图像质量检测方法及相关装置、电子设备和存储介质与流程

1.本技术涉及计算机视觉技术领域，特别是涉及一种图像质量检测方法及相关装置、电子设备和存储介质。


背景技术：

2.随着科学技术的发展，图像质量检测已经应用于生活中的方方面面，例如，在工业检测领域，通过图像质量检测，尽可能地展示地图原貌；或者，在医学领域，通过图像质量检测，尽可能地为医学诊断提供支撑。
3.目前，在获取待测图像之后，通常通过单一维度检测待测图像的质量。例如，可以使用图像统计学方法，对待测图像质量进行评估；或者，可以通过参考图像计算图像灰度值，进而对待测图像质量进行评估。但是，由于单一维度进行图像质量检测具有片面性，难以保障图像质量检测的准确性。有鉴于此，如何提升图像质量检测的准确性，成为亟待解决的问题。


技术实现要素：

4.本技术提供一种图像质量检测方法及相关装置、电子设备和存储介质。
5.本技术第一方面提供了一种图像质量检测方法，包括：获取待测图像，并基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果；其中，属性信息至少包括像素值；再基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果。
6.因此，通过获取待测图像，再基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，在此基础上，基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和至少一个维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
7.其中，待测图像包含与目标器官相关的目标血管，质量分类模型基于标注有样本质量类别的样本医学图像训练得到，在基于质量分类模型对待测图像进行分类，得到待测
图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果之前，方法还包括：基于待测图像进行分割，得到待测图像中目标血管的像素区域；基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，包括：基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果；在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，包括：在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果。
8.因此，通过基于待测图像进行分割，得到待测图像中目标血管的像素区域，并基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，再在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，进而通过对待测图像进行分割，可以提高获取第一质量结果和第二质量结果的效率，此外，基于质量分类模型和像素区域对待测图像进行分类，并在至少一个维度对像素区域中像素的属性信息进行分析，有助于提升第一质量结果和第二质量结果的准确性。
9.其中，基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，包括：基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，再基于质量分类模型对曲面重建图像进行分类，得到第一质量结果。
10.因此，通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，再基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，一方面通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，有助于直接、有效地反映目标血管的曲面重建图像的质量，进一步还可以反映目标血管的曲面重建图像是否存在伪影、噪声、模糊等情况，另一方面由于质量分类模型基于标注有样本质量类别的样本医学图像训练得到，通过基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，进一步提高第一质量结果的准确性。
11.其中，若干维度包括亮度偏离度，亮度偏离度下的第二质量结果包括第一统计分值，在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，包括：统计像素区域的第一像素均值；基于第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值；其中，第一统计分值与差值绝对值负相关。
12.因此，通过统计像素区域的第一像素均值，并根据第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值，进而可以第一像素均值，确定像素区域的亮度值，再根据第一像素均值与期望亮度值之间的差值绝对值，进一步提高得到第一统计分值的准确性，此外，利用第一统计分值可以反映待测图像呈现的效果，进而提升图像质量检测的准确性。
13.其中，若干维度包括噪声干扰度，噪声干扰度下的第二质量结果包括第二统计分值，在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，包括：获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差；响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值；响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值；其中，第二统计分值与第二像素均值负相关。
14.因此，通过获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域
的第二像素标准差，并响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值，响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值，一方面通过分别获取像素区域的第一像素标准差和待测图像经平滑后像素区域的第二像素标准差，可以更好地在噪声干扰维度对待测图像进行检测，另一方面通过判断第一差值是否满足第一条件，确定第二统计分值，进而可以通过第二统计分值确定待测图像的噪声干扰情况。
15.其中，目标血管包括动脉和静脉，若干维度包括动脉与静脉之间的成像差异度，成像差异度下的第二质量结果包括第三统计分值，在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，包括：统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值；响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值；响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值；其中，第三统计分值与第二差值正相关。
