[发明专利]一种无参考图像质量评价方法、系统、电子设备及存储介质

说明书

本发明涉及一种无参考图像质量评价方法、系统、电子设备及存储介质，包括：S1、基于待评价图像获取若干样本图像块及其对应的对比敏感度加权梯度图像；S2、分别基于预设改进型ResNet‑50获取样本图像块的多尺度内容特征和对比敏感度加权梯度图像的多尺度位置特征，并进行拼接融合以得到样本图像块的多尺度特征；S3、分别获取样本图像块的高级内容特征和对比敏感度加权梯度图像的高级位置特征，对多尺度特征、高级内容特征和高级位置特征进行特征拼接并进行全连接神经网络映射以获取样本图像块的预测质量分数；S4、根据所有样本图像块的预测质量分数获取待评价图像的质量评价结果。实施本发明能够实现对图像质量分数的准确预测。

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种无参考图像质量评价方法、系统、电子设备及存储介质。

背景技术

无参考图像质量评价(NR-IQA)方法在评价过程中不需要参考图像信息，通过分析失真图像本身的特性来评价图像质量。NR-IQA方法具有更高的实用性，因为在实际应用中，往往无法获取到原始图像或者参考图像，同时也具有最高的难度，需要考虑失真图像的复杂特性和人眼的视觉特性。因此，NR-IQA方法已成为客观图像质量评价方法的研究热点之一，具有重要的理论和实际意义。

由于参考图像信息的缺失，许多传统的NR-IQA方法关注失真图像的特定失真类型，并根据失真类型提出相应的评价算法。例如用基于滤波的方法来估计图像中的噪声，用锐度、模糊度估计算法对模糊图像进行质量评价等。如果能够知道图像失真过程或图像中的失真类型，这种方法可以获得较高的准确率。

此外，还有一部分NR-IQA方法不针对特定类型的失真，而是提取能够描述多种失真类型的通用质量特征，以实现对多种失真的图像进行质量评价。这种方法的重点和难点在于选取何种特征来度量失真程度，在传统方法中一般通过自然场景统计(NSS)来手工提取，而在基于深度学习的方法中可以通过深度学习网络模型自动学习。下面分别介绍基于手工提取特征和基于深度学习的NR-IQA方法。

当前，基于手工提取特征的方法BIQI方法、BRISQUE方法、NIQE方法和IL-NIQE方法，基于深度学习的方法有IQA-CNN方法、DIQaM-NR方法、HyperIQA方法、DB-CNN方法和TS-CNN方法。

BIQI方法使用广义高斯分布(GGD)对图像小波分解系数进行拟合，将GGD模型的参数作为特征，使用支持向量机进行分类得到5种失真类型的概率。然后使用支持向量回归对5种失真类型分别计算其质量得分，最后将各类型得分进行加权求和，得到总的图像质量评分。

BRISQUE方法也采用了BIQI的两阶段框架，首先计算失真图像的多尺度去均值对比度归一化(MSCN)系数，再使用非对称广义高斯分布(AGGD)对MSCN系数及其不同方向的相关系数进行拟合，使用AGGD的系数作为特征进行质量分数预测。

NIQE方法使用的特征和BRISQUE相同，然后使用多元高斯分布(MVG)对特征进行拟合，分别对失真图像和自然图像进行NSS特征的MVG拟合，将二者的MVG模型之间的距离定义为失真图像的质量。

IL-NIQE方法将MSCN系数、梯度统计信息、Log-Gabor滤波器响应和色彩统计信息作为质量感知特征，然后使用MVG进行建模，将MVG之间的距离作为图像质量。

IQA-CNN首次使用卷积神经网络(CNN)来进行无参考图像质量评价。该模型由一层卷积层、最大最小池化层和两层全连接层组成，将不重叠的图像块作为CNN的输入，以扩充数据量，取所有图像块质量分数的均值作为失真图像的质量分数。

DIQaM-NR方法通过构建10层卷积层和2层全连接层进行特征提取和分数预测，同样以图像块作为输入，但输出为图像块的质量分数和权重，最后进行加权求和得到整个图像的质量分数。