【技术实现步骤摘要】
本专利技术属于图像分析，尤其涉及一种基于四元数卷积神经网络的无参考图像质量评估方法及系统。
技术介绍
1、图像质量评估的方法主要有主观质量评估和客观质量评估。主观质量评估是指根据人类主观意志判别图像视觉质量，客观质量评估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，客观质量评估可分成3类:全参考质量评估(fr-iqa)、半参考质量评估(rr-iqa)和无参考质量评估(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。
2、近年来，随着深度学习技术的发展，其中，卷积神经网络是图像领域最为广泛应用的深度学习模型之一，卷积神经网络(cnn)已经被广泛应用于图像质量评估领域。cnn强大的特征提取能力和学习能力，在过去已经取得了较好的效果，但是实数卷积神经网络在处理卷积计算过程，第一层卷积将图像的三个颜色通道分别与卷积核进行加权求和，这个过程破坏了真实环境的颜色特征之间的相关性，忽视了颜色通道间的空间依赖性，并且这种颜色空间相关性的损失是不可逆的。研究表明，彩色图像的颜色通道之间的相关性信息在图像处理过程是十分重要的。
技术实现思路
1、本专利技术提供一种基于四元数卷积神经网络的无参考图像质量评估方法及系
2、第一方面，本专利技术提供一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，包括：获取至少一个原始图像，将所述至少一个原始图像转化为四元数形式，得到至少一个纯四元数矩阵；基于预设的改进resnet网络对将所述至少一个纯四元数矩阵进行特征提取，得到第一尺度特征stage1、第二尺度特征stage2、第三尺度特征stage3以及第四尺度特征stage4；将所述第一尺度特征stage1和所述第二尺度特征stage2进行第一次特征融合，并将融合得到的第二目标尺度特征stage2’与所述第三尺度特征stage3进行第二次特征融合，得到第三目标尺度特征stage3’；分别对所述第一尺度特征stage1、所述第二目标尺度特征stage2’以及所述第三目标尺度特征stage3’进行通道降维处理；基于预设的特征矢量比例以及预设的特征矢量大小分别提取处理后的第一尺度特征stage1、第二目标尺度特征stage2’、第三目标尺度特征stage3’中以及所述第四尺度特征stage4中的特征向量，并将提取后的各个特征向量进行聚合，得到目标特征向量；将所述目标特征向量输入至预设的全连接神经网络中，所述预设的全连接神经网络映射输出与所述目标特征向量对应的质量分数，其中，所述全连接神经网络中包含dropout层以及至少一个全连接层。
3、第二方面，本专利技术提供一种基于四元数卷积神经网络的无参考图像分析系统，包括：获取模块，配置为获取至少一个原始图像，将所述至少一个原始图像转化为四元数形式，得到至少一个纯四元数矩阵；提取模块，配置为基于预设的改进resnet网络对将所述至少一个纯四元数矩阵进行特征提取，得到第一尺度特征stage1、第二尺度特征stage2、第三尺度特征stage3以及第四尺度特征stage4；融合模块，配置为将所述第一尺度特征stage1和所述第二尺度特征stage2进行第一次特征融合，并将融合得到的第二目标尺度特征stage2’与所述第三尺度特征stage3进行第二次特征融合，得到第三目标尺度特征stage3’；处理模块，配置为分别对所述第一尺度特征stage1、所述第二目标尺度特征stage2’以及所述第三目标尺度特征stage3’进行通道降维处理；聚合模块，配置为基于预设的特征矢量比例以及预设的特征矢量大小分别提取处理后的第一尺度特征stage1、第二目标尺度特征stage2’、第三目标尺度特征stage3’中以及所述第四尺度特征stage4中的特征向量，并将提取后的各个特征向量进行聚合，得到目标特征向量；输出模块，配置为将所述目标特征向量输入至预设的全连接神经网络中，所述预设的全连接神经网络映射输出与所述目标特征向量对应的质量分数，其中，所述全连接神经网络中包含dropout层以及至少一个全连接层。
4、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统的步骤。
5、第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统的步骤。
6、本申请的基于四元数卷积神经网络的无参考图像质量评估方法及系统，使用纯四元数来表示彩色图像，将彩色图像三个颜色通道作为一个整体进行处理，同时引入四元数卷积神经网络来进行特征提取，再次过程，通过使用四元代数运算对图像进行特征提取，使得在整个卷积过程中，图像的像素都可以纯四元数的形式，保持三个颜色通道的相关性和整体性，并采用逐层多尺度特征融合和低维特征提取进而提高无参考图像真实失真的准确性和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，包括：
2.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述获取至少一个原始图像，将所述至少一个原始图像转化为四元数形式，得到至少一个纯四元数矩阵包括：
3.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述改进ResNet网络中包含用于提取输入图像特征的四元数卷积核、用于减半特征图分辨率的四元数池化层、恒等残差块以及连续堆叠的多个下采样残差块；
4.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，在基于预设的改进ResNet网络对将所述至少一个纯四元数矩阵进行特征提取，得到第一尺度特征stage1、第二尺度特征stage2、第三尺度特征stage3以及第四尺度特征stage4之前，所述方法还包括：
5.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述将所述第一尺度特征stage1和所
6.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，在分别对所述第一尺度特征stage1、所述第二目标尺度特征stage2’以及所述第三目标尺度特征stage3’进行通道降维处理之后，所述方法还包括：
7.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述基于预设的特征矢量比例以及预设的特征矢量大小分别提取处理后的第一尺度特征stage1、第二目标尺度特征stage2’、第三目标尺度特征stage3’中以及所述第四尺度特征stage4中的特征向量包括：
8.一种基于四元数卷积神经网络的无参考图像分析系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7任一项所述的方法。
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，所述程序被处理器执行时实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，包括：
2.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述获取至少一个原始图像，将所述至少一个原始图像转化为四元数形式，得到至少一个纯四元数矩阵包括：
3.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述改进resnet网络中包含用于提取输入图像特征的四元数卷积核、用于减半特征图分辨率的四元数池化层、恒等残差块以及连续堆叠的多个下采样残差块；
4.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，在基于预设的改进resnet网络对将所述至少一个纯四元数矩阵进行特征提取，得到第一尺度特征stage1、第二尺度特征stage2、第三尺度特征stage3以及第四尺度特征stage4之前，所述方法还包括：
5.根据权利要求1所述的一种基于四元数卷积神经网络的无参考图像质量评估方法及系统，其特征在于，所述将所述第一尺度特征stage1和所述第二尺度特征stage2进行第一次特征融合，并将融合得到的第二目标尺度特征stage2’与所述第三尺度特征stage...
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。