16.因此，通过统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值，并响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值，响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值，一方面通过分别统计像素区域中动脉的第三像素均值和像素区域中静脉的第四像素均值，可以提高在动脉与静脉之间的成像差异维度对待测图像进行检测的准确性，另一方面通过判断第二差值是否满足第二条件，确定第三统计分值，进而可以通过第三统计分值确定待测图像中动脉与静脉之间的成像差异度。
17.其中，若干维度包括像素丰富度，像素丰富度下的第二质量结果包括第四统计分值，在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，包括：基于像素区域的像素数量，得到第四统计分值；其中，第四统计分值与像素数量正相关。
18.因此，通过基于像素区域的像素数量，得到第四统计分值，有助于提升得到第四统计分值的准确性，进而通过第四统计分值反映像素丰富度。
19.本技术第二方面提供了一种图像质量检测装置，包括：获取模块、分类模块、分析模块和确定模块。其中，获取模块用于获取待测图像；分类模块用于基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果；分析模块用于在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，且属性信息至少包括像素值；确定模块用于基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果。
20.本技术第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的图像质量检测方法。
21.本技术第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的图像质量检测方法。
22.上述方案，通过获取待测图像，再基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到
对应维度下的第二质量结果，在此基础上，基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和多维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
23.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，而非限制本技术。
附图说明
24.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本技术的实施例，并与说明书一起用于说明本技术的技术方案。
25.图1是本技术图像质量检测方法一实施例的流程示意图；
26.图2是第一质量结果一实施例的流程示意图；
27.图3是第二质量结果一实施例的流程示意图；
28.图4是第二质量结果另一实施例的流程示意图；
29.图5是第二质量结果又一实施例的流程示意图；
30.图6是本技术图像质量检测方法一实施例的框架示意图；
31.图7是本技术图像质量检测装置一实施例的框架示意图；
32.图8是本技术电子设备一实施例的框架示意图；
33.图9是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
34.下面结合说明书附图，对本技术实施例的方案进行详细说明。
35.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
36.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。“若干”表示至少一个。本文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。
37.请参阅图1，图1是本技术图像质量检测方法一实施例的流程示意图。具体而言，可
以包括如下步骤：
38.步骤s11：获取待测图像。
39.在一个实施场景中，待测图像可以根据使用场景进行确定，例如，在工业场景中，待测图像可以是通过摄像机对地貌的拍摄图像；或者，在医学场景中，可以通过超声波、计算机断层扫描(ct，computed tomography)、核磁共振成像(mri，magnetic resonance imaging)等扫描成像手段，得到待测图像，待测图像的获取方式可以根据实际情况进行确定，在此不做具体限定。
40.步骤s12：基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果。
41.在一个实施场景中，属性信息可以包括像素值、像素数量、像素位置等等，在此不做具体限定。
42.在一个实施场景中，基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，可以理解的是，当质量分类模型为多分类模型时，通过质量分类模型对待测图像进行分类，可以得到待测图像的多个分类结果，即可以根据多个分类结果对应的分值，选择得到待测图像的第一质量结果；当质量分类模型为二分类模型时，通过质量分类模型对待测图像进行分类，可以得到待测图像的第一质量结果包括分类为正常类别的分值。此外，可以在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果。以医学场景为例，在质量分类模型基于标注有样本质量类别的样本医学图像训练得到时，至少一个维度可以包括亮度偏离度、噪声干扰度、动脉与静脉之间的成像差异度、像素丰富度等中任一者，在此不做具体限定。
43.在一个具体实施场景中，质量分类模型可以根据使用场景进行训练。示例性地，当在医学领域时，质量分类模型可以是基于标注有样本质量类别的样本医学图像训练得到。具体地，可以基于质量分类模型对样本医学图像进行分类，得到样本医学图像的预测质量类别，再基于样本医学图像标注的样本质量类别和预测质量类别之间的差异，计算得到分类损失，并基于分类损失，调整质量分类模型的网络参数。此外，质量分类模型可以采用但不限于轻量化网络结构mobile-vit、mobilenet系列网络等等，在此不做具体限定。
44.在一个实施场景中，可以基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，属性信息至少包括像素值。可以理解的是，在基于质量分类模型对待测图像进行分类代表的是“主观”层面的检测结果，在至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而可以通过结合主观和客观层面对待测图像进行检测，有助于提高图像质量检测的准确性。
