一种图像质量评价方法、装置、电子设备及存储介质与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种图像质量评价方法、装置、电子设备及存储介质。


背景技术：

2.数字图像信息作为从客观世界获取数据信息的方法之一，具有信息量丰富且直观易懂的优点，是人们获取知识的重要信息来源。随着计算机系统的快速发展，人们对数字图像处理技术的积累不断成熟，图像的传输更为频繁，随之而来的是，在对各种图像进行传输或存储的过程中会出现信息的丢失，图像质量出现下降，因此，如何进行最优质量图像的判别成为一个难题。


技术实现要素：

3.为解决上述技术问题，本技术实施例提供了一种一种图像质量评价方法、装置、电子设备及存储介质。
4.第一方面，本技术实施例提供了一种图像质量评价方法，所述方法包括：
5.构建量子分类器；
6.将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像；
7.其中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。
8.本技术一可选实施方式中，所述构建量子分类器，包括：
9.获取图像数据集，将所述图像数据集中包括的各图像数据编码为对应的第一量子数据；
10.利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器。
11.本技术一可选实施方式中，所述利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器，包括：
12.将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；
13.利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；
14.对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；
15.基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数；
16.确定所述损失函数是否满足第二条件；在所述损失函数不满足所述第二条件的情况下，重复执行如下步骤，直至所述损失函数满足所述第二条件：
17.将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；
18.利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；
19.对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；
20.基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数。
21.本技术一可选实施方式中，所述利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器，还包括：
22.在所述损失函数满足第二条件的情况下，将所述损失函数对应的所述初始量子神经网络的参数确定为目标参数，并基于所述目标参数得到所述量子分类器。
23.本技术一可选实施方式中，所述图像数据集中的各图像数据为n维数据，n为大于等于1的整数；所述将所述图像数据集中包括的各图像数据编码为对应的第一量子数据，包括：
24.将所述图像数据集中的各图像数据设置为预设形式的图像数据；基于所述各图像数据对应的预设形式的图像数据确定初始状态的量子态数据；
25.基于所述各图像数据对应的预设形式的图像数据，将所述各图像数据编码为量子门形式并作用在所述初始状态的量子态数据上，得到所述各图像数据对应的第一量子数据。
26.本技术一可选实施方式中，所述利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像，包括：
27.利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。
28.第二方面，本技术实施例提供了一种图像质量评价装置，所述装置包括：
29.构建单元，用于构建量子分类器；
30.确定单元，用于将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像；
31.其中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。
32.本技术一可选实施方式中，所述构建单元，具体用于：获取图像数据集，将所述图像数据集中包括的各图像数据编码为对应的第一量子数据；利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器。
33.本技术一可选实施方式中，所述构建单元，具体用于：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数；确定所述损失函数是否满足第二条件；在所述损失函数不满足所述第二条件的情况下，重复执行如下步骤，直至所述损失函数满足所述
