[发明专利]一种基于深度激活池化的图像质量评估方法

说明书

本发明实施例公开了一种基于深度激活池化的图像质量评估方法，该方法包括：将训练图像输入至卷积神经网络，得到卷积激活图；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，并进而得到训练图像的高对比度图像区域；基于每个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；获取测试图像每个高对比度图像区域的特征向量对应的多元高斯模型；将两个高斯模型进行对比，得到测试图像的每个高对比度图像区域的图像质量得分，对其进行加权处理得到测试图像的图像质量得分。本发明能够将重要的特征信息和笔画结构信息结合在特征向量中，达到有效挖掘显著特征信息和笔画结构信息的目的，从而提高图像质量评估的准确率。

技术领域

本发明属于图像处理和人工智能技术领域，具体涉及一种基于深度激活池化的图像质量评估方法。

背景技术

图像质量评估在图像处理领域扮演着重要的角色，它可以直接应用到图像采集、图像传输、图像压缩、图像增强、图像恢复等领域。在实际应用中，全盲的图像质量评估是一个很有挑战性的研究方向，因为参考图像的信息和失真的过程是未可知的。

近几十年图像质量评估被广泛研究，一些早期的方法利用参考图像进行质量评估。但是，全参考图像质量评估方法有很大的局限性，因为在实际应用中参考图像往往是不可获得的。为解决这个问题，大量无参考的图像质量评估方法被提出，并取得了较大的进步，但是这些方法主要是针对特定的失真类型，所以这些方法的应用范围是很局限的。近年来，全盲的图像质量评估方法被提出，并且取得了一定的成功。如：Mittal等人提出的BRISQUE(blind/referenceless image spatial quality evaluator，全盲/无参考的图像空间质量评估)，利用局部归一化亮度系数统计来评估图像质量。Xue等人使用GM(gradientmagnitude，梯度幅值)和LOG(Laplacian of Gaussian，拉普拉斯高斯)特征的联合统计来学习一个回归模型。为了学习回归模型，在训练阶段需要大量的失真图像以及对应的主观得分，因此学习到的回归模型的泛化能力比较弱。不可能收集到足够多的失真图像来涵盖全部的失真类型和组合失真类型，将从一个数据库上学习到的回归模型应用到另一个数据库，结果往往是不准确的。为了解决这个问题，Xue等人提出质量感知聚类方案来估计图像区域的质量水平。Zhang等人提出IL-NIQE(the integrated local natural imagequality evaluator，集成本地自然图像质量评估)以预测图像质量。虽然以上方法取得了较大的成功，但是他们直接使用平均池得到最终的图像质量。平均池缺乏判别性，因为不管图像区域质量得分是否重要，他们对最终的图像质量得分的贡献都被相同对待，所以不能够充分的保留显著的特征信息和笔画结构信息，从而影响图像质量评估的准确性。

发明内容

本发明的目的是要解决显著特征信息和笔画结构信息对图像质量评估结果影响较大的技术问题，为此，本发明提供一种基于深度激活池化的图像质量评估方法。

为了实现所述目的，本发明基于深度激活池化的图像质量评估方法包括以下步骤：

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；