[发明专利]一种适用于小样本数据的图像质量评价方法

说明书

本发明公开了一种适用于小样本数据的图像质量评价方法，所述方法包括构建小样本数据的图像质量评价模型，并获取参考图像；利用第一特征提取层提取该参考图像的低阶层、中阶层以及高阶层的特征向量；利用一层GAP层求取特征向量的平均值；利用全连接层中的FC‑1层获取特征向量与图像质量之间的映射关系；保持GAP层中的模型参数不变，训练全连接层，并更新全连接层的参数，所述全连接层的参数训练完成后，训练整个所述图像质量模型；待损失函数收敛，结束整个所述图像质量模型的训练。本发明的优点在于：构建的模型复杂度低，且提供的图像质量评价方法避免出现图像过拟合的问题。

技术领域

本发明涉及图像处理领域，更具体涉及一种适用于小样本数据的图像质量评价方法。

背景技术

图像质量评价方法，通过构建质量评价模型并训练模型，利用训练好的模型对图像质量进行评价。图像质量评价模型通过判定与人类视觉系统一致的图像特征达到评价图像质量的目的。近些年随着深度学习的发展，出现了很多基于深度学习的图像质量评价模型，但是现有图像质量评价模型在小数据量环境下，当数据集较小时，不仅特征提取层的参数数量大，采用两层全连接层大大增加了模型的复杂度，而模型的复杂度较高的情况下，现有技术的图像质量评价的方法在模型训练过程中特征提取层与全连接层同时训练，模型过度训练，会出现模型的训练误差较小，而测试误差很大的情况，同时出现图像过拟合问题。

发明内容

本发明所要解决的技术问题在于现有技术的适用于小样本数据的图像质量评价方法容易出现图像过拟合的问题。

本发明是通过以下技术方案解决上述技术问题的：一种适用于小样本数据的图像质量评价方法，所述方法包括：

步骤一：构建小样本数据的图像质量评价模型，所述图像质量评价模型包括顺次连接的第一特征提取层、GAP层以及全连接层FC-1，并获取参考图像；

步骤二：利用第一特征提取层提取该参考图像的低阶层、中阶层以及高阶层的特征向量；

步骤三：利用一层GAP层求取特征向量的平均值；

步骤四：利用全连接层中的FC-1层获取特征向量与图像质量之间的映射关系，其中，FC-1层输出1项结果，具体为图像的主观质量值；

步骤五：保持GAP层中的模型参数不变，训练全连接层，并更新全连接层的参数，所述全连接层的参数训练完成后，训练整个所述图像质量模型；

步骤六：待损失函数收敛，结束整个所述图像质量模型的训练，根据损失函数评价图像质量。

优选的，所述步骤五包括：保持GAP层中的第三预设参数不变，利用GAP层中第一特征提取层提取参考图像的低阶层、中阶层以及高阶层的特征向量；更新全连接层FC-1的参数，利用全连接层FC-1获取特征向量与图像质量之间的映射关系，对全连接层中的FC-1层进行训练，其中，全连接层中的FC-1层的轮次(epoch)设为15，学习率设为0.001；

对全连接层中的FC-1层训练预设时间间隔以后，对整个图像质量评价模型训练，解冻第一特征提取层，获取第一特征提取层的第一预设参数，第一特征提取层提取参考图像的低阶层、中阶层以及高阶层的特征向量；更新全连接层FC-1的参数，利用全连接层FC-1获取特征向量与图像质量之间的映射关系，得到最终的质量评价值，epoch设为25，学习率设为0.0001。

优选的，在所述步骤二之前，所述方法还包括：