[发明专利]统一结构的全参考和无参考图像质量评价方法

说明书

统一结构的全参考和无参考图像质量评价方法，涉及图像处理。图像分割及滤波分解处理；特征提取网络及回归网络设计。能够对失真图像质量进行评估，能够应用于全参考和无参考图像质量评价任务。采用卷积神经网络学习图像特征到主管质量分数的映射，从而实现图像质量评价任务。建立在深度学习机器学习集统计学的基础上，特点是对不同图像质量评价任务结构不变，实用性可靠性强，可移植性强，能够预测符合人眼审美的主观质量分数，节约人眼评价的人工成本。

技术领域

本发明涉及图像处理，尤其是涉及基于深度学习和统计学的统一结构的全参考和无参考图像质量评价方法。

背景技术

图像质量评价是图像处理中一项重要的基础工作，在许多其它图像处理工作中都存在应用，如图像增强和超分辨率重建等，因此备受科研工作者的关注。图像质量评价任务根据是否使用参考图像分为：无参考图像质量评价(失真图像不存在参考图像)、半参考图像质量评价(部分失真图像存在参考图像)、全参考图像质量评价(所有失真图像都存在参考图像)。这三个任务的实现难度依次降低。文献([1]Zhang L,Zhang L,Mou X,etal.FSIM:A feature similarity index for image quality assessment[J].IEEEtransactions on Image Processing,2011,20(8):2378-2386；[2]Pei S C,Chen LH.Image quality assessment using human visual DOG model fused with randomforest[J].IEEE Transactions on Image Processing,2015,24(11):3282-3292；[3]Moorthy A K,Bovik A C.Blind image quality assessment:From nature scenestatistics to perceptual quality[J].IEEE transactions on Image Processing,2011,20(12):3350-3364)中提出的传统方法是通过设计人工特征，将特征结合机器学习的方法(如支持向量回归，随机森林等方法)实现图像质量评价，这类方法对人工特征的要求很高。实际很难找到最好的人工设计的特征。

近年来，深度学习应用于图像质量评价任务解决了特征设计带来的困难，在特征提取方面取得了不错的效果。图像失真的类型有很多，例如在常用的数据集LIVE上有5种失真类型，而TID2013数据集上有24种失真方式。基于人工特征的图像质量评价的方法很难做到很好的泛化能力。神经网络具有很强的非线性拟合能力因此能够学习泛化能力很强的特征，Gao F([4]Gao F,Wang Y,Li P,Tan M,Yu J,Zhu Y.Deepsim:Deep similarity forimage quality assessment[J].Neurocomputing,2017,257:104-114)和Bosse S([5]Bosse S,Maniry D,Müller K R,et al.Deep neural networks for no-reference andfull-reference image quality assessment[J].IEEE Transactions on ImageProcessing,2018,27(1):206-219)提出的基于卷积神经网络的图像质量评价方法，预测的分数与实际主观分数的一致性很高，但这些方法忽略了图像领域知识的应用。此外，对于无参考图像质量评价任务和全参考图像质量评价任务深度学习的网络结构是不一样的。

为了进一步增强网络的泛化能力我们引入统计学中矩估计法来优化深度网络，同时结合图像处理的领域知识提升无参考图像质量评价任务中的表现，并且使得无参考图像质量评价任务中的网络结构与全参考的网络结构一致。

发明内容

本发明的目的在于提供可提升预测分数与实际分数之间的相关性，减少人眼观测的人力资源消耗的统一结构的全参考和无参考图像质量评价方法。