【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，尤其涉及一种面向域分布自适应的无参考图像质量评估方法及系统。
技术介绍
1、在现今社会，图像变成了人类社会不可或缺的一部分，可以说无处不在，这样的环境使得人们对于图像语义内容的研究也得到了很大的发展。对于图像理解有一个非常重要的先验条件：图像的高质量。图像的质量无论对于人还是机器利用图像信息来说都至关重要，它可以直接影响图像对接的下游应用任务，比如对应于目标检测任务，如果输入图像存在一定的扰动，那么目标的检测准确率也会间接被影响。因此图像质量评估的需求也应运而生，并且得到了计算机视觉学术界的关注。
2、现有的图像质量评估方法大都默认训练集和测试集来自于同一个分布，因此可以直接将在训练集得到的模型用于测试集，但是现实应用场景中，测试集上的图像样本可能来自不同的分布。当直接将现有的图像质量评估方法应用于这样的场景中时，方法的表现力会大幅度下降。因此需要解决如何在异构分布情况下，提升目标域图像质量评估的准确度。此外，由于源域训练集的样本保存起来需要占用大量的空间，所以在测试集上泛化时，应该考虑训练集中的样本不可获得的情况。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。因此，本专
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种面向域分布自适应的无参考图像质量评估方法，包括：
5、基于获取的源域图像数据集训练模型；
6、获取用于训练目标域图像质量评估模型的目标域图像数据集，所述目标域图像数据集包括多个图像样本，并根据基于所述源域图像数据集训练获得的模型，定义算法目标；
7、对所述目标域图像数据集中的图像语义特征，通过网络模型得到图像样本的低维度向量特征；
8、基于所述图像语义特征的关联性与差异性，建立对比学习机制，并定义优化目标训练目标域图像质量评估模型；
9、使用所述目标域图像质量评估模型对目标域的输入图像进行质量评估。
10、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：基于获取的源域图像数据集训练模型包括：
11、所述源域图像数据集包括样本数据集x'train以及其标签分数z'train，将所述源域图像数据集的样本图像x'输入至二维卷积神经网络可以得到预测结果z，通过对比预测结果z以及样本图像x'的标签分数z'可以计算损失函数ls：
12、ls＝mse(z,z')
13、其中，mse代表均方差损失函数，通过所述源域图像数据集的训练可以获得预训练模型f(θs)，其中θs是模型的参数。
14、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：训练模型以及定义算法目标包括：
15、所述目标域图像数据集包括样本图像集xtrain，基于所述源域图像数据集的数据通过监督训练获得的模型f(θs)，定义所述算法目标为，给定目标域样本图像x，生成图像的无参考质量评估分数y。
16、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：获取所述图像样本的低维度向量特征包括：
17、将样本图像x输入二维卷积神经网络中，保留分类预测层前一层的语义向量特征d'，将语义向量特征d'输入线性层，并进行特征正则化得到向量特征d。
18、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：根据样本图像之间所述图像语义特征的关联性，首先基于模型f(θs)为所述目标域图像数据集中的样本图像x生成伪标签y'，具体公式为：
19、y'＝f(x|θs)；
20、得到所述目标域图像数据集中的图像质量分数排名，将伪标签分数排名靠前的样本归为一组g1，将伪标签分数排名靠后的样本归为一组g2，组内的样本构成对比学习的正对，组间的样本构成对比学习的负对。
21、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：根据获取的样本向量特征以及分组结果，为图像样本之间构建分组对比损失，具体公式为：
22、
23、其中，n表示对比学习中负样本的数量，di和dj分别表示训练批次里面的第i和第j个样本的向量特征，且它们来自同一个分组，而负样本dk来自另一个分组，sim表示两个样本之间的相似度，exp表示以自然常数为底的指数函数，τ表示对比学习的温度系数；
24、根据单一样本对di,dj之间的对比损失可以得到所述目标域图像数据集上总的对比损失lgc，具体公式为：
25、
26、其中，di和dj分别表示训练批次里面的第i和第j个样本的向量特征，且它们来自同一个分组，∑表示求和符号。
27、作为本专利技术所述的面向域分布自适应的无参考图像质量评估方法的一种优选方案，其中：根据图像相对扰动的大小，对所述图像语义特征建立排序对比学习机制，首先对每个样本图像施加不同程度的扰动得到向量特征和dlow，扰动程度相对较弱的与原始图像向量特征d的相似度更高，扰动程度相对较强的与原始图像向量特征d的相似度较低，样本之间相似度的概率具体公式为：
28、
29、其中，sim表示两个样本之间的相似度，pr表示样本之间相似度的概率；
30、当目标域图像数据集有m个样本时，排序对比学习损失可以表达为：
31、
32、其中，∑为求和符号，log代表求幂的逆运算；
33、根据分组对比损失和排序对比损失定义优化目标训练模型，
34、lt＝lgc+αlr
35、其中，α代表平衡两种对比损失的稀疏，使用adam优化算法和反向传播算法通过损失函数lt训练目标域图像质量评估模型。
36、第二方面，本专利技术提供了一种面向域分布自适应的无参考图像质量评估系统，包括，
37、数据采集模块，用于获取源域图像数据集和目标域图像数据集；
38、处理模块，用于根据所述源域图像数据集训练模型，定义算法目标；
39、构建模块，用于建立对比学习机制，并定义优化目标训练目标域图像质量评估模型；
40、输出模块，用于对目标域的输入图像进行质量评估，输出评估结果。
41、第三方面，本专利技术提供了一种计算机设备，包括：
42、存储器和处理器；
43、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计本文档来自技高网...
【技术保护点】
1.一种面向域分布自适应的无参考图像质量评估方法，其特征在于，包括：
2.如权利要求1所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，基于获取的源域图像数据集训练模型包括：
3.如权利要求2所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，训练模型以及定义算法目标包括：
4.如权利要求3所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，获取所述图像样本的低维度向量特征包括：
5.如权利要求4所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，
6.如权利要求5所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，
7.如权利要求6所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，构建所述图像质量评估模型包括：
8.一种面向域分布自适应的无参考图像质量评估系统，其特征在于，包括，
9.一种计算机设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项
...【技术特征摘要】
1.一种面向域分布自适应的无参考图像质量评估方法，其特征在于，包括：
2.如权利要求1所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，基于获取的源域图像数据集训练模型包括：
3.如权利要求2所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，训练模型以及定义算法目标包括：
4.如权利要求3所述的面向域分布自适应的无参考图像质量评估方法，其特征在于，获取所述图像样本的低维度向量特征包括：
5.如权利要求4所述的面向域分布自适应的无参考图像质量评估方法，其...
【专利技术属性】
技术研发人员：孟令雯，钟晶亮，班国邦，张锐锋，席光辉，余思伍，邹福，罗莎莎，黎安俊，刘建刚，郭思琪，张帮明，
申请(专利权)人：贵州电网有限责任公司，
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。