第二条件：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数。
34.本技术一可选实施方式中，所述构建单元，还具体用于：在所述损失函数满足第二条件的情况下，将所述损失函数对应的所述初始量子神经网络的参数确定为目标参数，并基于所述目标参数得到所述量子分类器。
35.本技术一可选实施方式中，所述图像数据集中的各图像数据为n维数据，n为大于等于1的整数；所述构建单元，具体用于：将所述图像数据集中的各图像数据设置为预设形式的图像数据；基于所述各图像数据对应的预设形式的图像数据确定初始状态的量子态数据；基于所述各图像数据对应的预设形式的图像数据，将所述各图像数据编码为量子门形式并作用在所述初始状态的量子态数据上，得到所述各图像数据对应的第一量子数据。
36.本技术一可选实施方式中，所述确定单元，具体用于：利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。
37.第三方面，本技术实施例提供了一种电子设备，所述电子设备包括：存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时可实现上述实施例所述的图像质量的评价方法。
38.第四方面，本技术实施例提供了一种计算机存储介质，所述存储介质上存储有可执行指令，该可执行指令被处理器执行时实现上述实施例所述的图像质量的评价方法。
39.本技术实施例的技术方案，通过构建量子分类器；将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像。如此，能够利用量子神经网络生成的量子分类器通过对图像主观评价值进行分类，从多幅图像中筛选出质量最优的图像。
附图说明
40.图1为本技术实施例提供的图像质量评价方法的流程示意图；
41.图2为本技术实施例提供的不同质量的图像；
42.图3为本技术实施例提供的量子分类器的构建过程示意图；
43.图4为本技术实施例提供的图像质量评价装置的结构组成示意图；
44.图5为本技术实施例提供的一种电子设备的结构组成示意图。
具体实施方式
45.为使本技术实施例的目的、技术方案和优点更加清楚，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的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实
施例。基于本技术的实施例，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，都属于本技术保护的范围。
46.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行定义和解释。
47.本文中术语“和/或”，仅仅是描述一种关联关系，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。
48.图像质量评价方法可以分为主观评价方法与客观评价方法。以下对主观评价方法和客观评价方法介绍进行介绍。
49.主观评价方法主要是通过预先准备图像样本集，然后通过观测者对图像的观察对图像质量进行评价，得到主观评价结果，之后再通过对主观评价结果进行加工，通过设定一组图像中的主观评价值、均值和标准差综合作为对图像质量的评判依据。
50.客观评价方法分为全参考方法与半参考方法，其中，半参考方法结合机器学习的方法进行图像质量的评价，主要思想为假设质量相近的图像在底层特征上具有相同的规律，不去对图像失真原因及设计特征的方法进行分析，单纯通过计算机学习得到的特征作为图像的直接评价标准。
51.基于机器学习的图像质量评价方法主要面对的问题是如何在对图像质量进行评价时不要受到图像内容的干扰，尤其在对图像中提取特定特征统计量时，图像内容会对特征统计量带来较大的偏差；又或者在对内容很复杂的图像进行特征提取时，会比相同质量的内容简单的图像带来更多特征统计量，并且，由于没有实际的图像作为参考，为保证对多类别的图像进行评价平衡，容易使用相同的方法对复杂图像进行“过估计”，同时对简单的图像“欠估计”，导致对全体样本进行一致评价时存在问题。
52.本技术实施例的技术方案使用量子神经网络方法对图像进行分类，通过设计的量子神经网络可以对主观评价得到的图像进行最优选择，相比较单纯使用主观评价值确定图像质量的方法，本技术实施例的技术方案有利于更快更优的进行最优图像的选取。
53.本技术实施例的技术方案可以利用量子编码方式将传统经典图像数据转换成量子数据编码，然后通过训练量子神经网络得出分类系统参数，通过筛选最优的分类系统参数得到图像质量筛选效果最优的量子分类器。之后，将图像的主观评价值作为量子分类器的输入数据，进而开展图像质量的分类工作，依据设定的阈值可自动筛选主观质量最优的待选图像。下面，对本技术实施例的图像质量评价方法具体介绍如下。
54.请参阅图1，图1为本技术实施例提供的图像质量评价方法的流程示意图，如图1所示，本技术实施例的图像质量评价方法包括如下步骤：
55.步骤101：构建量子分类器。
56.本技术实施例中，量子分类器为对初始量子神经网络进行训练得到的一个对图像质量进行评价的最优量子分类器。
