[发明专利]基于课程学习的无参考图像质量评价方法

权利要求书

1.一种基于课程学习的无参考图像质量评价方法，其特征在于，包括如下步骤：

(1)获取训练样本集和测试样本集：

获取真实图像质量评价数据集中维度为W×H×C的L幅图像及每幅图像的主观质量分数标签T_a＝{(I_l,s_l)|1≤l≤L}，并将T_a中的M幅图像及每幅图像的主观质量分数标签组成训练样本集T_r＝{(I_m,s_m)|1≤m≤M}，将其余的N幅图像及每幅图像的主观质量分数标签组成测试样本集T_e＝{(I_n,s_n)|1≤n≤N}，其中，W、H和C分别表示图像的宽度、高度和通道数，W≥224,H≥224，C≥1，L≥1000，M+N＝L，I_l、s_l分别表示第l幅图像及其相应的主观质量分数标签；

(2)构建基于课程学习的无参考图像质量评价网络模型G：

(2a)构建包含顺次连接的图像局部特征提取子网络R、图像局部特征全局关联子网络T和图像质量预测子网络P的无参考图像质量评价网络模型G，R的输出与P的输入残差连接，其中，R包含多个卷积层和一个最大池化层；包含顺次连接的特征采样层、归一化层和特征拼接层，在归一化层和特征拼接层之间并行排布多个非局部单元S，非局部单元S包含多个卷积层；P包含一个全局池化层和多个全连接层；

(2b)定义基于课程学习的无参考图像质量评价网络模型G的损失函数Loss：

其中，λ表示动态加权系数，L₁表示排序与距离损失，L₂表示质量预测损失，k表示迭代次数，K表示最大迭代次数，B表示每次训练选取的训练样本个数，s_i、分别表示B个训练样本中第i个训练样本对应的主观质量分数、质量预测分数；s_i-s_j，分别表示B个训练样本中第i个训练样本和第j个样本间主观质量分数的差值及质量预测分数的差值，||·||₁表示一阶范数正则化，Σ表示求和符号，δ表示阈值；

(3)对基于课程学习的无参考图像质量评价网络模型G进行迭代训练：

(3a)初始化迭代次数为k，最大迭代次数为K，K＞20，当前无参考图像质量评价网络模型为G_k，G_k的权值参数为θ_k，并令k＝1，G_k＝G；

(3b)将从训练样本集T_r中无放回地随机选取的B个训练样本作为无参考图像质量评价网络模型G_k的输入，图像局部特征提取子网络R对每个训练样本进行下采样，得到下采样特征F_l；图像局部特征全局关联子网络T对F_l进行多级非局部特征加权编码，得到包含图像全局上下文关联信息的深度感知特征F_g；图像质量预测子网络P将F_l与F_g残差连接，得到包含图像局部和全局混合信息的广度感知特征F_w，并对F_w进行线性回归，得到每个训练样本的质量预测分数，其中，B≥16；

(3c)采用损失函数Loss，并通过Loss计算每个训练样本对应的质量预测分数与该训练样本对应的主观质量分数标签的误差作为G_k的损失值d_k，然后通过d_k计算对G_k的权值参数θ_k的偏导数g_k，再采用随机梯度下降法，通过偏导数g_k对G_k的权值参数θ_k进行更新；

(3d)判断k＝K是否成立，若是，得到训练好的基于课程学习的无参考图像质量评价网络模型G^*，否则，令k＝k+1，并执行步骤(3b)；

(4)获取无参考图像质量评价结果：

将测试样本集T_e作为训练好的基于课程学习的无参考图像质量评价网络模型G^*的输入进行前向推理，得到每个测试样本的质量预测分数。