一种基于深度漂移-扩散方法的美学图像质量预测系统及方法技术方案

本发明专利技术公开了一种基于深度漂移‑扩散方法的美学图像质量预测系统及方法：包括：采用受心理学家启发的深度漂移‑扩散(DDD)方法，在Caffe深度学习框架上，根据训练图像得分分布，预测美学图像得分分布；根据训练美学图像分类数据，预测美学图像分类类别值；根据训练图像集合内图像的美学得分，预测美学图像评分。将所述预测图像输入所述美学图像分数分布方法模型，输出美学图像得分分布、图像分类类别值、美学图像评分，解决了传统美学图像质量方法无法对呈非高斯分布的美学图像评价分数分布提供较高准确性的问题，达到了美学图像质量动态预测的技术效果。

An Esthetic Image Quality Prediction System and Method Based on Depth Drift-Diffusion Method

The invention discloses an aesthetic image quality prediction system and method based on depth drift and diffusion method, which includes: using depth drift and diffusion (DDD) method inspired by psychologists, predicting the distribution of aesthetic image score according to the distribution of training image score in Caffe depth learning framework, predicting the classification value of aesthetic image according to the classification data of training aesthetic image; According to the aesthetic score of the image in the training image set, the aesthetic image score is predicted. By inputting the forecasted image into the aesthetic image score distribution method model and outputting the aesthetic image score distribution, image classification category value and aesthetic image score, the problem that the traditional aesthetic image quality method can not provide high accuracy for the non-Gaussian distribution of aesthetic image evaluation score distribution is solved, and the technical effect of dynamic forecasting of aesthetic image quality is achieved.

【技术实现步骤摘要】
一种基于深度漂移-扩散方法的美学图像质量预测系统及方法
本专利技术涉及图像分析
，是一种基于深度漂移-扩散方法的美学图像质量预测系统及方法。
技术介绍
随着近几十年来，计算机美学图像评价在计算机视觉、人工智能、心理学、神经科学等领域得到了越来越多的关注。而在这个移动互联网时代，互联网上的图片数量增长很快。寻找高审美质量的目标图像对我们是有好处的。在线图像检索系统中使用的美学评估引擎可以做到这一点。在用手机疯狂拍摄之后，人们常常很难选择好照片分享到他们的社交网络上。因此，美学图像评价技术可以帮助他们自动选择最美丽的图像进行共享。目前，美学图像质量评价仍是一个亟待解决的问题。通常情况下，以下原因使其具有挑战性：(1)高与低的审美品质存在较大的领域内差异；(2)高水平的审美规则与低水平的图像特征相对立；(3)人对图像审美品质的主观属性评价。近年来，美学图像质量的评价呈现出以下明显的趋势：(1)从传统的机器学习到深度学习；(2)目标表示为一维二分类标签或数值分到多维分数分布；(3)审美感知的分析从客观评价到主观评价。现有技术方法可以很好地预测高斯分布，但在评分较高和较低的两端失败：即低本文档来自技高网...

【技术保护点】
1.一种基于深度漂移‑扩散方法的美学图像质量预测系统，其特征在于，包括：数据采集模块、预处理模块和神经网络模块；数据采集模块：确定已知的AVA图像美学分类数据集中所需训练图像集样本、验证图像集样本和测试图像集样本；预处理模块：对已知的AVA图像美学分类数据集进行预处理，以符合深度漂移‑扩散模型的特性，将处理后的数据送到神经网络模块中；神经网络模块：构建神经网络，将所述验证图像集样本，输入神经网络中，利用深度神经网络方法，确定所述验证图像集样本的美学得分分布、分类类别值和美学评分；美学分数分布预测模块：将所述测试图像集样本输入神经网络，得到所述测试图像集样本内的美学图像得分分布、分类类别值、美学...

【技术特征摘要】
1.一种基于深度漂移-扩散方法的美学图像质量预测系统，其特征在于，包括：数据采集模块、预处理模块和神经网络模块；数据采集模块：确定已知的AVA图像美学分类数据集中所需训练图像集样本、验证图像集样本和测试图像集样本；预处理模块：对已知的AVA图像美学分类数据集进行预处理，以符合深度漂移-扩散模型的特性，将处理后的数据送到神经网络模块中；神经网络模块：构建神经网络，将所述验证图像集样本，输入神经网络中，利用深度神经网络方法，确定所述验证图像集样本的美学得分分布、分类类别值和美学评分；美学分数分布预测模块：将所述测试图像集样本输入神经网络，得到所述测试图像集样本内的美学图像得分分布、分类类别值、美学评分等美学图像质量值为最终的预测结果。2.根据权利要求1所述的美学图像质量预测系统，其特征在于：数据采集模块中，所述确定已知训练图像集样本、验证图像集样本和测试图像集样本、图像分类模型，具体包括：将名为AVA的美学图像数据集随机分为训练图像集样本，共234599张图像，剩下的图像作为测试图像集样本，共19930张图像，验证图像集样本为非AVA美学图像数据集的其他图像，因使用的AVA数据集为已知、固定数据集，因此所使用的图片数量为固定数值。3.根据权利要求1所述的美学图像质量预测系统，其特征在于：使用已知AVA图像美学分类数据集执行图像美学分类任务，其分类任务为基于ImageNet图像数据集分类任务的GoogLeNet图像分类模型和ResNet图像分类模型。4.根据权利要求1所述的美学图像质量预测系统，其特征在于：所述预处理模块中，基于深度漂移-扩散模型的公式为：其中，v表示美学图像分数分布，MiddleScore表示已知分布的中位数分数，m和n分别代表对已知图像分类模型进行调整时附加多任务回归模块中正吸引子和负吸引子的个数,i表示分数分布范围中的分数，Epos和Eneg分别表示正吸引子和负吸引子，W为经过修改的白噪声。5.根据权利要求4所述的美学图像质量预测系统，其特征在于：所述正吸引子和负吸引子由AVA数据集对美学图像质量的标注间接确定，具体公式如下：E＝0.5*e-0.5*U(0，10)(2)W＝λ*U(-1，1)(3)λ＝sigmoid(θTf)(4)其中，U(0，10)为AVA数据集中已知的10点值表，U(-1，1)为10点值表映射在(-1，1)上的分布，λ为中间参数，θ和f用于表示动态美学图像分数分布预测的图像评价及其动态函数，θT表示对以矩阵形式表示的图像评价进行转置表达。6.根据权利要求1所述的美学图像质量预测系统，其特征在于：将所述验证图像集样本输入神经网络，确定所述验证图像内的各美学图像质量值，具体包括：所述神经网络包括：以已知GoogLeNet图像分类模型进行调整，所述美学图像分数分布预测模型包括九层有参数的卷积神经网络层和两层没有参数的网络层；以已知ResNet图像分类模型进行调整...

【专利技术属性】
技术研发人员：金鑫，吴乐，周兴晖，赵耿，张晓昆，李晓东，
申请(专利权)人：中共中央办公厅电子科技学院，
类型：发明
国别省市：北京,11