57.本技术一可选实施方式中，上述步骤101具体包括如下步骤：
58.1.1)获取图像数据集，将所述图像数据集中包括的各图像数据编码为对应的第一量子数据；
59.1.2)利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器。
60.本技术实施例中，由于量子神经网络需要处理的数据是量子数据，因此，对初始量子神经网络进行训练得到量子分类器时，需要将传统的数字图像数据转换为量子形式的数据，才能进行后续对初始量子神经网络的训练，得到最终用于对图像质量进行评价的最优量子分类器。
61.本技术一可选实施方式中，所述图像数据集中的各图像数据为n维数据，n为大于等于1的整数，上述步骤1.1)具体包括如下步骤：
62.1.1.1)将所述图像数据集中的各图像数据设置为预设形式的图像数据；基于所述各图像数据对应的预设形式的图像数据确定初始状态的量子态数据；
63.1.1.2)基于所述各图像数据对应的预设形式的图像数据，将所述各图像数据编码为量子门形式并作用在所述初始状态的量子态数据上，得到所述各图像数据对应的第一量子数据。
64.以二维图像数据为例，在对初始量子神经网络进行训练之前，需要首先对二维图像数据进行编码，得到与各二维图像数据对应的量子数据。在一种实施方式中，具体编码过程如下：
65.设定二维数据的格式为则初始状态的量子态可设置为|xx》，此时二维图像数据{xk}可编码成量子门u(xk)的形式且作用在初始的量子态上，得到一系列如以下公式(1)的形式所示的量子数据，此表达过程即为将经典图像数据信息转变为量子数字信息的编码过程。
66.|ψ》k＝u(xk)|xx》
ꢀꢀꢀ
(1)
67.示例性的，若设置量子比特的数目为n，用n个量子比特编码二维的经典数字图像数据时，可以将量子门设定为以下公式(2)的形式：
[0068][0069]
以经典数字数据x＝(x0,x1)＝(1,0)为例，用2比特的构造的量子门可表达为以下公式(3)的形式：
[0070][0071]
将x＝(x0,x1)＝(1,0)代入上述公式(3)中，得到如下公式(4)所示的量子门u(x)：
[0072][0073]
本技术一可选实施方式中，上述步骤1.2)具体包括如下步骤：
[0074]
1.2.1)将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；
[0075]
1.2.2)利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；
[0076]
1.2.3)对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；
[0077]
1.2.4)基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网
络的损失函数；
[0078]
1.2.5)确定所述损失函数是否满足第二条件；在所述损失函数不满足所述第二条件的情况下，重复执行步骤1.2.1)至步骤1.2.4)，直至所述损失函数满足所述第二条件。
[0079]
本技术实施例中，通过步骤1.1)得到的第一量子数据为又可以称之为量子输入态数据，即为待向初始量子神经网络中输入的量子数据，将第一量子数据输入初始量子神经网络中后，得到量子输出态数据。
[0080]
这里，将整个初始量子神经网络设置为u(θ)，以如下公式(5)的矩阵形式作为中间旋转门：
[0081][0082]
上述公式(4)得到的2个比特的量子门矩阵可以表达为如下公式(6)的形式：
[0083][0084]
将量子态输入初始量子神经网络，通过初始量子神经网络计算后的量子输出态为|ψ》，这里，|ψ》＝u(θ)|ψ》。这里，量子输出态|ψ》即对应步骤1.2.1)得到的第二量子数据。
[0085]
针对上述步骤1.2.2)，由于通过步骤1.2.1)中初始量子神经网络处理过的量子态会发生变化，因此，需要重新测量输出的量子态。在一种实施方式中，可以采用测量泡利z算符的方式将上述定义的量子比特序列中的第一个作为期望值，可定义为
[0086]
需要说明的是，本技术实施例中的预设测量方法包括但不限于泡利z算符测量方式，还可以是任何能测量出第二量子数据的测量方式，本技术实施例不作具体限定。
[0087]
针对上述步骤1.2.3)及步骤1.2.4)，示例性的，可以规定测量后的《z》的取值范围为[-1,1]，相应的可以定义为平方损失函数作为对初始量子神经网络进行训练时损失函数的映射区间，保证量子神经网络训练过程中损失函数的范围在[0,1]之间。
[0088]
对于上述步骤1.2.5)，在一种实施方式中，确定损失函数是否满足第二条件，具体可以为确定损失函数是否小于设置的数值，如0.001，在损失函数小于设置的数值的情况
下，即认为量子神经网络已训练完成。在另一种实施方式中，确定损失函数是否满足第二条件，具体可以为确定损失函数是否为最小化损失函数，在损失函数为最小化损失函数的情况下，即认为量子神经网络已训练完成。
[0089]
在损失函数不满足第二条件的情况下，则需要更新量子神经网络的训练参数，并利用第一量子数据重复训练量子神经网络，直到训练得到的神经网络的损失函数满足第二条件。
