图片质量评估方法、装置、计算机设备及存储介质与流程

1.本发明实施例涉及人工智能领域，尤其是一种图片质量评估方法、装置、计算机设备及存储介质。


背景技术：

2.在互联网高速发展的今天，运用计算机可进行图像质量的快速评估，极大地提高了工作效率。图像质量的评估需要在计算机中运用算法进行。现有的图像质量评估(image quality assessment，iqa)方法主要分为两类：参考(reference) 和无参考(reference-less or blind)。有参考的图像质量评估算法需要原始图像和失真图像经过对比来计算质量分数。无参考的图像质量评估算法主要应用于无法访问原始图像的场景。
3.有参考算法已广泛用于图像压缩、传输、拼接等操作处理后的质量评估过程。为了解决在没有原图参考的情况下，评估图像质量，无参考的图像质量评估算法的评估过程需要两个模型：一是预测失真类型的模型；二是针对某一失真类型的图像质量的预测模型。但是，这种两阶段的架构模型，严重限制了图像质量评估的性能以及应用范围。


技术实现要素：

4.本发明实施例提供一种能够快速高效地评估图像质量的图片质量评估方法、装置、计算机设备及存储介质。
5.为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种图片质量评估方法，包括：
6.采集待评估的目标图片；
7.根据m种失真类型算法，对所述待评估的目标图片进行m次失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m，生成失真程度递增的m张一次失真图片；
8.根据在失真处理过程中使用的失真类型算法的数量，从使用数量多到使用数量少进行排序，将所述m张一次失真图片依次进行降序质量分数评分为q，其中，q＝m，
…
，3，2，1；
9.将质量分数评分后的每一张所述一次失真图片再次分别进行m次失真处理，每一次失真处理对应一种失真类型算法，生成m
×
m张失真程度各异的二次失真图片；
10.根据所述待评估的目标图片的尺寸，以32
×
32的小块为基准，将m
×
m张失真程度各异的所述二次失真图片进行分割，得到若干分割图片块；
11.将所述若干分割图片块送入深度神经网络，进行对每一所述分割图片块的图片特征的提取以及全部所述分割图片块的质量分数的等级关系的拟合，计算得到质量指标；
12.根据预设评价标准，对所述质量指标进行判断，得出图片质量的评估指标。
13.可选地，所述获取待评估的目标图片的步骤，包括：
14.获取若干待评估图片；
15.将所述若干待评估图片进行分类；
16.采集其中一个分类中的一张图片，得到待评估的目标图片。
17.可选地，m＝5，所述失真类型算法包括高斯模糊、移动模糊、jpeg压缩、均值模糊以及椒盐噪声。
18.可选地，所述深度神经网络包括两个卷积层和两个全连接层，两个所述卷积层用于提取图片特征，两个所述全连接层用于拟合图片质量分数的等级关系。
19.可选地，所述提取图片特征的流程包括：每一个卷积层，通过对每一所述分割图片块中的像素应用多次卷积计算，得到不同的特征；对不同的特征进行加权求和，得到融合后的模糊特征。
20.可选地，所述深度神经网络还包括pooling层、dropout层、relu层和/或sigmoid 层。
21.可选地，所述预设评价标准为spearman秩序相关系数。
22.为解决上述技术问题，本发明实施例还提供一种图片质量评估装置，包括：
23.采集模块，用于采集待评估的目标图片；
24.一次处理模块，用于根据m种失真类型算法，对所述待评估的目标图片进行m次失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m，生成失真程度递增的m张一次失真图片；
25.评分模块，用于根据在失真处理过程中使用的失真类型算法的数量，从使用数量多到使用数量少进行排序，将所述m张一次失真图片依次进行降序质量分数评分为q，其中，q＝m，
…
，3，2，1；
26.二次处理模块，用于将质量分数评分后的每一张所述一次失真图片再次分别进行m次失真处理，每一次失真处理对应一种失真类型算法，生成m
×
m张失真程度各异的二次失真图片；
27.分割模块，用于将所述若干分割图片块送入深度神经网络，进行对每一所述分割图片块的图片特征的提取以及全部所述分割图片块的质量分数的等级关系的拟合，计算得到质量指标；
28.执行模块，用于根据预设评价标准，对所述质量指标进行判断，得出图片质量的评估指标。
29.可选地，所述采集模块还包括：
30.收集子模块，用于获取若干待评估图片；
31.分类子模块，用于将所述若干待评估图片进行分类；
32.采集子模块，用于采集其中一个分类中的一张图片，得到所述待评估的目标图片。
33.为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述图片质量评估方法的步骤。
