[发明专利]基于全卷积神经网络的无参考图像质量评价方法

摘要

本发明公开了一种基于全卷积神经网络的无参考图像质量评价方法，其采用全参考图像质量评价方法获得训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，得到最优的全卷积神经网络回归训练模型，再将待评价的失真图像的归一化图像输入到最优的全卷积神经网络回归训练模型中，预测得到待评价的失真图像的客观质量评价预测质量图，使用待评价的失真图像的显著图对客观质量评价预测质量图进行加权池化，从而得到客观质量评价预测值，由于结合了失真图像的全参考特征、显著性特征等多种特征，并且这些特征能比较准确地描述失真图像，因而有效地提高了客观评价结果与主观感知之间的相关性。

主权项

1.一种基于全卷积神经网络的无参考图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程，所述的训练阶段过程的具体步骤为：步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为然后利用失真生成方法，生成每幅原始的无失真图像在不同失真类型不同失真程度下的失真图像；再将所有原始的无失真图像对应的失真图像构成训练集，将训练集中的第k幅失真图像记为其中，P为正整数，P>1，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示的高度，表示中坐标位置为(x,y)的像素点的像素值，k为正整数，1≤k≤K，K为正整数，K表示训练集中包含的失真图像的总幅数，K＝P×L，L为正整数，L表示每幅原始的无失真图像对应的失真图像的总幅数，L>1，表示中坐标位置为(x,y)的像素点的像素值；步骤①_2：利用基于特征相似度的全参考图像质量评价方法，并结合训练集中的每幅失真图像及其对应的原始的无失真图像，获得训练集中的每幅失真图像的客观真实质量图，将的客观真实质量图记为是利用基于特征相似度的全参考图像质量评价方法并结合及其对应的原始的无失真图像获得的；其中，表示中坐标位置为(x,y)的像素点的像素值；并且，利用归一化方法，对训练集中的每幅失真图像进行归一化处理，获得训练集中的每幅失真图像的归一化图像，将的归一化图像记为其中，表示中坐标位置为(x,y)的像素点的像素值；步骤①_3：利用全卷积神经网络，并将训练集中的每幅失真图像的客观真实质量图作为监督，对训练集中的所有失真图像的归一化图像进行训练，使得回归得到的质量图与客观真实质量图之间的误差最小，得到最优的权值矢量ω和最优的偏置项b；然后将ω和b作为全卷积神经网络的最优参数，进而构造得到最优的全卷积神经网络回归训练模型；所述的测试阶段过程的具体步骤为：步骤②_1：令表示待评价的失真图像；其中，1≤i≤W'，1≤j≤H'，W'表示的宽度，H'表示的高度，表示中坐标位置为(i,j)的像素点的像素值；步骤②_2：利用归一化方法，对进行归一化处理，获得的归一化图像，记为其中，表示中坐标位置为(i,j)的像素点的像素值；并且，利用图像显著性特征图提取方法，提取出的显著图，记为其中，表示中坐标位置为(i,j)的像素点的像素值；步骤②_3：将作为输入，输入到训练阶段构造得到的最优的全卷积神经网络回归训练模型中，得到的客观质量评价预测质量图，记为其中，表示中坐标位置为(i,j)的像素点的像素值；步骤②_4：使用对进行加权池化，得到的客观质量评价预测值，记为Q。