[发明专利]基于CNN的屏幕失真图像无参考质量评价方法

说明书

本发明涉及一种基于CNN的屏幕失真图像无参考质量评价方法，包括以下步骤：图像分解：给定一张图像，将其调整到227x 227大小，采用半参数模型将图像分为预测部分和未预测部分；将分解得到的预测图和未预测图转化为灰度图，分别对转化后的灰度图进行归一化处理；设计分为两路的卷积神经网络CNN，将经过归一化处理的预测图和未预测图作为输入，上下两路网络结构相同；网络分为6个卷积层，3个池化层以及两个跳层连接，采用ReLU作为激活函数，融合上下两路输出，将其送入多层感知MLP中处理，得到预测图像的质量分数。

技术领域

本发明属于图像处理领域，尤其是涉及一种针对屏幕失真图像的无参考质量评价方法。

背景技术

近年来，随着互联网发展和社交软件的普及，人们借助于一类屏幕内容图像来传递信息和分享喜悦。这类图像由自然场景图像和计算机生成的图形内容组合而成，相比于自然图像，屏幕内容图像是通过截屏得到的，而不是通过照相机拍摄；屏幕内容图像色彩和亮度的变化较小，结构相对简单。屏幕内容图像经过网络传输，往往会产生严重的失真情况。此外，屏幕失真图像由于自身具有自然图像和文本图像的特点，传统的特征提取方法难以表示其失真特性，因此当务之急是寻找一种高效的特征表示方法。卷积神经网络(ConvolutionalNeural Network,CNN)的提出取代了传统手工特征的设计过程，并且学者们已经证明了其在分类、回归等问题上的显著性能。

发明内容

本发明利用CNN进行特征表示，提出一种无参考屏幕失真图像质量评价方法，该方法与主观评价分数有着较高的一致性。技术方案如下。

一种基于CNN的屏幕失真图像无参考质量评价方法，包括以下步骤：

第一步，图像分解

给定一张图像，将其调整到227 x 227大小，采用半参数模型将图像分为预测部分和未预测部分方法如下：

(1)建立自回归模型：

χ_i＝X^k(χ_i)·a+ε_i

其中，χ_i表示图像的第i个像素值，X^k(χ_i)表示邻近χ_i的k个像素组成的向量，a表示自回归参数，ε_i表示误差项；

(2)预测部分通过自回归模型和双边滤波的线性融合得到：

其中，和b分别表示自回归模型和双边滤波器的估计参数，ω＝0.2用于控制两部分的重要程度；

(3)未预测部分可以通过输入像素y_i和预测部分的差导出：

(4)根据半参数模型将图像分为预测部分和未预测部分；

第二步，将分解得到的预测图和未预测图转化为灰度图，分别对转化后的灰度图进行归一化处理；

第三步，CNN

设计分为两路的卷积神经网络CNN，将经过归一化处理的预测图和未预测图作为输入，上下两路网络结构相同；网络分为6个卷积层，3个池化层以及两个跳层连接，采用ReLU作为激活函数，融合上下两路输出，将其送入多层感知MLP中处理，得到预测图像的质量分数Sp。

本发明提出一种基于CNN的屏幕失真图像质量评价方法，无需引入参考图像，可以有效评价屏幕失真图像质量。

附图说明

图1算法框架

具体实施方式