34.为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述图片质量评估方法的步骤。
35.本发明实施例的有益效果是：通过上述方法，对采集的待评估的目标图片，在数据处理阶段，采集待评估的目标图片，仅用一张图片，在经过失真处理步骤、质量分数评分步骤、二次失真处理步骤后，就可以生成若干张有效的训练图片，即分割图片块，不仅解决了
数据缺乏和数据收集难的问题，同时对初创小公司非常友好，避免进行大量高标准的数据标注，再后续经过深度神经网络后即可得到质量指标，根据预设评价标准，对质量指标进行判断，得出图片质量的评估指标，从而快速便捷地完成图片得质量评估，进而帮助公司节省了大量的数据收集时间和资金；解决在没有原图参考的情况下，快速高效地进行图像质量的评估。
附图说明
36.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
37.图1为本技术一个具体实施例的图片质量评估方法的基本流程示意图；
38.图2为本技术一个具体实施例的采集待评估的目标图片的流程示意图；
39.图3为本技术一个实施例的图片质量评估装置基本结构示意图；
40.图4为本技术一个实施例的计算机设备的基本结构框图。
具体实施方式
41.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
42.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式"一"、 "一个"、"所述"和"该"也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞"包括"是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
43.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
44.本技术领域技术人员可以理解，这里所使用的"终端"既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personalcommunications service，个人通信系统)，其可以组合语音、数据处理、传真和/ 或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或 gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的"终端"可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的"终端"还可以是通信终端、上网终端、音乐/视频播放终端，例如可以
是pda、mid(mobile internetdevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
45.请参阅图1，图1为本实施例图片质量评估方法的基本流程示意图。如图1 所示，一种图片质量评估方法，包括：
46.s1100：采集待评估的目标图片。
47.具体地，待评估的目标图片为未经压缩处理的清晰图片。针对业务场景，收集各种类型清晰图片，在每一次的评估过程，从其中的一种类型中选取一张作为待评估的目标图片。本实施例中，随机进行待评估的目标图片的采集。可以理解，本实施例的图片质量评估方法，在一次评估过程中，仅用到其中的一种类型的一种图片，是进行对本实施例的图片质量评估方法的一种深度解释。在具体地实际操作过程中，可以一次性运行本实施例的图片质量评估方法的多个具体执行操作，实现一次性对收集的各类的图片进行快速质量评估。
48.s1200：根据m种失真类型算法，对所述待评估的目标图片进行m次失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m，生成失真程度递增的m张一次失真图片。
49.具体地，与图像分类、检测和分割等其他图像应用不同，图像质量评估的数据收集工作是非常复杂的，不仅费时、费力、更费金钱。而本实施例中的该步骤中，是人为干预下运用图像处理技术中现有的失真模型，对采集的待评估图片进行失真处理，应用多种失真类型算法对采集的待评估图片进行不同程度的失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m。也就是说，每一次的失真处理所应用的失真类型算法都不同，由于失真类型算法本身具有m种且每种失真类型算法不同。因此，每一次失真处理后得到的一次失真图片均是失真程度不同的图片，且由于每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m，因此，可生成失真程度递增的m张一次失真图片。
