[发明专利]一种图像质量评价方法及系统

权利要求书

1.一种图像质量评价方法，其特征在于：具体步骤如下：

步骤S1：将图像切割为图像块，对每一个图像块进行局部归一化；

步骤S2：将S1得到的结果进行离散小波变换，利用Daubechies滤波器得到小波子带系数，进而得到其显式特征；

步骤S3：将S1得到的结果利用深度神经网络模型得到图像的隐式特征；

步骤S4：利用多任务卷积神经网络建立回归网络模型，将数据库中的图像经S2和S3得到的特征融合，输入回归网络模型中，得到图像质量分数预测值；

步骤S5：将预测值与目标值进行比较，通过损失函数调整回归网络参数对模型进行训练；

步骤S6：将测试图像经步骤S2和S3得到的特征融合，输入步骤S5训练好的回归网络中进行多任务学习得到最终的图像质量评分与失真类型。

2.根据权利要求1所述的一种图像质量评价方法，其特征在于：所述步骤S1中将数据库中的图像切割成32×32的互不重合的图像块后，进行局部归一化操作，归一化后图像矩阵的计算公式如下；

其中，I(i,j)表示局部归一化亮度图像矩阵，i∈1,2,……,M，j∈1,2,……,N，M和N分别代表图像的高度和宽度；C是防止分母趋于零的一个常量，μ(i，j)和σ(i，j)的计算公式如下：

其中，w_k,l代表一个二维环形对称高斯加权，k∈-K,……,K,l∈-L,……,L函数，I_k,l表示像素的值，K＝L＝3。

3.根据权利要求1所述的一种图像质量评价方法，其特征在于：所述步骤S2中显式特征是由38个矩阵峰态值组成的一个38维特征向量E,E的表达式为：

所述矩阵峰态值表达式K_Jt为：

J_t＝[L_t,H_t,V_t,D_t] (6)

其中，k_i(J_t)代表矩阵J_t的第i阶累积函数，μ_i(J_t)代表矩阵J_t的第i阶中心矩，σ(J_t)代表矩阵J_t的标准差，L_t、H_t、V_t、D_t分别为第t组低频、水平、垂直、对角方向上的小波子带系数，t＝38。

4.根据权利要求1所述的一种图像质量评价方法，其特征在于：所述步骤S3中利用深度神经网络模型VGG13对步骤S1中归一化后的图像进行特征提取，经过13层卷积层得到其隐式特征。

5.根据权利要求1所述的一种图像质量评价方法，其特征在于：所述步骤S5中损失函数描述为：

Loss＝{l₁,…,l_N}^T (7)

其中，N为输入样本的数量，l_N为输入样本数量为N时对应的预测值与目标值之间的平均绝对误差，具体表述如下：

其中，X₁⁽ⁱ⁾和X₂⁽ⁱ⁾为两个输入向量，N为输入样本的数量。

6.根据权利要求1所述的一种图像质量评价方法，其特征在于：步骤S5中采取随机梯度下降和反向传播来近似最小化训练过程中的损失，使用梯度加权和更新网络参数，w_i表示第i个网络参数，p_i表示第i个网络的学习效率，Dⁱ_m表示任务m的w_i对应的梯度，α_m表示任务m的相对权重；迭代过程中更新的规则如下：