45.在一个具体实施场景中，以医学场景为例，待测图像可以包括与目标器官相关的目标血管、骨科ct成像，目标器官可以包括感觉器官(眼、耳、鼻、舌)、内脏器官(心、肝、肺、胃、肾)等等，目标血管可以包括动脉血管、静脉血管和毛细血管，具体可以根据实际情况进行确定，在此不做限定。
46.可以理解的是，由于不同用户对应待测图像有所差异，通过对待测图像进行预处理，进而消除待测图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最
大限度地简化数据，有助于提高得到第一质量结果和第二质量结果的准确性。例如，以医学场景为例，当待测图像为cta(ct angiography，血管造影)图像时，由于不同患者cta图像的分辨率有明显差异，且同一图像x，y，z三个方向的分辨率也有所不同，因此需要对图像进行重采样操作，以达到同样的分辨率水平，满足网络输入的需求。
47.在一个实施场景中，仍以医学场景为例，待测图像可以是通过计算机断层扫描成像的骨科图像，骨科可以包括但不限于脊柱图像、关节图像、足踝图像等等。在得到第一质量结果之前，可以先对待测图像进行分割，得到待测图像中骨科部位的像素区域，进而通过基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，第一质量结果可以包括待测图像正常和待测图像异常类别的分值，再在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果。区别于前述实施方式，还可以在得到第一质量结果之前，先对待测图像进行分割，得到待测图像中骨科部位的若干局部图像，再获取各局部图像的像素区域，基于质量分类模型和各局部图像的像素区域对待测图像进行分类，得到第一质量结果，并在至少一个维度对各局部图像的像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果。在得到第一质量结果和第二质量结果之后，可以通过对第一质量结果和第二质量结果，得到待测图像的目标质量结果。
48.在另一个实施场景中，仍以医学场景为例，待测图像可以包含与目标器官相关的目标血管，在基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果之前，还可以基于待测图像进行分割，得到待测图像中目标血管的像素区域，分割方法可以采用但不限于：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于网络模型的分割方法等等，网络模型可以采用但不限于cnn(convolution neural network，卷积神经网络)、rnn(recurrent neural network，循环神经网络)等等，在此不做具体限定。示例性地，待测图像可以是心脏cta图像，目标血管包括动脉血管和静脉血管，通过网络模型对心脏cta图像进行分割，可以得到心脏cta图像中多个腔体冠状动静脉的像素区域。上述所示待测图像分割示例仅为实际应用中可能出现的一种情况，并不因此而限定实际应用中待测图像分割的应用场景，具体可以根据实际情况进行确定，在此不做限定。
49.进一步地，在分割得到待测图像中目标血管的像素区域之后，可以基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，再在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果。上述方式，通过基于待测图像进行分割，得到待测图像中目标血管的像素区域，并基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，再在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，进而通过对待测图像进行分割，可以提高获取第一质量结果和第二质量结果的效率，此外，基于质量分类模型和像素区域对待测图像进行分类，并在至少一个维度对像素区域中像素的属性信息进行分析，有助于提升第一质量结果和第二质量结果的准确性。
50.在一个实施场景中，为了得到第一质量结果，可以基于质量分类模型对像素区域进行分类，得到分类结果，并基于分类结果，确定第一质量结果，当质量分类模型为二分类模型时，第一质量结果包括分类为正常类别的分值，当质量分类模型为多分类模型时，第一质量结果包括多个类比的分值。
51.在另一个实施场景中，区别于前述实施方式，请参阅图2，图2是第一质量结果一实施例的流程示意图。具体而言，可以包括如下步骤：
52.步骤s21：基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像。
53.具体地，可以基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，可以理解的是，曲面重建(curved projection reformation，cpr)技术为mpr技术的延伸和发展，即在mpr基础上，沿着目标血管划一条曲线，将沿曲线的体积元资料进行重组，便得到目标血管的曲面重建图像，曲面重建技术可以将扭曲、缩短和重叠的血管、结肠等结构伸展拉直，展示在同一平面上。示例性地，待测图像为心脏cta图像时，目标血管的曲面重建图像可以显示血管全程沿冠状动脉走向。
54.步骤s22：基于质量分类模型对曲面重建图像进行分类，得到第一质量结果。
55.具体地，可以基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，且质量分类模型为二分类模型，第一质量结果包括分类为正常类别的分值。示例性地，待测图像为心脏cta图像时，基于心脏cta图像中目标血管的像素区域，可以得到动脉血管的曲面重建图像，曲面重建图像可以直接、有效地反映血管成像的质量，包括是否存在伪影、噪声、模糊等情况。再基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，质量分类模型可以使用轻量级vit网络，进而得到第一质量结果，第一质量结果包括分类为正常类别的分值。示例性地，可以将输出的softmax结果作为第一质量结果，具体地，若在训练时正常图像标记为0，故在分类得到第一质量结果时，正常的图像输出值越小，可以通过在得到的类别对应的分值前加负号，可以使得越正常图像，分数越大，具体表达式可以表示如下：
56.s
cpr
＝-softxmax_c0
57.其中，s
cpr
表征第一质量结果，c0为正常图像对应类别。上述方式，通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，再基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，一方面通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，有助于直接、有效地反映目标血管的曲面重建图像的质量，进一步还可以反映目标血管的曲面重建图像是否存在伪影、噪声、模糊等情况，另一方面由于质量分类模型基于标注有样本质量类别的样本医学图像训练得到，通过基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，进一步提高第一质量结果的准确性。
