基于置信分数的无参考图像质量评价方法技术

本发明专利技术公开了一种基于置信分数的无参考图像质量评价方法，包括以下步骤：从图像质量评价数据库中采集若干图像；对图像进行预处理，并构建训练标签；将预处理后的图像划分为训练集和测试集，并对训练集和测试集进行裁剪获得数据样本；构建基于置信分数的网络模型CSNet；将训练样本和对应的训练标签输入构建的CSNet模型进行训练；将测试样本输入训练好的CSNet模型获得预测分数向量；对来自于同一原图像的所有测试样本的预测分数向量取平均获得该图像的质量分数。多个公共数据库上的大量实验结果表明，本发明专利技术方法对各类型失真图像质量预测都取得了优良结果，具有良好的有效性及鲁棒性，所预测的图像质量分数精度较高，预测结果与全参考图像质量评价算法相当。

Evaluation method of unreferenced image quality based on confidence score

【技术实现步骤摘要】
基于置信分数的无参考图像质量评价方法
本专利技术涉及图像质量评价领域，特别涉及一种基于置信分数的无参考图像质量评价方法。
技术介绍
数字图像在其采集、压缩及传输等过程中通常会受到不同程度的失真降质。图像质量评价旨在度量失真对图像视觉感知质量的影响。高效准确的图像质量评价在诸多实际应用中发挥着关键作用，是保证用户视觉感知体验的重要基础。近年来，客观图像质量评价方法印其可实现自动高效的质量预测获得了研究人员的关注。因为参考图像在大多数实际场景中无法采集或获取代价较大，而无参考图像质量评价方法能够在参考图像信息不可用的情况下，直接对失真图像进行质量评价，因此开发有效的无参考图像质量评价方法具有十分重要的研究意义和应用价值。近年来出现的算法主要解决无参考图像质量评价出现的两个问题：(1)采用数据增广策略时无法获取图像块真实标签的问题，针对该问题，目前有些算法认为裁剪图像块的真实标签可由全参考方法生成的局部客观质量分数来代替。但是该类方法存在应用场景受限的问题，因为其在训练时需要必要的参考图像信息。(2)数据量限制的问题，针对该问题，目前本文档来自技高网...

【技术保护点】
1.一种基于置信分数的无参考图像质量评价方法，其特征在于，包括以下步骤：/n步骤1、从图像质量评价数据库中采集若干图像；/n步骤2、对采集的图像进行预处理，并构建训练标签；/n步骤3、将预处理后的图像划分为训练集和测试集，然后对训练集和测试集进行裁剪获得相应的数据样本；/n步骤4、构建基于置信分数的网络模型CSNet；/n步骤5、将训练集中的训练样本和对应的训练标签输入构建的CSNet模型进行训练；/n步骤6、将测试集中的测试样本输入训练好的CSNet模型获得预测分数向量；/n步骤7、对来自于同一原图像的所有测试样本的预测分数向量取平均值获得该图像的质量分数。/n

【技术特征摘要】
1.一种基于置信分数的无参考图像质量评价方法，其特征在于，包括以下步骤：
步骤1、从图像质量评价数据库中采集若干图像；
步骤2、对采集的图像进行预处理，并构建训练标签；
步骤3、将预处理后的图像划分为训练集和测试集，然后对训练集和测试集进行裁剪获得相应的数据样本；
步骤4、构建基于置信分数的网络模型CSNet；
步骤5、将训练集中的训练样本和对应的训练标签输入构建的CSNet模型进行训练；
步骤6、将测试集中的测试样本输入训练好的CSNet模型获得预测分数向量；
步骤7、对来自于同一原图像的所有测试样本的预测分数向量取平均值获得该图像的质量分数。


2.根据权利要求1所述的基于置信分数的无参考图像质量评价方法，其特征在于，步骤2所述对采集的图像进行预处理，并构建训练标签，具体为：
步骤2-1、对图像进行灰度化处理；
步骤2-2、对灰度图像进行归一化处理；
步骤2-3、根据原图像对应的质量分数S以及标准差分数δ构建一个二元置信分数向量即训练标签为：
[S-3δ,S+3δ]。


3.根据权利要求1所述的基于置信分数的无参考图像质量评价方法，其特征在于，步骤3所述对训练集和测试集进行裁剪获得数据样本，具体为：在预处理后的图像上以步长为Δl裁剪l×l大小的图像块作为数据样本，其中步长为Δl表示从图像左上角开始每隔Δl个像素裁剪一个l×l大小的图像块；Δl≥32，l≥32。


4.根据权利要求3所述的基于置信分数的无参考图像质量评价方法，其特征在于，所述Δl＝50，l×l＝100×100。


5.根据权利要求1...

【专利技术属性】
技术研发人员：陈强，李凯文，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32