[0090]
本技术一可选实施方式中，上述步骤1.2)还包括如下步骤：
[0091]
1.2.6)在所述损失函数满足第二条件的情况下，将所述损失函数对应的所述初始量子神经网络的参数确定为目标参数，并基于所述目标参数得到所述量子分类器。
[0092]
在损失函数满足第二条件的情况下，则认为量子神经网络已训练完成，此时可得到训练完成的量子神经网络对应的网络参数，取该网络参数得到的量子神经网络，即为用于对图像质量进行评价的最优量子分类器。利用得到的最优量子分类器即可对一组待进行图像质量评价的图像进行图像质量的评价。
[0093]
步骤102：将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像。
[0094]
本技术实施例中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。
[0095]
在一种实施方式中，可以通过图像观测者的主观打分来判断图像质量。具体的方式为：让图像观测者根据事先规定好的评价准则或者自己的主观经验，对待评价图像按照视觉效果做出质量判断，并给出质量分数，即给出图像质量评分，最后对所有图像观测者给出的质量分数进行加权平均，得到的结果就是该幅图像的主观评价值，也可以称之为主观评分值，主观评价值越高则说明图像的质量越好。
[0096]
本技术实施例中，多个待评价图像中图像质量满足第一条件的图像，具体可以为多个待评价图像中图像质量最优的图像。
[0097]
本技术实施例中，利用得到的最优量子分类器即可对一组待进行图像质量评价的图像进行图像质量的评价，具体的，可以将一组待进行图像质量评价的多幅图像对应的主观评价值输入至训练得到的量子分类器中，利用量子分类器筛选出一组图像中图像质量最优的图像。
[0098]
本技术一可选实施方式中，上述步骤102具体可通过如下步骤实现：
[0099]
利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。
[0100]
具体的，可以选取图像质量主观评价值数据集，利用步骤101构建的量子分类器，将图像质量主观评价值数据集输入至已构建好的量子分类器中，依据量子分类器产生的决策边界来区分不同图像所在区域，在量子决策边界中心区域dmos值(即主观评价值)对应图像即为质量最优图像。下面表1为一组图像质量评分数据集。
[0101]
表1图像质量评分数据集
[0102]
imagedst_idxdst_typedst_levdmos_stddmos16001noise10.0610.062
16001noise20.0970.20616001noise30.0330.26216001noise40.1070.37516001noise50.1200.46716002jpeg10.0040.01316002jpeg20.0630.06916002jpeg30.0840.19716002jpeg40.0830.50116002jpeg50.0590.68716003jpeg 200010.0020.01216003jpeg 200020.0590.13516003jpeg 200030.0700.36416003jpeg 200040.0920.57616003jpeg 200050.0000.82716004fnoise10.0420.05216004fnoise20.0580.25316004fnoise30.0210.37616004fnoise40.1110.49016004fnoise50.1160.56516005blur10.0530.04316005blur20.0820.14216005blur30.0820.34116005blur40.1150.47116005blur50.0540.75016006contrast10.0460.05616006contrast20.0810.20116006contrast30.0960.31016006contrast40.1150.371
[0103]
表1中image代表图像编号，dst_idx代表图像编码方式，dst_lev图像等级，dmos_std代表平均主观得分差，dmos代表主观评价值。
[0104]
图2为本技术实施例提供的不同质量的图像，图中的(a)～(e)共5幅图像分别具有不同的主观评价值，将图2中5幅图像的主观评价值输入训练好的量子分类器，依据各图像不同的主观评价值最终可筛选出图2中最左侧的图像(a)为图像视觉质量最好的图像。图2中，5幅图像的图像质量从左到右依次降低。
[0105]
本技术能够利用量子神经网络生成的量子分类器通过对图像主观评价值进行分类，从多幅图像中筛选出质量最优的图像。
[0106]
本技术实施例提供的图像质量的评价方法不同于传统机器学习方法进行最优分类器的生成，本技术实施例使用一种量子神经网络方法生成分类器，与传统的图像筛选方法实现的基本原理是不同的。本技术实施例的技术方案利用量子神经网络生成的分类器通
过对图像主观评价值进行分类，筛选出质量最优的图像，具有较好的应用价值。另外，本技术实施例的技术方案不同于传统方法在经典计算机中运行，本技术实施例的方案可适配在电子计算机与量子计算机模式形态中运行，对于未来使用量子模态的计算机，具有较高的前沿技术预研价值。
