[发明专利]基于双流卷积神经网络的无参考图像质量评估方法

权利要求书

1.一种基于双流卷积神经网络的无参考图像质量评估方法，其特征在于，包括以下步骤：

步骤S1：将失真图像数据进行数据预处理，得到待训练的图像对,作为训练数据；

步骤S2:构建双流卷积神经网络模型，并根据得到训练数据训练图像质量评估模型，得到训练好的图像质量评估模型；

步骤S3:将待测图像进行预处理，并生成待测图像的图像对,并利用训练好的图像质量评估模型预测待测图像的图像对的质量，根据待测图像的图像对的分数计算待测图像的分数；

所述步骤S1具体为：

步骤S11:将所有失真图像进行局部归一化处理，给定强度图像I(i′,j)，局部归一化处理的公式如下：

其中，(i′,j)为像素位置，I(i′,j)为位置(i′,j)处图像I的像素值大小，表示图像I局部归一化后位置(i′,j)处图像I的像素值大小，C为常数，用于防止分母为零的情况出现；K和L为归一化窗口大小，ω_k,l是一个二维圆形对称高斯加权函数；

步骤S12：将RGB图像和局部归一化图像有重叠地切分成若干个H×W大小的图像块；

步骤S13：将RGB图像块和对应的局部归一化图像块组合，构成图像对

所述步骤S2具体为：

步骤S21:构建一个双流卷积神经网络模型结构用于训练图像质量评估模型，网络由两个子网络构成：子网络I和子网络II；子网络I和子网络II的输入分别为步骤S13中构成的图像对中的RGB图像块和局部归一化图像块；

步骤S22：双流卷积神经网络模型使用均方误差作为损失函数，公式如下，

其中，L表示损失函数的值，N代表图像块的数量，x_n表示第n个输入，即第n个图像块；f(x_n)表示预测分数，S_n表示图像质量的目标值，即主观评估分数；

步骤S23：网络通过多次迭代进行反向传播，在每次迭代中，训练集被分成多个批次进行分批优化；采用基于梯度方差的ADAM方法自适应控制每个参数的分批优化学习率。

2.根据权利要求1所述的基于双流卷积神经网络的无参考图像质量评估方法，其特征在于：所述双流卷积神经网络的两个子网络具有完全相同的结构，两个子网络的结构都由13个卷积层和5个池化层组成；

将从两个分支中提取出的图像特征进行特征融合；

特征融合后，经过两个具有512个节点的全连接层，最后使用线性回归，以预测图像质量分数

所有卷积层都由卷积、批标准化和ReLU非线性映射三部分组成BN处理计算公式如下，

其中，m表示一个批次的输入数量，x_i表示一个批次中第i个输入，μ和σ²分别是m个输入的均值和方差，是x_i标准化为均值为0、方差为1的正态分布的输出，ε是一个极小的正数防止分母为0导致运算出错；对标准化变换后的满足均值为0、方差为1的进行了缩放和平移操作，计算公式如下，

其中，y_i是缩放和平移操作后的输出，γ和β是训练中学习的缩放和平移参数。

3.根据权利要求1所述基于双流卷积神经网络的无参考图像质量评估方法，其特征在于，所述步骤S3具体为：

步骤S31：先将所有待测图像做局部归一化处理，然后将RGB图像和局部归一化图像划分成大小为H×W的图像块；将RGB图像块和对应的局部归一化图像块组合，构成图像对；

步骤S32：将图像对作为训练好的图像质量评估模型的输入，得到每个图像对的分数；

步骤S33：通过每个图像对的分数，计算图像的分数，计算公式如下，

其中，P表示模型预测出待测试图像的图像质量得分，p_i表示模型预测出的该图像块的质量分数。