[发明专利]面向层级语义衰减的无参考图像质量评价方法

摘要

本发明公开了一种面向层级语义衰减的无参考图像质量评价方法，主要解决现有评价技术准确度低的问题。其实现方案是：1.用图像层级语义衰减构建图像质量衰减的评价指标；2.划分图像数据集为训练数据集和测试数据集；3.对训练集图像和测试集图像进行去均值与裁剪；4.设计面向层级语义衰减的网络模型；5.利用训练数据集和测试数据集对面向层级语义衰减的网络模型进行训练；6.对待评价图像进行去均值与裁剪后输入到已训练好的面向层级语义衰减的网络模型，得到图像质量评价值。本发明极大地提高了无参考图像质量评价的精度，可用于视频质量监控、图像筛选、图像优化。

主权项

1.一种面向层级语义衰减的无参考图像质量评价方法，其特征在于，包括如下：(1)构建图像质量衰减的评价指标，即从图像的层级语义出发，用局部细节语义、区域轮廓语义、整体概念语义的衰减作为图像质量衰减的评价指标；(2)在可见光图像质量评价数据库中随机选择80％的污染图像作为训练数据集，20％的污染图像作为测试数据集；(3)对训练集图像与测试集图像依次进行去均值和裁剪的预处理，得到预处理后训练数据集与测试数据集；(4)依据图像质量衰减的评价指标，设计一个面向层级语义衰减的端到端优化网络模型:(4a)设计层级语义特征提取网络，其包括局部细节语义特征提取子网络、区域轮廓语义特征提取子网络、整体概念语义特征提取子网络，用于提取层级语义特征；(4b)设计层级语义特征融合网络，其包括语义特征融合子网络、回归子网络，该语义特征融合子网络用于对(4a)中提取的层级语义特征按不同权重进行融合，该回归子网络用于将语义特征融合子网络融合后的特征进行回归，得到图像质量的预测值；(5)训练面向层级语义衰减的网络模型:(5a)选取损失函数和神经网络优化算法；(5b)利用预处理后的训练数据集、测试数据集及选取的损失函数和神经网络优化算法，对(4a)中三种层级语义特征提取子网络分别单独预训练；(5c)将已预训练好的三种层级语义特征提取子网络的输出作为(4b)中层级语义特征融合网络的输入，训练层级语义特征融合网络，最终得到面向层级语义衰减的网络模型；(6)对待评测图像进行(3)的预处理之后，输入到已训练好的面向层级语义衰减的网络模型中，获得待测图像的质量评价值。