[0107]
请参阅图3，图3为本技术实施例提供的量子分类器的构建过程示意图，图3涉及图像数据的处理过程以及量子神经网络的训练过程。如图3所示，最优量子分类器的生成过程分为量子数据编码和量子神经网络训练两个部分。其中，量子数据编码部分将经典的数字图像信息转换为量子数据信息；量子神经网络训练得到分类器的过程，主要是基于得到的量子数据信息对初始的量子神经网络进行训练，得到最优量子分类器的分类系统参数，从而得到最优量子分类器。具体的量子数据编码过程以及量子神经网络训练得到最优量子分类器的过程可参照上述步骤101，此处不再赘述。
[0108]
请参阅图4，图4为本技术实施例提供的图像质量评价装置的结构组成示意图，如图4所示，所述装置包括：
[0109]
构建单元401，用于构建量子分类器；
[0110]
确定单元402，用于将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像；
[0111]
其中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。
[0112]
本技术一可选实施方式中，所述构建单元401，具体用于：获取图像数据集，将所述图像数据集中包括的各图像数据编码为对应的第一量子数据；利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器。
[0113]
本技术一可选实施方式中，所述构建单元401，具体用于：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数；确定所述损失函数是否满足第二条件；在所述损失函数不满足所述第二条件的情况下，重复执行如下步骤，直至所述损失函数满足所述第二条件：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数。
[0114]
本技术一可选实施方式中，所述构建单元401，还具体用于：在所述损失函数满足第二条件的情况下，将所述损失函数对应的所述初始量子神经网络的参数确定为目标参数，并基于所述目标参数得到所述量子分类器。
[0115]
本技术一可选实施方式中，所述图像数据集中的各图像数据为n维数据，n为大于等于1的整数；所述构建单元401，具体用于：将所述图像数据集中的各图像数据设置为预设形式的图像数据；基于所述各图像数据对应的预设形式的图像数据确定初始状态的量子态数据；基于所述各图像数据对应的预设形式的图像数据，将所述各图像数据编码为量子门形式并作用在所述初始状态的量子态数据上，得到所述各图像数据对应的第一量子数据。
[0116]
本技术一可选实施方式中，所述确定单元402，具体用于：利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。
[0117]
本领域技术人员应当理解，图4所示的图像质量评价装置中的各单元的实现功能可参照前述图像质量评价方法的相关描述而理解。图4所示的图像质量评价装置中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
[0118]
本技术实施例还提供了一种电子设备。图5为本技术实施例的电子设备的硬件结构示意图，如图5所示，电子设备包括：用于进行数据传输的通信组件503、至少一个处理器501和用于存储能够在处理器501上运行的计算机程序的存储器502。终端中的各个组件通过总线系统504耦合在一起。可理解，总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统504。
[0119]
其中，所述处理器501执行所述计算机程序时至少执行图1所示的方法的步骤。
[0120]
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
[0121]
上述本技术实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、dsp，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软
件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成前述方法的步骤。
[0122]
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、fpga、通用处理器、控制器、mcu、微处理器(microprocessor)、或其他电子元件实现，用于执行前述的通话录音方法。
[0123]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时至少用于执行图1所示方法的步骤。所述计算机可读存储介质具体可以为存储器。所述存储器可以为如图5所示的存储器502。
[0124]
