[发明专利]一种基于区域显著性池化的图像质量评估方法

权利要求书

1.一种基于区域显著性池化的图像质量评估方法，其特征在于，包括如下步骤：

步骤S1、区域权重计算；

步骤S2、图像显著性检测；

步骤S3、VGG16网络预测。

2.根据权利要求1所述的一种基于区域显著性池化的图像质量评估方法，其特征在于，所述步骤S1具体实现如下：

步骤S11、假设图像区域显著性与相应块的质量权重之间存在映射关系，将图像分为3x3个块；

步骤S12、利用如下公式图像质量计算模型进行图像整体质量的计算：

其中Q表示图像的整体质量，s_i表示每个图像块的显著性，w_i表示每个图像块的权重，q_i表示每个图像块的客观质量。然后，利用SSIM度量来计算每个图像块的客观质量。接下来，根据LIVE图像质量数据库提供的图像的平均意见分数(MOS)，确定图像的整体质量Q；

步骤S13、将LIVE图像质量数据库中的所有图像按图像内容分成29组，根据上述公式每组图像得到相应的联立方程组。然后求解出每组方程的w_i值，即每个图像块的权重。对于图像数量少于9的图像组，方程组会有无穷解，我们选择使║w_iq_i-Q║和║w_i║均最小化的解作为方程组的解。

3.根据权利要求1所述的一种基于区域显著性池化的图像质量评估方法，其特征在于，所述步骤S2具体实现如下：

步骤S21、首先，我们使用简单线性迭代聚类(SLIC)方法分割图像的每个个块，即抽象地将每个个块视为一系列规则的超像素；

步骤S22、然后，利用超像素之间最短路径累积的边缘权值来构造任意两个超像素之间的相似性；

步骤S23、我们进一步计算了跨越面积沿每个超像素的边界长度Len_bnd(p)；

步骤S24、接下来，定义一个边界连通性BndCon(p)，用于测量超像素与图像边界连接的程度，定义如下：

其中p表示每个超像素；

步骤S25、然后，为了更好地分离图像个块的背景和对象，对模型进行了进一步的优化。我们计算每个超像素Ctr(p)的权重，然后根据每个超像素的边界连通性，绘制相应的背景概率wb_g；

步骤S26、接下来，超像素的背景加权对比度定义如下：

wCtr(p)＝Ctr(p)w_bg

最后，通过最小化代价函数得到最优显著性图，其中涉及图像个块中所有超像素的显著性值。

4.根据权利要求1所述的一种基于区域显著性池化的图像质量评估方法，其特征在于，所述步骤S3具体实现如下：

步骤S31、由于我们需要使用结构简单的卷积神经网络来预测图像个块的权重w_i，因此选择了VGG16网络。VGG16网络需要彩色输入图像，但我们的显著性图像是灰色的。为了满足这一需求，我们将灰度图像分别转换为RGB通道，使三个通道的输入图像一致；

步骤S32、由于LIVE图像质量数据库中包含的图像具有多个分辨率，因此不同图像分割的斑块的大小是不同的。为了确保VGG网络的所有的输入具有相同的大小，我们在所有显著性图中选择最小尺寸146x146作为标准；

步骤S33、然后使用遍历搜索方法从每个显著性图中提取具有最大平均灰度值的146x146区域；

步骤S34、我们将146x146显著性图作为输入内容传给VGG16网络，标签是与显著性图对应的图像个块的权重值，网络的最后一层输出预测权重值w_pre。最后，利用预测的权重值得到图像的预测质量。