像的评价值标签。[0161]在获取数据集后，可以划分训练集与测试集，如可以按照8:2的比例随机划分，得到的训练集包括含8058张样本图像，测试集包括2015张样本图像。[0162]在一种实施方式中，针对样本图像可以进行以下任意一种或多种预处理：[0163]①设置一定的概率(如可以是0.5)，采用该概率对样本图像进行仿射变换，包括但不限于水平翻转、垂直翻转、平移、旋转、缩放等，仿射变换后得到新的样本图像。[0164]②将样本图像统一为预定的分辨率，如可以是512*384。[0165]③在样本图像中随机截取一定数量(如25张)的局部图像，局部图像的尺寸可以与图像质量评价模型的输入图像尺寸相同，如可以是224*224，将所截取的局部图像作为后续训练图像质量评价模型的真实输入。[0166]④将上述局部图像的像素值归一化到[0,1.0]内。[0167]步骤s1230，对基础特征提取网络设置第一学习率，对第一局部质量特征提取网络至第n局部质量特征提取网络、第一自适应参数确定网络至第n自适应参数确定网络与全局自适应参数确定网络设置第二学习率，利用数据集训练图像质量评价模型。[0168]其中，第一学习率与第二学习率均可以是可变学习率，如随着epoch增加而逐渐降低。第一学习率可视为图像质量评价模型的基础学习率，第二学习率是为了加速局部质量特征提取网络与自适应参数确定网络的收敛而设置的特殊学习率。在训练的前z个epoch中所述第二学习率大于所述第一学习率，在训练的前z个epoch之后所述第二学习率等于所述第一学习率，z可以为任意正整数。示例性的，以z＝8为例，第一学习率与第二学习率的关系可以如下所示：[0169][0170][0171]其中，lr1表示第一学习率，lr2表示第二学习率，epoch表示当前训练的“代”数。在前5个epoch中，lr1为初始学习率，设置为2×10‑5，从第6个epoch开始，每增加一个epoch学习率降低10倍。在前8个epoch中，lr2为lr1的10倍，从第9个epoch开始，lr2与lr1相同。[0172]在模型训练中，可以采用任意形式的损失函数，如可以采用l1损失，如下所示：[0173][0174]scorej为图像质量评价模型输出的样本图像j的评价值，qj为样本图像j的评价值标签。e表示一个训练周期中使用的样本图像数量。[0175]示例性的，采用权重衰减为5×10‑4的adam优化器，对图像质量评价模型进行15个epoch的训练，训练批量大小为96，并采用上述第一学习率与第二学习率的设置，通过损失函数值的反向传播，进行模型参数的更新。[0176]在一种实施方式中，在测试阶段，可以从测试集中的样本图像随机截取5个像素为224×224分辨率的局部图像，输入图像质量评价模型，得到每张局部图像的评价值，对5张局部图像的评价值取平均值，得到样本图像的评价值。[0177]在一种实施方式中，在步骤s310前，可以执行以下步骤：[0178]获取待评价图像；[0179]从待评价图像中截取多张预设尺寸的局部图像，以作为目标图像。[0180]在确定目标图像的评价值后，图像质量评价方法还可以包括以下步骤：[0181]综合每一张目标图像的评价值，得到待评价图像的评价值。[0182]其中，待评价图像可以是待评价的原始图像，可以对其采用与上述样本图像相同的预处理方式进行处理。示例性的，可以先将待评价图像调整为预定的分辨率，如可以是512*384，将像素值归一化到[0,1.0]以内，再根据实际需求随机截取t张局部图像，以作为t张目标图像。[0183]针对每一张目标图像，采用图3的方法流程进行处理，得到评价值。由此得到t张目标图像的t个评价值，再对t个评价值进行综合，如可以计算平均值或加权平均值等，得到待评价图像的评价值。示例性的，对t个评价值计算平均值，可以如下所示[0184][0185]其中，s0为待评价图像的评价值，sk为目标图像(局部图像)k的评价值。[0186]通过截取多张局部图像对待评价图像进行处理的方式，可以适应图像质量评价模型的输入图像尺寸，并更加注重于发现图像中的局部失真，进一步提高图像质量评价的准确性。[0187]本公开的示例性实施方式还提供一种图像质量评价装置。参考图13所示，该图像质量评价装置1300可以包括：[0188]基础特征图像获取模块1310，被配置为获取目标图像在多个尺度下的基础特征图像；[0189]局部质量特征提取模块1320，被配置为对每个尺度下的基础特征图像进行池化处理，并根据池化处理后的抽象特征图像提取每个尺度下的局部质量特征；[0190]自适应参数确定模块1330，被配置为对每个尺度下的基础特征图像进行卷积处理，以提取每个尺度下的语义特征，并根据语义特征确定每个尺度下的自适应参数；[0191]局部质量特征融合模块1340，被配置为分别利用每个尺度下的自适应参数对相同尺度下的局部质量特征进行融合，得到每个尺度下的融合质量特征；[0192]多尺度融合模块1350，被配置为基于每个尺度下的融合质量特征，确定目标图像的评价值。[0193]在一种实施方式中，基础特征图像获取模块1310，还被配置为：[0194]获取待评价图像；[0195]从待评价图像中截取多张预设尺寸的局部图像，以作为目标图像；[0196]多尺度融合模块1350，还被配置为：[0197]在确定目标图像的评价值后，综合每一张目标图像的评价值，得到待评价图像的评价值。