一种去雾图像的质量评价方法和装置制造方法及图纸

本发明专利技术实施例公开了一种去雾图像的质量评价方法，其特征在于，包括：获取待训练的去雾样本图像，从所述去雾样本图像中提取多个雾度相关特征；利用预设去雾图像初始评价模型中的多个特征提取块分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合；利用注意力模型对融合后的特征进行深度聚合得到聚合结果，通过基本块和全连接层对所述聚合结果进行处理输出所述去雾样本图像的评价结果；利用预设的排序损失函数对所述评价结果进行反向训练直至所述预设去雾图像初始评价模型收敛，得到去雾图像的质量评价模型；获取待评价的去雾图像，将所述去雾图像输入至所述去雾图像的质量评价模型，得到所述去雾图像的质量评价分数。质量评价分数。质量评价分数。

【技术实现步骤摘要】
一种去雾图像的质量评价方法和装置


[0001]本专利技术实施例涉及计算机
，尤其是一种去雾图像的质量评价方法和装置。

技术介绍

[0002]图像质量评价(Image Quality Assessment,IQA)是指对图像进行特性分析研究，如清晰度、真实性等，从而评估图像质量的好坏。其在图像恢复、图像压缩、视频编解码、自动驾驶等领域均具有广泛的实用性。随着去雾算法的不断涌现，如何正确评价去雾图像的视觉质量愈发紧迫和重要。
[0003]目前，研究去雾图像质量评价主要存在以下难点：1)局限性：主观评价最精确可靠但是耗时耗力，无法进行实时应用，而在客观评价中，由于现实生活中清晰参考图像的缺失，全参考(Full
‑
Reference,FR)和半参考(Reduced
‑
Reference,RR)图像质量评价方法受到限制；2)针对性：近年来，一般图像失真类型(压缩、模糊等)的质量评价方法已经取得了很大的成功，而雾度图像与一般失真之间存在差异，随着人们对图像去雾的需求日益增长，而针对去雾图像的质量评价指标屈指可数，且仍缺少能够正确判别图像质量好坏的方法。

