[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

说明书

本发明公开了一种面向视频传输质量的深度学习图像失真分类方法，该方法包括：构建卷积神经网络，设置训练超参数，选择训练损失函数，制作训练数据集；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；设计批训练过程中随机抽取训练样本的方法；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目标图像的失真类型。

技术领域

本发明涉及图像失真分类评价领域，尤其涉及一种基于深度学习的图像失真分类方法。

背景技术

视频图像在传输过程中会因种种原因会产生失真，所以对于图像传输过程中出现的失真正确分类就显得很重要。现有的图像失真分类技术很多都是依赖人类视觉系统或自然图像统计的计算模型，甚至是人工分类。前者失真分类准确率相对较低，容易出现判断不一致的情况；而后者则效率很低，长时间工作容易出现疲劳误差，影响判断准确性，为此寻找一种能高效、准确、智能地分类视频图像传输失真的方法具有重要现实意义。

发明内容

为解决上述技术问题，本发明的目的是提供一种面向视频传输质量的深度学习图像失真分类方法。

本发明的目的通过以下的技术方案来实现：

一种面向视频传输质量的深度学习图像失真分类方法，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。

附图说明

图1是面向视频传输质量的深度学习图像失真分类方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，一种面向视频传输质量的深度学习图像失真分类方法流程，包括以下步骤：

步骤10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；

步骤20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；

步骤30设计批训练过程中随机抽取训练样本的方法；

步骤40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；

上述步骤10具体包括：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、输入图像尺寸等。

上述步骤10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。

上述步骤10具体包括：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：

上述步骤10具体包括：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，并从数据集中随机抽取其中60％样本作为训练集、20％样本作为测试集、20％样本作为验证集。