58.在一个实施场景中，若干维度包括亮度偏离度，亮度偏离度下的第二质量结果包括第一统计分值，亮度偏离度表征目标血管的成像亮度偏离期望亮度的程度。为了获取第一统计分值，可以先统计得到像素区域的像素众数值，再将像素众数值与期望亮度值之间的差值绝对值，作为第一统计分值。期望亮度值可以根据医学指南中规定进行确定，在此不做具体限定。区别于前述实施方式，请参阅图3，图3是第二质量结果一实施例的流程示意图。具体而言，可以包括如下步骤：
59.步骤s31：统计像素区域的第一像素均值。
60.具体地，可以先获取像素区域中若干第一像素值，并基于若干第一像素值计算得到第一像素均值。
61.步骤s32：基于第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值。
62.具体地，在得到第一像素均值之后，可以基于第一像素均值与期望亮度值，计算得
到第一统计分值，并第一统计分值与差值绝对值负相关。其中，期望亮度值可以根据医学指南中规定进行确定，即可以在医学指南中查找得到待测图像包含的与目标器官相关的目标血管的期望亮度值。示例性地，待测图像为cta图像时，可以统计动脉血管中像素区域的若干第一像素值，通过第一像素值计算得到第一像素均值，并选择得到期望亮度值，例如，冠脉情况下，正常亮度值在300～450之间。期望亮度值可以根据实际情况进行确定，在此不做具体限定。再根据第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值，表达式可以表示如下：
[0063][0064]
其中，s
hu_mean
表征第一统计分值，hu
mean
表征第一像素均值，t表征期望亮度值。可以理解的是，第一统计分值与差值绝对值负相关，且当第一像素均值远低于期望亮度值时，由于亮度值偏低，血管造影效果较差，当第一像素均值远高于期望亮度值时，亮度值偏高，血管被过分高亮，影响后续诊断效果。上述方式，通过统计像素区域的第一像素均值，并根据第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值，进而可以第一像素均值，确定像素区域的亮度值，再根据第一像素均值与期望亮度值之间的差值绝对值，进一步提高得到第一统计分值的准确性，此外，利用第一统计分值可以反映待测图像呈现的效果，进而提升图像质量检测的准确性。
[0065]
在一个实施场景中，若干维度包括噪声干扰度，噪声干扰度下的第二质量结果包括第二统计分值。为了获取第二统计分值，可以先获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差，响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值，响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，确定第二统计分值为第三预设分值。第一条件可以为第一差值大于第一预设阈值，第一预设阈值可以根据医学指南进行确定。区别于前述实施方式，请参阅图4，图4是第二质量结果另一实施例的流程示意图。具体而言，可以包括如下步骤：
[0066]
步骤s41：获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差。
[0067]
具体地，为了提高第二统计分值的准确性，可以先获取像素区域的第一像素值，并通过第一像素值计算得到第一像素标准差；再对待测图像做平滑处理，并获取待测图像经平滑后像素区域的第二像素值，并通过第二像素值计算得到第二像素标准差。对待测图像做平滑处理的方式可以采用但不限于简单平滑、高斯平滑、均值滤波等等，在此不做具体限定。
[0068]
步骤s42：响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值。
[0069]
具体地，基于第一像素标准差与第二像素标准差确定第一差值，并判读第一差值是否满足第一条件，第一条件可以是第一差值大于第一预设阈值，也可以是第一像素标准差大于第二预设阈值且第一差值大于第一预设阈值，第一预设阈值和第二预设阈值可以通过医学指南中规定进行确定。第一条件可以根据实际情况进行确定，在此不做具体限定。进一步地，响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，可以确定第
二统计分值为第一预设分值。可以理解的是，第一像素标准差与第二像素标准差的第一差值满足第一条件时，表征待测图像中噪声干扰较小，进而在第一像素标准差与第二像素标准差的第一差值满足第一条件时，待测图像中噪声干扰较小的情况下，将第一预设分值作为第二统计分值，第一预设分值可以设置为-5、+5、-1、+1等等，在此不做具体限定。
[0070]
步骤s43：响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值。
[0071]
具体地，响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，表征待测图像中噪声干扰较大，可以获取像素阈值中各个像素在平滑前后的像素差值，并基于各个像素在平滑前后像素差值的第二像素均值，计算得到第二统计分值。第一条件可以参照前述公开实施例中的确定方式，在此不再赘述。此外，在第一条件为第一像素标准差大于第二预设阈值且第一差值大于第一预设阈值时，第二统计分值不小于第一预设分值。示例性地，可以分割得到待测图像中动脉血管的像素区域，并获取像素区域的第一像素标准差和待测图像经高斯平滑后像素区域的第二像素标准差，并进一步获取第一像素标准差与第二像素标准差的第一差值，在第一差值满足第一条件的情况下，确定第二统计分值为-5；在第一差值不满足第一条件的情况下，获取像素区域中各个像素在平滑前后的像素差值，并基于各个像素在平滑前后像素差值，计算得到第二像素均值，再将第三预设阈值与第二像素均值的比值，作为得到第二统计分值，此时，第二统计分值与第二像素均值负相关，且第一条件为第一像素标准差大于第二预设阈值且第一差值大于第一预设阈值。第一预设阈值、第二预设阈值和第三预设阈值可以根据医学指南进行确定。具体表达式可以表示如下：
[0072]
gaus
img
＝filter(img)
[0073][0074]
其中，s
hu_std
表征第二统计分值，gaus
img
表征经过高斯平滑处理的图像，hu
std
表征像素区域的第一像素标准差，表征待测图像经平滑后像素区域的第二像素标准差，t1、t2、t3分别表征第一预设阈值、第二预设阈值、第三预设阈值，-5为第一预设分值，mean()表征均值函数。此时，第二统计分值与第二像素均值负相关，且当第一差值满足第一条件时，第二统计分值为第一预设分值，当第一差值不满足第一条件时，第一差值越大，第二统计分值越小。上述方式，通过获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差，并响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值，响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值，一方面通过分别获取像素区域的第一像素标准差和待测图像经平滑后像素区域的第二像素标准差，可以更好地在噪声干扰维度对待测图像进行检测，另一方面通过判断第一差值是否满足第一条件，确定第二统计分值，进而可以通过第二统计分值确定待测图像的噪声干扰情况。
