[发明专利]基于多任务卷积神经网络的图像模糊与噪声评测方法

说明书

本发明公开了基于多任务卷积神经网络的图像模糊与噪声评测方法，所述方法包括：步骤1：收集失真和对应高质量的图片，对收集的图片进行标定包括：模糊类型标定，模糊程度标定，噪声水平标定，标定后的图片组成数据集；步骤2：融合多个卷积层得到全连接层，全连接层中包括三个特征层：模糊度估计特征层、模糊类型判定特征层、噪声水平估计特征层；步骤3：基于步骤2获得的全连接层对步骤1获得的数据集进行训练，获得图片的模糊类型判定信息、模糊度估计信息、噪声水平估计信息，实现了通过网络一次性得到图像的噪声水平、模糊度估计、模糊类型，简单且快速，方便集成到基于监控视频下的人脸识别系统中的技术效果。

技术领域

本发明涉及图像处理领域，具体地，涉及一种基于多任务卷积神经网络的图像模糊与噪声评测方法。

背景技术

图像质量评估：

图像在获取、存储、处理和传输等各个过程中都非常容易发生各种不同类型的失真降质，视频监控系统下的人脸图片也存在失真问题，主要原因如下：

1 受成像器材、环境噪声、光照条件等客观因素的影响，导致从监控视频流中抓取的单中贞图像质量下降，在实际监控系统中这些因素我们都是不能避免的。

2 基于监控系统下的人脸识别与静态下的人脸识别相比，人是无意识、非配合的，所以多数情况下处于运动状态，由于目标运动会导致抓取的图片产生运动模糊。

3 在监控系统中人离摄像头的距离是不断变化的，一些较远的目标会对焦失败而产生失焦模糊。

图像质量客观评价是通过建立数学模型或使用机器学习的方法，来衡量图像退化和失真程度，根据评价方法对原始图像信息的需要程度分为三类：全参考图像质量评价方法，半参考图像质量评价方法和无参考图像质量评价方法。

全参考和半参考方法需要参考图像的全部或者部分信息，在很多时候，参考图像信息很难获取或者获得代价太高，而无参考图像质量评价不需要原始图像的任何信息，所以无参考评价方法更为重要。

目前的无参考模糊图像质量评价算法大致分为三类：直接计算模糊图像质量的评价算法、基于构造参考图像的评价算法、基于机器学习和人工神经网络的评价算法。

常规的模糊图像质量评价算法：

1 在空间域，用Sobel检测算法进行边缘检测，并通过寻找各个边缘两侧最近的局部极值点确定边缘宽度，最后将边缘宽度的均值作为图像的模糊分数。由于受到噪声的影响，对局部极值点的确定会存在较大的误差，这种图像模糊评价方法相对来说准确度不高。

2 在频域，由于图像模糊会导局部相干性结构的破坏，因此用局部相干性强度可作为特征量描述图像中模糊的强弱。

3 将频域和空域相结合，在频域利用图像局部幅度谱的梯度衡量模糊造成的高频能量衰减，同时在空域利用全变差描述局部对比度对模糊的影响。

基于构造参考图像的评价算法：

基于构造参考图像的模糊评价算法，主要应用结构相似度算法对参考图像和失真图像进行相关的计算，得出两者的亮度、对比度等图像信息，并加以对比分析，得到图像质量评价分数。

基于机器学习和人工神经网络的评价算法：

该类算法首先提取出特征向量，然后对其进行训练学习，得到一个基于机器学习或人工神经网络的图像质量评价模型。

因为不同失真水平的图像特征和质量评分之间的复杂关系不能用一个单一的公式来表达，所以对图像频域或时域信息分析来评估图像质量只对某一种特定的失真类型效果好，泛化性差，也存在着计算复杂度较高的问题。当前提出的图像模糊评价方法主要利用图像的低层次特征，使其评测精度不高。

图像模糊类型的判定：