[发明专利]基于增量元学习的无参考图像质量评价方法

说明书

本发明提出一种基于增量元学习的无参考图像质量评价方法，实现步骤为：获取训练样本集和测试样本集；构建基于增量元学习的无参考图像质量评价网络模型；对基于增量元学习的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明结合元学习和增量学习方法实现了复杂化失真场景中图像数据跨任务评价的方法，并引入数据回放，设置一个记忆缓冲区来动态存储跨任务评价过程中旧任务的图像，并将其加入到新任务的训练当中，在不断积累图像场景类别信息和失真类型信息的同时，面对具有新场景和新失真的情形，增量元学习预测头可以有效地缓解图像数据集亚种群持续偏移带来的问题，进而提高图像质量评价的准确率和稳定性。

技术领域

本发明属于图像处理技术领域，涉及一种无参考图像质量评价方法，具体涉及一种基于增量元学习的无参考图像质量评价方法，可用于图像处理系统在多场景获取的没有原始参考的复杂失真图像进行质量评价。

背景技术

图像质量评价是对图像进行手工质量打分或者根据人类视觉感知机制建立数学模型对图像进行质量打分的过程。图像质量评价方法可以分为主观图像质量评价方法和客观图像质量评价方法。其中，主观图像质量评价方法是按照视觉感受分级进行人为打分，客观图像质量评价是通过模拟人类视觉系统对图像的感知过程，设计能够反映图像主观质量的客观评价模型，对待测图像的质量进行评价。与主观图像质量评价相比，客观图像质量评价具有成本低、实时性强和时间效率高等优点，得到了更广泛的应用。

客观图像质量评价方法根据对参考图像的依赖程度可以分为全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法。无参考图像质量评价方法不需要参考图像，仅需要待评价图像及其主观质量分数标签，能够更加灵活、实时地评价图像质量，所以无参考图像质量评价方法最具研究和应用价值。但是无参考图像质量评价方法大多往往是借助特征工程的角度构建算法，因此评价过程的准确度低和稳定性差而难以很好地模拟人类视觉系统的评价机制。

目前，从特征工程转向深度学习，进一步改善了对特定图像质量评价数据集进行无参考质量评价时的准确度低和稳定性差的问题。但是在跨任务学习过程中，由于没有考虑亚群偏移过程中的跨任务数据的分布相关性，从而无法微调适应新的评价任务产生了准确度低的问题。对跨任务数据重新进行联合训练的过程中引入了大量失真未知图像，从而导致了评价方法的稳定性差的问题。在图像数据集亚种群持续偏移过程中，采用元学习可以通过少量样本快速适应跨任务评估的能力，从而缓解这种对新任务适应时准确度下降的问题。而增量学习在跨任务学习过程中保留旧知识的机制可以有效地缓解新旧任务评价时稳定性下降的问题。

为了提高无参考图像的质量评价稳定性，申请公布号CN114049500A，名称为“基于元学习重加权网络伪标签训练的图像评价方法及系统”的专利申请，公开了一种基于元学习的无参考图像质量评价方法，其方法包括获取图片数据集作为样本集，构建主干特征提取网络得到高维特征，然后通过先分类后评价的两阶段评价过程得到质量评分。该方法主要是解决了模型的稳定性的问题，但是这种两阶段的评价模型严重依赖评价数据的场景类别，准确分类图像才能有效提高质量评价的稳定性。总的来说，应该考虑亚群偏移过程中的跨任务图像数据的场景和失真的相关性，结合元学习和增量学习来对复杂环境中获取的图像进行学习评价，进而提高质量评价的准确度和稳定性。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于增量元学习的无参考图像质量评价方法，用于解决现有技术中对图像质量跨任务学习时,因图像数据集亚种群持续偏移带来的评价准确度较低和稳定性差的技术问题。

为实现上述目的，本发明采取的技术方法包括如下步骤：

(1)获取支持集、查询集、和测试样本集：