[发明专利]一种基于深度学习和无参考质量评价的图像生成方法

说明书

本发明公开了一种基于深度学习和无参考质量评价的图像生成方法，使用深度学习神经网络模型中的特征图进行分析，找出控制图像中某个单元类的控制单元，控制单元就是神经网络中的某一层或者某几层特征图，然后通过修改网络中该层特征图的参数，如激活函数等，达到对于单元类的增强展示和抑制展示的效果，这个方法不同于传统的图像生成，也不同于深度学习中的GAN网络，传统的图像生成是对于图像的像素值进行计算处理，以及进行传统的灰度变换和裁剪平移等，GAN网络更多是随机生成的图像，不具有解释性，本发明是可以看到具体的控制单元特征图和参数的。

技术领域

本发明属于计算机视觉、深度学习、图像质量评价领域，特别涉及一种基于深度学习图像编辑无参考图像质量评价的数据生成方法。

背景技术

现有的无参考图像质量评价方法主要有：

1，基于边缘分析的方法：一般来说,图像模糊会造成边缘展宽,因此有很多模糊估计算法以分析边缘的宽度为基础.为排除噪声和某些孤立点的影响,许多算法对边缘进行了数据拟合和阈值处理。根据阶跃边缘估计线扩散函数和点扩散函数,以点扩散函数的半径作为图像模糊度的度量。这个方法的缺点是对图像内容有一定的依赖性,当原始图像中缺少锐利边缘时会导致估计不准确.

2.基于变换域的方法：考虑到各种变换域对图像特征表示的有效性,以及图像模糊在频率域具有一定的表现形式(比如高频信号衰减),有许多方法在不同的数据变换域,如离散余弦变换(Discrete cosine transform,DCT)、离散小波变换(Discretewavelettransform,DWT)进行模糊评价,有些算法综合利用空间域和变换域信息.缺点是传统的方法计算量大，精确度也不高。

3.基于像素统计信息的方法：有些模糊度评价算法虽然在空间域进行估计,但不进行局部边缘展宽分析,而是依赖于图像像素的一些统计信息及其相对变化。比如图像模糊时相邻灰度差异的方差会变小,通过全图抽样和分块计算差异方差后,根据它们是否满足一定阈值条件及相互之间的关系将图像的模糊程度分为整体锐利、平均质量、整体模糊等三类。缺点是忽略了像素的位置信息,图像中的噪声(尤其是脉冲噪声)会形成较强的梯度值,从而对估计造成较大的影响。

4，近几年基于机器学习和深度学习的方法应用在无参考图像质量评价中越来越多，主要是两大类，第一类是基于监督学习的无参考图像质量评价算法，其主要包括基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的该类方法旨在设计有效的视觉特征表达方法，通过支持向量回归等传统机器学习方法学习视觉特征到图像视觉质量的映射模型，而基于深度学习的方法则主要通过构建深度神经网络，学习图像的视觉特征以构建图像质量评价模型，或直接通过端到端来学习失真图像到图像视觉质量的函数表达。第二类是类似基于监督学习的无参考图像质量评价算法，基于无监督学习的无参考图像质量评价算法主要包括基于传统机器学习的方法和基于深度学习的方法。如使用卷积神经网络进行特征提取，基于权重共享的全连接神经网络图像质量评价模型。或者使用GAN网络来生成参考图来进行图像质量评价。

现有的图像生成方法，主要有传统的图像增强和基于深度学习网络的GAN网络模型生成方法。

现有技术存在的缺点主要在于数据集比较少，传统方法具有计算量大、精确度低等缺点，而且需要消耗大量的人力物力来进行数据集收集和筛选，基于GAN和其他机器学习的方法存在生成图像质量不容易控制和人为干预的特点，导致精确度容易不理想等结果。

发明内容

本发明为了克服上述现有技术不足，提供一种基于深度学习和无参考质量评价的图像生成方法，使得图像生成更加智能，更加多样，质量更好

本发明的技术方案是这样实现的：

1，数据集收集和整理：收集目前最大的无参考图像质量评价数据集，比如koniq-10k数据集，KADID-10K数据集，TID2013数据集等。

2，使用图像编辑技术对搭建深度学习网络模型，主要设计如下：