【技术实现步骤摘要】
本专利技术属于图像质量评估领域，具体属于一种基于注意力机制的图像质量评估方法。
技术介绍
1、现代社会日益依赖于数字图像的使用，涵盖了从医学图像到娱乐、安全和自动化领域的各个方面。因此，图像质量的评估和改进变得至关重要。现有的图像质量评估方法通常使用传统的图像处理技术或机器学习算法来评估图像的质量，但这些方法在处理包含多种质量问题的医疗病历图像时存在一定的挑战。评估图像质量并提高其质量是一个复杂的任务。传统的图像质量评估方法主要依赖于全局特征提取，但这些方法无法有效捕获图像中的局部特征，从而导致评估不够准确。这些方法通常会忽略图像中的微小但重要的细节，如边缘清晰度、颜色精度、光照均匀性等。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供一种基于注意力机制的图像质量评估方法，用于解决
技术介绍
中的问题，本专利技术基于注意力机制的卷积神经网络(cnn)结合支持向量回归(svr)来进行图像质量评估，提高图像质量评估的准确性和可靠性。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于注意力机制的图像质量评估方法，包括以下步骤，
4、步骤1，收集特定图像质量的数据集；
5、步骤2，构建卷积神经网络cnn的网络结构，通过多个卷积层和池化层提取图像的层次化特征表示，获得全局特征和局部特征；
6、步骤3，将局部特征图引入全局平均池化，通过学习注意力权重来强调不同通道的信息，得到加权的局部特征；
7、
8、步骤5，将全局特征与整合的局部特征进行融合，生成一个综合的特征表示；
9、步骤6，建立svr模型，将综合的特征表示作为svr模型的输入，通过步骤1的数据集训练svr模型进行质量得分预测；
10、步骤7，将要评估质量的图像输入svr模型进行质量评估；
11、步骤8，svr模型输出图像质量得分，完成图像质量评估。
12、优选的，步骤1中，数据集包括清晰图像、模糊图像、光照问题图像、颜色问题图像；并且每张图像分配一个基于人工评估的一个质量得分，数据集用于训练和测试模型。
13、优选的，步骤2中，卷积神经网络cnn的网络结构包括3层卷积层，每层都包括卷积层+批标准化+relu激活函数+最大池化层。
14、进一步的，第一层通过卷积操作从图像中提取特征，执行卷积、批标准化和relu激活函数操作，从而获得图像的低级特征，包括边缘和纹理；
15、第二层通过卷积操作进一步提取图像的抽象特征，包括更高级的纹理和形状信息；
16、第三层通过卷积操作再进一步提取图像的更高级特征，包括更复杂的形状和结构信息。
17、优选的，步骤3中，具体包括以下过程：
18、步骤3.1，对于输入的特征图，在通道的维度上执行全局平均池化操作，对每个通道的特征图执行平均池化，生成每个通道的平均值；
19、步骤3.2，将全局平均池化的输出连接到一个全连接层，降低维度；
20、步骤3.3，再将全连接层的输出连接到另一个全连接层，其目标是增加维度；通过一个线性变换和sigmoid激活函数，将输出映射到0到1的范围；输出即为注意力权重；
21、步骤3.4，通过逐元素相乘的方式，将得到的注意力权重应用到步骤2中得到的局部特征图，得到加权的特征图。
22、优选的，步骤5中，具体包括以下过程：
23、步骤5.1，通过全局平均池化的方式，将整合的局部特征映射到与全局特征相同的维度，使得全局特征与整合的局部特征维度匹配；
24、步骤5.2，通过连接操作，将维度匹配的全局特征和整合的局部特征表示按照通道轴进行拼接，形成一个综合的特征表示。
25、优选的，步骤6中，所述svr模型的输出得分范围为0到10，表示图像的质量等级，数值越大，表示图像质量越好。
26、与现有技术相比，本专利技术具有以下有益的技术效果：
27、本专利技术提供一种基于注意力机制的图像质量评估方法，将注意力的cnn(卷积神经网络)结合支持向量回归(svr)的方式结合了全局和局部信息，通过注意力机制加强了对图像中与质量相关的局部特征的捕获，从而提高了质量评估的准确性，以更好地捕获与图像质量相关的局部特征，从而提高图像质量评估的性能，提高图像质量评估的准确性和可靠性。通过采用支持向量回归来建立回归模型，以预测图像的质量得分。相对于传统的线性回归方法，svr在处理高维数据和非线性关系时表现出色，提高了模型的泛化性能。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制的图像质量评估方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤1中，数据集包括清晰图像、模糊图像、光照问题图像、颜色问题图像；并且每张图像分配一个基于人工评估的一个质量得分，数据集用于训练和测试模型。
3.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤2中，卷积神经网络CNN的网络结构包括3层卷积层，每层都包括卷积层+批标准化+ReLU激活函数+最大池化层。
4.根据权利要求3所述的一种基于注意力机制的图像质量评估方法，其特征在于，第一层通过卷积操作从图像中提取特征，执行卷积、批标准化和ReLU激活函数操作，从而获得图像的低级特征，包括边缘和纹理；
5.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤3中，具体包括以下过程：
6.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤5中，具体包括以下过程：
7.根据权利要求1所述的一种基于注意力机制的
...【技术特征摘要】
1.一种基于注意力机制的图像质量评估方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤1中，数据集包括清晰图像、模糊图像、光照问题图像、颜色问题图像；并且每张图像分配一个基于人工评估的一个质量得分，数据集用于训练和测试模型。
3.根据权利要求1所述的一种基于注意力机制的图像质量评估方法，其特征在于，步骤2中，卷积神经网络cnn的网络结构包括3层卷积层，每层都包括卷积层+批标准化+relu激活函数+最大池化层。
4.根据权利要求3所述的一种基于注意力机制的图像质...
【专利技术属性】
技术研发人员：贾青，赵豪，
申请(专利权)人：西安鹫一卓越软件科技有限公司，
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。