[发明专利]无参考图像质量检测方法、系统、终端及介质

说明书

本发明的无参考图像质量检测方法、系统、终端及介质，通过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；其中模型由骨干网络模型和双通道卷积网络模型级联组成，该模型结构不仅能够充分挖掘图像特征还充分融合了多层次的语义特征，增强了特征表达的多样性以及特征的自适应性。本发明的方案提取的质量特征更加有效，主客观一致性更加优越，模型泛化能力更强，在预测准确率和复杂度上也能够较好地平衡，进而解决现有技术中在模型复杂度适中的前提下，无法提高质量分数预测的准确性的问题。

技术领域

本申请涉及客观图像质量评价技术领域，尤其涉及无参考图像质量检测方法、系统、终端及介质。

背景技术

随着人类对高质量图像的需求日益紧迫，客观图像质量评价的研究日趋重要。图像在产生、传输、处理和存储的过程中会产生各种失真，会极大地影响观察者的主观舒适度和其他视觉任务的准确率。根据参考标准图像的程度，客观图像质量评价方法可分为三种：全参考型、半参考型和无参考型。由于实际场景的参考图像较难获取，无参考方法为主要研究方向。无参考方法是学习待评价图像本身特征到主观质量的映射关系，不利用参考图像的任何信息，面临失真复杂性和内容依赖性的挑战。对于自然统计特征的研究，有空域熵和梯度、频域熵和小波域等特征，例如BIQ、NIQE、BRISQUE和SSEQ等方法，典型的是高阶统计量聚合方法HOSA，其性能在传统方法中具有竞争力。基于深度学习的评价方法研究，一般是利用其他任务的深层语义特征作为先验知识辅助学习，典型图像质量评价的卷积网络模型有DeepBIQ，RankIQA，BPSQM，MetaIQA，HyperIQA，Koncept512，LineartyIQA等方法，其中LineartyIQA性能较好，设计了NINLoss取主客观分数归一化的差值范数，能够加快收敛，但模型复杂度过高。自然统计特征方法有局限性且准确率低，深度学习方法虽然性能提升较大，但多数的质量特征表达还不够充分有效。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供无参考图像质量检测方法、系统、终端及介质，解决现有技术中在模型复杂度适中的前提下，无法提高质量分数预测的准确性的问题。

为实现上述目标及其他相关目标，本申请提供一种无参考图像质量检测方法，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，所述图像质量评价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。

于本申请的一或多个实施例中，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。

于本申请的一或多个实施例中，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。

于本申请的一或多个实施例中，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。

于本申请的一或多个实施例中，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。