[发明专利]一种无参考图像质量评价方法

权利要求书

1.一种基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，包括以下步骤：

S1：输入图像并进行数据预处理，得到归一化的图像和高频部分图像；

S2：经过归一化的图像小块进入主干基准网络，得到所述主干基准网络的低层次特征以及高层次特征；

S3：子任务一：以均方误差为损失函数，生成降采样后的残差图像，其中，所述子任务一的输入来自于灰度高频部分图像小块以及所述主干基准网络提取的低层次特征；

S4：子任务二：以结构相似距离为损失函数，生成更精细的残差图像；

S5：主任务：质量评价，生成基于场景的质量损失敏感图；

S6：将所述子任务一与所述子任务二的残差图像拼接在一起，与所述主任务的质量损失敏感图做以元素为单位的乘法，获得感知质量损失图；以及

S7:对所述感知质量损失图征做全局平均池化，预测得到质量分数。

2.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，在步骤S1中，将训练数据处理为模型需要的大小和格式，对图像数据进行采样得到图像小块。

3.根据权利要求2所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，每一个所述输入图像将被采样25次，每一次随机取224×224的图像小块，并逐一进行图像归一化，最终的分数为25个图像小块的平均结果，归一化后的图像小块被送入主干基准网络，此外，还将图像小块灰度化，之后进一步提取图像小块的高频部分，得到25个归一化化后的图像小块及其高频部分，取灰度高频部分图像小块，送入所述子任务一。

4.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，在步骤S2中，所述低层次特征来源于所述主干基准网络的浅层输出特征，所述高层次特征来源于所述主干基准网络的深层次输出特征。

5.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，在步骤S3中，经过步骤S1得到的所述高频部分图像与步骤S2得到的所述低层次特征相拼接，之后输入所述子任务一的网络分支。

6.根据权利要求5所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，其中，所述子任务一的网络分支由六层卷积网络构成，最终生成大小为56×56的残差图像，以及其中，所述六层卷积网络的卷积核大小均为3×3，步长为1，填充为1，前五层卷积核数量均为64，最后一层卷积核数量为1。

7.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，其中，在步骤S4中，将步骤S3中第二层卷积层的输出特征作为所述子任务二的输入特征，其中，步骤S4中的残差图像获取方式与步骤S3中相同，该任务前三层卷积后的特征都会与所述子任务一的后三层特征做拼接，后续的卷积操作会相应通过权值来融合所述子任务一的特征以及本任务的上一层的输出特征。

8.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，其中，所述子任务二的网络分支由四层卷积构成，最终中生成大小为56×56的残差图像，其中，所述四层卷积网络的卷积核大小均为3×3，步长为1，填充为1，前三层卷积核数量均为64，最后一层卷积核数量为1。

9.根据权利要求1所述的基于残差图像生成及多任务学习的无参考图像质量评价方法，其特征在于，在步骤S7中，对所述感知质量损失图做全局平均池化，得到全局感知质量损失程度，之后接入一个一层全链接层，对输入做线性变化，将其映射到质量分数。