[发明专利]一种面向视频传输质量的深度学习图像失真分类方法

权利要求书

1.一种面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述方法包括：

A构建卷积神经网络，设置训练超参数，选择训练损失函数Loss，制作训练数据集；

B对数据集中无失真图像做数据增强处理，形成更多不同失真类型的训练样本；

C设计批训练过程中随机抽取训练样本的方法；

D完成神经网络训练，得到训练模型，实际部署后即可实时分类视频流输入的目标图像失真类型。

2.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤A中，训练超参数设置包含最大训练步数S、单次批训练样本数N、初始学习率η₀、学习率衰减率d、学习率更新间隔M与输入图像尺寸。

3.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤A具体包括，使用softmax函数作为CNN的分类器，选择交叉熵函数作为损失函数。

4.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤A中，记η^t为第t次学习更新间隔的学习率，为第t次学习更新间隔期间最小损失函数值，L_min为全局最小损失函数值，则η^t更新方法为：

5.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤A中，数据集中共包含无失真C_c、白噪声失真C_n、模糊失真C_b、JPEG压缩失真C_J及JPEG2000压缩失真C_J2000共5种类型图像，并从数据集中抽取60％样本构成训练集、20％样本构成测试集、20％样本构成验证集。

6.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤B具体包括，记I为无失真图像、θ_n为图像添加白噪声函数参数、f_n(I,θ_n)为图像添加白噪声函数、θ_b为图像添加模糊函数参数、f_b(I,θ_b)为图像添加模糊函数、θ_J为图像JPEG压缩函数参数、f_J(I,θ_J)为图像JPEG压缩函数、θ_J2000为图像JPEG2000压缩函数参数、f_J2000(I,θ_J2000)为图像JPEG2000压缩函数，通过对上述函数实现除无失真类型外其他类型的数据增强。

7.如权利要求1所述的面向视频传输质量的深度学习图像失真分类方法，其特征在于，所述步骤C具体包括，记I^*为随机抽取到的图像、C为随机抽取图像类型、f_C()为对应类型的数据增强函数、θ_C为函数f_C()合理取值范围内的随机参数、random(C)为数据增强随机选择函数，则I^*为：