50.例如，当n＝1时，说明该次失真处理对应1次失真类型算法，也就是只应用了一种失真类型算法进行失真处理，而该次得到的一次失真图片是一张仅进过一种失真类型算法进行失真处理的失真图片；当n＝2时，说明该次失真处理对应2次失真类型算法，也就是只应用了两种失真类型算法进行失真处理，而该次得到的一次失真图片是一张进过两种失真类型算法进行失真处理的失真图片；以此类推。在每一次失真处理对应n次失真类型算法中，对算法的种类选择不固定，采用随机方式，也就是说，当n＝2时，可采用不同种类的失真类型，也可以采用相对种类的失真类型进行两次失真处理，以此类推。
51.本步骤下，有多少种失真类型算法，在数量上就对应多少张一次失真图片，即m种失真类型算法对应m张一次失真图片。
52.s1300：根据在失真处理过程中使用的失真类型算法的数量，从使用数量多到使用数量少进行排序，将所述m张一次失真图片依次进行降序质量分数评分为q，其中，q＝m，
…
，3，2，1。
53.具体地，根据在失真处理过程中使用的失真类型算法的数量多寡，数量多寡是指使用的失真类型算法的种类多少，使用多种失真类型的为数量多，使用较少种失真类型的为数量寡，也即是从使用数量多到使用数量少进行排序。本步骤中，质量分数评分采用降序的方式进行，也就是说，使用的失真类型算法数量多的评分相对较低，这是因为用的失真类型算法数量多，该图片对应的失真程度就高；而使用的失真类型算法数量少的评分相对较
高，这是因为用的失真类型算法数量少，该图片对应的失真程度就低。而由于在步骤s1200中得到的是m张一次失真图片，因此，对应的评分的最高分即为m，也就是q＝m。可以理解，当q＝m时，对应的是失真程度最低的一次失真图片，此图片对应的评分也最高。
54.s1400：将质量分数评分后的每一张所述一次失真图片再次分别进行m次失真处理，每一次失真处理对应一种失真类型算法，生成m
×
m张失真程度各异的二次失真图片。
55.具体地，与图像分类、检测和分割等其他图像应用不同，图像质量评估的数据收集工作是非常复杂的，不仅费时、费力、更费金钱。而本步骤中，巧妙的运用二次失真处理的方式，将质量分数评分后的每一张所述一次失真图片再次分别进行m次失真处理，那么经过本步骤，新生成的图片的数量就将达到m
ꢀ×
m张。也就是说，对步骤s1300生成的每一张一次失真图片分别进行m次失真处理，而每一次失真再处理将得到一张新失真图片，即二次失真图片；在完成m次失真处理后，当然得到的是m
×
m张失真程度各异的二次失真图片。
56.s1500：根据所述待评估的目标图片的尺寸，以32
×
32的小块为基准，将 m
×
m张失真程度各异的所述二次失真图片进行分割，得到若干分割图片块。
57.具体地，以32
×
32的小块为基准是行业内的惯用做法，对每张图片，将其分割成32
×
32的小块，每个小块的图片质量分数就等于大图的质量分数。因此，假如每张图片的尺寸不小于640
×
640，即待评估的目标图片的尺寸不小于640*640，那么，每种类型的一张图片就可以分割出1
×
(5
×
5)
×
(20
×
20) ＝1万个小块。这样可快速实现图像质量评估的数据收集工作。因为，要想公正的比较各个iqa算法的性能，有必要建立一个具有各种内容和失真的图像数据集，而在经过本步骤下，即可完成图像数据集的收集处理。本步骤下的数据集，是在不同失真类型算法下通过分割得到的，与具有广泛认可的数据集：live、 tid2008、tid2013、csiq、ivc和toyama等具有异曲同工之妙。
58.s1600：将所述若干分割图片块送入深度神经网络，进行对每一所述分割图片块的图片特征的提取以及全部所述分割图片块的质量分数的等级关系的拟合，计算得到质量指标。
59.具体地，设计深度神经网络，只需要两个卷积层和两个全连接层即可。前面的两个卷积层用于提取图片特征，后面的两个全连接层用于拟合图片质量分数的等级关系。另外，在网络的适当位置上，根据需要添加pooling层、dropout 层、relu层和sigmoid层等，用于增强网络的非线性能力、鲁棒能力等。本步骤下，通过输入32
×
32大小的图像块，使用局部归一化、结合全局pooling层、 dropout层、relu层和sigmoid层，选择svr损失函数，使用带动量的sgd来训练模型。可以理解，在网络结构中，特征学习和回归被整合到一个优化过程中，从而形成一个更有效的估计图像质量的模型，由此计算得到的质量指标也更具有评价性和参考性。
60.也即是说，在网络结构上采用的是两层卷积层和两层全连接层，分别用于提取图片特征和用于图片质量分数的等级关系的拟合。需要说明的是，本步骤中所说的适当的位置，一般来说是在卷积层后面加pooling层，全连接层后面加relu层，整个网络的最后一层为sigmoid层。而提取特征流程包括：每一个卷积层，通过对图片中的像素应用多次卷积计算，得到不同的特征，然后，对不同的特征进行加权求和，得到融合后的模糊特征。而拟合分数等级关系流程中，两层全连接层相当于数学上的高阶的非线性函数，对若干32
×
32的分割图片块进行非线性质量分数的等级关系的拟合。
