[发明专利]面向层级语义衰减的无参考图像质量评价方法

权利要求书

1.一种面向层级语义衰减的无参考图像质量评价方法，其特征在于，包括如下：

(1)构建图像质量衰减的评价指标，即从图像的层级语义出发，用局部细节语义、区域轮廓语义、整体概念语义的衰减作为图像质量衰减的评价指标；

(2)在可见光图像质量评价数据库中随机选择80％的污染图像作为训练数据集，20％的污染图像作为测试数据集；

(3)对训练集图像与测试集图像依次进行去均值和裁剪的预处理，得到预处理后训练数据集与测试数据集；

(4)依据图像质量衰减的评价指标，设计一个面向层级语义衰减的端到端优化网络模型:

(4a)设计层级语义特征提取网络，其包括局部细节语义特征提取子网络、区域轮廓语义特征提取子网络、整体概念语义特征提取子网络，用于提取层级语义特征；

(4b)设计层级语义特征融合网络，其包括语义特征融合子网络、回归子网络，该语义特征融合子网络用于对(4a)中提取的层级语义特征按不同权重进行融合，该回归子网络用于将语义特征融合子网络融合后的特征进行回归，得到图像质量的预测值；

(5)训练面向层级语义衰减的网络模型:

(5a)选取损失函数和神经网络优化算法；

(5b)利用预处理后的训练数据集、测试数据集及选取的损失函数和神经网络优化算法，对(4a)中三种层级语义特征提取子网络分别单独预训练；

(5c)将已预训练好的三种层级语义特征提取子网络的输出作为(4b)中层级语义特征融合网络的输入，训练层级语义特征融合网络，最终得到面向层级语义衰减的网络模型；

(6)对待评测图像进行(3)的预处理之后，输入到已训练好的面向层级语义衰减的网络模型中，获得待测图像的质量评价值。

2.根据权利要求1所述的方法，其中(3)对训练集图像和测试集图像进行去均值和裁剪的预处理，其实现如下：

(3a)计算出训练集图像的像素均值；

(3b)分别用训练集图像的像素值和测试集图像的像素值减去(3a)得到的均值，得到去均值后的训练集图像和测试集图像；

(3c)将去均值后的训练集图像和测试集图像中每幅图像均裁剪为300*300*3的大小。

3.根据权利要求1所述的方法，其中(4a)中的局部细节语义特征提取子网络，其结构依次为8个特征提取卷积层、4个池化层、1个特征反卷积层和5个下采样卷积层

每个特征提取卷积层的卷积核大小为3*3，步长为1*1，

每个池化层卷积核大小为2*2，步长为2*2，

每个特征反卷积层的卷积核大小16*16，步长为16*16，

每个下采样卷积层的卷积核大小为3*3，步长为2*2。

4.根据权利要求1所述的方法，其中(4a)中的区域轮廓语义特征提取子网络，其结构依次为10个特征提取卷积层、5个池化层、4个特征反卷积层和5个下采样卷积层；

每个特征提取卷积层的卷积核大小为3*3，步长为1*1，

每个池化层卷积核大小为2*2，步长为2*2，

每个特征反卷积的卷积核大小为3*3，步长为2*2，

每个下采样卷积层的卷积核大小为3*3，步长为2*2。

5.根据权利要求1所述的方法，其中(4a)中的整体概念语义特征提取子网络，其结构依次为13个特征提取卷积层和5个池化层；

每个特征提取卷积层的卷积核大小为3*3，步长为1*1，

每个池化层卷积核大小为2*2，步长为2*2。

6.根据权利要求1所述的方法，其中(4b)中的语义特征融合子网络，其有3个特征融合权重w1、w2、w3，其中w1是局部细节语义特征的融合权重，w2是区域轮廓语义特征的融合权重，w3是整体概念语义特征的融合权重。

7.根据权利要求1所述的方法，其中(4b)中的回归子网络，其结构依次为1个最大池化层和2个全连接层，

最大池化层的卷积核大小为10*10，步长为10*10，

第一个全连接层维度为100，第二个全连接层维度为1。

8.根据权利要求1所述的方法，其中(5a)中选取的损失函数和优化算法如下：

选取的损失函数是Huber Loss函数，表达式如下：

其中δ表示超参数，q表示预测质量分数，是图像真实质量值；

选取的神经网络优化算法为Adam算法。