[0075]
在一个实施场景中，目标血管包括动脉和静脉，若干维度包括动脉与静脉之间的成像差异度，成像差异度下的第二质量结果包括第三统计分值。为了获取第三统计分值，可以先统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值，响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值，响应于第三像素均值与第四像素均值的第二差值不满足第二条件，确定第三统计分值为第四预设分值。第二条件可以为第二差值小于第四预设阈值，第四预设阈值可以根据医学指南进行确定。示例性地，在第三像素均值与第四像素均值的第二差值满足第二条件时，确定第三统计分值为-5，在第三像素均值与第四像素均值的第二差值不满足第二条件，确定第三统计分值为+5。区别于前述实施方式，请参阅图5，图5是第二质量结果又一实施例的流程示意图。具体而言，可以包括如下步骤：
[0076]
步骤s51：统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值。
[0077]
具体地，为了提高第三统计分值的准确性，可以先统计像素区域中动脉的第三像素值，并通过第三像素值计算得到第三像素均值；再统计像素区域中静脉的第四像素值，并通过第四像素值计算得到第四像素均值。
[0078]
步骤s52：响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值。
[0079]
具体地，基于第三像素均值与第四像素均值确定第二差值，并判读第二差值是否满足第二条件，第二条件可以是第二差值小于第四预设阈值，第四预设阈值可以通过医学指南中规定进行确定。进一步地，响应于第三像素均值与第四像素均值的第二差值满足第二条件，可以确定第三统计分值为第二预设分值。第二预设分值可以设置为-5、-4、-1等等，在此不做具体限定。
[0080]
步骤s53：响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值。
[0081]
具体地，响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值。第二条件可以参照前述公开实施例中的确定方式，在此不再赘述。此外，在第三像素均值与第四像素均值的第二差值不满足第二条件时，第三统计分值不小于第二预设分值。示例性地，待测图像为心脏冠状cta图像，由于在造影成像过程中，扫描时机十分关键，某些情况下由于技师的误操作或病人自身血液循环系统的问题，容易造成拍摄时间不够精准，动静脉血管同时显影的问题，这会对后续血管分割造成影响，产生假阳，进而可以通过获取第三统计分值，确定图像中动脉与静脉之间的成像差异度，具体地，可以通过第三像素均值与第四像素均值，计算得到第二差值，在第二差值小于第四预设阈值时，第三统计分值为第二预设分值，在第二差值不小于第四预设阈值时，可以将第二差值与第五预设阈值的比值，作为第三统计分值，具体表达式可以表示如下：
[0082][0083]
其中，s
cor_vein
表征第三统计分值，表征像素区域中动脉的第三像素均
值，表征像素区域中静脉的第四像素均值，t4、t5分别表征第四预设阈值、第五预设阈值。此时，第三统计分值与第二差值正相关，当第二差值越大，第三统计分值越小，当第二差值越小，第三统计分值越大。上述方式，通过统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值，并响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值，响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值，一方面通过分别统计像素区域中动脉的第三像素均值和像素区域中静脉的第四像素均值，可以提高在动脉与静脉之间的成像差异维度对待测图像进行检测的准确性，另一方面通过判断第二差值是否满足第二条件，确定第三统计分值，进而可以通过第三统计分值确定待测图像中动脉与静脉之间的成像差异度。
[0084]
在一个实施场景中，若干维度包括像素丰富度，像素丰富度下的第二质量结果包括第四统计分值，属性信息包括像素数量，。为了获取第四统计分值，可以基于像素区域的像素数量，选择得到第四统计分值，即像素数量区间对应不同分值，通过像素数量，选择对应的分值作为第四统计分值。例如，像素数量为1000万-1200万，对应分值为+2，像素数量为1200万-1400万，对应分值为+4，第四统计分值与像素数量之间的对应关系可以根据实际情况进行确定，在此不做具体限定。区别于前述实施方式，可以基于像素区域的像素数量，得到第四统计分值。示例性地，可以基于像素区域的像素数量与第六预设阈值之间的比值，作为第四统计分值，具体表达式可以表示如下：
[0085]scor_voxel
＝cor
voxel
/t6[0086]
其中，s
cor_voxel
表征第四统计分值，cor
voxel
表征像素区域的像素数量，t6表征第六预设阈值，第六预设阈值可以根据医学指南中规定进行确定。此时，第四统计分值与像素数量正相关，即像素数量越少，第四统计分值越小，反之，像素数量越多，第四统计分值越大，待测图像的像素丰富度越高。上述方式，通过基于像素区域的像素数量，得到第四统计分值，有助于提升得到第四统计分值的准确性，进而通过第四统计分值反映像素丰富度。
[0087]
在一个具体实施场景中，医学指南是评估或治疗的标准化协议，医学指南可以包括待测图像质量评价标准，示例性地，当待测图像为冠脉血管cta图像时，医学指南中对冠脉血管cta图像提出标准至少包括：左主干和3支冠脉近中段管腔内ct值在351-450之间为优秀，300-350之间为良好，200-299之间为中等，小于200为较差；主动脉根部管腔内的ct值标准差(sd值)可作为图像噪声，小于20hu为优秀，20-30hu为良好，31-40hu为一般，大于40hu为较差等。可以理解的是，所示内容仅为实际应用中医学指南可能包括的部分内容，并不因此而限定实际应用中医学指南的内容，具体可以根据实际情况进行确定，在此不做限定。
[0088]
步骤s13：基于第一质量结果和至少一个维度对应的第二质量结果，得到待测图像的目标质量结果。
[0089]
在一个实施场景中，在得到第一质量结果和至少一个维度对应的第二质量结果之后，可以将第一质量结果和各维度分别对应的第二质量结果进行相加，进而得到待测图像的目标质量结果。或者，还可以先对第一质量结果和各维度分别对应的第二质量进行加权处理，并将加权处理后的质量结果进行相加，得到待测图像的目标质量结果。目标质量结果的确定方式可以根据实际情况进行确定，在此不做具体限定。
[0090]
上述方案，通过获取待测图像，再基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，在此基础上，基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和至少一个维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