61.s1700：根据预设评价标准，对所述质量指标进行判断，得出图片质量的评估指标。
62.具体地，评价标准的选择是非常关键的，首先需要明确自己的任务目标，选择最能表达任务目标的评价准则，往往可以获得非常好得泛化效果。我们的数据具有明确的分数等级划分的特点，因此，选择spearman秩序相关系数 (srocc)作为模型评价指标，srocc本身并不是衡量线性相关的，而是衡量秩序的相关性的，而且，srocc被认为是最好的非线性相关指标，因此，我们最终得到的模型，可以认为是学习图片质量分数等级关系最好的模型。
63.本发明实施例的有益效果是：通过上述方法，对采集的待评估的目标图片，在数据处理阶段，采集待评估的目标图片，仅用一张图片，在经过失真处理步骤、质量分数评分步骤、二次失真处理步骤后，就可以生成若干张有效的训练图片，即分割图片块，不仅解决了数据缺乏和数据收集难的问题，同时对初创小公司非常友好，避免进行大量高标准的数据标注，再后续经过深度神经网络后即可得到质量指标，根据预设评价标准，对质量指标进行判断，得出图片质量的评估指标，从而快速便捷地完成图片得质量评估，进而帮助公司节省了大量的数据收集时间和资金；解决在没有原图参考的情况下，快速高效地进行图像质量的评估。
64.在一些实施方式中，针对业务场景，收集各种类型清晰图片，在每一次的评估过程，从其中的一种类型中选取一张作为待评估的目标图片。请参阅图2，图2为本实施例筛选在线状态显示屏幕组建显示集群的流程示意图。
65.如图2所示。s1100包括：
66.s1110：获取若干待评估图片。
67.具体地，针对业务场景，存在许多的清晰图片，对存在在计算机存储介质或者远程网络服务器上的待评估图片，需要计算机发送相对应的指令进行调取，从而将对应的若干待评估图片进行提取获得。
68.s1120：将所述若干待评估图片进行分类。
69.具体地，图像质量评估的数据收集工作是非常复杂的，特别是前期的图片收集工作，对于获取到的若干待评估图片，需要进行分类，以便于后续步骤中，在相同类别中进行快速选择待评估目标图片。
70.s1130：采集其中一个分类中的一张图片，得到待评估的目标图片。
71.具体地，本实施例中，仅采集其中一个分类中的一张图片，得到待评估的目标图片。也就是说，在一次评估过程中，仅用到其中的一种类型的一种图片，是进行对本实施例的图片质量评估方法的一种深度解释。在具体地实际操作过程中，可以一次性运行本实施例的图片质量评估方法的多个具体执行操作，实现一次性对收集的各类的图片进行快速质量评估。
72.在一些实施方式中，m＝5，所述失真类型算法包括高斯模糊、移动模糊、jpeg 压缩、均值模糊以及椒盐噪声。也就是说，采用5种失真类型算法：高斯模糊、移动模糊、jpeg压缩、均值模糊以及椒盐噪声，对所述待评估的目标图片进行 5次失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，4，5，生成失真程度递增的5张一次失真图片。
73.在一些实施方式中，所述根据预设评价标准，对所述质量指标进行判断，得出图片质量的评估指标的步骤中，预设评价标准为spearman秩序相关系数， spearman秩序相关系
数(srocc)作为模型评价指标，表达任务目标的评价准则，往往可以获得非常好得泛化效果。
74.在一些实施方式中，对于一张图片，深度神经网络会对5个质量分数等级进行打分，其中值越高的等级，概率越高，由此得到这张图片质量分数等级的预测分布，记为a值。s1412、将图片真实的质量分数等级分布，记为b，利用 srocc模型公式，可以计算出预测分布与真实分布之间的相关性分值，通过对图片中各个小块进行质量评估，使得模型可以注意到图片的局部信息，对图片质量的评估更加严谨和准确，这是一种细粒度的做法，其中srocc模型公式为
75.或
[0076][0077]
spearman秩序相关系数(srocc)的具体参数可参考现有技术，本实施例不再赘述。
[0078]
实际应用中，给定一张在业务图片，模型会输出该图片中每一个32*32小块的质量评分，根据具体的应用场景，可以从所有小块的质量评分中计算出合理的质量指标。这里推荐2种使用方法，例如，1、涉及到图片分类功能，可以用所有小块的平均分作为判断指标；2、涉及到识别任务，对局部信息很敏感，那就可以选择所有小块的平均分和最低分来作为参考指标。
[0079]
在一些实施方式中，采用5种失真类型算法，在数据处理阶段，假如每张图片的尺寸不小于640
×
640，以32
×
32的小块为基准对5
×
5张失真程度各异的所述二次失真图片进行分割，那么，每种类型的一张图片就可以分割出1
×
(5
ꢀ×
5)
×
(20
×
20)＝1万个小块，我们仅用一张图片就可以生成1万张有效的训练图片，该方案不仅解决了数据缺乏和数据收集难的问题，同时对初创小公司非常友好，避免进行大量高标准的数据标注，帮助公司节省了大量的数据收集时间和资金。
[0080]
