[发明专利]无参考图像质量评价的分块标签权重度量方法及设备

说明书

本公开实施例中提供了一种无参考图像质量评价的分块标签权重度量方法及设备，属于图像处理技术领域，具体包括：将目标图像输入评分预测网络，得到多个相同规格的图像块和初始化标签权重；提取每个图像块对应的图像特征；将全部图像特征训练标签权重优化网络，得到每个图像块对应的目标标签权重；根据预设算法计算目标图像的客观质量分与主观质量分的相关度；判断相关度是否大于或等于阈值；若是，则选定目标标签权重为指导标签权重；若否，则更新目标标签权重。通过本公开的方案，标签权重优化网络对评分预测网络提取的图像特征进行加权指导，二者相互结合为质量分数的预测提供了更高的可靠性，提高了图像质量评价精准度和权重优化度。

技术领域

本公开实施例涉及图像处理技术领域，尤其涉及一种无参考图像质量评价的分块标签权重度量方法及设备。

背景技术

目前，图像的感知质量是许多图像处理任务或图像相关应用中的基本度量。图像质量评价方法分为三类：全参考、半参考和无参考。在实际场景中，由于难以获得无失真参考图像的限制，无参考图像质量评价是优选的方法。基于深度学习的无参考图像质量评价方法是研究的热点。这些方法通常需要大量数据进行模型训练，而现有的相关数据集无法满足这一需求，且现有的图像质量感知方法，采用图像块质量分数分配策略，该方法存在图像块标签不准确的问题，或者，使用结构相似度和均方误差训练一条多项式曲线，该曲线表示图像块局部质量相对于整幅图像的主观质量分数的拟合，但是该方法需要参考图像，对图像预测的精度较低。

可见，亟需一种对图像质量评价精确且权重优化度高的无参考图像质量评价的分块标签权重度量方法。

发明内容

有鉴于此，本公开实施例提供一种无参考图像质量评价的分块标签权重度量方法及设备，至少部分解决现有技术中存在图像质量评价精准度和权重优化度较差的问题的问题。

第一方面，本公开实施例提供了一种无参考图像质量评价的分块标签权重度量方法，包括：

将目标图像输入评分预测网络，得到多个相同规格的图像块和每个所述图像块对应的初始化标签权重；

将全部所述图像块和全部所述初始化标签权重输入目标模型，提取每个所述图像块对应的图像特征；

将全部所述图像特征训练标签权重优化网络，得到每个所述图像块对应的目标标签权重，其中，所述标签权重优化网络包括所述目标模型和全连接层；

将全部所述图像特征和全部所述目标标签权重输入所述评分预测网络，根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度；

判断所述客观质量分与主观质量分的相关度是否大于或等于阈值；

若所述客观质量分与主观质量分的相关度大于或等于所述阈值，则选定所述目标标签权重为指导标签权重；

若所述客观质量分与主观质量分的相关度小于所述阈值，则更新所述目标标签权重，并重新将更新后的目标标签权重输入所述评分预测网络，直到所述质量分大于或等于所述阈值。

根据本公开实施例的一种具体实现方式，所述目标模型包括多个卷积层和多个池化层，其中，所述池化层的数量等于所述卷积层的数量，所述池化层的输出个数等于所述卷积层的深度。

根据本公开实施例的一种具体实现方式，所述判断所述客观质量分与主观质量分的相关度是否大于或等于阈值的步骤之前，所述方法还包括：

计算多张样本图像的质量分，并取全部所述样本图像的质量分的平均值作为所述阈值。

根据本公开实施例的一种具体实现方式，所述根据预设算法计算所述目标图像的客观质量分与主观质量分的相关度的步骤之前，所述方法还包括：