[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

说明书

本发明涉及一种基于双流卷积神经网络的无参考图像质量评估方法，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。本发明能显著提高无参照图像质量评估的性能。

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，具体涉及一种基于双流卷积神经网络的无参考图像质量评估方法。

背景技术

数字图像和图像处理技术已经彻底改变了人们获取、查看、使用和共享图片的方式。数字图像的应用领域包括生物医疗、航空航天、工业和农业领域、汽车自动驾驶、军事和视频直播等等。随着多媒体技术的发展，现在人们对图片实时分享、发送和接收，以及即时在线直播的要求越来越高，使得对图像质量评估算法的要求也越来越高。由于带宽的限制和物理设备的特性，图像在获取、存储、压缩和传输等过程中很容易产生失真，失真会影响人们对图像的观感；会不同程度地丢失原始图像中所包含的信息，从而影响人们从图像中获取信息。图像质量评估可以根据图像的失真类型及失真程度来对图像的质量进行评估，从而为后续的图像处理技术，比如图像超分辨率、图像分割、图像去噪和显著性检测等提供基础，是图像处理领域的关键技术之一。

图像质量评估一般有主观和客观之分。主观评估是指由人类来对图像质量进行评估，平均意见得分是一种主观图像质量评估的测量方法，需要许多人类观察员来对图像进行打分。客观图像质量评估是指使用人类主观感知来建立一个数学计算模型，其目标是使机器能够自动对图像或者视频的质量做出评估，并且希望评估结果尽可能接近人类主观评估的结果。相较于主观评估，客观评估应用更广泛。客观评估可以分为三种：无参考型、半参考型和全参考型。全参考型需要原始图像作为对比来评估失真图像的质量，半参考型只需使用部分原始图像的信息，无参考型则完全不需要使用原始图像的信息。由于无参考评估不需要使用原始图像的信息，所以在没有原始图像的实际应用中，无参考图像质量评估更为实用。

现有的评估方法通常使用单一类型的图像作为输入。使用RGB图像作为输入，提取出的特征可以保留更多的细节信息；使用局部归一化图像作为输入，提取出的特征可以保留更多的边缘等结构信息。

发明内容

有鉴于此，本发明的目的在于提供一种基于双流卷积神经网络的无参考图像质量评估方法，能显著提高无参照图像质量评估的性能。

为实现上述目的，本发明采用如下技术方案：

一种基于双流卷积神经网络的无参考图像质量评估方法，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。

进一步的，所述步骤S1具体为：

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)，计算归一化图像的公式如下：

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；