[发明专利]无参考图像质量检测方法、系统、终端及介质

权利要求书

1.一种无参考图像质量检测方法，其特征在于，包括：

获取待评价图像；

将所述待评价图像输入至经过训练的无参考图像质量检测模型，以获得所述待评价图像的质量检测结果；

其中，所述无参考图像质量检测模型的网络结构包括：相互级联的骨干网络结构以及双通道卷积网络结构；所述骨干网络结构用于对输入的待评价图像提取图像质量特征，并输出特征图；所述双通道卷积网络结构用于对输入的特征图进行双通道卷积计算，并输出对应所述特征图的质量检测结果；

其中，所述双通道卷积网络结构包括：

密集哈达玛卷积通道，用于对输入的特征图进行密集哈达玛卷积计算，并输出获得第一特征向量；

多层卷积通道，用于对输入的特征图进行多层卷积计算，并输出获得第二特征向量；

融合结构，连接所述密集哈达玛卷积通道以及多层卷积通道，用于将所述第一特征向量以及第二特征向量进行多维拼接，并映射获得质量检测结果；

所述密集哈达玛卷积通道包含依次连接的全局平均池化层、3个全连接层和用于密集哈达玛卷积的密集哈达玛卷积模块；其中，所述密集哈达玛卷积模块包括：至少一个对应一变换权重的哈达玛卷积层，用于通过哈达玛乘积对由所述全连接层输出的特征向量进行权重变换；

所述密集哈达玛卷积模块包括：依次连接的三个Dendrite Net层，用于对所述全连接输出的特征向量依次进行对应各Dendrite Net层的三个权重矩阵的变换，以输出所述第一特征向量。

2.根据权利要求1中所述的无参考图像质量检测方法，其特征在于，所述无参考图像质量检测模型的训练过程包括：

利用训练数据集训练所述无参考图像质量检测模型；

其中，所述训练数据集包括：一或多个样本图像以及对应各样本图像的质量评价标签；

并且其中，所述质量评价标签包括：质量评价等级和/或主观质量得分。

3.根据权利要求1中所述的无参考图像质量检测方法，其特征在于，骨干网络结构包括：

Inception-Resnet-v2深度网络模型，其包含依次连接的Stem模块、Inception-Resnet模块以及Reduction模块。

4.根据权利要求1中所述的无参考图像质量检测方法，其特征在于，多层卷积通道包括：依次级联的3个卷积层和全局平均池化层。

5.一种无参考图像质量检测系统，其特征在于，包括：

采集模块，用于获取待评价图像；

质量评价模块，连接所述采集模块，用于将所述待评价图像输入至经过由一或多个样本图像以及对应各样本图像的质量评价标签构成的训练数据集训练的无参考图像质量检测模型，以获得所述待评价图像的质量检测结果；

其中，所述无参考图像质量检测模型的网络结构包括：相互级联的骨干网络结构以及双通道卷积网络结构；所述骨干网络结构用于对输入的待评价图像提取图像质量特征，并输出特征图；所述双通道卷积网络结构用于对输入的特征图进行双通道卷积计算，并输出对应所述特征图的质量检测结果；

并且其中，所述双通道卷积网络结构包括：密集哈达玛卷积通道，用于对输入的特征图进行密集哈达玛卷积计算，并输出获得第一特征向量；多层卷积通道，用于对输入的特征图进行多层卷积计算，并输出获得第二特征向量；融合结构，连接所述密集哈达玛卷积通道以及多层卷积通道，用于将所述第一特征向量以及第二特征向量进行多维拼接，并映射获得质量检测结果；所述密集哈达玛卷积通道包含依次连接的全局平均池化层、3个全连接层和用于密集哈达玛卷积的密集哈达玛卷积模块；其中，所述密集哈达玛卷积模块包括：至少一个对应一变换权重的哈达玛卷积层，用于通过哈达玛乘积对由所述全连接层输出的特征向量进行权重变换；所述密集哈达玛卷积模块包括：依次连接的三个Dendrite Net层，用于对所述全连接输出的特征向量依次进行对应各Dendrite Net层的三个权重矩阵的变换，以输出所述第一特征向量。