The present invention discloses an image quality assessment method based on the importance between features of depth network. The method adds a module to distinguish the importance relationship between feature maps in the end-to-end training of neural network model, which can predict image quality more accurately, and shows strong generalization ability on various image quality assessment (IQA) data sets. The steps are as follows: 1) Preparing the data set of image quality assessment for training and testing network model, randomly dividing the data set of image quality assessment into training set and testing set according to image content; 2) Adding SeNet module to VGG_16 network to build the neural network model VGG_16 with different combination modes for image quality assessment.
【技术实现步骤摘要】
一种基于深度网络特征间重要性的图像质量评估方法
本专利技术属于计算机图像处理领域,特别是涉及一种基于深度网络特征间重要性的图像质量评估方法。
技术介绍
图像质量评估作为图像处理领域的基础内容,在许多领域有其广泛的实用性,比如图像压缩、视频编解码、视频监控等。由于在很多实际应用中,很难获得待评估图像的参考图像,所以开发有效的无参考图像质量评估(NR-IQA)方法变得日益重要;NR-IQA方法主要包含传统方法和深度学习的方法。传统的方法主要是利用手动提取的与人眼感知相关的低级特征,并通过浅层回归的方法来评估图像的质量。这种方法的主要缺点是手动提取的低级特征不足以呈现图像的复杂结构和失真程度。因此,近年来,深度学习的方法得到了广泛的发展。主要是因为它只需要利用卷积神经网络强大的学习能力自动提取与失真相关的深度特征来评估图像的质量。但是,随着网络深度的增加,IQA数据集不足和缺乏样本标签的问题一直阻碍着此方法的发展。针对以上问题,目前的许多研究都采用将图像分块输入网络的方法来增加样本量,但依旧由于样本太少而导致只能使用较浅层的神经网络,最终使得预测效果不准确。直至后来有研究者从排序的思想得到启发,先借助图像质评领域外的大量图像数据集预训练网络对失真图片等级排序,后用IQA领域的小数据集,以图像作为输入直接对预训练网络进行微调来评估图像的质量。这样递进式的两步训练法极大的解决了数据集不足带来的过拟合以及只能使用浅网络而不能充分表达图像与分值之间映射关系的问题。但由于此法中深度神经网络卷积层后所有特征图是以相同的重要性传递给下一层,没有考虑过卷积层后的特征图间重要性关 ...
【技术保护点】
1.一种基于深度网络特征间重要性的图像质量评估方法,其特征在于,包括以下步骤:1)准备训练测试网络模型所用的图像质量评估数据集,将图像质量评估数据集按照图像内容随机划分为训练集和测试集;2)将SeNet模块加入VGG‑16网络以搭建用于图像质量评估的多个不同组合方式的神经网络模型VGG
【技术特征摘要】
1.一种基于深度网络特征间重要性的图像质量评估方法,其特征在于,包括以下步骤:1)准备训练测试网络模型所用的图像质量评估数据集,将图像质量评估数据集按照图像内容随机划分为训练集和测试集;2)将SeNet模块加入VGG-16网络以搭建用于图像质量评估的多个不同组合方式的神经网络模型VGG*-SE,使用训练数据集分别对其进行训练,当训练的模型在测试数据集上达到预期的精度,选择此模型作为最终模型,并保存网络模型训练后的参数;3)使用选取的最终模型计算测试集的预测精度。2.根据权利要求1所述的一种基于深度网络特征间重要性的图像质量评估方法,其特征在于,步骤2)所述的SeNet模块从输入层至输出层之间依次连接有第一全局池化层se_global_pool,第一卷积层se_1x1_down,第一激活函数层ReLU,第二卷基层se_1x1_up,第二激活函数层sigmoid,第一通道标注层scale。3.根据权利要求1所述的一种基于深度网络特征间重要性的图像质量评估方法,其特征在于,步骤2)的具体实现方法如下:201)判断VGG-16网络卷积层中特征类型对VGG-16网络分别进行前n个卷积层参数的冻结,得到n个深度网络模型,并利用训练测试数据集对冻结后的多个模型分别进行训练与测试,将多个模型预测结果依次与不冻结训练时的模型预测结果进行对比,预测精度开始出现下降的层以及后续所有层即确定为适用于图像质量评估任务的深度特征层,而之前的所有卷积层则确定为适用于多图像任务...
【专利技术属性】
技术研发人员:李凡,李梦月,杨晓晗,张扬帆,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。