本申请涉及一种元学习下的无参考图像质量评价方法、装置、计算机设备及存储介质，其中该方法包括：获取输入的训练图像集；分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图；将所述训练图像集、边缘特征图、局部纹理特征图、视觉敏感度分布示意图、亮度图及色度图作为六个质量相关任务的数据集，利用元学习框架学习质量先验模型；获取输入的目标任务图像集；利用所述目标任务图像集对所述质量先验模型进行微调训练，得到最终的质量评价模型。本发明专利技术利用元学习方法通过多个质量相关的任务学到一个鲁棒的质量先验模型，再输入少量目标质量评价任务的标注样本进行微调训练得到最终的质量评价模型，能够快速地实现泛化。能够快速地实现泛化。能够快速地实现泛化。
【技术实现步骤摘要】
元学习下的无参考图像质量评价方法、装置及计算机设备
[0001]本专利技术涉及图像质量评价
，特别是涉及一种元学习下的无参考图像质量评价方法、装置、计算机设备及存储介质。
技术介绍
[0002]图像是人们日常生活获取信息的重要载体，图像在获取、压缩和传输等过程中会引入各种不同类型的失真。图像质量客观评价方法可以自动地对图像质量进行评价，同时保持与人眼感知的一致性，在众多图像驱动相关系统的设计与优化中有重要的应用价值。
[0003]目前，客观质量评价依据对参考图像的依赖程度可以分为：全参考图像质量评价、半参考图像质量评价和无参考图像质量评价。全参考图像质量评价是在能获取参考图像全部信息的情况下，根据参考图像和失真图像之间的差异来衡量失真图像的质量。半参考图像质量评价是在只考虑部分参考图像信息的情况下来衡量失真图像的质量。无参考图像质量评价是在没有任何参考图像信息的情况下来衡量失真图像的质量。虽然根据应用情况不同，这三种客观评价方法都有其研究的意义和价值，但在大部分实际应用场景中往往无法获取参考图像的信息。因此，无参考图像质量评价具有更高的实际应用价值与研究价值。
[0004]具体地，无参考图像质量评价方法主要可以分为两类，分别为面向特定失真类型的方法和通用型方法，由于面向特定失真的方法应用范围比较局限，所以通用型方法的需求更为显著，且更受关注。同时，通用型方法又可以分为基于自然场景统计的方法，基于人眼视觉模型的方法和基于学习的方法。
[0005]在现有技术中，由于实际应用中图像类型以及失真类型呈现多样化特性，且各种不同的图像类型和失真类型之间存在较大差异，使得通用型的图像质量评价模型构建极具挑战。图像质量评价模型的可扩展性是待改善的问题也是目前关注的热点。由于质量评价数据库的数据标注成本过高，图像质量评价是典型的小样本学习问题。而现有的直接利用深度卷积神经网络构建的图像质量评价模型容易出现过拟合问题，导致模型的可扩展性不理想。
技术实现思路
[0006]基于此，有必要针对上述技术问题，提供一种元学习下的无参考图像质量评价方法、装置、计算机设备及存储介质。
[0007]一种元学习下的无参考图像质量评价方法，所述方法包括：
[0008]获取输入的训练图像集；
[0009]分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图；
[0010]将所述训练图像集、边缘特征图、局部纹理特征图、视觉敏感度分布示意图、亮度图及色度图作为六个质量相关任务的数据集，利用元学习框架学习质量先验模型；
[0011]获取输入的目标任务图像集；
[0012]利用所述目标任务图像集对所述质量先验模型进行微调训练，得到最终的质量评价模型。
[0013]在其中一个实施例中，所述分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图的步骤包括：
[0014]通过采用多角度滤波器提取所述图像集中图像的边缘特征；
[0015]根据周围像素与中心像素的大小关系通过多尺度融合的方式提取所述图像集中图像的局部纹理特征；
[0016]通过保留图像中的高频信息检测所述图像集中图像的视觉敏感度分布。
[0017]在其中一个实施例中，所述通过采用多角度滤波器提取所述图像集中图像的边缘特征的步骤还包括：
[0018]定义两个角度分别为0
°
和90
°
的滤波器卷积核K
x
和K
y
，所述滤波器卷积核的尺寸为7
×
7；
[0019]利用所述滤波器卷积核分别与输入图像进行卷积运算，得到图像对应角度下的边缘特征图G
x
和G
y
；
[0020]通过以下计算方式结合多个方向的边缘特征：
[0021][0022]其中，和表示边缘特征图G
x
和G
y
的均值，min{
·
}表示对图中每个对应位置的像素值进行取最小值操作。
[0023]在其中一个实施例中，所述根据周围像素与中心像素的大小关系通过多尺度融合的方式提取所述图像集中图像的局部纹理特征的步骤包括：
[0024]计算所述图像集中图像的局部纹理特征TM；
[0025][0026][0027][0028][0029]其中，K为领域像素点个数，R为半径，LBP
′
K,R