[0091]
在一个实施场景中，可以先获取待测图像，并基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，再在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，在此基础上，基于第一质量结果和至少一个维度对应的第二质量结果，得到待测图像的目标质量结果。作为一种可能的实施方式，可以先基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，再在任一维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，任一维度可以是亮度偏离度、噪声干扰度、动脉与静脉之间的成像差异度、像素丰富度中任一者，再基于第一质量结果和任一维度对应的第二质量结果，得到待测图像的目标质量结果。区别于前述实施方式，可以基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并再若干维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，在此基础上，可以对第一质量结果和若干维度分别对应的第二质量结果进行融合，得到待测图像的目标质量结果。可以理解的是，可以将若干维度分别对应的第二质量结果进行融合，例如，将若干维度分别对应的第二质量结果进行相加、对若干维度分别对应的第二质量结果先进行加权，再相加等等，进一步地，基于融合结果与第一质量结果再融合，融合方式可以参照前述公开实施例中的方式，在此不做具体限定。
[0092]
请参阅图6，图6是本技术图像质量检测方法一实施例的框架示意图，待测图像可以是cta图像，在获取到cta图像之后，可以先对cta图像进行预处理，并基于分割网络对预处理后的cta图像进行分割，得到cta图像中动静脉血管的像素区域，即主动脉、右心房、冠状动脉和冠状静脉的像素区域。进一步地，可以基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，并在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，若干维度至少包括亮度偏离度、噪声干扰度、动脉与静脉之间的成像差异度、像素丰富度，亮度偏离度下的第二质量结果包括第一统计分值，噪声干扰度下的第二质量结果包括第二统计分值，成像差异度下的第二质量结果包括第三统计分值，像素丰富度下的第二质量结果包括第四统计分值。具体地，为了获取第一质量结果，可以使用mobile vit网络，对曲面重建图像进行分类，输出的概率作为评分结果。为了获取对应维度下的第二质量结果，可以统计像素区域的第一像素均值，进而与期望亮度值进行计
算，得到第一统计分值，统计像素区域中动静脉的像素均值，进而确定第三统计分值，并对待测图像进行平滑处理，基于平滑前后像素区域的标准差，确定第二统计分值，再基于像素区域的像素数量，得到第四统计分值。此外，在得到第一质量结果和若干维度分别对应的第二质量结果之后，可以对第一质量结果和若干维度分别对应的第二质量结果进行融合，得到待测图像的目标质量结果。
[0093]
在一个实施场景中，图像质量检测可以应用于医疗影像的辅助诊断系统、手术规划系统等场景中，通过图像质量检测结果，为后续诊断风险进行提示。示例性地，在辅助诊断系统，通过对待测图像质量进行检测，进而得到待测图像的目标质量结果，通过目标质量结果，可以反映血管重建效果、狭窄诊断结果的好坏。因此，为避免图像质量带来的诊断风险，对图像质量进行评估需要及时告知用户。例如，当目标质量结果较好时，可以在辅助诊断系统界面提示用户后续自动辅助诊断结果可信度指标高，当目标质量结果较差时，可以在辅助诊断系统界面提示用户后续自动辅助诊断结果可信度指较低，以便与用户进行下一步工作。
[0094]
上述方案，通过获取待测图像，再基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，在此基础上，基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果，一方面由于质量分类模型是基于标注有样本质量类别的样本医学图像训练得到，通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在若干维度对待测图像中像素的属性信息进行分析，有助于从多维度对待测图像进行综合分析，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和若干维度分别对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和多维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，多维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
[0095]
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
[0096]
请参阅图7，图7是本技术图像质量检测装置70一实施例的框架示意图。图像质量检测装置70包括：获取模块71、分类模块72、分析模块73和确定模块74。其中，获取模块71用于获取待测图像；分类模块72用于基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果；其中，质量分类模型基于标注有样本质量类别的样本医学图像训练得到；分析模块73用于在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果；确定模块74用于基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果。
[0097]
上述方案，图像质量检测装置70能够执行上述图像质量检测实施例中的步骤，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可
以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度分别对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和至少一个维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
[0098]
在一些公开实施例中，待测图像包含与目标器官相关的目标血管，质量分类模型基于标注有样本质量类别的样本医学图像训练得到，图像质量检测装置70包括分割模块，分割模块用于基于待测图像进行分割，得到待测图像中目标血管的像素区域。分类模块72包括分类子模块，分类子模块用于基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果。分析模块73包括统计子模块，统计子模块用于在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果。
