基于全卷积神经网络的无参考图像质量评价方法技术

本发明专利技术公开了一种基于全卷积神经网络的无参考图像质量评价方法，其采用全参考图像质量评价方法获得训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，得到最优的全卷积神经网络回归训练模型，再将待评价的失真图像的归一化图像输入到最优的全卷积神经网络回归训练模型中，预测得到待评价的失真图像的客观质量评价预测质量图，使用待评价的失真图像的显著图对客观质量评价预测质量图进行加权池化，从而得到客观质量评价预测值，由于结合了失真图像的全参考特征、显著性特征等多种特征，并且这些特征能比较准确地描述失真图像，因而有效地提高了客观评价结果与主观感知之间的相关性。

【技术实现步骤摘要】
基于全卷积神经网络的无参考图像质量评价方法
本专利技术涉及一种图像质量评价方法，尤其是涉及一种基于全卷积神经网络的无参考图像质量评价方法。
技术介绍
随着图像处理、机器学习和计算机视觉的快速发展，图像质量评价在这种趋势中已成为了越来越受关注的研究领域，因为它是一个重要的技术，在实际应用中，可以用于精确评估图像的质量。在图像的获取、传输、压缩、存储和显示等过程中，往往会有不同程度的失真，如图像模糊、视频终端图像失真、系统中图像质量不达标等，因此，建立有效的图像质量评价机制非常重要。一般来说，图像质量评价大致可以划分为两个不同的类别：主观图像质量评价方法和客观图像质量评价方法。前一类是基于人类观察者的主观判断，而后一类采用客观度量快速和精确地衡量一个失真图像的质量。虽然主观图像质量评价方法提供的最终接收机制能够更加可靠的、精确和直接的量化图像感知质量，但是主观图像质量评价方法比较繁琐，并且许多情况下不容易实现(如实时和自动化系统)。因此，客观图像质量评价方法取得了飞速的发展。客观图像质量评价方法主要分为三种评价方法，即全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，当前研究最多的是全参考图像质量评价方法，但是由于多数应用中无法获得相应的原始图像，因此无参考图像质量评价方法的研究更具实用价值。现有的通用无参考图像质量评价方法主要针对特殊的图像(例如，人物、风景等)的研究，而将各种各样类型的图像集合在一起(包括建筑、风景、动物、人、美食、车、船、飞机等)，训练一个具有通用性模型的评价方法却很少，由于多种类型图像(特征不同)混合在一起很难训练出一个最优模型，因此利用多种类型图像训练出通用无参考图像质量评价方法进行质量评价更具有挑战性。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于全卷积神经网络的无参考图像质量评价方法，其将最佳的全参考图像质量评价指标与人的主观质量得分保持高度一致，从而有效地提高了客观评价结果与主观感知之间的相关性。本专利技术解决上述技术问题所采用的技术方案为：一种基于全卷积神经网络的无参考图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为然后利用失真生成方法，生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像；再将所有原始的无失真图像对应的失真图像构成训练集，将训练集中的第k幅失真图像记为其中，P为正整数，P>1，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示的高度，表示中坐标位置为(x,y)的像素点的像素值，k为正整数，1≤k≤K，K为正整数，K表示训练集中包含的失真图像的总幅数，K＝P×L，L为正整数，L表示每幅原始的无失真图像对应的失真图像的总幅数，L>1，表示中坐标位置为(x,y)的像素点的像素值；步骤①_2：利用基于特征相似度的全参考图像质量评价方法，并结合训练集中的每幅失真图像及其对应的原始的无失真图像，获得训练集中的每幅失真图像的客观真实质量图，将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的；其中，表示中坐标位置为(x,y)的像素点的像素值；并且，利用归一化方法，对训练集中的每幅失真图像进行归一化处理，获得训练集中的每幅失真图像的归一化图像，将的归一化图像记为其中，表示中坐标位置为(x,y)的像素点的像素值；步骤①_3：利用全卷积神经网络，并将训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，使得回归得到的质量图与客观真实质量图之间的误差最小，得到最优的权值矢量ω和最优的偏置项b；然后将ω和b作为全卷积神经网络的最优参数，进而构造得到最优的全卷积神经网络回归训练模型；所述的测试阶段过程的具体步骤为：步骤②_1：令表示待评价的失真图像；其中，1≤i≤W'，1≤j≤H'，W'表示的宽度，H'表示的高度，表示中坐标位置为(i,j)的像素点的像素值；步骤②_2：利用归一化方法，对进行归一化处理，获得的归一化图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；并且，利用图像显著性特征图提取方法，提取出的显著图，记为其中，表示中坐标位置为(i,j)的像素点的像素值；步骤②_3：将作为输入，输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中，得到的客观质量评价预测质量图，记为其中，表示中坐标位置为(i,j)的像素点的像素值；步骤②_4：使用对进行加权池化，得到的客观质量评价预测值，记为Q。所述的步骤①_2中，所述的步骤①_3中，全卷积神经网络有三层，分别为输入层、非线性拟合层和预测层；非线性拟合层包括7个卷积层，使用的卷积核的个数分别为32、64、128、256、128、64、1，卷积核的尺寸大小都为3×3，mini-batch的大小都为24，使用的优化器都为Adam，使用的激活函数都为修正线性单元函数。与现有技术相比，本专利技术的优点在于：1)本专利技术方法采用无主观意见的全参考图像质量评价方法获得训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，得到最优的全卷积神经网络回归训练模型，再将待评价的失真图像的归一化图像输入到最优的全卷积神经网络回归训练模型中，预测得到待评价的失真图像的客观质量评价预测质量图，使用待评价的失真图像的显著图对得到的客观质量评价预测质量图进行加权池化，从而得到待评价的失真图像的客观质量评价预测值，由于结合了失真图像的全参考特征、显著性特征等多种特征，并且这些特征能够比较准确地描述失真图像，即本专利技术方法充分考虑了多种类型图像特征对视觉质量的影响，因而有效地提高了客观评价结果与主观感知之间的相关性。2)本专利技术方法同时考虑了失真图像的客观质量评价预测质量图和显著图，能够很好地反映各种因素的特征变化情况，符合质量评价特征。3)本专利技术方法采用深度学习的方法模拟视觉记忆搜索功能，使客观评价值能更加准确地预测失真图像的客观质量评价预测值。附图说明图1为本专利技术方法的总体实现框图。具体实施方式以下结合附图实施例对本专利技术作进一步详细描述。本专利技术提出的一种基于全卷积神经网络的无参考图像质量评价方法，其总体实现框图如图1所示，其包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为然后利用现有的失真生成方法，生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像；再将所有原始的无失真图像对应的失真图像构成训练集，将训练集中的第k幅失真图像记为其中，P为正整数，P>1，如取P＝100，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示的高度，表示中坐标位置为(x,y)的像素点的像素值，k为正整数，1≤k≤K，K为正整数，K表示训练集中包含的失真图像的总幅数，K＝P×L，L为正整数，L表示每幅原始的无失真图像对应的失真图像的总幅数，L>1，如取L＝4，表示中坐标位置为(x,y)的像素点的像素值。步骤①_2：利用现有本文档来自技高网...

