[发明专利]基于深度特征感知推理的全参考图像质量客观评价方法

摘要

本发明公开了一种基于深度特征感知推理的全参考图像质量客观评价方法，核心是将人眼视觉系统(HVS)的前端感知特性、后端处理特性和BP神经网络联合起来。基于HVS前端特性提取图像的多通道显著梯度特征，基于HVS后端特性对各视觉通道特征进行二次信息分解处理，并采用互补评价算法分别对不同的分解内容进行评价。通过构建BP神经网络多通道图像质量模型，分别将不同特征信息的多通道评价进行了融合。最后自适应地将梯度特征评价、视觉多通道梯度特征融合评价、视觉多通道梯度特征二次信息互补融合评价融合起来，获得图像质量的深度特征感知推理评价。本发明方法全面超越了现有各种方法的各项评价指标水平，并且具有更好的稳定性。

主权项

1.一种基于深度特征感知推理的全参考图像质量客观评价方法，包括：步骤1，对参考图像和失真图像进行预处理得到相应的图像灰度矩阵，将失真图像灰度矩阵分为训练集和测试集；步骤2，基于小波变换提取所有图像灰度矩阵的视觉多通道信息视图；步骤3，提取所有图像灰度矩阵的梯度特征视图；步骤4，提取所有图像灰度矩阵的每个视觉通道的梯度特征视图；步骤5，针对步骤4所得结果，设计视觉多通道梯度特征信息内推分解算法，将所有图像灰度矩阵每个视觉通道的梯度特征信息分解为有序内容视图和无序内容视图两部分；步骤6，设计视觉多通道梯度特征信息有序内容视图评价算法，计算所有失真图像质量的每个视觉通道梯度特征信息有序内容视图评价；步骤7，设计视觉多通道梯度特征信息无序内容视图评价算法，计算所有失真图像质量的每个视觉通道梯度特征信息无序内容视图评价；步骤8，根据步骤4的结果，计算所有失真图像质量的每个视觉通道梯度特征相似度评价；步骤9，根据步骤3的结果，计算测试集中所有失真图像质量的梯度特征相似度评价；步骤10，构建BP神经网络模型；步骤11，利用训练集中所有失真图像质量的每个视觉多通道梯度特征相似度评价对BP神经网络模型进行学习训练后，将测试集中每帧失真图像质量的每个视觉多通道梯度特征相似度评价输入到训练好的BP神经网络模型进行预测，输出失真图像质量的视觉多通道梯度特征相似度融合评价结果，并对结果做偏置处理；步骤12，利用训练集中所有失真图像质量的每个视觉通道梯度特征信息有序内容视图评价对BP神经网络模型进行学习训练后，将测试集中每帧失真图像质量的每个视觉通道梯度特征信息有序内容视图评价输入到训练好的BP神经网络模型进行预测，输出失真图像质量的视觉多通道梯度特征信息有序内容视图融合评价结果，并对结果做偏置处理；步骤13，利用训练集中所有失真图像质量的每个视觉通道梯度特征信息无序内容视图评价对BP神经网络模型进行学习训练后，将测试集中每帧失真图像质量的每个视觉通道梯度特征信息无序内容视图评价输入到训练好的BP神经网络模型进行预测，输出失真图像质量的视觉多通道梯度特征信息无序内容视图融合评价结果，并对结果做偏置处理；步骤14，利用自适应融合算法对步骤9、步骤11、步骤12以及步骤13所得结果进行融合，获得测试集中每帧失真图像质量的深度特征感知推理评价结果。