[发明专利]一种基于深度卷积神经网络的图像美学质量评价方法

权利要求书

1.一种基于深度卷积神经网络的图像美学质量评价方法，其特征在于：实现步骤：

(1)对于训练集中的样本图像进行预处理，预处理包括图像大小变换和图像归一化，得到一个图像像素大小一致的，有回归标签的训练集和测试集；

(2)根据图像的特征分布以及人对图像美学质量评价的标准，设计一个深度卷积神经网络模型，首先利用训练集中的样本图像进行学习训练，通过机器学习方法训练好神经网络模型，作为图像美学质量评价模型；

(3)模型的测试和预测，首先对测试集中的样本图像调用步骤(1)获取的预处理后的图像，然后调用步骤(2)中得到的图像美学质量评价模型，通过所述模型输出的的概率值大小，从而预测出图像的直方图具体数值，将模型预测出来的照片打分和照片的真实打分进行对比测试检验模型准确率。

2.根据权利要求1所述的一种基于深度卷积神经网络的图像美学质量评价方法，其特征在于：步骤(1)所述图像预处理方法采取以下步骤：

(11)将训练集和测试集中的样本图像按照打分总人数和各个分值的投票数计算每张图片的直方图数据；

(12)将训练集中原始图像进行大小变换，将原始图像的像素大小变换到一个固定尺寸，这个尺寸和设计的深度卷积神经网络所要求的输入大小一致；

(13)将训练集中原始图像归一化，首先统计出训练集中的样本图像的均值，然后对每一个样本图像做去均值操作。

3.根据权利要求1所述的一种基于深度卷积神经网络的图像美学质量评价方法，其特征在于：步骤(2)所述深度卷积神经网络模型如下：

(21)深度卷积神经网络模型包含七层有参数的网络层和四层没有参数的网络层，其中第一部分的预处理层是对图像进行卷积操作，分别使用了7*7,1*1和3*3的卷积核对图像进行处理；

(22)从第二层到第八层中，首先第二层采用最大值池化策略对网络规模进行控制，第三层与第四层是通过由卷积核组成密集成分来近似最优的局部稀疏结构，从而提升网络的计算能力，第五层与第二层功能相同，第六层与三四层的结构相同，最后的第八层采取平均池化操作再一次缩小网络规模；

(23)将上过程依次完成，在第八层进行一次1*1的卷积操作，后面连接一个全连接层，在第九层后面再接上第十层的一个全连接层的变换，神经网络最后一层，即第十一层的激活函数采用sigmoid函数。

(24)最后对最终结果进行误差计算，误差计算采用JSD误差计算公式进行计算，其中Y₁代表真实打分的直方图，Y₂代表预测产生的直方图，Z在这里代表分数上限10，i代表具体每个打分，公式如下：

12[Σi=1ZY1(i)logY1(i)12Y1(i)+12Y2(i)+Σi=1ZY2(i)logY2(i)12Y1(i)+12Y2(i)]]]>

(25)整个训练过程采用随机梯度下降法(SGD)寻找最优参数，训练神经网络模型，最终得到神经网络模型。

4.根据权利要求1所述的一种基于深度卷积神经网络的图像美学质量评价方法，其特征在于：步骤(3)所述模型的测试和预测采取以下步骤：

(31)将测试集中的样本图像进行预处理得到一个新的图像A；

(32)将图像A放到训练好的神经网络模型中，模型通过正向计算与反向传播过程产生直方图分布结果，用模型输出结果和图像的真实评分分布结果作对比，从而测试模型的准确率，并用此模型预测一个新图像的美学质量评价具体分布是怎么的。