技术实现思路

[0004]为解决上述技术问题，本专利技术创造的实施例提供一种去雾图像的质量评价方法，包括：
[0005]获取待训练的去雾样本图像，从所述去雾样本图像中提取多个雾度相关特征；
[0006]利用预设去雾图像初始评价模型中的多个特征提取块分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合；
[0007]利用注意力模型对融合后的特征进行深度聚合得到聚合结果，通过基本块和全连接层对所述聚合结果进行处理输出所述去雾样本图像的评价结果；
[0008]利用预设的排序损失函数对所述评价结果进行反向训练直至所述预设去雾图像初始评价模型收敛，得到去雾图像的质量评价模型；
[0009]获取待评价的去雾图像，将所述去雾图像输入至所述去雾图像的质量评价模型，得到所述去雾图像的质量评价分数。
[0010]进一步地，多个特征提取块包括基本块和扩张块，所述利用预设去雾图像初始评价模型中的多个基本块和扩张块，分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合，包括：
[0011]利用所述基本块和所述扩张块提取每个雾度相关特征并分别输出不同的尺度特征；
[0012]将所述扩张块输出的不同尺度特征进行融合。
[0013]进一步地，所述基本块包括第一基本块和第二基本块，所述扩张块包括第一扩张块、第二扩张块和第三扩张块，所述利用所述基本块和所述扩张块提取每个雾度相关特征
并分别输出不同的尺度特征，包括：
[0014]利用所述第一基本块对每个雾度相关特征进行特征提取得到第一雾度特征，利用第二基本块对所述第一雾度特征进行特征提取得到第二雾度特征；
[0015]利用设置有第一扩张率参数的第一扩张块对所述第二雾度特征进行特征提取得到每个雾度相关特征的第一尺度特征；利用设置有第二扩张率参数的第二扩张块对所述第一尺度特征进行特征提取得到每个雾度相关特征的第二尺度特征，利用设置有第三扩张率参数的第三扩张块对所述第二尺度特征进行特征提取得到每个雾度相关特征的第三尺度特征；
[0016]所述将所述扩张块输出的不同尺度特征进行融合，包括：
[0017]将每个所述第一尺度特征进行特征拼接得到第一拼接特征，将所述第一拼接特征与每个所述第二尺度特征进行拼接得到第二拼接特征，将所述第二拼接特征与每个所述第三尺度特征进行拼接得到第三拼接特征。
[0018]进一步地，所述利用注意力模型对融合后的特征进行深度聚合得到聚合结果，包括：
[0019]利用通道注意力模块对融合后的特征进行聚合得到第一聚合特征；
[0020]利用对比度注意力模块对融合后的特征进行聚合得到第二聚合特征；
[0021]将所述第一聚合特征和所述第二聚合特征进行元素相乘得到聚合结果。
[0022]进一步地，排序损失函数L为：
[0023]L＝L
rank
+L1，
[0024][0025][0026]其中，D＝
‑
[Q
pre
(x
i
)
‑
Q
pre
(x
j
)][Q
gt
(x
i
)
‑
Q
gt
(x
j
)]，N是批训练样本数量；Q
pre
(x)和Q
gt
(x)分别表示输入图像的预测质量分数和真实参考质量分数，x
i
和x
j
是批训练图像中的索引，范围分别为[1,N
‑
1]和[2,N]，D表示预测与真实质量差值之间的距离。
[0027]本专利技术实施例提供一种去雾图像的质量评价装置，包括：
[0028]获取模块，用于获取待训练的去雾样本图像，从所述去雾样本图像中提取多个雾度相关特征；
[0029]处理模块，用于利用预设去雾图像初始评价模型中的多个特征提取块分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合；
[0030]所述处理模块，还用于利用注意力模型对融合后的特征进行深度聚合得到聚合结果，通过基本块和全连接层对所述聚合结果进行处理输出所述去雾样本图像的评价结果；
[0031]所述处理模块，还用于利用预设的排序损失函数对所述评价结果进行反向训练直至所述预设去雾图像初始评价模型收敛，得到去雾图像的质量评价模型；
[0032]执行模块，用于获取待评价的去雾图像，将所述去雾图像输入至所述去雾图像的质量评价模型，得到所述去雾图像的质量评价分数。
[0033]进一步地，特征提取块包括基本块和扩张块，所述处理模块包括：
[0034]第一处理子模块，用于利用基本块和扩张块提取每个雾度相关特征并分别输出不
同的尺度特征；
[0035]第一执行子模块，用于将所述扩张块输出的不同尺度特征进行融合。
[0036]进一步地，所述基本块包括第一基本块和第二基本块，所述扩张块包括第一扩张块、第二扩张块和第三扩张块，所述第一执行子模块包括：
[0037]第三处理子模块，用于利用所述第一基本块对每个雾度相关特征进行特征提取得到第一雾度特征，利用第二基本块对所述第一雾度特征进行特征提取得到第二雾度特征；
[0038]第四处理子模块，用于利用设置有第一扩张率参数的第一扩张块对所述第二雾度特征进行特征提取得到每个雾度相关特征的第一尺度特征；利用设置有第二扩张率参数的第二扩张块对所述第一尺度特征进行特征提取得到每个雾度相关特征的第二尺度特征，利用设置有第三扩张率参数的第三扩张块对所述第二尺度特征进行特征提取得到每个雾度相关特征的第三尺度特征；
[0039]第二执行子模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种去雾图像的质量评价方法，其特征在于，包括：获取待训练的去雾样本图像，从所述去雾样本图像中提取多个雾度相关特征；利用预设去雾图像初始评价模型中的多个特征提取块分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合；利用注意力模型对融合后的特征进行深度聚合得到聚合结果，通过基本块和全连接层对所述聚合结果进行处理输出所述去雾样本图像的评价结果；利用预设的排序损失函数对所述评价结果进行反向训练直至所述预设去雾图像初始评价模型收敛，得到去雾图像的质量评价模型；获取待评价的去雾图像，将所述去雾图像输入至所述去雾图像的质量评价模型，得到所述去雾图像的质量评价分数。2.根据权利要求1所述的质量评价方法，其特征在于，多个特征提取块包括基本块和扩张块，所述利用预设去雾图像初始评价模型中的多个基本块和扩张块，分别对所述多个雾度相关特征进行特征提取，并将提取的特征进行特征融合，包括：利用所述基本块和所述扩张块提取每个雾度相关特征并分别输出不同的尺度特征；将所述扩张块输出的不同尺度特征进行融合。3.根据权利要求2所述的质量评价方法，其特征在于，所述基本块包括第一基本块和第二基本块，所述扩张块包括第一扩张块、第二扩张块和第三扩张块，所述利用所述基本块和所述扩张块提取每个雾度相关特征并分别输出不同的尺度特征，包括：利用所述第一基本块对每个雾度相关特征进行特征提取得到第一雾度特征，利用第二基本块对所述第一雾度特征进行特征提取得到第二雾度特征；利用设置有第一扩张率参数的第一扩张块对所述第二雾度特征进行特征提取得到每个雾度相关特征的第一尺度特征；利用设置有第二扩张率参数的第二扩张块对所述第一尺度特征进行特征提取得到每个雾度相关特征的第二尺度特征，利用设置有第三扩张率参数的第三扩张块对所述第二尺度特征进行特征提取得到每个雾度相关特征的第三尺度特征；所述将所述扩张块输出的不同尺度特征进行融合，包括：将每个所述第一尺度特征进行特征拼接得到第一拼接特征，将所述第一拼接特征与每个所述第二尺度特征进行拼接得到第二拼接特征，将所述第二拼接特征与每个所述第三尺度特征进行拼接得到第三拼接特征。4.根据权利要求1所述的质量评价方法，其特征在于，所述利用注意力模型对融合后的特征进行深度聚合得到聚合结果，包括：利用通道注意力模块对融合后的特征进行聚合得到第一聚合特征；利用对比度注意力模块对融合后的特征进行聚合得到第二聚合特征；将所述第一聚合特征和所述第二聚合特征进行元素相乘得到聚合结果。5.根据权利要求1至4任意一项所述的质量评价方法，其特征在于，排序损失函数L为：L＝L
rank
+L1，，
其中，D＝
‑
[Q
pre
(x
i
)
‑
Q
pre
(x
j
)][Q
gt
(x
i
)
‑
Q
gt
(x
j
)]，N是批训练样本数量；Q
pre
(x)和Q
gt
(x)分别表示输入图像的预测质量分数和真实参考质量分数，x
i
和x
j
是批训练图像中的索引，范围分别为[1，N
‑
1]和[2，N]，D表示预测与真实质量差值之间的距离。6.一...

【专利技术属性】
技术研发人员：曾恬恬，田时舜，邹文斌，李霞，
申请(专利权)人：慧视创新河源有限公司，
类型：发明
国别省市：