一种利用多层深度表征进行无参考图像质量预测的方法技术

本发明专利技术公开了一种利用多层深度表征进行无参考图像质量预测的方法。本发明专利技术包括如下步骤：步骤(1)数据预处理：将所有图像缩放到统一的尺寸大小，减去平局值，将二进制数据转换为深度神经网络能识别的数据格式；步骤(2)特征提取及处理：利用一个在ImageNet上训练好的37层VGGnet模型进行特征提取，提取每层特征并进行处理，得到一个列向量；步骤(3)预测分数：将每层特征融合得到的列向量输入支持向量回归模型得到每层特征的预测分数；将各层分数平均值作为整张图片的质量评估分值。本发明专利技术提出了一整简单高效的针对图像质量评价的新方法。并且获得了目前在图像质量评价领域中的最好效果。

A method of non reference image quality prediction using multi-layer depth characterization

The invention discloses a method of using multi-layer depth characterization to predict the quality of non reference images. The method comprises the following steps: (1) data preprocessing: all the image to zoom size uniform, minus the value of the draw, the binary data is converted to the depth of the neural network can identify the data format; step (2) feature extraction and processing, feature extraction using a ImageNet trained 37 each layer of the VGGnet model, extraction layer characteristics and processed by a column vector; step (3) prediction score: column vector of each layer of the input feature fusion support vector regression model to obtain the prediction score for each layer characteristics of each layer; the average of the scores for quality evaluation scores of the whole picture. The invention provides a new simple and efficient method for the evaluation of image quality. And the best effect in the field of image quality evaluation is obtained.

【技术实现步骤摘要】
一种利用多层深度表征进行无参考图像质量预测的方法
本专利技术提到了一种利用多层深度表征进行无参考图像质量预测(BLindImagequalitypredictioNviamulti-levelDEepRepresentations,BLINDER)的方法，其中主要涉及一种利用深层次网络进行预训练，并提取处理各层特征进行分数预测的方法，以及构建一个准确率极高的分数预测模型的建模表达。
技术介绍
图像质量是比较各种图像处理算法性能优劣以及优化系统参数的重要指标，因此在图像采集、编码压缩、网络传输等领域建立有效的图像质量评价机制具有重要的意义。图像质量评价从方法上可分为主观评价方法和客观评价方法，前者凭借实验人员的主观感知来评价对象的质量；后者依据模型给出的量化指标。相对于主观质量评价，客观质量评价具有操作简单、成本低、易于解析和嵌入实现等优点，已经成为图像质量评价的研究重点。无参考质量评价是客观质量评价方法之一，无参考图像质量评估(BlindimagequalityassessmentBIQA)的目标是能够在没有原始图像的参考的状态下，自动评估一副图像的质量并给出和人的主观感受相一致的评本文档来自技高网...

【技术保护点】
一种利用多层深度表征进行无参考图像质量预测的方法,其特征在于包括如下步骤：步骤(1)数据预处理将所有图像缩放到统一的尺寸大小，减去平局值，将二进制数据转换为深度神经网络能识别的数据格式；步骤(2)特征提取及处理利用一个在ImageNet上训练好的37层VGGnet模型进行特征提取，提取每层特征并进行处理，得到一个列向量；步骤(3)预测分数将每层特征融合得到的列向量输入支持向量回归模型得到每层特征的预测分数；将各层分数平均值作为整张图片的质量评估分值。

【技术特征摘要】
1.一种利用多层深度表征进行无参考图像质量预测的方法,其特征在于包括如下步骤：步骤(1)数据预处理将所有图像缩放到统一的尺寸大小，减去平局值，将二进制数据转换为深度神经网络能识别的数据格式；步骤(2)特征提取及处理利用一个在ImageNet上训练好的37层VGGnet模型进行特征提取，提取每层特征并进行处理，得到一个列向量；步骤(3)预测分数将每层特征融合得到的列向量输入支持向量回归模型得到每层特征的预测分数；将各层分数平均值作为整张图片的质量评估分值。2.根据权利要求1所述的一种利用多层深度表征进行无参考图像质量预测的方法,其特征在于步骤(1)所述的数据预处理：1-1.在数据集中随机选择部分图像作为训练集，剩下的作为测试集；将训练集中图像缩放为224*224的固定尺寸，缩放后的图像中每个像素均减去RGB的平均值，测试集不作处理；1-2.将图像的名称和分值一一对应写入txt文本，读取txt文本，按名称检索图像，将二进制格式数据转换为神经网络能够识别的数据。3.根据权利要求2所述的一种利用多层深度表征进行无参考图像质量预测的方法,其特征在于步骤(2)所述的特征提取及处理：2-1.选择用已经在ImageNet上训练好的37层VGGnet模型进行试验，并提取各层特征作为图像质量评价的依据；2-2.对图像进行特征提取，使用深度神经网络提取每层图像特征形成图像特征Fl，其中Fl∈Rc×h×w，l是深度神经网络的第l层，l＝(1,2,......

【专利技术属性】
技术研发人员：俞俊，高飞，孟宣彤，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33