[发明专利]基于迁移学习的任务导向的图像质量测评方法

说明书

本发明涉及一种基于迁移学习的任务导向的图像质量测评方法，包括以下步骤：步骤S1:获取水下鱼类检测数据集，并进行标注及整理，得到鱼类目标检测数据集；步骤S2:基于鱼类目标检测数据集训练yolov4网络模型，得到鱼类检测模型fish‑yolov4；步骤S3:构建水下鱼类检测任务导向的图像质量数据库；步骤S4:基于水下鱼类检测任务导向的图像质量数据库，对鱼类检测模型fish‑yolov4进行迁移学习及微调，得到最终的检测模型。本发明能够有效提高图像质量测评效率，提高测评的可靠性及真实性。

技术领域

本发明涉及图像质量测评领域，具体涉及一种基于迁移学习的任务导向的图像质量测评方法。

背景技术

人类正跨入信息时代，图像作为信息的重要载体在日常生活和工作中扮演着重要的角色。在图像采集、传输、存储、显示的过程中往往会造成图像降质。因此需要图像质量评价方法对图像的失真程度与是否可以用于后续处理进行判断。由于图像的受体主要是人，所以最可靠的图像质量评价方法是主观质量评价，即组织观看者根据自己的经验与感知对图像质量进行主观评价。然而随着图像数量的增加，主观质量评价将耗费大量的时间人力物力，不能应用于实时图像处理系统。因此，研究人员将更多的注意力放在了客观质量评价算法上。

根据参考信息的使用，客观质量评价算法可分为三类：完全参考图像质量评价（FR-IQA）、半参考图像质量评价（RR-IQA）和无参考图像质量评价（NR-IQA）。FR-IQA和RR-IQA在难以获得参考信息的实际任务中往往表现不佳。因此NR-IQA方法就显得尤为重要，该类方法的研究主要集中在无参考信息的图像上。

无论是主观方法还是客观方法，都会对图像的质量进行评估，并给图像打分作为标签。图像质量的得分可分为两种情况。第一种情况随着拍摄设备和传输渠道的不断完善，图像的内容越来越丰富，细节越来越真实，图像的质量也会越来越高。在这种情况下，质量分数不收敛。在另一种情况下，图像最终会收敛到某个最高点。例如，对于压缩图像，随着图像压缩程度的增加，图像的质量将降低。最高的质量分数将收敛到未压缩图像的得分。

以上两种情况都是为了满足用户的体验，用户满意度越高，就可以说是图像的质量越高。但随着科学技术的不断进步，人类正在探索更多的领域。如今的许多图像不仅用于用户欣赏，也常用来进行专业的分析、理解与处理。例如，水下图像更多被用于海洋资源的勘探，医学图像可以以非侵入的方式获取内部组织信息。当图像质量与特定任务相关时，图像质量得分将出现第三种情况中。当图像足以完成任务时，图像质量分数达到饱和，继续提高质量是没有用的。而图像的质量取决于其完成特定任务的效用。因此研究人员可以根据任务的需要设置不同的质量阈值。然而，目前的关于图像质量的研究工作更多地关注图像的感知质量，无法解决特定任务下的图像质量评价工作。

发明内容

有鉴于此，本发明的目的在于提供一种基于迁移学习的任务导向的图像质量测评方法，以解决现有技术中存在的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于迁移学习的任务导向的图像质量测评方法，包括以下步骤：

步骤S1:获取水下鱼类检测数据集，并进行标注及整理，得到鱼类目标检测数据集；

步骤S2:基于鱼类目标检测数据集训练yolov4网络模型，得到鱼类检测模型fish-yolov4；

步骤S3:构建水下鱼类检测任务导向的图像质量数据库；

步骤S4:基于水下鱼类检测任务导向的图像质量数据库，对鱼类检测模型fish-yolov4进行迁移学习及微调，得到最终的检测模型。

进一步的，所述步骤S1具体为：

步骤S11:对Fish4Knowledge公开的水下鱼类检测数据集进行分帧处理,得到初始数据集；

步骤S12:对初始数据集进行预处理，并对标签进行修正，将标签转换成相应的xml文件，得到鱼类目标检测数据集。