【技术实现步骤摘要】
基于选通卷积神经网络的多任务全参考图像质量评价方法
本专利技术涉及图像处理
，尤其涉及一种基于选通卷积神经网络的多任务全参考图像质量评价方法。
技术介绍
随着信息化时代的到来，多媒体(图像，视频等)成为日常生活中信息的重要载体。然而，在图像获取、处理、压缩、存储、传输和显示等过程中，任何一个阶段都可能造成图像质量的损失。图像质量评价已经成为信息工程领域重要的基础课题之一。一般而言，图像质量评价分为两大类：主观质量评价和客观质量评价。根据参考源的有无，客观质量评价可以分为全参考、半参考、无参考客观图像质量评价。大多情况下，失真图像往往是参考图像经过某种失真变换得到，因此图像的质量与失真类型和失真程度紧密相关。现有技术中的全参考图像质量评价方法往往局限于估计图像的质量分数，然而，光凭图像质量分数并不足以描述图像的质量。一方面，不同失真类型的失真图像可能具有相近的质量分数；另一方面，具有相同失真的不同图像可能具有完全不同的质量分数。
技术实现思路
本专利技术的实施例提供了一种基于选通卷积神经网络的多任务全参考图像质量评价方法，以实现准确地评价图像质量。为了实现上述目的...
【技术保护点】
1.一种基于选通卷积神经网络的多任务全参考图像质量评价方法，其特征在于，包括：基于全参考图像质量评价数据集构建无监督训练数据集，利用无监督训练数据集对选通自编码器进行训练；构建包括编码器模块、抽象模块和预测模块的掩码选通卷积神经网络，使用训练好的选通自编码器初始化掩码选通卷积神经网络的编码器模块，利用所述全参考图像质量评价数据集对掩码选通卷积神经网络进行端到端的训练；利用训练好的掩码选通卷积神经网络对测试图片进行图像质量评价。
【技术特征摘要】
1.一种基于选通卷积神经网络的多任务全参考图像质量评价方法，其特征在于，包括：基于全参考图像质量评价数据集构建无监督训练数据集，利用无监督训练数据集对选通自编码器进行训练；构建包括编码器模块、抽象模块和预测模块的掩码选通卷积神经网络，使用训练好的选通自编码器初始化掩码选通卷积神经网络的编码器模块，利用所述全参考图像质量评价数据集对掩码选通卷积神经网络进行端到端的训练；利用训练好的掩码选通卷积神经网络对测试图片进行图像质量评价。2.根据权利要求1所述的方法，其特征在于，所述的基于全参考图像质量评价数据集构建无监督训练数据集，包括：将全参考图像质量评价数据集划分为训练集和验证集，从训练集的图像对中随机裁剪图像块对构建无监督训练数据集的训练集，从验证集的图像对中随机裁剪图像块对构建无监督训练数据集的验证集，所述图像对包括参考图像和失真图像，所述图像块对包括参考图像块和失真图像块；对所述无监督训练数据集的训练集和验证集中的所有数据进行归一化操作。3.根据权利要求1所述的方法，其特征在于，所述的利用无监督训练数据集对选通自编码器进行训练，包括：构建包括编码器模块和解码器模块的选通自编码器模型，将所述无监督训练数据集中的参考图像块x，失真图像块y输入到选通自编码器模型中的编码器模块，选通自编码器模型中的解码器模块输出重构的参考图像块阳失真图像块基于输入的参考图像块x、失真图像块y和重构的参考图像块失真图像块对构建损失函数，使用基于所述损失函数的优化算法，迭代多个周期利用无监督训练数据集对选通自编码器模型进行训练，调整所述选通自编码器模型网络的权重。4.根据权利要求3所述的方法，其特征在于，所述的将所述无监督训练数据集中的参考图像块x，失真图像块y输入到选通自编码器模型中的编码器模块，选通自编码器模型中的解码器模块输出重构的参考图像块和失真图像块包括：所述选通自编码器模型中的编码器模块包含两个分支，两个分支分别包含卷积层1_1和卷积层1_2，分别以参考图像块x和失真图像块y作为输入，参考图像块x经过卷积层1_1得到特征图factor_x，失真图像块y经过卷积层1_2得到特征图factor_y，factor_x和factor_y的哈达玛积经过卷积层2得到z，将z作为解码器模块的输入；所述解码器模块也包含两个分支，所述解码器模块中输入的z经过卷积层3得到fact...
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。