[0198]在一种实施方式中，上述多个尺度包括第一尺度至第n尺度，n为不小于2的正整数；图像质量评价装置1300还可以包括模型获取模块，被配置为：[0199]获取基础特征提取网络，基础特征提取网络包括n个卷积层组合，其中，第一卷积层组合至第n卷积层组合分别对应第一尺度至第n尺度；[0200]基础特征图像获取模块1310，被配置为：[0201]将目标图像输入基础特征提取网络，通过第一卷积层组合至第n卷积层组合分别输出第一基础特征图像至第n基础特征图像，第一基础特征图像至第n基础特征图像分别为第一尺度下的基础特征图像至第n尺度下的基础特征图像。[0202]在一种实施方式中，模型获取模块，还被配置为：[0203]获取第一局部质量特征提取网络至第n局部质量特征提取网络，其中每个局部质量特征提取网络包括池化层与全连接层；[0204]局部质量特征提取模块1320，被配置为：[0205]将第i基础特征图像输入第i局部质量特征提取网络；[0206]通过第i局部质量特征提取网络的池化层对第i基础特征图像进行池化处理，得到第i抽象特征图像，第i抽象特征图像为第i尺度下的抽象特征图像；[0207]通过第i局部质量特征提取网络的全连接层对第i抽象特征图像进行处理，得到第i局部质量特征，第i局部质量特征为第i尺度下的局部质量特征；[0208]其中，i为[1,n]内的任意正整数，第i基础特征图像表示第一基础特征图像至第n基础特征图像中的每一张基础特征图像。[0209]在一种实施方式中，自适应参数包括自适应权重参数。[0210]模型获取模块，还被配置为：[0211]获取第一自适应参数确定网络至第n自适应参数确定网络，其中每个自适应参数确定网络包括语义特征提取子网络与权重参数确定子网络，语义特征提取子网络包括卷积层，权重参数确定子网络包括重构层。[0212]自适应参数确定模块1330，被配置为：[0213]将第i基础特征图像输入第i自适应参数确定网络；[0214]通过第i语义特征提取子网络对第i基础特征图像进行卷积处理，以提取第i语义特征，第i语义特征提取子网络为第i自适应参数确定网络的语义特征提取子网络，第i语义特征为第i尺度下的语义特征；[0215]通过第i权重参数确定子网络将第i语义特征进行数据重构，得到第i自适应权重参数，第i权重参数确定子网络为第i自适应参数确定网络的权重参数确定子网络，第i自适应权重参数为第i尺度下的自适应权重参数。[0216]在一种实施方式中，自适应参数还包括自适应偏置参数。每个自适应参数确定网络还包括偏置参数确定子网络，偏置参数确定子网络包括全连接层。[0217]自适应参数确定模块1330，还被配置为：[0218]通过第i偏置参数确定子网络将第i语义特征进行全连接处理，得到第i自适应偏置参数，第i偏置参数确定子网络为第i自适应参数确定网络的偏置参数确定子网络，第i自适应偏置参数为第i尺度下的自适应偏置参数。[0219]在一种实施方式中，模型获取模块，还被配置为：[0220]获取全局自适应参数确定网络，全局自适应参数确定网络包括全局语义特征提取子网络与全局权重参数确定子网络，全局语义特征提取子网络包括卷积层与全局池化层，全局权重参数确定子网络包括维度调整层；[0221]将第n基础特征图像输入全局自适应参数确定网络；[0222]通过全局语义特征提取子网络对第n基础特征图像进行卷积与全局池化处理，以correlationcoefficient，斯皮尔曼相关系数)来衡量图像质量评价的性能，plcc用于定量度量质量分数预测结果与真实结果的一致性，srocc用于定量度量质量分数预测结果与真实结果的排序相关性，plcc或srocc的值越大，表示图像质量评价方法的预测性能越好。本示例性实施方式与其他九种算法的对比如表5所示，可以看出本示例性实施方式具有最优的图像质量评价性能。[0238]表5[0239]算法名称plccsroccbrisque0.6810.665il‑niqe0.5230.507hosa0.6940.671biecon0.6510.618wadiqam0.8050.797sfa0.8720.856pqr0.8840.880dbcnn0.8840.875hypernet0.8920.874本示例性实施方式0.8970.881[0240]本公开的示例性实施方式还提供了一种计算机可读存储介质，可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。在一种可选的实施方式中，该程序产品可以实现为便携式紧凑盘只读存储器(cd‑rom)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0241]程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd‑rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。[0242]计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。[0243]可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。[0244]可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。[0245]应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。[0246]所属
技术领域：
：的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。[0247]应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
