[发明专利]基于显著性策略与特征融合无参考图像质量评价方法

说明书

本发明提供一种基于显著性策略与特征融合的无参考图像质量评价方法，包括下列步骤：对待评价图像进行预处理，将其转换成灰度图像并分成不重叠的小图像块，对小图像块进行筛选，选取显著性图像块作为输入样本，同时计算每个图像块的显著性得分；采用双流结构的卷积神经网络对输入样本进行特征提取，一个流侧重于提取初级特征，称其为初级特征提取网络，另一个带上采样网络的流侧重于提取高级特征，称其为高级特征提取网络；将提取到的初级特征与高级特征进行合并，再通过节点数为1024的全连接层映射后获取显著性图像块的局部质量分数。最后，利用显著性加权模型计算每个显著性图像块的权重，根据权重计算最终的预测得分。

技术领域

本发明涉及图像质量评价领域，尤其涉及一种基于显著性策略的无参考评价方法。

背景技术

随着数字媒体技术的迅速发展，数字图像已经成为了人类获取信息的重要媒介。然而数字图像在采集、传输的过程中，由于受到传输条件与设备固有属性等因素的影响，将不可避免地发生失真现象，对后续的处理与应用带来很大影响。因此，开发具有高准确度的图像质量评价方法对数字图像领域与通信传输行业的发展具有重要意义。

图像质量评价(Image Quality Assessment,IQA)是指被试者从舒适度和感官体验等多种角度对图像质量进行全面的评估，具体的指标包括：图像质量、图像清晰度等。图像质量评价技术能够动态地监测图像质量的变化，从而实现对图像传输、处理系统性能的调整。在通信领域，图像质量评价技术是图像压缩传输的重要度量标准。在传输过程中，以图像质量评价技术为基础建立视觉感知模型，结合图像质量需求分配码流，能够在传输数据量与图像质量之间确定一个最佳平衡，从而达到降低传输成本的效果。在图像处理领域，图像质量评价技术能够对处理前后的图像质量进行有效的评估和对比，为算法的改进和完善提供理论依据。此外，图像质量评价技术也可以内嵌于各大成像系统中，与图像处理相关算法相结合，实现对采集图像的自动筛选与质量优化。

发明内容

本发明基于人眼视觉系统(Human Visual System,HVS)特性提出一种基于显著性策略与多尺度特征融合的无参考图像质量评价方法，本发明有效地解决了客观评价过程中评价结果与人眼的一致性不足的问题，技术方案如下：

一种基于显著性策略与多尺度特征融合的无参考图像质量评价方法，包括下列步骤：

1)对待评价图像进行预处理，将其转换成灰度图像并分成不重叠的小图像块，对小图像块进行筛选，

选取显著性图像块作为输入样本，同时计算每个图像块的显著性得分。

其中，具体预处理方式为将原始图像分成256个32×32的不重叠图像块；计算显著性得分的方式为对灰度图像使用GBVS算法计算每个像素点的显著性分值，图像块对应的显著性得分为该图像块的所有像素对应显著性分值求和。筛选的具体方式为：将所有图像块依据显著性分值进行排序，选取显著性分值排名靠前的部分图像块作为显著性图像块，并将显著性图像块作为输入样本。

2)采用双流结构的卷积神经网络对输入样本进行特征提取，一个流侧重于提取初级特征，称其为初级特征提取网络，另一个带上采样网络的流侧重于提取高级特征，称其为高级特征提取网络；

其中，初级特征提取网络包含三个模块，每个模块包含三个卷积层与一个最大池化层，该网络的输入样本为预处理中获取的显著性图像块，网络提取的特征最终被映射成为节点数为512的全连接层。高级特征提取网络的结构与初级特征提取网络相同，初级特征提取网络的前两个模块的输出特征图经过上采样处理，与输入样本进行级联，作为高级特征提取网络的输入，网络的输出同样为节点数为512的全连接层；

将提取到的初级特征与高级特征进行合并，再通过节点数为1024的全连接层映射后获取显著性图像块的局部质量分数。最后，利用显著性加权模型计算每个显著性图像块的权重，根据权重计算最终的预测得分，即：将显著性图像块的局部质量分数与对应的显著性权重相乘之后求和获取最终预测得分。