为局部二值模式的变形，α，β，γ为三个比例因子，其数值根据K1，K2，K3以及R1，R2，R3的大小进行具体设置以控制不同尺度对融合结果的影响程度，JND
c
为中心像素点对应的恰可察觉失真估计值；
[0030]恰可察觉失真的度量方法如下：
[0031][0032]其中，G表示每个像素点对应的梯度值，表示每个像素点在5x5窗口内的平均亮度值，T作为可见性阈值设置为128，参数l1，l2，l3，l4用来控制背景亮度与可见性阈值的关系，分别设置为-16，2，3/128，6，JND即为每个像素点对应的恰可察觉失真估计值。
[0033]在其中一个实施例中，所述通过保留图像中的高频信息检测所述图像集中图像的视觉敏感度分布的步骤包括：
[0034]计算所述图像集中图像的视觉敏感度分布示意图SM；
[0035][0036]其中，Y
Norm
为对所述图像进行亮度分量归一化后的结果，表示Y
Norm
的均值，LP(a,b)为a
×
b大小的低通滤波器，表示卷积运算，F{
·
}和F-1
{
·
}表示傅里叶变换及其反变换。
[0037]在其中一个实施例中，所述将所述训练图像集、边缘特征图、局部纹理特征图、视觉敏感度分布示意图、亮度图及色度图作为六个质量相关任务的数据集，利用元学习框架学习质量先验模型的步骤还包括：
[0038]将所述训练图像集、边缘特征图、局部纹理特征图、视觉敏感度分布示意图、亮度图及色度图六个质量相关任务的数据集构成元训练集；
[0039]将所述元训练集划分支持集和查询集，并利用两层梯度下降方法学习质量先验模型。
[0040]在其中一个实施例中，在所述将所述元训练集划分支持集和查询集，并利用两层梯度下降方法学习质量先验模型的步骤之后还包括：
[0041]利用输入的少量目标质量评价任务的标注样本对所述质量先验模型进行微调得到最终的质量评价模型；
[0042]输出所述质量评价模型。
[0043]一种元学习下的无参考图像质量评价装置，所述装置包括：
[0044]第一获取模块，所述第一获取模块用于获取输入的训练图像集；
[0045]特征提取模块，所述特征提取模块用于分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图；
[0046]模型学习模块，所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种元学习下的无参考图像质量评价方法，所述方法包括：获取输入的训练图像集；分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图；将所述训练图像集、边缘特征图、局部纹理特征图、视觉敏感度分布示意图、亮度图及色度图作为六个质量相关任务的数据集，利用元学习框架学习质量先验模型；获取输入的目标任务图像集；利用所述目标任务图像集对所述质量先验模型进行微调训练，得到最终的质量评价模型。2.根据权利要求1所述的元学习下的无参考图像质量评价方法，其特征在于，所述分别提取所述图像集中图像的边缘特征图、局部纹理特征图及视觉敏感度分布示意图的步骤包括：通过采用多角度滤波器提取所述图像集中图像的边缘特征；根据周围像素与中心像素的大小关系通过多尺度融合的方式提取所述图像集中图像的局部纹理特征；通过保留图像中的高频信息检测所述图像集中图像的视觉敏感度分布。3.根据权利要求2所述的元学习下的无参考图像质量评价方法，其特征在于，所述通过采用多角度滤波器提取所述图像集中图像的边缘特征的步骤还包括：定义两个角度分别为0
°
和90
°
的滤波器卷积核K
x
和K
y
，所述滤波器卷积核的尺寸为7
×
7；利用所述滤波器卷积核分别与输入图像进行卷积运算，得到图像对应角度下的边缘特征图G
x
和G
y
；通过以下计算方式结合多个方向的边缘特征：其中，和表示边缘特征图G
x
和G
y
的均值，min{
·
}表示对图中每个对应位置的像素值进行取最小值操作。4.根据权利要求2所述的元学习下的无参考图像质量评价方法，其特征在于，所述根据周围像素与中心像素的大小关系通过多尺度融合的方式提取所述图像集中图像的局部纹理特征的步骤包括：计算所述图像集中图像的局部纹理特征TM；计算所述图像集中图像的局部纹理特征TM；
其中，K为领域像素点个数，R为半径，LBP
′
K,R
为局部二值模式的变形，α，β，γ为三个比例因子，其数值根据K1，K2，K3以及R1，R2，R3的大小进行具体设置以控制不同尺度对融合结果的影响程度，JND
c
为中心像素点对应的恰可察觉失真估计值；恰可察觉失真的度量方法如下：其中，G表示每个像素点对应的梯度值，表示每个像素点在5x5窗口内的平均亮度值，T作为可见性阈值设置为128，参数l1，l2，l3，l4用来控制背景...
【专利技术属性】
技术研发人员：王妙辉，黄亦婧，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
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。