【技术实现步骤摘要】
一种语义与结构蒸馏的无参考图像质量评价方法
[0001]本专利技术涉及图片检测
,具体涉及一种语义与结构蒸馏的无参考图像质量评价方法
。
技术介绍
[0002]近年来,随着数字技术的飞速发展,以及智能手机
、
平板电脑等智能终端的广泛普及,图像信息的获取逐渐变得越来越方便,而人们也对获取的图像信息质量要求越来越高
。
然而,图像信息在到达终端用户前需要经过传输
、
压缩
、
存储等一系列的处理步骤,这些步骤都有可能引入不同的失真,从而降低图像的质量
。
因此,需要一个质量评价工具实时准确地对图像质量进行评估,以保证图像信息的高质量
。
[0003]图像质量评价主要分为主观评价方法和客观评价方法
。
前者是让图像观察员根据一定的标准和方法,依照自己的主观感知来评价图像的质量;而后者则是依据人类视觉系统构建一个数学模型模拟人类观察者进行质量预测
。
由于人类是视觉信息最终的接收者,因此主观评价方法是最为准确可靠的方法
。
但是在实际应用中,这种方法需要消耗大量的人力和资金,并且无法做到实时评价
。
相反客观评价方法能够对大批量的图像数据进行实时评价,因此客观图像质量评价方法有着重要的研究价值
。
[0004]客观评价方法可以分为全参考质量评价方法
(FR
‑
IQA)、
半参考质量评价方法
(R ...
【技术保护点】
【技术特征摘要】
1.
一种语义与结构蒸馏的无参考图像质量评价方法,其特征在于,包括:构建图像训练集,将图像训练集分为参考图像集和退化图像集;用参考图像集训练用于图像语义信息提取的教师网络1;用参考图像集训练用于图像差异信息提取的教师网络2;利用教师网络1,2和差异信息蒸馏损失训练学生网络;利用教师网络1,2和语义信息蒸馏损失训练学生网络;将待评价的图像输入训练好的学生网络进行图像质量评价
。2.
根据权利要求1所述的一种语义与结构蒸馏的无参考图像质量评价方法,其特征在于,所述用参考图像集训练用于图像语义信息提取的教师网络1包括:教师网络1使用
ResNet
‑
50
第一个卷积层和前两个残差块作为特征提取模块,用于提取输入图像的特征;将参考图
I
ref
输入教师网络1;教师网络输出教师网络输出表示第
i
个残差块从参考图中提取的参考图像语义特征
。3.
根据权利要求1所述的一种语义与结构蒸馏的无参考图像质量评价方法,其特征在于,所述用参考图像集训练用于图像差异信息提取的教师网络2包括:将像素差异图
I
diff
输入教师网络2;像素差异图通过参考图像与退化图像相减获得,计算公式如下:
I
diff
=
|I
ref
‑
I
dis
|
其中
I
ref
为参考图像,
I
dis
为退化图像,
I
diff
为差异图;教师网络2输出输出表示第
i
个残差块从差异图中提取的特征;语义级差异信息特征则通过参考图像语义信息提取分支提取的参考图像语义特征与退化图像语义信息提取分支提取的失真图语义特征相减获得
。4.
根据权利要求1所述的一种语义与结构蒸馏的无参考图像质量评价方法,其特征在于,所述利用教师网络1,2和差异信息蒸馏损失函数训练学生网络包括:将参考图像逐一输入到教师神经网络中,计算教师神经网络对于图片的特征注意力映射:键特征和值特征
(V
=
λ
(f
T
))
;将退化图像逐一输入到学生神经网络,计算学生神经网络对于图片的特征注意力映射:查询特征
(Q
=
θ
(f
S
))
;
θ
、
φ
和
λ
分别为3个1×1卷积,它将原始特征图通道数量压缩为
C'
,筛除冗余通道特征;计算语义差异蒸馏损失:计算像素差异蒸馏损失:
其中
N
表示训练样本的数量,和分别为语义差异特征图和像素差异特征图,为退化图像差异信息提取分支提取的失真图特征,
F
cnl_sd
和
F
cnl_diff
分别为对语义差异特征和像素差异特征进行查询的通道查询模块;根据损失函数更新学生网络中的参数,直到学生网络中的参数收敛
。5.
根据权利要求1所述的一种语义与结构蒸馏的无参考图像质量评价方法,其特征在于,所述利用教师网络1,2和语义信息蒸馏损失训练学生网络包括:将参考图像特征和退化图像特征在通道上进行拼接,通过3个不同尺寸的最大池化层从不同的尺度同时进行失真过滤,只保留参考图像和退化图像中共有的语义轮廓信息;用
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。