[发明专利]一种改进的CNN无参考图像质量评估方法

权利要求书

1.一种改进的CNN无参考图像质量评估方法，其特征在于：基于改进的CNN模型实现图像质量的评估，所述改进的CNN模型由多个卷积、池化、激活和全连接层构成，在最后一个池化层中采用最大、最小、均值三者联合的方式来进行池化，以此来解决图像特征信息流失问题。

2.如权利要求1所述的一种改进的CNN无参考图像质量评估方法，其特征在于：模型的输入图像为224x224的彩色图像，首先经过四个卷积层，每经过两次卷积之后进行最大池化和激活，然后经过9个卷积层，每经过三次卷积之后依次进行池化和激活操作，接下来，使用两个全连接层和激活函数进行全连接，最后通过线性回归得到图像的质量分数。

3.如权利要求1所述的一种改进的CNN无参考图像质量评估方法，其特征在于：所述卷积层利用卷积操作提取图像像素特征，在卷积操作过程中都采用了“0”填充方法，保证能提取角落或边缘的图像信息；整个卷积过程分为5块，第一块是两层64个3x3的卷积核进行卷积操作，得到2个224x224x64的特征图；第二块是采用两层128个3x3的卷积核进行卷积操作，得到2个112x112x128的特征图；第三块是采用三层256个3x3的卷积核，得到3个56x56x256的特征图；第四块是采用三层512个3x3的卷积核，得到3个28x28x512的特征图，第四块是采用三层512个3x3的卷积核得3个14x14x512的特征图。

4.如权利要求1所述的一种改进的CNN无参考图像质量评估方法，其特征在于：所述池化层的最后一层池化使用最大、最小、均值三者联合的方式，其他均采用最大池化，具体如下：

P_max＝maxM^k (4)

P_min＝minM^k (5)

P_avg＝avgM^k (6)

其中，M表示特征图，k表示卷积核数量，P_max、P_min、P_avg分别表示最大池化、最小池化和均值池化。

5.如权利要求1所述的一种改进的CNN无参考图像质量评估方法，其特征在于：所述输出层采用两层全连接层、一个线性回归层结构，神经元个数分别为4096、512、1个，同时在输出层使用Rectified Linear Units(ReLU)作为激活函数，以此来加快反向传播速率和梯度下降速率，利用Dropout方法防止网络出现过拟合现象，将每层全连接层的输出按0.5的概率进行设置，最终得到质量得分。