买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于多局部图自适应加权的无参考图像质量评价方法，主要解决现有无参考图像质量评价方法在学习失真图像的全局内容语义时对样本量极少的公知数据库训练不充分、评价准确度不高和采用图像切块策略进行数据增强导致图像内容语义的全局性被破坏、算法泛化性能下降的问题。本发明的实现步骤为：构建质量评价网络和样本重要性加权网络；利用生成的训练集和元参考集交替训练质量评价网络和样本重要性加权网络；对失真图像进行质量评价。本发明在样本量不足时，充分扩增数据量的同时考虑图像全局内容语义，自适应地为训练集中局部图分配重要性权重，提高算法的泛化性能。

主权项：1.一种基于多局部图自适应加权的无参考图像质量评价方法，其特征在于，构建一个质量评价网络和一个样本重要性加权网络；利用生成的训练集和元参考集交替训练质量评价网络和样本重要性加权网络，得到训练好的质量评价网络；该质量评价方法的步骤包括如下：步骤1，构建质量评价网络：1a搭建一个质量回归模块，其结构依次为：第1全连接层，ReLU激活层，第2全连接层，ReLU激活层，第3全连接层，ReLU激活层，第4全连接层，ReLU激活层，第5全连接层，ReLU激活层，第6全连接层，ReLU激活层；其中，第1至第6全连接层的输入层节点数分别设置为2048、224、112、56、28和14，第1至第6全连接层的输出层节点数分别设置为224、112、56、28、14和1；1b将特征提取模块与质量回归模块级联组成质量评价网络；步骤2，构建样本重要性加权网络：搭建一个由第1全连接层，ReLU激活层，第2全连接层，ReLU激活层，第3全连接层，sigmoid激活层组成的样本重要性加权网络；将第1至第3全连接层的输入层节点数分别设置为1、100和100，第1至第3全连接层的输出层节点数分别设置为100、100和1；步骤3，生成训练集和元参考集：3a选取I张标注分数标签的失真图像组成样本集，样本集中包含R种失真类型及其混合，每张失真图像均为RGB彩色图像且分辨率不小于384×384个像素，I≥450，R≥2；3b将样本集中每张图像随机裁剪为J个大小为224×224个像素的局部图，将每个局部图的像素值归一化到[0,1]之间，其中，J≥20；3c将归一化处理后的所有局部图与每张局部图对应的标注分数标签组成训练集；3d从归一化处理后的局部图中随机选取K×J个裁自相同K张失真图像的局部图，将裁自同一图像的J个局部图构建为一个图像包，将所有图像包与每个图像包对应样本的分数标签组成元参考集，其中，I×0.2≤K≤I×0.3；步骤4，交替训练质量评价网络和样本重要性加权网络：4a将训练集中每张图像的局部图依次输入到质量评价网络后输出该局部图的预测分数，计算每个局部图的预测误差值；将每个局部图的预测误差值输入到样本重要性加权网络后输出每个局部图的预测权重，计算每个局部图的加权训练损失值；将每个局部图的加权训练损失值输入到Adam优化器，更新质量评价网络的各层参数，得到预训练好的质量评价网络；4b将元参考集中每个图像包依次输入到预训练好的质量评价网络后输出该图像包中每个局部图的预测分数，计算每个图像包的训练损失值；将元参考集中每个图像包的训练损失值输入到Adam优化器，更新样本重要性加权网络的各层参数，得到预训练好的样本重要性加权网络；4c将训练集中每张图像的局部图依次输入到预训练好的质量评价网络后输出该局部图的预测分数，计算每个局部图的预测误差值；将每个局部图的预测误差值输入到预训练好的样本重要性加权网络后输出每个局部图的预测权重，采用与步骤4a相同的公式，计算每个局部图的加权训练损失值；将每个局部图的加权训练损失值输入到Adam优化器，更新预训练好的质量评价网络的各层参数，得到训练好的质量评价网络；4d重复执行步骤4a、4b和4c，迭代更新质量评价网络和样本重要性加权网络的各层参数，直到步骤4c中每个局部图的加权训练损失值收敛为止，得到训练好的质量评价网络；步骤5，对失真图像进行质量评价：将待评价的失真图像随机裁剪为J个大小为224×224个像素的局部图，将所有局部图依次输入到训练好的质量评价网络中，将输出的所有局部图预测分数的平均值作为最终该失真图像的质量评价结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于多局部图自适应加权的无参考图像质量评价方法