[发明专利]图像相似性确定方法和装置、图像处理方法和装置

说明书

本发明实施例提供一种图像相似性确定方法和装置、图像处理方法和装置，其中，该图像相似性确定方法包括：生成双通道灰度图像数据，其中，该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据；计算该双通道灰度图像数据的第一相似度，根据该第一相似度确定第一损失函数，其中，该第一损失函数与该第一相似度成反比；计算该原始图像数据和该重建图像数据的像素级第二相似度，根据该第二相似度确定第二损失函数；根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像相似性确定方法和装置、图像处理方法和装置。

背景技术

近年来，随着人工神经网络的发展，在图像压缩领域，渐渐使用人工神经网络取代手工线性变换(例如联合图像专家小组JPEG)的处理方式，即使用学习的编码器函数取代分析变换，使用学习的解码器函数取代合成变换，上述解码器例如，生成对抗式网络(Generative Adversarial Network，GAN)，变分编码器(Variational Auto-encoder，VAE)，最近的研究表明，通过深度卷积网络中的特征图能够有效的获取图像的纹理信息。

GAN多用于图像的生成，GAN中包括两个网络，一个是生成网络G，一个是判别器网络D，生成网络G主要用来学习真实图像分布，从而让生成的图像更加真实，以骗过判别器，判别器网络D需要对生成的图像进行真假判别，在训练过程中，生成网络输入一个噪声变量z，输出生成的图像数据g(z；θ_g)，判别器网络输入原始图像以及生成的图像数据g(z；θ_g)，输出的结果为置信度d(x；θ_d)，生成器和判别器不断进行抵抗，最终两个网络达到动态均衡，生成器生成的图像接近于真实图像分布，判别器识别不出真假图像。

传统的图像质量评价方法可以分为客观和主观两类，在训练阶段，传统的图像压缩算法可以最大限度的减少像素级损失度量(客观评价，例如均方误差MSE)，由此获得良好的峰值信噪比特征，但由于高频分量的损耗(模糊)，会导致图像在感知上不真实，为了更准确的评价图像质量，可以将图像感知质量作为附加的损失度量(主观评价)。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

现有的主观评价方法，即在计算图像感知的损失度量时，将原始图像和重建图像作为孪生神经网络的两个输入，根据该孪生神经网络分别提取原始图像的特征向量和重建图像的特征向量，计算两个特征向量的相似度函数(例如计算特征向量的距离度量)，将该相似度函数确定为该图像感知的损失度量。

发明人发现，在该方法中，该孪生神经网络对于原始图像和重建图像的特征提取过程是独立的，因此计算该相似度函数的时间较长，且由于特征提取是独立进行的，因此，无法体现原始图像和重建图像的相关性，无法直观的反映出原始图像和重建图像各个对应位置的像素之间的语义相似度，计算精度不够准确。

本发明实施例提出了一种图像相似性确定方法和装置、图像处理方法和装置，解决现有技术中存在的问题，并且，可以根据该损失函数训练用于图像压缩的神经网络的参数，使得该原始图像数据和该重建图像数据相似度变高，提高重建图像(压缩图像)的质量。

根据本发明实施例的第一个方面，提供了一种图像相似性确定装置，其中，该装置包括：

生成单元，其用于生成双通道灰度图像数据，其中，该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据；

第一计算单元，其用于计算该双通道灰度图像数据的第一相似度，根据该第一相似度确定第一损失函数，其中，该第一损失函数与该第一相似度成反比；