[发明专利]一种基于深度神经网络的图像质量评估方法

说明书

本发明公开一种基于深度神经网络的图像质量评估方法，是一种用于图像质量评估的深度神经网络的新型应用技术。本发明解决的是无人机作业巡检采集图像的质量评估问题，在大型数据库ImageNet上训练得到一个预训练的深度神经网络模型，对深度神经网络改进并采用图像质量评价数据库TID2013训练深度神经网络模型，最后对输入任意的图像，采用已训练完成的深度神经网络模型预测图像的质量。本发明所公开的基于深度神经网络的图像质量评估方法能够非常准确地评估无人机作业巡检采集图像的质量，并且能够明显地区分高质量图像和低质量图像，过滤低质量无用图像。

技术领域

本发明提出一种基于深度神经网络的图像质量评估方法，是一种用于图像质量评估的深度神经网络的新型应用技术。

背景技术

近年来，随着无人机、机器人巡检在各个领域的不断普及，越来越多的企业开始使用无人机采集相关设备数据。由于无人机采集图像的质量参差不齐，为了进一步提升图像的整体质量，准确获取图像信息，需要借助相关设备评估图像质量。传统的图像评估方法是通过人工进行主观评估，但主观评估图像质量的方法效率低，准确度难以保证，所以迫切需要一种能够智能评估图像质量的方法，并能够有效滤除低质量的图像。

在计算机视觉领域，有许多图像质量评估的方法，但是在大多数情况下，图像质量评估的实时性和精度难以达到要求。深度学习作为机器学习的一个新分支，在实时性和精确性上有了良好的改善。近年来，深度学习在许多领域表现出了良好的性能，如自动语音识别、自然语言处理和图像识别等领域。深度学习也已被广泛应用于图像分类、目标检测和语义分割。在本发明中，使用改进的深度神经网络(VGG-16)来训练一个模型，拟进行图像质量评估。

针对基于深度学习的图像质量评估，现已提出一些典型的图像数据库，如：LIVE数据库包含29幅高分辨率的参考图像，共982幅失真图像，5种失真类型。TID2008数据库包含25幅参考图像，共1700幅失真图像，17种失真类型，其中每种失真包含4个等级。TID2013数据库包含25幅参考图像，共3000个失真图像，24种失真类型，其中每种失真包含5个等级。

由于神经网络中有数以百万计的参数，只使用几千张图片来训练模型，这将导致严重的过拟合。因此，采用一个基于大规模数据集的预训练模型来进行训练是非常重要的，在预训练模型上针对特定任务进行微调有助于获得更好的初始参数，避免陷入局部极小值，同时获得丰富的低级别的特征。另一方面，可以采用dropout的方法有效避免过拟合，随机地让一些隐藏层节点在训练期间不工作。

发明内容

本发明旨在解决以上现有技术中的不足，提供一种基于深度神经网络的图像质量评估方法。

为实现上述技术目的，本发明采用以下技术方案：

本发明提供基于深度神经网络的图像质量评估方法，其特征在于，包含下列步骤：

构建深度神经网络VGG-16模型并对深度神经网络VGG-16模型中的损失层进行改进得到改进后的深度神经网络VGG-16模型；

对改进后的深度神经网络VGG-16模型进行预训练；

选定训练样本和测试样本对深度神经网络VGG-16模型进行训练和评估；

采用训练好的深度神经网络VGG-16模型对待测试的图像评估打分。

进一步地，对深度神经网络VGG-16模型中的损失层进行改进的方法如下:

采用欧氏距离损失函数计算样本估计值和对应标签之间的均方差，即均方根误差，如公式(1)所示：

其中，Loss为能量损失值，y’_n为真实质量评估值，y_n为预测的质量评估值。