【技术保护点】
1.一种基于全卷积神经网络的无参考图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为

【技术特征摘要】
1.一种基于全卷积神经网络的无参考图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为然后利用失真生成方法，生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像；再将所有原始的无失真图像对应的失真图像构成训练集，将训练集中的第k幅失真图像记为其中，P为正整数，P>1，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示的高度，表示中坐标位置为(x,y)的像素点的像素值，k为正整数，1≤k≤K，K为正整数，K表示训练集中包含的失真图像的总幅数，K＝P×L，L为正整数，L表示每幅原始的无失真图像对应的失真图像的总幅数，L>1，表示中坐标位置为(x,y)的像素点的像素值；步骤①_2：利用基于特征相似度的全参考图像质量评价方法，并结合训练集中的每幅失真图像及其对应的原始的无失真图像，获得训练集中的每幅失真图像的客观真实质量图，将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的；其中，表示中坐标位置为(x,y)的像素点的像素值；并且，利用归一化方法，对训练集中的每幅失真图像进行归一化处理，获得训练集中的每幅失真图像的归一化图像，将的归一化图像记为其中，表示中坐标位置为(x,y)的像素点的像素值；步骤①_3：利用全卷积神经网络，并将训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图...

【专利技术属性】
技术研发人员：周武杰，张爽爽，师磊磊，潘婷，顾鹏笠，蔡星宇，邱薇薇，何成，陈芳妮，葛丁飞，金国英，孙丽慧，郑卫红，李鑫，吴洁雯，王昕峰，施祥，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33