[发明专利]基于元学习的无参考图像质量数据处理方法、智能终端

说明书

本发明属于图像处理和计算机视觉技术领域，公开了一种基于元学习的无参考图像质量数据处理方法、智能终端，对模拟失真的图像数据库中的图像质量按照失真类型划分成不同的任务，并把每个任务的训练数据分成支持集和查询集；利用每个任务对构造的深度卷积神经网络进行从支持集数据到查询集数据的两级梯度优化方式获取图像质量评价的先验模型；划分真实失真的图像数据库为训练集和测试集，利用训练集数据对建立的先验模型进行微调训练获取真实失真图像的质量评价模型；对于测试集中待测试的图像，利用已建立的真实失真图像的质量评价模型，自动实现图像的无参考质量评价。本发明方法性能比目前主流的无参考图像质量评价方法的性能更好。

技术领域

本发明属于图像处理和计算机视觉技术领域，尤其涉及一种基于元学习的无参考图像质量数据处理方法、智能终端。

背景技术

目前，最接近的现有技术：随着移动互联网和信息技术的发展，图像处理技术广泛应用各个领域。然而由于图像在获取、压缩、传输和储存时会有不同程度的失真。因此急需有一种高效可靠的方法来评估这些图像的质量。目前，图像质量评价(IQA)已成为各种计算机视觉和图像处理应用的一个重要方面，如图像采集、传输、恢复和增强、图像搜索和检索以及图像识别等。图像质量评价有主观和客观两种方法，主观评价方法是由观察者根据某些标准和经验对观察图像进行评分得到主观质量评价分数，常使用平均意见值(MOS)和差分平均意见值(DMOS)。由于人眼是图像的最终接收者，所以主观评价方法最符合图像真实质量。但是由于主观评价方法费时费力，且容易受到主观因素和实验环境的影响，相比而言，客观图像质量评价方法具有简单、实时、可重复和易集成等特点，所以研究符合主观视觉系统(HVS)的客观评价方法是图像质量评价的重点。

根据对原始图像的依赖程度，客观图像质量评价一般分为三种类型，即全参考型、部分参考型和无参考型。全参考评价方法就是利用原始图像全部信息，通过计算原始图像与失真图像之间的感知误差，并综合这些误差得到失真图像的质量评价分数。全参考评价体系虽然评价准确率相对较高，但其前提是需要参考图像的全部信息，这在很多场合是很困难的。但是如果能得到参考图像的部分特征信息，在这种情况下，就可以采用部分参考的质量评价方法。无参考质量评价方法也称为盲评价，即完全依赖于待评估图像本身的信息来进行质量评估。由于不需要原始图像的任何信息，因此实现起来相对较困难，但是由于其在应用领域的实用性，还是吸引了许多研究者的关注。

目前，无参考图像质量评价方法可以进一步分为两类：特定于失真的质量评价方法和非特定于失真的通用型质量评价方法，具体取决于失真类型的是否已知。在现实生活中，如果要评价图像的质量，它的失真类型往往是未知的。因此，通用型的图像质量评价逐渐成为数字图像客观质量评价的热点，并且得到了一定的发展。这类方法的通常是利用图像的相关特征通过机器学习方法或者自然场景统计方法训练得到质量评价模型，然后把质量评价模型作为先验知识，最后利用这个先验知识模型对待评估图像进行质量评分。基于自然场景统计方法主要思想是自然图像会呈现一定的统计规律，并且这些规律会因为图像失真而变化，因此图像的质量分数可以通过提取图像自然统计特征并计算统计数据的偏离程度得到。Mittal等人在论文“No-reference image quality assessment in thespatial domain”中提出了一种基于空间统计特性的快速无参考图像质量评价方法BRISQUE，BRISQUE方法在两个尺度空间提取特征，每种尺度空间提取18个统计特征(3个尺度*3个取向*2个参数)，然后两级分类/回归框架对图像进行质量评估。基于机器学习的方法主要是提取与失真有关的图像低级特征与图像质量分数之间通过训练的方式进行建模，利用建立的模型自动评价图像质量。但是上述方法提取的特征很难全面的描述图像的各种失真特性。