基于深度特征迁移学习的无参考图像质量评价方法技术

一种基于深度特征迁移学习的无参考图像质量评价方法，其步骤如下：构建失真特征提取网；构建多分支特征注意力模块；构建质量回归网络；生成无参考图像质量回归网络；生成训练集；训练无参考图像质量回归网络；对待评价图像进行质量评估。本发明专利技术失真特征提取网络所包含的多分支特征注意力模块能够自适应地捕获自然图像的失真特征，在质量回归网络的输出侧可以自动获得输入图像的质量分数。多个国际公开数据库上的广泛实验结果表明，本发明专利技术方法提高了失真图像质量的预测精度，具有评价无参考图像质量时与人眼视觉感知一致性更高、泛化性能更强的优点。能更强的优点。能更强的优点。

【技术实现步骤摘要】
基于深度特征迁移学习的无参考图像质量评价方法


[0001]本专利技术属于图像处理
，更进一步涉及图像质量评价
中的一种基于深度特征迁移学习的图像质量评价方法。本专利技术可用于自动化地计算没有原始参考图像的自然失真图像的质量分数。

技术介绍

[0002]随着万物互联时代的到来和数字多媒体技术的快速发展，图像已然成为人类从外部世界感知来获取视觉信息的主要来源。但是由于信号从发送端到接收端的过程中不可避免地会引入一些噪声抖动等引起图像质量下降的不可控因素，从而导致视觉质量下降和语义信息缺失。因此对图像质量的评价就显得尤为重要，通过设计高效、准确的图像质量评价方法，优化图像采集和处理系统，获取更高质量的图像。图像质量评价技术便应运而生，由于在大多数实际应用场景中很难获取到原始的参考图像(相应的无失真版本)，无参考图像质量评价方法应用最为广泛。无参考质量评估方法是一项不需要任何关于原始图像信息即可自动化地进行质量计算的技术，通过建立主观信念分数到客观评估分数的映射关系得到目标图像质量表示。
[0003]武汉大学在其拥有的专利技术“一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征迁移学习的无参考图像质量评价方法，其特征在于，通过在失真特征提取子网络中嵌入多分支特征注意力模块，在尾部连接并联的两个分支作为质量回归子网络，利用一个预测层预测失真图像的质量分数；该方法的具体步骤包括如下：(1)构建失真特征提取子网络：(1a)搭建一个五层的图像失真特征提取子网络，其结构依次为：卷积层，第1卷积计算单元，第2卷积计算单元，第3卷积计算单元，第4卷积计算单元；第1至第4卷积计算单元采用瓶颈结构，每个瓶颈结构由三个卷积层级联组成；(1b)将卷积层的输入通道数设置为64，输出通道数设置为128，卷积核大小设置为7
×
7，步长为2；将第1至第4卷积计算单元的瓶颈结构数量分别为3，4，6，3，每个瓶颈结构中卷积层的卷积核的大小分别设置为1
×
1，3
×
3和1
×
1；(2)构建多分支特征注意力模块：搭建一个由三个卷积层级联的多分支特征注意力模块；将第1卷积层中特征图分组数量groups设置为2，将第1至第3卷积层的输入通道数分别设置为64，128和128，卷积核大小分别设置为3
×
3，1
×
1和1
×
1，步长大小均设置为1；(3)构建质量回归子网络：构建一个结构和参数设置相同的两个下采样层组并联的质量回归子网络；每个并联的下采样层组由结构和参数设置相同的五个级联线性层组成，将五个级联线性层的节点个数分别设置为2048，1024，512，256和64，线性层的节点随机失活率分别设置为0.5，0.25，0.25，0.25和0；(4)生成无参考图像质量回归网络：将失真特征提取子网络，多分支特征注意力模块，质量回归子网络、一个预测层依次级联为一个无参考图像质量回归网络；所述的预测层的输入节点个数设置为128，输出节点个数设置为1；(5)生成训练集：(5a)从自然图像质量评价数据集中选取至少1020张、最多6000张的无参考自然图像组成样本集，对样本集中的每张图像依次进行归一化处理和预处理；(5b)将预处理后的所有图像及其对应的标签组成训练集；(6)训...

【专利技术属性】
技术研发人员：何立火，任伟，李嘉秀，邓夏迪，甘海林，唐杰浩，柯俊杰，张超仑，路文，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：