[发明专利]基于卷积自编码网络的无参考图像质量评价方法

说明书

本发明公开了一种基于卷积自编码网络的无参考图像质量评价方法，本发明具体步骤如下：构建卷积自编码网络；构建全连接神经网络；生成预训练集，训练集和测试集；训练卷积自编码网络和全连接神经网络；对测试数据集中的失真图像行质量评价。本发明利用卷积自编码网络对无参考图像和及其图像块分别进行编码，利用全连接神经网络从无参考图像及其图像块的编码中分别提取全局语义特征和局部失真特征，并将两种特征融合，利用全连接神经网络将融合后的特征映射为感知质量分数，具有评价结果更加符合人的主观感受的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及数字图像处理技术领域中的一种基于卷积自编码网络的无参考图像质量评价方法。本发明可应用于对没有原始参考图像的数字图像的感知质量进行客观评价，用于保证获取的数字图像数据的有效性和准确性。

背景技术

数字图像在成像、传输和存储的过程中，受到光学系统、压缩传输以及其它因素的影响，最终会使得终端获得的图像存在压缩失真、高斯噪点、模糊等各种图像质量下降的问题。图像的感知质量是比较各种数字图像处理算法性能优劣以及数字图像成像系统参数的重要指标。在各类图像的质量评价方法中，无参考图像质量评价方法在预测图像的感知质量时无需其原始的参考图像，因此这是一种最具难度也最实用的图像质量评价方法。

Kang等人在其发表的论文“Convolutional Neural Networks for No-ReferenceImage Quality Assessment”(Computer Vision and Pattern Recognition.IEEE,2014:1733-1740)中公开了一种基于卷积神经网络的无参考图像质量评价方法。该方法训练了一个基于卷积神经网络(Convolutional Neural Networks，CNN)的端到端的无参考图像质量评价模型，该模型将一副图像切割为若干图像块作为输入，经过CNN逐层地特征提取后映射为图块质量分数，最后将所有的图块分数进行平均得到整图的质量分数。该方法为了保证深度网络的训练效果，选择了将整图切块的方式来输入网络。该方法存在的不足之处是，只使用图像块作为网络的输入，没有考虑图像语义内容的整体性，使得训练出的模型的评价结果准确度不高。

宁波大学在其申请的专利文献“一种基于深度学习的无参考图像质量客观评价方法”(专利申请号：201510523373.1，申请公开号：CN105208374A)中公开了一种基于堆栈自编码器的无参考图像质量评价方法。该方法先利用多分辨率金字塔和高斯差分分解方法，从空域中手工提取自然统计特性NSS(Natural Scene Statistics)的特征，然后构建一个深度稀疏堆栈自编码器来学习所提取的NSS特征的深度表达形式，最后通过支持向量机将经过深度表达的特征映射为图像的质量分数。该方法存在的不足之处是，该方法采用手工提取的自然统计特性NSS的特征来进行分数拟合，使得所提取的特征对图像质量的敏感度不高，导致评价结果不能更好的符合人的主观感受。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于卷积自编码网络的无参考图像质量评价方法。本发明与现有其他无参考图像质量评价方法相比，能够更全面更充分地挖掘图像的整体语义信息和局部失真信息，并将两种信息进行融合再进行质量回归。

实现本发明的技术思路是：搭建基于卷积自编码网络的初级特征编码模型对无参考图像及其所切割出的图像块进行特征编码，再搭建基于全连接网络的全局语义特征的提取模型和局部失真特征的提取模型，分别从无参考图像及其对应图像块的特征编码中提取无参考图像的全局语义特征和局部失真特征，再将两种特征进行加权融合，得到无参考图像的全局局部融合特征，最后将无参考图像的全局局部融合特征输入全连接神经网络中得到无参考图像的感知质量分数。

实现本发明的具体步骤如下：