【技术实现步骤摘要】
本申请涉及计算机视觉和图像处理，特别是涉及一种多尺度深度特征统计的盲图像质量评价方法、系统和存储介质。
技术介绍
1、图像质量评估(image quality assessment，iqa)是计算机视觉领域的一个重要研究课题，广泛应用于图像压缩、图像超分辨率和图像重建等高级视觉任务中。由于大多数计算机视觉任务的最终接收者是人类，因此从主观质量评估实验中获得的图像质量分数具有很高的可信度。然而，进行这样的实验既昂贵又耗时。因此，过去半个世纪提出了许多图像质量评估模型，旨在预测与人类视觉系统高度一致的图像质量。根据参考图像的可用性，现有的iqa模型可分为三类：全参考模型、半参考模型和无参考模型，其中无参考模型也称为blind iqa(biqa)。
2、近年来无参考图像质量评估(biqa)在图像分析和质量评估领域的重要性日益突出。biqa方法按照模型是否依赖于人类给出的主观分数进行训练可分为意见感知模型(oa-biqa)和意见无感知模型(ou-biqa)。目前，大多数研究都集中在oa-biqa模型上，这需要使用人工标注的数据集进行训练。与oa-biqa相比，ou-biqa模型只根据图像的特点和视觉特征来评价图像的质量，无需标注主观分数，减少了由于不同数据集的主观性来的潜在差异，增强了模型的泛化性和鲁棒性，但更具有挑战性。
3、传统的ou-biqa方法很难完全捕捉到人类在评估图像质量时感知所考虑的复杂图像细节，虽然训练成本低但预测精度不高。而现有技术中基于深度学习的ou-biqa方法需要大量的人工标注数据进行广泛
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够实现多尺度的图像特征提取，利用统计分析方法获取图像特征中的有用信息，从而降低训练成本、提高盲图像质量评价效率和准确率的多尺度深度特征统计的盲图像质量评价方法、系统和计算机可读存储介质。
2、第一方面，本申请提供了一种多尺度深度特征统计的盲图像质量评价方法。所述方法包括：
3、分别将待测图像以及目标图像训练集输入多尺度输出的卷积神经网络，得到所述待测图像的第一特征图集以及所述目标图像训练集的第二特征图集；
4、分别对所述第一特征图集以及所述第二特征图集进行统计分析，得到所述待测图像的第一特征向量以及所述目标图像训练集的第二特征向量集；
5、对所述第一特征向量进行拟合得到第一多元高斯模型，确定所述待测图像的第一评价参数，对所述第二特征向量集进行拟合得到第二多元高斯模型，确定所述目标图像训练集的第二评价参数；
6、基于所述第一评价参数以及所述第二评价参数，生成所述待测图像的盲图像质量评价分数。
7、在其中一个实施例中，所述多尺度输出的卷积神经网络包括五层输出，所述分别将待测图像以及目标图像训练集输入多尺度输出的卷积神经网络，得到所述待测图像的第一特征图集以及所述目标图像训练集的第二特征图集包括：
8、将待测图像输入所述卷积神经网络中，并对前三层输出的特征图进行下采样操作，输出得到所述待测图像的第一特征图集；
9、将目标图像训练集输入所述卷积神经网络中，并对前三层输出的特征图进行下采样操作，输出得到所述目标图像训练集的第二特征图集。
10、在其中一个实施例中，所述对前三层输出的特征图进行下采样，输出得到所述待测图像的第一特征图集包括：
11、利用以下公式，对前三层输出的特征图进行下采样，输出得到所述待测图像的第一特征图集fm：
12、
13、其中，f表示第一特征图，{1,2,3,4,5}表示卷积神经网络的输出层级，⊕表示连接操作，d表示下采样操作。
14、在其中一个实施例中，所述分别对所述第一特征图集以及所述第二特征图集进行统计分析，得到所述待测图像的第一特征向量以及所述目标图像训练集的第二特征向量集包括：
15、对所述第一特征图集中各第一特征图进行卷积，得到各所述第一特征图的局部均值；对各所述第一特征图所对应的通道维度进行平均，得到各所述第一特征图的标准差；基于各所述第一特征图的局部均值和标准差，确定所述待测图像的第一特征向量；
16、对所述第二特征图集中各第二特征图进行卷积，得到各所述第二特征图的局部均值；对各所述第二特征图所对应的通道维度进行平均，得到各所述第二特征图的标准差；基于各所述第二特征图的局部均值和标准差，确定所述目标图像训练集的第二特征向量集。
17、在其中一个实施例中，所述基于各所述第一特征图的局部均值和标准差，确定所述待测图像的第一特征向量包括：
18、计算各所述第一特征图的标准差的均值和方差，生成各所述第一特征图的第一权重；
19、将各所述第一特征图的第一权重和局部均值相乘后进行归一化，确定所述待测图像的第一特征向量。
20、在其中一个实施例中，所述分别对所述第一特征图集以及所述第二特征图集进行统计分析包括：采用动态滤波窗口分别对所述第一特征图集以及所述第二特征图集进行统计分析。
