[发明专利]一种改进的CNN无参考图像质量评估方法

说明书

本发明涉及图像处理领域，具体涉及一种改进的CNN无参考图像质量评估方法，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。本发明利用迁移学习和微调的思想，将单一池化方法利用多种池化联合的方式进行替换，提升了网络的性能，表现出较高的精确度，可以满足当前无参考图像质量评估的实际需要，实验结果表明，本发明的方法在标准图像质量评价库上的评估准确度高于单一的最大池策略。

技术领域

本发明涉及图像处理领域，具体涉及一种改进的CNN无参考图像质量评估方法。

背景技术

随着互联网技术的快速发展，越来越多的人们想要看到更清晰的图像，但是受各种因素的影响图像最终呈现到我们眼前时是不清晰的，因此，为了更好的提高人类主观视觉体验，图像质量评估(Image Quality Assessment,IQA)逐渐成为图像处理领域的一个热点。现阶段，图像质量评估方法一般可以分为主观评估和客观评估。主观评估可靠性最高，但在实际应用中，费时费力，原始图像不仅难以获取，评估过程中还会受到外界因素的干扰，在这样一个大数据时代应用起来较为困难；而客观评估主要是通过机器去评估，避免了很多不必要的人为因素，操作起来较容易，还能降低成本，因此，采用客观评估的方法更符合现实需求。

在客观评估中，根据参考图像的有无又可以分为三种类型：全参考(Full-Reference Image Quality Assessment,FR-IQA)、半参考(Reduced-Reference ImageQuality Assessment,RR-IQA)、无参考(No-Reference Image Quality Assessment,NR-IQA)。无参考图像质量评估由于不需要借助参考图像，因此更具有实际应用价值。

基于CNN的方法是目前较为常用的无参考图像质量评估方法，它可以将失真图片作为输入，让计算机自动提取特征之后进行学习，这样相比以前手工提取特征的方法方便了很多。但是，也面临着许多不足，例如，现阶段大多数方法只采用最大池化来进行下采样，很多有价值的图像信息就会在这时被过滤掉，这就导致最终的评估其实是不准确的。

发明内容

为解决上述问题，本发明提供了一种改进的CNN无参考图像质量评估方法，。

为实现上述目的，本发明采取的技术方案为：

一种改进的CNN无参考图像质量评估方法，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。

进一步地，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。

进一步地，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，得到3个14x14x512的特征图。

进一步地，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)