[发明专利]一种基于生成对抗网络的无参考图像质量评价方法

权利要求书

1.一种基于生成对抗网络的无参考图像质量评价方法，其特征在于，包括以下步骤：

1)使用生成对抗网络来构建图像训练模型，所述生成对抗网络包括训练前生成网络和训练前鉴别网络；

2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，通过训练前鉴别网络判别所输入图像块的真伪性，并得到具有训练完备鉴别网络的无参考图像质量评价模型；

3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果；

所述步骤2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，并得到训练完备的无参考图像质量评价模型，具体为，

2-1)采用图像处理中的均匀分割法，将高清无损图像均匀的分割成若干个同等大小的高清无损图像方块，构成训练数据集；

2-2)将训练数据集送入图像训练模型中进行训练学习，使用训练前生成网络拟合训练数据集的数据分布；

再将随机噪声送入训练前生成网络，该训练前生成网络根据训练数据集的数据分布输出假数据样本；

2-3)将假数据样本与高清无损图像方块送入训练前鉴别网络进行鉴别输出判别结果，该训练前鉴别网络的输出通过sigmod激活函数量化至0～1之间；

其中，0表示训练前鉴别网络将输入图像的质量判别为差，1表示训练前鉴别网络将输入图像的质量判别为好；

所述sigmod激活函数为

其中，a为sigmod激活函数的输入即最后一层全连接神经网络的输出，e为自然常数；

2-4)计算判别结果与输入的高清无损图像方块的真实质量数值之间的误差，通过该误差来构建误差函数，并使用反向传播算法与梯度下降算法优化生成对抗网络的参数直至网络收敛至稳定；

所述3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果，具体为，

3-1)采用图像处理中的均匀分割法，将待评价图像均匀的分割成若干个同等大小的待评价图像方块，构成测试数据集；

3-2)将测试数据集送入无参考图像质量评价模型中，通过训练完备鉴别网络对每一个块待评价图像方块逐一进行打分；

3-3)对每一个块待评价图像方块的打分结果进行加权，从而得到待评价图像的评价结果。

2.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述训练前生成网络的输入是100维的随机噪声，该训练前生成网络根据训练数据集的数据分布，经过五次反卷积将100维的随机噪声转换为64*64*3的图像块，即为假数据样本。

3.根据权利要求2所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述训练前鉴别网络的输入为假数据样本或高清无损图像方块，经过五次卷积运算后，得到输入图像块为真实图像的概率值。

4.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述梯度下降算法，具体为，

2-4-A)假设当前神经元的预测值为f₁(x)＝w₀+w₁x，

其中，w₀,w₁为当前神经元的偏置与权重，x为当前神经元的输入；

2-4-B)构造代价函数

其中，y为当前神经元的真实值，f₁(x)为当前神经元的预测值；

2-4-C)更新当前神经元的偏置与权重，

其中，α为步长因子。

5.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述反向传播算法，具体为，

2-4-a)假设当前神经元的预测值为f₁(x)＝w₀+w₁x，与当前神经元相连的下一层神经元的预测值为f₂(x)＝θ₀+θ₁x；

其中，w₀,w₁为当前神经元的偏置与权重，θ₀,θ₁为与当前神经元相连的下一层神经元的偏置与权重，x为当前神经元的输入；

2-4-b)构造代价函数

其中，Y表示待评价图像真实分数，Y'表示网络给出的预测值；

2-4-c)使用梯度下降法更新神经元的偏置与权重，首先更新θ₀,θ₁，

之后更新w₀,w₁，

其中，α为步长因子，f₁为当前神经元的预测值，f₂为下一层神经元的预测值；

2-4-d)依次类推，更新各层神经元，直至网络收敛。