[发明专利]统一结构的全参考和无参考图像质量评价方法

权利要求书

1.统一结构的全参考和无参考图像质量评价方法，其特征在于包括以下步骤：

1)图像分割及滤波分解处理，具体方法为：

为了解决无参考图像缺乏有效的参考图像的问题，并使无参考图像质量评价方法与全参考图像质量评价方法结构一致，对于无参考图像质量评价任务，将失真图像经过多次滤波分解选取图像的低频分量作为参考图像；图像分解按照公式(1)实现，公式(1)中I表示待分解的图像，B_i(I)表示对图像I进行i次高斯滤波，公式(1)如下：

为了解决神经网络训练过程中出现的过拟合问题及图像的输入分辨率问题，同时为了保证输入图像尽可能的不损失信息，对于图像质量评价方法，将失真图像及对应的参考图像随机分割成32个分辨率为156×156×3的图像对；

2)特征提取网络及回归网络设计，具体方法为：

采用卷积神经网络VGG作为图像的特征提取器，同时考虑到图像质量评价任务对噪声非常敏感，因此在设计卷积层的过程中将不使用周围填零的操作，padding设置为有效值；

为了提升卷积神经网络的泛化能力，将卷积神经网络提取的特征图到主观分数的映射加入矩估计法；计算主观分数的一阶原点矩和s阶中心矩，s表示中心矩的阶数，具体方法按照下列公式(2)和(3)实现，其中，E(Score)为网络输出分数的期望，图像特征的维度N＝w×h，其中，w和h分别是图像特征的宽和高，fd_i，c(θ，I_d)和fr_i，c(θ，I_r)分别是失真图像和参考图像高维特征层上第c个通道上第i个点的值，θ表示权重参数，I_d，I_r分别是失真图像和参考图像：

为了实现主观分数预测，将VGG网络提取的特征和矩估计法计算的新特征融合在一起作为新的特征，送入两层全连接层构成的回归器，将特征图映射成主观分数作为系统的最终输出；

为了让网络优化自身的参数，损失函数如公式(4)所示，其中，p(θ，fr-fd)为网络输出分数，θ为权重参数，y为真实的图像分数标签即图像的DMOS分数，fr和fd是参考图像和失真图像的高维特征；采用网络的输出与实际标签的差的绝对值损失函数；若采用均方误差损失函数，则容易对异常的值产生较大响应，造成系统的泛化能力下降；通过Adam优化器来极小化损失函数，从而实现网络参数的优化，公式(4)如下：

loss＝|p(θ，fr-fd)-y| (4)

网络模型在训练集上训练好后，使用过程将图像输入到训练好的模型中观察输出的结果即可。