21、在其中一个实施例中，所述对所述第一特征向量进行拟合得到第一多元高斯模型，确定所述待测图像的第一评价参数包括：
22、利用最大似然估计将所述第一特征向量进行拟合得到第一多元高斯模型，根据所述第一多元高斯模型确定所述待测图像的第一评价参数，所述第一评价参数包括第一均值向量以及第一协方差矩阵。
23、在其中一个实施例中，所述第二评价参数包括第二均值向量以及第二协方差矩阵，所述基于所述第一评价参数以及所述第二评价参数，生成所述待测图像的盲图像质量评价分数包括：
24、基于所述第一均值向量、所述第一协方差矩阵与所述第二均值向量、所述第二协方差矩阵，计算得到所述第一多元高斯模型与所述第二多元高斯模型之间的距离，所述距离为所述待测图像的盲图像质量评价分数。
25、第二方面，本申请还提供了一种多尺度深度特征统计的盲图像质量评价系统。所述系统包括：
26、多尺度深度特征提取模块，用于分别将待测图像以及目标图像训练集输入多尺度输出的卷积神经网络，得到所述待测图像的第一特征图集以及所述目标图像训练集的第二特征图集；
27、统计数据分析模块，用于分别对所述第一特征图集以及所述第二特征图集进行统计分析，得到所述待测图像的第一特征向量以及所述目标图像训练集的第二特征向量集；
28、多元高斯拟合模块，用于对所述第一特征向量进行拟合得到第一多元高斯模型，确定所述待测图像的第一评价参数，对所述第二特征向量集进行拟合得到第二多元高斯模型，确定所述目标图像训练集的第二评价参数；
29、盲图像质量评价模块，用于基于所述第一评价参数以及所述第二评价参数，生成所述待测图像的盲图本文档来自技高网...
【技术保护点】
1.一种多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述多尺度输出的卷积神经网络包括五层输出，所述分别将待测图像以及目标图像训练集输入多尺度输出的卷积神经网络，得到所述待测图像的第一特征图集以及所述目标图像训练集的第二特征图集包括：
3.根据权利要求2所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述对前三层输出的特征图进行下采样，输出得到所述待测图像的第一特征图集包括：
4.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述分别对所述第一特征图集以及所述第二特征图集进行统计分析，得到所述待测图像的第一特征向量以及所述目标图像训练集的第二特征向量集包括：
5.根据权利要求4所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述基于各所述第一特征图的局部均值和标准差，确定所述待测图像的第一特征向量包括：
6.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，
7.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述对所述第一特征向量进行拟合得到第一多元高斯模型，确定所述待测图像的第一评价参数包括：
8.根据权利要求7所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述第二评价参数包括第二均值向量以及第二协方差矩阵，所述基于所述第一评价参数以及所述第二评价参数，生成所述待测图像的盲图像质量评价分数包括：
9.一种多尺度深度特征统计的盲图像质量评价系统，其特征在于，所述系统包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述多尺度输出的卷积神经网络包括五层输出，所述分别将待测图像以及目标图像训练集输入多尺度输出的卷积神经网络，得到所述待测图像的第一特征图集以及所述目标图像训练集的第二特征图集包括：
3.根据权利要求2所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述对前三层输出的特征图进行下采样，输出得到所述待测图像的第一特征图集包括：
4.根据权利要求1所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述分别对所述第一特征图集以及所述第二特征图集进行统计分析，得到所述待测图像的第一特征向量以及所述目标图像训练集的第二特征向量集包括：
5.根据权利要求4所述的多尺度深度特征统计的盲图像质量评价方法，其特征在于，所述基于各所述第一特征图的局部均值和标准差，确定所述待测图像的第...
【专利技术属性】
技术研发人员：丁科炎，倪张凯，刘越，
申请(专利权)人：浙江大学杭州国际科创中心，
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。