[发明专利]一种基于深度激活池化的图像质量评估方法

权利要求书

1.一种基于深度激活池化的图像质量评估方法，其特征在于，该方法包括：

步骤S1，将训练图像输入至预先训练得到的卷积神经网络中，得到卷积激活图；

步骤S2，利用第一预设卷积层中的卷积激活图，得到卷积激活求和图；

步骤S3，利用所述卷积激活求和图，得到所述训练图像的高对比度图像区域；

步骤S4，对于每个高对比度图像区域进行特征提取，得到相应的特征向量；

步骤S5，基于所述高对比度图像区域的特征向量，训练得到原始多元高斯模型；

步骤S6，获取测试图像及其高对比度图像区域，并对于每个高对比度图像区域进行特征提取，得到相应的特征向量及对应的多元高斯模型；

步骤S7，将所述多元高斯模型与所述原始多元高斯模型进行对比，得到测试图像的每个高对比度图像区域的图像质量得分；

步骤S8，利用测试图像第二预设卷积层中的卷积激活求和图对相应的高对比度图像区域图像质量得分进行加权，得到整个测试图像的图像质量得分；

其中，所述步骤S2包括：

步骤S21，获取第一预设卷积层中的卷积激活图H_s×W_s×N_s，其中，下标s表示第一预设卷积层的序号，H_s和W_s分别表示第一预设卷积层卷积激活图的高度和宽度，N_s表示第一预设卷积层卷积激活图的数目；

步骤S22，将N_s个大小为H_s×W_s的卷积激活图的对应位置元素相加，得到卷积求和图；

所述步骤S3包括：

步骤S31，获取所述卷积激活求和图中每个激活响应的对比度σ(i,j)，其中，σ(i,j)表示卷积激活求和图的第(i,j)位置的激活响应对比度，表示为：

其中，w_x,y(x＝-X,...,X,y＝-Y,...,Y)表示大小为X×Y的高斯加权窗口的权重值，C(i,j)表示卷积激活求和图中第(i,j)位置的激活响应，u(i,j)为由高斯加权窗口限定出的局部区域，即激活响应区域的激活响应的平均值，表示为：

步骤S32，将激活响应区域中每个位置对应的激活响应对比度相加，得到该区域的激活响应对比度；

步骤S33，选择激活响应对比度高于预设阈值的激活响应区域，并将这些激活响应区域投影到所对应的训练图像区域，得到的一组图像区域即为所述训练图像的高对比度图像区域。

2.根据权利要求1的方法，其特征在于，所述步骤S1包括：

步骤S11，将所述训练图像的大小归一化为H×W，其中，H和W分别表示训练图像的高度和宽度；

步骤S12，将归一化后的训练图像输入至所述卷积神经网络中，得到卷积激活图H_C×W_C×N，其中，H_C和W_C分别表示卷积激活图的高度和宽度，N表示卷积激活图的数目。

3.根据权利要求1的方法，其特征在于，所述步骤S4包括：

步骤S41，对于一个高对比度图像区域提取多种特征；

步骤S42，将提取得到的多种特征进行串联，得到该高对比度图像区域的特征向量。

4.根据权利要求1的方法，其特征在于，所述步骤S5中的原始多元高斯模型l(f)表示为：

其中，f∈R^D×1表示高对比图像区域的特征向量，D为特征向量的维度，μ和∑分别表示f的均值向量和协方差矩阵。

5.根据权利要求1的方法，其特征在于，所述步骤S6包括：

步骤S61，获取测试图像及其高对比度图像区域；

步骤S62，获取每个高对比度图像区域的特征向量；

步骤S63，将每个特征向量拟合为一个多元高斯模型(μ_p,∑')，其中，p(p＝1,2,...,P)表示测试图像中的第p个高对比图像区域，P表示测试图像中高对比图像区域的个数，μ_p和∑'分别表示相应特征向量的均值向量和协方差矩阵。