对于每张清晰图片，用每一种失真算法生成5张新图片，其失真程度逐级增加，并按照失真程度的级别，图片的质量分数逐级降低，清晰图片5分，1级失真4分，2级失真3分，3级失真2分，4级失真1分；对每张图片，将其分割成32
×
32的小块，每个小块的图片质量分数等于大图的质量分数，假如每张图片的尺寸不小于640
×
640，那么每种类型的一张图片就可以分割出1
×
(5
×ꢀ
5)
×
(20
×
20)＝1万个小块。
[0081]
在一些实施方式中，对图片中各个小块进行质量评估，使得模型可以注意到图片的局部信息，对图片质量的评估更加严谨和准确，这是一种细粒度的做法。基于小块的图片质量分数，我们可以得到整图的平均质量分数，在实际使用时，很多情况下，业务人员不仅对整图有着一定的质量要求，同时还对某些局部信息比较关注。对此，我们可以组合使用整图平均质量分数和局部最小分数，以此更加贴切地满足实际需求。
[0082]
为解决上述技术问题，本发明实施例还提供一种够快速高效地评估图像质量的图片质量评估装置，具体请参阅图3，图3为本实施例图片质量评估装置基本结构示意图。
[0083]
如图3所示，一种图片质量评估装置，包括：采集模块1100、一次处理模块1200、评
分模块1300、二次处理模块1400、分割模块1500和执行模块1600。其中，采集模块1100用于采集待评估的目标图片。一次处理模块1200用于根据m种失真类型算法，对所述待评估的目标图片进行m次失真处理，每一次失真处理对应n次失真类型算法，n＝1，2，3，...，m，生成失真程度递增的m张一次失真图片。评分模块1300用于根据在失真处理过程中使用的失真类型算法的数量多寡，将所述m张一次失真图片依次进行降序质量分数评分为q，其中， q＝m，
…
，3，2，1。二次处理模块1400用于将质量分数评分后的每一张所述一次失真图片再次分别进行m次失真处理，每一次失真处理对应一种失真类型算法，生成m
×
m张失真程度各异的二次失真图片。分割模块1500用于将所述若干分割图片块送入深度神经网络，进行对每一所述分割图片块的图片特征的提取以及全部所述分割图片块的质量分数的等级关系的拟合，计算得到质量指标。执行模块1600用于根据预设评价标准，对所述质量指标进行判断，得出图片质量的评估指标。
[0084]
图片质量评估装置对采集的待评估的目标图片，在数据处理阶段，仅用一张图片就可以生成若干张有效的训练图片，即分割图片块，不仅解决了数据缺乏和数据收集难的问题，同时对初创小公司非常友好，避免进行大量高标准的数据标注，帮助公司节省了大量的数据收集时间和资金；解决在没有原图参考的情况下，快速高效地进行图像质量的评估。
[0085]
在一些实施方式中，基于人工智能的屏幕控制装置还包括：收集子模块、分类子模块以及采集子模块，收集子模块用于获取若干待评估图片；分类子模块用于将所述若干待评估图片进行分类；采集子模块用于采集其中一个分类中的一张图片，得到所述待评估的目标图片。
[0086]
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
[0087]
如图4所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种图片质量评估方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种图片质量评估方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0088]
本实施方式中处理器用于执行图3中采集模块1100、一次处理模块1200、评分模块1300、二次处理模块1400、分割模块1500和执行模块1600。的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0089]
计算机设备对采集的待评估的目标图片，在数据处理阶段，仅用一张图片就可以生成若干张有效的训练图片，即分割图片块，不仅解决了数据缺乏和数据收集难的问题，同时对初创小公司非常友好，避免进行大量高标准的数据标注，帮助公司节省了大量的数据
收集时间和资金；解决在没有原图参考的情况下，快速高效地进行图像质量的评估。
[0090]
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例图片质量评估方法的步骤。
[0091]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory， rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram) 等。
[0092]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0093]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。