高级视觉感知特征与深度特征融合的图像质量评价方法技术

本发明专利技术公开了一种高级视觉感知特征与深度特征融合的图像质量评价方法，该方法包括：结合基于人眼视觉系统的最小可觉差模型对原始失真图像进行预处理；通过将原始失真图像与原始失真图像得到的最小可觉差图分别作为两个子网络的输入来训练深度网络分别提取图像质量感知特征，并对两个网络分支所提取的特征进行融合；进一步构建全连接层对图像质量进行评价。本发明专利技术提供的方法，通过结合人眼视觉系统对图像的感知特点，建立了一种新的自然图像主观感知的客观预测模型；提出了一种新的损失函数，能够有效地实现图像质量的评价。改进后的图像质量评价模型能够提取到更丰富的图像质量感知特征，并且预测的结果与人眼视觉主观感知具有较高一致性。

【技术实现步骤摘要】
高级视觉感知特征与深度特征融合的图像质量评价方法
本专利技术涉及图像处理
，涉及图像质量评价方法，具体涉及一种高级视觉感知特征与深度特征融合的图像质量评价方法。
技术介绍
图像质量评价(ImageQualityAssessment，IQA)的目标是设计与人类主观评估一致的算法进行客观的质量评估，这些IQA方法对于图像处理系统的测试，优化等具有十分重要的指导意义。无参考图像质量评价无需任何参考信息，应用广泛，因此成为图像质量评价领域的研究热点。随着深度学习的发展，卷积神经网络(ConvolutionalNeuralNetwork,CNN)在计算机视觉领域各个任务中均取得了显著的效果，如图像分类和分割、目标检测等。因此近些年部分研究者开始将深度学习技术应用于自然图像质量评价任务中。2014年Kang等人首次将深度学习应用在图像质量评价领域，构建了一个浅层的卷积神经网络回归模型，随后出现了大量的相关工作，主要的困难在于深度学习依赖于大量的标注数据，然而，目前公开数据集没有足够的已标注的训练样本。一种常见的解决方案是数据增强，例如，201本文档来自技高网...

【技术保护点】
1.一种高级视觉感知特征与深度特征融合的图像质量评价方法，本方法是对原始失真图像进行图像质量评价，其特征在于，包括以下步骤：/n步骤1，利用最小可觉差模型对原始失真图像进行处理，得到最小可觉差图像，构建特征提取网络分别用于从最小可觉差图像和原始失真图像中提取高级视觉感知特征和深度特征；并将两种特征进行融合；/n步骤2，构建基于步骤1得到的融合特征进行图像质量预测的网络结构，具体地，该网络结构的是含有一个节点的全连接层，表示图像的质量分数；/n步骤3，构建目标损失函数，训练所构建的网络结构，得到图像质量评价模型；/n步骤4，利用图像质量评价模型对原始失真图像进行图像质量评价。/n

【技术特征摘要】
1.一种高级视觉感知特征与深度特征融合的图像质量评价方法，本方法是对原始失真图像进行图像质量评价，其特征在于，包括以下步骤：
步骤1，利用最小可觉差模型对原始失真图像进行处理，得到最小可觉差图像，构建特征提取网络分别用于从最小可觉差图像和原始失真图像中提取高级视觉感知特征和深度特征；并将两种特征进行融合；
步骤2，构建基于步骤1得到的融合特征进行图像质量预测的网络结构，具体地，该网络结构的是含有一个节点的全连接层，表示图像的质量分数；
步骤3，构建目标损失函数，训练所构建的网络结构，得到图像质量评价模型；
步骤4，利用图像质量评价模型对原始失真图像进行图像质量评价。


2.根据权利要求1所述的图像质量评价方法，其特在于，步骤3中，构建均方根误差与图像质量排序的加权作为目标损失函数，目标损失函数L为：



其中：L2是均方根误差；
n为批训练时批次大小，1≤n≤训练集总样本数；
α和β为权重参数，均为正整数；

表示训练集中样本i和j之间的图像质量排序损失，i和j均为介于1和n之间的变量；



consistencyi,j表示网络结构预测的训练集中样本i和j对应的图像质量排序与标签排序是否一致，若一致则为1，否则为0；f(Ii,Ji；θ)代表网络结构对变量i对应的原始失真图像Ii预测的图像质量分数，Ji表示从原始失真图像Ii处理得到的对应于Ii的最小可觉差图像Ji；f(Ij,Jj；θ)代表网络结构对变量j对应的原始失真图像Ij预测的图像质量分数，Jj表示从原始失真图像Ij处理得到的对应于Ij的最小可觉差图像Jj；θ表示网络结构中的所有参数变量，其取值为实数范围。


3.根据权利要求1所述的图像质量评价方法，其特征在于，所述的步骤1中，构建深度残差网络分别用于从最小可觉差图像和失真图像中提取高级视觉感知特征和深度特征包括：使用最小可觉差模型对原始失真图像进行处理，并复制三次，得到三通道的最小可觉差图像；构建特征提取网络分别用于从最小可觉差图像和失真图像中提取高级视...

【专利技术属性】
技术研发人员：张蕾，侯文静，张敏，冯筠，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61