基于图像语义信息的增量学习无参考图像质量评价方法技术

本发明专利技术涉及图像处理技术领域，具体是基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，包括以下步骤：划分增量任务集；将划分的增量任务集输入到特征提取网络中；将提取到的全局语义特征输入到混合注意力模块中；将获取到的带有空间信息的显著语义特征与多尺度失真特征使用早融合的方式融合；将得到深度融合特征输入到回归网络中；使用知识蒸馏的方式将回归网络学习到的知识迁移到学生网络；使用学生网络对下一次增量任务的部分图像数据做出质量分数预测，本发明专利技术基于图像语义信息的增量学习无参考图像质量评价方法，增强了模型对不同场景失真图像的鲁棒性，提高了模型对不同场景失真图像质量的表达能力。模型对不同场景失真图像质量的表达能力。模型对不同场景失真图像质量的表达能力。

【技术实现步骤摘要】
基于图像语义信息的增量学习无参考图像质量评价方法


[0001]本专利技术涉及图像处理
，具体是基于图像语义信息的增量学习无参考图像质量评价方法。

技术介绍

[0002]图像质量评价的方法主要有主观质量评价和客观质量评价。主观质量评价是指根据人类主观意志判别图像视觉质量，客观质量评价是指通过客观算法自动计算图像的视觉质量。根据计算图像视觉质量时是否需要参考图像的信息，客观质量评价可分成三类：全参考质量评价(FR
‑
IQA)、半参考质量评价(RR
‑
IQA)和无参考质量评价(NR
‑
IQA)。FR
‑
IQA算法和RR
‑
IQA算法主要通过对图像的视觉特征进行分析，量化参考图像和失真图像之间的差异，计算失真图像的视觉质量。相对于FR
‑
IQA算法和RR
‑
IQA算法，NR
‑
IQA算法在计算失真图像的视觉质量时不需要任何参考图像的信息，在实际应用系统中具有更广泛的应用前景。
[0003]为了满足本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像语义信息的增量学习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，划分增量任务集，将训练集随机选取部分图像作为一次增量学习数据，构建增量学习数据集；步骤2，将步骤1划分的增量任务集输入到特征提取网络中，提取失真图像的多尺度失真特征和全局语义特征；步骤3，将步骤2中提取到的全局语义特征输入到混合注意力模块中，输出为带有空间信息的显著语义特征；步骤4，将步骤3中获取到的带有空间信息的显著语义特征与多尺度失真特征使用早融合的方式融合，得到带有显著性语义的融合特征；步骤5，将步骤4中得到深度融合特征输入到回归网络中，得到本次增量学习图像的预测得分；步骤6，使用知识蒸馏的方式将步骤5中回归网络学习到的知识迁移到学生网络；步骤7，使用学生网络对下一次增量任务的部分图像数据做出质量分数预测，再将这部分数据与剩余的图像共同送入特征提取网络中进行增量训练。2.根据权利要求1所述的基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，在步骤2中，图像多尺度的失真特征是通过修改原生的ResNet50网络而实现的，其中多尺度失真特征表示为：式中：V
i
代表不同尺度的失真特征，其中i∈[1，4]；代表ResNet50模型，x是输入图像，γ为ResNet50网络在ImageNet数据集中预训练得到的权重参数。3.根据权利要求1所述的基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，在步骤3中，首先，把全局语义特征输入通道注意力模块，筛选特征图中具有重要意义的特征，即著语义特征，然后，将显著语义特征输入到空间注意力模块中，定位显著语义特征的空间信息。4.根据权利要求3所述的基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，在步骤3中，采用混合注意力模块，筛选出图像中显著性语义信息，减少图像质量回归网络的规模，其中语义显著特征矩阵：V
s
＝H(V
f
，θ)式中：V
s
代表语义显著特征；H()表示混合注意力模块，V
f
是全局语义特征，θ表示混合注意力模块在提取显著性语义特征时的权重参数。5.根据权利要求1所述的基于图像语义信息的增量学习无参考图像质量评价方法，其特征在于，在步骤4中，将步骤2得到的失真图像的多尺度特征和步骤3得到显著性语义特征进行拼接，得到多尺度语义显著融合特征V:V＝concat(V
i
，V
s
)式中：V
i
代表特征提取网络提取到的不同层次的失真特征，V...

【专利技术属性】
技术研发人员：王同罕，姜新童，贾惠珍，谢婷，何月顺，张军，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：