[0099]
因此，通过基于待测图像进行分割，得到待测图像中目标血管的像素区域，并基于质量分类模型和像素区域对待测图像进行分类，得到第一质量结果，再在至少一个维度对像素区域中像素的属性信息进行分析，得到对应维度下的第二质量结果，进而通过对待测图像进行分割，可以提高获取第一质量结果和第二质量结果的效率，此外，基于质量分类模型和像素区域对待测图像进行分类，并在至少一个维度对像素区域中像素的属性信息进行分析，有助于提升第一质量结果和第二质量结果的准确性。
[0100]
在一些公开实施例中，分类子模块包括确定单元和分类单元。其中，确定单元用于基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像；分类单元用于基于质量分类模型对曲面重建图像进行分类，得到第一质量结果。
[0101]
因此，通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，再基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，一方面通过基于待测图像中目标血管的像素区域，得到目标血管的曲面重建图像，有助于直接、有效地反映目标血管的曲面重建图像的质量，进一步还可以反映目标血管的曲面重建图像是否存在伪影、噪声、模糊等情况，另一方面由于质量分类模型基于标注有样本质量类别的样本医学图像训练得到，通过基于质量分类模型对曲面重建图像进行分类，得到第一质量结果，进一步提高第一质量结果的准确性。
[0102]
在一些公开实施例中，若干维度包括亮度偏离度，亮度偏离度下的第二质量结果包括第一统计分值，统计子模块包括第一统计单元和第一计算单元。其中，第一统计单元用于统计像素区域的第一像素均值；第一计算单元用于基于第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值；其中，第一统计分值与差值绝对值负相关。
[0103]
因此，通过统计像素区域的第一像素均值，并根据第一像素均值与期望亮度值之间的差值绝对值，得到第一统计分值，进而可以第一像素均值，确定像素区域的亮度值，再根据第一像素均值与期望亮度值之间的差值绝对值，进一步提高得到第一统计分值的准确性，此外，利用第一统计分值可以反映待测图像呈现的效果，进而提升图像质量检测的准确
性。
[0104]
在一些公开实施例中，若干维度包括噪声干扰度，噪声干扰度下的第二质量结果包括第二统计分值，统计子模块包括获取单元、第一响应单元和第二响应单元。其中，获取单元用于获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差；第一响应单元用于响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值；第二响应单元用于响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值；其中，第二统计分值与第二像素均值负相关。
[0105]
因此，通过获取像素区域的第一像素标准差，并获取待测图像经平滑后像素区域的第二像素标准差，并响应于第一像素标准差与第二像素标准差的第一差值满足第一条件，确定第二统计分值为第一预设分值，响应于第一像素标准差与第二像素标准差的第一差值不满足第一条件，获取像素区域中各个像素在平滑前后的像素差值，基于各个像素在平滑前后像素差值的第二像素均值，得到第二统计分值，一方面通过分别获取像素区域的第一像素标准差和待测图像经平滑后像素区域的第二像素标准差，可以更好地在噪声干扰维度对待测图像进行检测，另一方面通过判断第一差值是否满足第一条件，确定第二统计分值，进而可以通过第二统计分值确定待测图像的噪声干扰情况。
[0106]
在一些公开实施例中，目标血管包括动脉和静脉，若干维度包括动脉与静脉之间的成像差异度，成像差异度下的第二质量结果包括第三统计分值；统计子模块包括第二统计单元、第三响应单元和第四响应单元，第二统计单元用于统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值；第三响应单元用于响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值；第四响应单元用于响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值；其中，第三统计分值与第二差值正相关。
[0107]
因此，通过统计像素区域中动脉的第三像素均值，并统计像素区域中静脉的第四像素均值，并响应于第三像素均值与第四像素均值的第二差值满足第二条件，确定第三统计分值为第二预设分值，响应于第三像素均值与第四像素均值的第二差值不满足第二条件，基于第二差值，得到第三统计分值，一方面通过分别统计像素区域中动脉的第三像素均值和像素区域中静脉的第四像素均值，可以提高在动脉与静脉之间的成像差异维度对待测图像进行检测的准确性，另一方面通过判断第二差值是否满足第二条件，确定第三统计分值，进而可以通过第三统计分值确定待测图像中动脉与静脉之间的成像差异度。
[0108]
在一些公开实施例中，若干维度包括像素丰富度，像素丰富度下的第二质量结果包括第四统计分值，属性信息包括像素数量，统计子模块包括第二计算单元，第二计算单元用于基于像素区域的像素数量，得到第四统计分值；其中，第四统计分值与像素数量正相关。
[0109]
因此，通过基于像素区域的像素数量，得到第四统计分值，有助于提升得到第四统计分值的准确性，进而通过第四统计分值反映像素丰富度。
[0110]
请参阅图8，图8是本技术电子设备80一实施例的框架示意图。电子设备80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上
述任一图像质量检测方法实施例的步骤。在一个具体的实施场景中，电子设备80可以包括但不限于：微型计算机、服务器，此外，电子设备80还可以包括智能手机、平板电脑、智能眼镜等移动设备，在此不做限定。
[0111]
具体而言，处理器82用于控制其自身以及存储器81以实现上述任一图像质量检测方法实施例的步骤。处理器82还可以称为cpu(central processing unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
[0112]
上述方案，电子设备80能够实现上述图像质量检测实施例中的步骤，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度分别对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和至少一个维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
[0113]
请参阅图9，图9为本技术计算机可读存储介质90一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令91，程序指令91用于实现上述任一图像质量检测方法实施例的步骤。
[0114]