本技术实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0125]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和智能设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0126]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0127]
另外，在本技术各实施例中的各功能单元可以全部集成在一个第二处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
[0128]
以上所述，仅为本技术的具体实施方式，但本技术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，都应涵盖在本技术的保护范围之内。

技术特征：
1.一种图像质量评价方法，其特征在于，所述方法包括：构建量子分类器；将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像；其中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。2.根据权利要求1所述的方法，其特征在于，所述构建量子分类器，包括：获取图像数据集，将所述图像数据集中包括的各图像数据编码为对应的第一量子数据；利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器。3.根据权利要求2所述的方法，其特征在于，所述利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器，包括：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数；确定所述损失函数是否满足第二条件；在所述损失函数不满足所述第二条件的情况下，重复执行如下步骤，直至所述损失函数满足所述第二条件：将所述各图像数据对应的第一量子数据输入至初始量子神经网络，得到第二量子数据；利用预设测量方法测量所述第二量子数据，得到所述第二量子数据对应的第一测量数据；对所述第一测量数据进行偏置处理得到位于预设映射区间的第二测量数据；基于所述第二测量数据以及所述第一量子数据确定所述初始量子神经网络的损失函数。4.根据权利要求3所述的方法，其特征在于，所述利用所述各图像数据对应的第一量子数据训练初始量子神经网络，得到量子分类器，还包括：在所述损失函数满足第二条件的情况下，将所述损失函数对应的所述初始量子神经网络的参数确定为目标参数，并基于所述目标参数得到所述量子分类器。5.根据权利要求2至4中任一项所述的方法，其特征在于，所述图像数据集中的各图像数据为n维数据，n为大于等于1的整数；所述将所述图像数据集中包括的各图像数据编码为对应的第一量子数据，包括：将所述图像数据集中的各图像数据设置为预设形式的图像数据；基于所述各图像数据对应的预设形式的图像数据确定初始状态的量子态数据；基于所述各图像数据对应的预设形式的图像数据，将所述各图像数据编码为量子门形式并作用在所述初始状态的量子态数据上，得到所述各图像数据对应的第一量子数据。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像，包括：利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。7.一种图像质量评价装置，其特征在于，所述装置包括：构建单元，用于构建量子分类器；确定单元，用于将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像；其中，针对所述多个待评价图像中的每个待评价图像，该待评价图像对应的主观评价值基于至少一个图像观测者对该待评价图像的图像质量评分得到。8.根据权利要求7所述的装置，其特征在于，所述确定单元，具体用于：利用所述量子分类器产生的决策边界确定所述多个待评价图像中的各待评价图像在所述决策边界中所处的区域，将位于所述决策边界的中心区域的主观评价值对应的待评价图像确定为所述多个待评价图像中图像质量满足第一条件的目标图像。9.一种电子设备，其特征在于，所述电子设备包括：存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时可实现权利要求1至6中任一项所述的方法。10.一种计算机存储介质，其特征在于，所述存储介质上存储有可执行指令，该可执行指令被处理器执行时实现权利要求1至6中任一项所述的方法。

技术总结
本申请公开了一种图像质量评价方法、装置、电子设备及存储介质，其中，所述方法包括：构建量子分类器；将多个待评价图像对应的主观评价值输入所述量子分类器，利用所述量子分类器确定所述多个待评价图像中图像质量满足第一条件的目标图像。本申请能够利用量子神经网络生成的量子分类器对图像主观评价值进行分类，从多幅图像中筛选出质量最优的图像。从多幅图像中筛选出质量最优的图像。从多幅图像中筛选出质量最优的图像。


技术研发人员：黄智国 钱岭 蔡敦波
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.10.13
技术公布日：2023/9/23