[发明专利]一种图像质量评价方法及系统

说明书

本发明提出了一种图像质量评价方法及系统，属于图像处理技术领域。本发明采用基于显隐式双流网络的方法。用基于小波的峰态值的频域特征来代表显式特征，用基于卷积神经网络提取的空域特征来代表隐式特征，构建了显隐式并行的深度学习模型即EI‑IQA模型。首先，基于卷积神经网络VGGNet提取空域特征，然后在此基础上通过增加并行的小波峰态值频域特征，减小VGGNet的网络层数，大大减少训练参数，减小样本需求。通过不同数据库的交叉验证，验证了基于深度学习的小波峰态值特征融合方法具有更加完善的特征提取效果和更优的泛化能力，能够更好的模拟人眼视觉感受系统，更加贴近人眼的主观感受。

技术领域

本发明涉及图像质量处理技术领域，尤其涉及一种图像质量评价方法及系统。

背景技术

5G时代的到来给通信行业带来了巨大的革新，在高速信息流的轰击下，对于信息传输的需求日益增大。图像作为其中视觉信息的主要载体，在信息传输过程中显得尤为重要。图像在采集和传输过程中，会由于处理系统、环境噪声等多方面因素造成不同程度上的失真[1]和降质，从而影响人的视觉效果。

图像质量评价方法，按照是否需要人眼的参与进行分类，大致可分为两种:(1)主观评价[1]客观评价[2]。主观评价方法就是以人的视觉评价为标准，从人的直观视觉感受出发对图像进行评价。主观评价方法效果良好，但工作量繁重[3][4]。客观评价方法使用数学模型对图像直接进行评分，节约了大量的时间和资源，操作简单，可控制力强，已成为IQA领域的主要方法。

客观评价方法可进一步分为全参考、半参考和无参考图像质量评价[5]，其区别在于参考图像的有无。由于原始图像在实际应用中往往不可得，因此，无参考图像质量评价方法具有更为广阔的应用前景。

无参考图像质量评价按照提取特征方式的不同可分为两类。一类为显式无参考图像质量评估方法，另一类为隐式无参考图像质量评估方法。显式无参考图像质量评估方法以浅层机器学习为代表，首先对待测图像进行特征提取，然后将提取的特征输入进浅层回归网络中得到最终的质量分数。早期显式特征的提取受到计算能力的限制，采用分级提取的方法，输出特征集，然后对特征集进行相应操作。随着计算能力的进步和深度网络的出现，隐式NR-IQA应运而生，该方法以深度网络为代表，不断革新，对各个领域产生了重大的影响[6]。该方法将图像输入到算法中，建立端到端的模型，直接得到最终的图像质量评分，具有良好的连续性，但由于其物理意义不明显，从而导致模型参数增多，增加了机器学习的难度。而显式NR-IQA具有良好的物理意义和可解释性，便于洞察特征之间关系。因此，将显式特征提取的特征集用来增强其他机器学习的算法，作为训练的基础。但由于其不完备性，最终提取的特征信息往往有所欠缺。

[1]Gu K,Zhai G,Yang X,et al.Subjective and objective qualityassessment for images with contrast change[C]//Image Processing(ICIP),201320th IEEE International Conference on.IEEE,2013:383-387.

[2]WANG Zhou,BOVIK A C.Modern image quality assessment[M].New York:Morgan and Claypool Pbulishing Compang,2006:20-30.

[3]Wang Z,Bovik A C.Mean squared error:Love it or leave it？A new lookat signal fidelity measures[J].IEEE signal processing magazine,2009,26(1):98-117.