上述方案，计算机可读存储介质90能够实现上述图像质量检测实施例中的步骤，一方面通过基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，进而可以提高获取第一质量结果的效率，同时提升了第一质量结果的准确性，另一方面通过在至少一个维度对待测图像中像素的属性信息进行分析，有助于提高从各维度对待测图像分析的准确性，进而尽可能地避免第二质量结果的片面性，再通过基于第一质量结果和至少一个维度分别对应的第二质量结果，即基于深度学习模型对待测图像进行分类的结果和至少一个维度对待测图像进行综合分析的结果，深度学习模型对待测图像进行分类的结果代表的是“主观”层面的检测结果，至少一个维度对待测图像进行综合分析的结果代表的是“客观”层面的检测结果，进而通过结合主观层面和客观层面进行图像质量检测，得到待测图像的目标质量结果，有助于提升目标质量结果的准确性。故此，能够提升图像质量检测的准确性。
[0115]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的
相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
[0116]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0117]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0118]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0119]
若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

技术特征：
1.一种图像质量检测方法，其特征在于，包括：获取待测图像；基于质量分类模型对所述待测图像进行分类，得到所述待测图像的第一质量结果，并在至少一个维度对所述待测图像中像素的属性信息进行分析，得到对应所述维度下的第二质量结果；其中所述属性信息至少包括像素值；基于所述第一质量结果和所述至少一个维度对应的第二质量结果，得到所述待测图像的目标质量结果。2.根据权利要求1所述的方法，其特征在于，所述待测图像包含与目标器官相关的目标血管，所述质量分类模型基于标注有样本质量类别的样本医学图像训练得到，在所述基于质量分类模型对所述待测图像进行分类，得到所述待测图像的第一质量结果，并在至少一个维度对所述待测图像中像素的属性信息进行分析，得到对应所述维度下的第二质量结果之前，所述方法还包括：基于所述待测图像进行分割，得到所述待测图像中所述目标血管的像素区域；所述基于质量分类模型对所述待测图像进行分类，得到所述待测图像的第一质量结果，包括：基于所述质量分类模型和所述像素区域对所述待测图像进行分类，得到所述第一质量结果；所述在至少一个维度对所述待测图像中像素的属性信息进行分析，得到对应所述维度下的第二质量结果，包括：在至少一个维度对所述像素区域中像素的属性信息进行分析，得到对应所述维度下的第二质量结果。3.根据权利要求2所述的方法，其特征在于，所述基于所述质量分类模型和所述像素区域对所述待测图像进行分类，得到所述第一质量结果，包括：基于所述待测图像中所述目标血管的像素区域，得到所述目标血管的曲面重建图像；基于所述质量分类模型对所述曲面重建图像进行分类，得到所述第一质量结果。4.根据权利要求2所述的方法，其特征在于，所述至少一个维度包括亮度偏离度，所述亮度偏离度下的第二质量结果包括第一统计分值，所述在至少一个维度对所述像素区域中像素的属性信息进行分析，得到对应所述维度下的第二质量结果，包括：统计所述像素区域的第一像素均值；基于所述第一像素均值与期望亮度值之间的差值绝对值，得到所述第一统计分值；其中，所述第一统计分值与所述差值绝对值负相关。5.根据权利要求2所述的方法，其特征在于，所述至少一个维度包括噪声干扰度，所述噪声干扰度下的第二质量结果包括第二统计分值，所述在至少一个维度对所述像素区域中像素的属性信息进行分析，得到对应所述维度下的第二质量结果，包括：获取所述像素区域的第一像素标准差，并获取所述待测图像经平滑后所述像素区域的第二像素标准差；响应于所述第一像素标准差与所述第二像素标准差的第一差值满足第一条件，确定所述第二统计分值为第一预设分值；响应于所述第一像素标准差与所述第二像素标准差的第一差值不满足所述第一条件，
获取所述像素区域中各个像素在平滑前后的像素差值，基于所述各个像素在平滑前后所述像素差值的第二像素均值，得到所述第二统计分值；其中，所述第二统计分值与所述第二像素均值负相关。6.根据权利要求2所述的方法，其特征在于，所述目标血管包括动脉和静脉，所述至少一个维度包括所述动脉与所述静脉之间的成像差异度，所述成像差异度下的第二质量结果包括第三统计分值，所述在至少一个维度对所述像素区域中像素的属性信息进行分析，得到对应所述维度下的第二质量结果，包括：统计所述像素区域中所述动脉的第三像素均值，并统计所述像素区域中所述静脉的第四像素均值；响应于所述第三像素均值与所述第四像素均值的第二差值满足第二条件，确定所述第三统计分值为第二预设分值；响应于所述第三像素均值与所述第四像素均值的第二差值不满足所述第二条件，基于所述第二差值，得到所述第三统计分值；其中，所述第三统计分值与所述第二差值正相关。7.根据权利要求2所述的方法，其特征在于，所述至少一个维度包括像素丰富度，所述像素丰富度下的第二质量结果包括第四统计分值，所述属性信息还包括像素数量，所述在至少一个维度对所述像素区域中像素的属性信息进行分析，得到对应所述维度下的第二质量结果，包括：基于所述像素区域的像素数量，得到所述第四统计分值；其中，所述第四统计分值与所述像素数量正相关。8.一种图像质量检测装置，其特征在于，包括：获取模块，用于获取待测图像；分类模块，用于基于质量分类模型对所述待测图像进行分类，得到所述待测图像的第一质量结果；分析模块，用于在至少一个维度对所述待测图像中像素的属性信息进行分析，得到对应所述维度下的第二质量结果；其中，所述属性信息至少包括像素值；确定模块，用于基于所述第一质量结果和所述若干维度分别对应的第二质量结果，得到所述待测图像的目标质量结果。9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至7任一项所述的图像质量检测方法。10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至7任一项所述的图像质量检测方法。

技术总结
本申请公开了一种图像质量检测方法及相关装置、电子设备和存储介质，其中，图像质量检测方法包括：获取待测图像，并基于质量分类模型对待测图像进行分类，得到待测图像的第一质量结果，并在至少一个维度对待测图像中像素的属性信息进行分析，得到对应维度下的第二质量结果，属性信息至少包括像素值；再基于第一质量结果和若干维度分别对应的第二质量结果，得到待测图像的目标质量结果。上述方案，能够提升图像质量检测的准确性。升图像质量检测的准确性。升图像质量检测的准确性。


技术研发人员：王文集 夏清 徐利建 李鸿升 张少霆
受保护的技术使用者：博智感知交互研究中心有限公司
技术研发日：2023.04.23
技术公布日：2023/8/24