[发明专利]基于不确定性和概率的多任务图像质量评估方法及系统

说明书

本发明涉及一种基于不确定性和概率的多任务无参考图像质量评估方法及系统，首先将待训练的数据进行数据预处理；然后设计能够预测失真类型和图像质量分数的多任务卷积神经网络，并训练该多任务卷积神经网络；最后将待测图像进行预处理，生成图像块，利用训练好的多任务卷积神经网络预测所生成的图像块的质量分数和失真类型，根据图像块的质量分数和失真类型计算待测图像的质量分数和失真类型。本发明通过提出的多任务卷积神经网络提取图像特征、学习图像质量和失真类型之间的不确定性，不仅能够评估图像质量，也能够预测失真类型，并显著提高无参考图像质量评估的性能。

技术领域

本发明涉及图像处理技术领域，特别是一种基于不确定性和概率的多任务无参考图像质量评估方法及系统。

背景技术

伴随互联网的快速成长，数字图像已然成为一种不可缺少的信息传输载体。移动互联网的普及、人们的需求、日益暴增的图像数量，促进了图像处理算法地不断更新迭代和计算机视觉领域的快速发展。随着多媒体技术的发展，现在人们对图片实时分享、发送和接收，以及即时在线直播的要求越来越高，使得对图像质量评估算法的要求也越来越高。然而，图像在拍摄、编解码、存储、传输、处理过程中难以避免地会丢失部分或完整原始数据，导致图像产生失真现象，出现噪点、变形、扭曲、缺失等现象。失真会不同程度地丢失原始图像中所包含的信息，从而影响会影响人们对图像的观感、影响人们从图像中获取信息。图像质量评估可以根据图像的失真类型及失真程度来对图像的质量进行评估，从而为后续的图像处理技术，比如超分辨率、图像分割、图像去噪、图像复原、风格迁移和显著性检测等提供基础，是图像处理领域的关键技术之一，对于当下图像在医学、航空、军事等领域来说是至关重要的。

图像质量评估一般有主观和客观之分。主观图像质量评估是指由多个评估员对数据集的图像质量打分后进行统计加工合成，此方法直接地反映了人类视觉系统对图像的直观感知和视觉体验效果，评估结果最符合人类的视觉感官体验。客观图像质量评估是指由计算机按照一定的算法进行实现，算法根据人类视觉系统，对失真图像进行客观定性，建立模型，给出评估结果。相较于主观评估，客观评估应用更广泛。客观评估根据是否得以取到参考图像的完整或者部分信息分为3类：全参考、半参考和无参考。由于无参考评估不需要使用原始图像的信息，所以在没有原始图像的实际应用中，无参考图像质量评估更为实用。

现有的大部分无参考方法只针对图像质量进行评估。失真类型和图像质量存在着重要关系。少数能够同时评估图像质量评价和预测失真类型的模型尚未能确定失真类型和图像质量之间的潜在关系。

发明内容

有鉴于此，本发明的目的是提出一种基于不确定性和概率的多任务无参考图像质量评估方法及系统，通过提出的多任务卷积神经网络提取图像特征、学习图像质量和失真类型之间的不确定性，不仅能够评估图像质量，也能够预测失真类型，并显著提高无参考图像质量评估的性能。

本发明采用以下方案实现：一种基于不确定性和概率的多任务无参考图像质量评估方法，具体包括以下步骤：

将待训练的数据进行数据预处理；首先对其做归一化处理，然后将归一化图像进行切块；

设计能够预测失真类型和图像质量分数的多任务卷积神经网络，并训练该多任务卷积神经网络；

将待测图像进行预处理，生成图像块，利用训练好的多任务卷积神经网络预测所生成的图像块的质量分数和失真类型，根据图像块的质量分数和失真类型计算待测图像的质量分数和失真类型。

本发明使用归一化的图像块作为模型输入，使用多任务卷积神经网络的提取图像特征，通过失真类型和质量分数之间的不确定性同时预测失真类型和质量分数，基于概率计算图像的失真类型和质量分数，这种方法不仅能显著提高无参考图像质量评估的性能，并能同时预测图像失真类型。

进一步地，所述将待训练的数据进行数据预处理具体为：

先将所有失真图像进行归一化处理，将所有归一化图像有重叠地切分成若干个H×W大小的图像块。