The invention discloses a reference-free image quality evaluation method based on hierarchical feature fusion network, which mainly solves the problems of low precision and slow speed of the existing technology. The implementation schemes are as follows: 1. Selecting reference images from MSCOCO datasets and building contaminated image databases by adding noise; 2. Designing and clipping training set images and test set images simultaneously; 3. Designing a hierarchical feature fusion network model for end-to-end joint optimization based on the hierarchical processing mechanism of human visual system from local features to global semantics; 4. Utilizing the network model to achieve end-to-end joint optimization; The training set and the test set train the hierarchical feature fusion network model; 5. The evaluation image is de-averaged and clipped, and the processed image is input into the trained hierarchical feature fusion network model to obtain the image quality prediction score; the present invention greatly improves the accuracy and speed of the non-reference quality evaluation, and can be used for image screening, compression and video quality monitoring.
【技术实现步骤摘要】
基于层级特征融合网络的无参考图像质量评价方法
本专利技术属于图像处理
,特别涉及无参考图像质量评价方法,可以用于图像筛选、压缩、视频质量监控。技术背景随着互联网和手机终端的兴起,每天都会产生海量的图像和视频数据。但令人遗憾的是,在图像与视频生成、处理、传输和存储阶段,都会不可避免的产生各种各样的失真,因此自动评价图像质量变得不可或缺。主观质量评价也就应运而生并且在图像视频领域得到了广泛应用。在过去的十年里,出现了各种各样的性能优越的图像质量评价算法,根据参考图像是否可获得,将这些算法分为三种:全参考图像质量评价算法,部分参考图像质量评价算法,无参考图像质量评价算法。全参考质量评价算法需要参考原始图像的全部信息,部分参考质量评价算法仅需参考部分图像信息。但是在实际情况中,无论是无人机拍摄的图像还是监控设备拍摄的图像,参考图像都是无从获得的,所以前两种算法对实际应用提出了很大挑战。基于参考图像难以获得这个问题,不需要任何原始图像信息的无参考质量评价开始兴起并逐渐成为热门研究方向。从特征提取的角度出发,早期的无参考质量评价主要针对某几种噪声类型,例如块状噪声和模糊噪声来构建特征,或者是在空域和DCT域提取自然场景统计NSS特征。特征提取后,再利用支持向量机SVR将这些特征回归得到质量分数。但是,这些方法很难设计能充分表征图像质量衰减的特征。随着CNN的广泛应用,最近几年出现了很多基于CNN的无参考图像质量评价算法。Bosse等人在文章“Deepneuralnetworksforno-referenceandfull-referenceimagequal ...
【技术保护点】
1.一种基于层级特征融合网络的无参考质量评价方法,其实现包括如下:(1)从MSCOCO数据集挑选参考图像并通过添加噪声建立污染图像数据库,将数据库样本随机分为两份,其中80%的污染图用于训练,20%的污染图用于测试;(2)对训练集图像与测试集图像同时进行去均值与裁剪,得到样本中心点在原点而且图像尺寸一致的训练集与测试集;(3)根据人类视觉系统从局部特征到全局语义的分层次处理机制,设计一个进行端到端联合优化的层级特征融合网络模型;(4)利用步骤(2)得到的训练集和测试集对步骤(3)设计的层级特征融合网络模型进行训练,得到训练好的层级特征融合网络模型;(5)对待评测图像进行去均值与裁剪处理,将处理后的图像输入到步骤(4)中得到的训练好的层级特征融合网络模型,获得图像质量预测分值。
【技术特征摘要】
1.一种基于层级特征融合网络的无参考质量评价方法,其实现包括如下:(1)从MSCOCO数据集挑选参考图像并通过添加噪声建立污染图像数据库,将数据库样本随机分为两份,其中80%的污染图用于训练,20%的污染图用于测试;(2)对训练集图像与测试集图像同时进行去均值与裁剪,得到样本中心点在原点而且图像尺寸一致的训练集与测试集;(3)根据人类视觉系统从局部特征到全局语义的分层次处理机制,设计一个进行端到端联合优化的层级特征融合网络模型;(4)利用步骤(2)得到的训练集和测试集对步骤(3)设计的层级特征融合网络模型进行训练,得到训练好的层级特征融合网络模型;(5)对待评测图像进行去均值与裁剪处理,将处理后的图像输入到步骤(4)中得到的训练好的层级特征融合网络模型,获得图像质量预测分值。2.根据权利要求1所述的方法,其中步骤(1)从MSCOCO数据集挑选参考图像并通过添加噪声建立污染图像数据库,按如下步骤进行:(1a)从MSCOCO数据集挑选一万张高清无污染图作为参考图像;(1b)对这些参考图像添加噪声,共产生一百万张污染图像;(1c)用全参考算法为每张污染图像添加质量值,并采用映射函数对每张的质量值范围进行统一,得到污染图像数据库。3.根据权利要求1所述的方法,其中步骤(2)对训练集图像和测试集图像同时进行去均值与裁剪,其实现如下:(2a)统计训练样本的所有像素均值;(2b)从训练集和测试集中的图像像素值中同时减去该均值;(2c)将去均值后的训练集与测试集中的图像都随机裁剪为300*...
【专利技术属性】
技术研发人员:吴金建,梁富虎,马居坡,石光明,
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
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。