[发明专利]基于组合神经网络和分类神经网络的图像质量评价方法

说明书

本发明公开了一种基于组合神经网络和分类神经网络的图像质量评价方法，其在训练阶段将采用全参考图像质量评价方法获得的失真图像的客观真实质量图像作为监督，对失真图像的归一化图像进行训练得到针对不同失真类型的组合神经网络回归训练模型；并将失真图像的分类标签作为监督，对失真图像的归一化图像进行训练得到分类神经网络训练模型；在测试阶段将待评价的失真图像的归一化图像输入到分类神经网络训练模型中，得到失真类型；根据失真类型，将归一化图像输入到对应的组合神经网络回归训练模型中得到客观质量评价预测质量图，使用显著图对客观质量评价预测质量图进行加权池化，得到客观质量评价预测值；优点是有效地提高了客观评价结果与主观感知之间的相关性。

技术领域

本发明涉及一种图像质量评价方法，尤其是涉及一种基于组合神经网络和分类神经网络的图像质量评价方法。

背景技术

随着图像处理、机器学习和计算机视觉的快速发展，图像质量评价已成为越来越受关注的研究领域，因为它在实际应用中是一个重要的技术，可以用于精确评估图像的质量。在图像的获取、传输、压缩、存储和显示等过程中，往往会有不同程度的失真，如图像模糊、视频终端图像失真、系统中图像质量不达标等，因此，建立有效的图像质量评价机制非常重要。

一般来说，图像质量评价大致可以划分为两个不同的类别：主观图像质量评价方法和客观图像质量评价方法。前一类是基于人类观察者的主观判断；而后一类是采用客观度量，快速和精确地衡量一幅失真图像的质量。虽然主观图像质量评价方法提供的最终接收机制能够更加可靠的、精确和直接的量化图像感知质量，但是主观图像质量评价方法比较繁琐，并且许多情况下不容易实现(如实时和自动化系统)。因此，客观图像质量评价方法取得了飞速的发展。客观图像质量评价方法主要分为三种评价方法，即全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，当前研究最多的是全参考图像质量评价方法，但是由于多数应用中无法获得相应的原始图像，因此无参考图像质量评价方法的研究更具实用价值。

现有的通用无参考图像质量评价方法主要是针对多种失真的无参考图像质量评价方法，对具体某种失真的针对性不够强，因此先对多种失真进行分类，然后再针对具体某种失真进行图像质量评价已成为人们越来越关注的方向。

发明内容

本发明所要解决的技术问题是提供一种基于组合神经网络和分类神经网络的图像质量评价方法，其充分考虑了不同失真类型对视觉质量的影响，有效地提高了客观评价结果与主观感知之间的相关性。

本发明解决上述技术问题所采用的技术方案为：一种基于组合神经网络和分类神经网络的图像质量评价方法，其特征在于包括训练阶段和测试阶段两个过程；

所述的训练阶段过程的具体步骤为：

步骤①_1：选取P幅原始的无失真图像，将第p幅原始的无失真图像记为其中，P为正整数，P＞1，p为正整数，1≤p≤P，1≤x≤W，1≤y≤H，W表示的宽度，H表示的高度，表示中坐标位置为(x,y)的像素点的像素值；

步骤①_2：利用jpeg2000失真生成方法，生成每幅原始的无失真图像在jpeg2000失真类型下的K个不同失真程度的失真图像，并将所有原始的无失真图像在jpeg2000失真类型下的不同失真程度的失真图像构成第一失真训练集，将第一失真训练集中在jpeg2000失真类型下的第k幅失真图像记为

利用jpeg失真生成方法，生成每幅原始的无失真图像在jpeg失真类型下的K个不同失真程度的失真图像，并将所有原始的无失真图像在jpeg失真类型下的不同失真程度的失真图像构成第二失真训练集，将第二失真训练集中在jpeg失真类型下的第k幅失真图像记为

利用高斯噪声失真生成方法，生成每幅原始的无失真图像在高斯噪声失真类型下的K个不同失真程度的失真图像，并将所有原始的无失真图像在高斯噪声失真类型下的不同失真程度的失真图像构成第三失真训练集，将第三失真训练集中在高斯噪声失真类型下的第k幅失真图像记为