基于双通道深度并行卷积网络的图像质量分类方法技术

本发明专利技术公开了一种基于双通道深度并行卷积网络的图像质量分类方法，解决了人工构建质量特征的困难以及卷积神经网络输入归一化丢失图像细节信息的问题。其实现步骤为：选取图像样本；构建训练图像数据集；搭建双通道深度并行卷积网络；对训练数据集进行预处理；训练双通道深度并行卷积网络；对待测试图像进行数据预处理；给出图像质量分类结果。本发明专利技术设计了一种新的双通道深度并行卷积网络，双通道分别输入全局图像和局部图像，综合考虑图像的全局信息和细节信息，针对全局图像，设计并行卷积结构，能消除图像语义信息对图像质量分类的影响，实现全面、合理和精细的图像质量分类。广泛应用到计算机视觉、图像美学质量评价中。

【技术实现步骤摘要】
基于双通道深度并行卷积网络的图像质量分类方法
本专利技术属于图像处理
，更进一步涉及图像的评价和分类，具体是一种基于双通道深度并行卷积网络的图像质量分类方法。本专利技术可用于对自然图像的质量进行评价，进一步应用可以用于区分图像的美学质量。
技术介绍
目前，随着手机、相机等数码设备的发展和普及，摄影逐渐引起了越来越多的关注和兴趣。由于这些设备的普及，图像的数量也以一种爆发式的速度增长。图像的质量分类是图像处理与图像分析中重要的研究问题，该技术试图利用多种属性特征深入挖掘图像质量相关特性，实现对图像质量的准确分类，提升图像质量评价性能。典型的图像质量分类方法框架由两部分组成：图像质量特征的提取以及图像质量的分类。根据提取图像质量特征所使用的技术方法，可以将现有图像质量分类方法分为两大类：第一类是基于人工构建特征的图像质量分类方法，将图像质量特征提取和图像质量的分类独立进行，第一步，依据人类对于图像质量评价的经验和一些摄影准则设计底层特征，用这些底层特征表达图像的质量特性人工构建图像质量特征并进行特征的提取。第二步则使用提取到的特征训练分类器实现对图像的质量分类。第二类是基于深度学习本文档来自技高网...

【技术保护点】
1.一种基于双通道深度并行卷积网络的图像质量分类方法，其特征在于，具体包括如下步骤：(1)选取图像样本：选取图像质量评价相关领域的数据库中的所有图像，作为实验数据，即图像样本，数据库中共有M类不同内容的图像，每一类图像中都包含有高质量图像样本和低质量图像样本；(2)构建训练数据集：从图像样本中选取训练数据集，对M类图像样本中的每一类都进行随机采样，所有采样得到的样本组成包含M类图像样本的训练数据集，作为网络训练时的输入数据集；(3)搭建双通道深度并行卷积网络：搭建一个双通道深度并行卷积网络，该网络前端的双通道部分包含两个通道，分别对应图像的全局信息和局部信息，网络后端的合并通道部分将两个通道的...

【技术特征摘要】
1.一种基于双通道深度并行卷积网络的图像质量分类方法，其特征在于，具体包括如下步骤：(1)选取图像样本：选取图像质量评价相关领域的数据库中的所有图像，作为实验数据，即图像样本，数据库中共有M类不同内容的图像，每一类图像中都包含有高质量图像样本和低质量图像样本；(2)构建训练数据集：从图像样本中选取训练数据集，对M类图像样本中的每一类都进行随机采样，所有采样得到的样本组成包含M类图像样本的训练数据集，作为网络训练时的输入数据集；(3)搭建双通道深度并行卷积网络：搭建一个双通道深度并行卷积网络，该网络前端的双通道部分包含两个通道，分别对应图像的全局信息和局部信息，网络后端的合并通道部分将两个通道的输出合并，变为一个通道；并行卷积结构只存在于网络前端的双通道部分中的一个通道中，特点是能够针对不同语义内容的图像分别处理；(4)对训练数据集进行数据预处理：数据预处理包括两种预处理方式，预处理后得到的图像块作为预处理结果，第一种预处理结果作为双通道深度并行卷积网络第一通道的输入，第二种预处理结果作为双通道深度并行卷积网络第二通道的输入；(5)训练双通道深度并行卷积网络：(5a)将经过预处理的训练数据集输入到双通道深度并行卷积网络，网络的输出即为训练数据集的预测质量类别；(5b)利用交叉熵公式，计算训练数据集的预测质量类别与训练数据集的真实质量类别标签之间的交叉熵；(5c)将交叉熵值作为双通道深度并行卷积网络的代价值，对网络进行迭代训练，直到网络的代价值不再降低而且达到最大迭代次数时，网络训练完毕，得到训练好的双通道深度并行卷积网络；(6)对待测试图像进行数据预处理：数据预处理同训练数据集的数据预处理，也包括两种预处理方式，第一种预处理结果作为双通道深度并行卷积网络第一通道的输入，第二种预处理结果作为双通道深度并行卷积网络第二通道的输入；(7)给出图像质量分类结果：将经过预处理的待测试图像作为双通道深度并行卷积网络的输入，利用训练好的双通道深度并行卷积网络对输入图像进行计算，网络输出即为待测试图像的图像质量类别分类结果。2.根据权利要求1所述的基于双通道深度并行卷积网络的图像质量分类方法，其特征在于，步骤(3)中所述的搭建双通道深度并行卷积网络，包括有如下步骤：(3a)搭建一个七层的单通道深度卷积网络：具体结构为：第一层为包含有卷积处理、池化处理和局部响应归一化处理的卷积层；第二层为包含有卷积处理、池化处理和局部响应归一化处理的卷积层；第三层为进行卷积处理的卷积层；第四层为进行卷积处理的卷积层；第五层为全连接层；第六层为全连接层；第七层为全连接层；(3b)搭建一个七层的单通道深度并行卷积网络：在另一个七层的单通道深度卷积网络中加入并行卷积结构,搭建一个七层的单通道深度并行卷积网络，具体结构为：第四层为进行并行卷积处理的并行卷积层组，该并行卷积层组的结构为M个并行排列的卷积层，其中的每一个卷积层参数都是相同的，其余层与七层的单通道深度卷积网络的对应层相同；(3c)将七层的单通道深度卷积网络和七层的单通道深度并行卷积网络进行合并，搭建成为一个双通道深度并行卷积网络，具体合并过程如下：定义双通道深度并行卷积网络的第一通道为七层的单通道深度并行卷积网络的前五层；用于获取图像的全局信息；定义双通道深度并行卷积网络的第二通道为七层的单通道深度卷积网络的前五层；用于获取图像的局部信息；合并通道部分，包含两个全连接层，第一个全连接层将两个单通道的第五层的输出进行合并，合并后的结果作为第一个全连接层的输入，输出结果作为第二个全连接层的输入；第二个全连接层接受第一个全连接层的...

【专利技术属性】
技术研发人员：高新波，李恒达，路文，余颖，何立火，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61