[发明专利]基于课程学习的无参考图像质量评价方法

说明书

本发明提出一种基于课程学习的无参考图像质量评价方法，实现步骤为：获取训练样本集和测试样本集；构建基于课程学习的无参考图像质量评价网络模型；对基于课程学习的无参考图像质量评价网络模型进行迭代训练；获取无参考图像质量评价结果。本发明根据课程学习的策略构建的损失函数包含排序与距离损失函数、质量预测损失函数两项，在训练过程中动态调整损失函数中这两项的权重，在训练的初始阶段，分配给排序与距离损失权重最高，随着训练过程的持续，逐渐增加质量预测损失的权重，避免了现有技术中网络模型采用单一、不变的损失函数进行图像质量评价精度和效率较低的技术问题，有效提高了无参考图像质量评价的精度和效率。

技术领域

本发明属于图像处理技术领域，涉及一种无参考图像质量评价方法，具体涉及一种基于课程学习的无参考图像质量评价方法，可用于对没有原始参考的图像进行客观质量评价，进而对图像质量的改善进行指导。

背景技术

随着娱乐、通信、安全、监控、医学影像等应用领域的需求不断增长，图像在人们的日常生活中扮演着越来越重要的角色，每年在微信、QQ和抖音等社交媒体网站上上传和分享的照片达数千亿张，腾讯视频、爱奇艺和优酷视频等流媒体服务占据了所有下游互联网流量的60％。然而，在采集、处理、传输等过程中，图像不可避免地产生失真和降质，从而降低图像分析和理解的准确性，严重影响人们的观看体验。面对海量的图像数据，需要设计图像质量评价方法准确地量化图像质量，进而发现图像降质的原因，对图像质量的改善提供指导。

图像质量评价是通过人观看图像进行主观打分或建立数学模型对图像进行客观打分的过程，根据评价主体的不同，图像质量评价方法可以分为主观图像质量评价和客观图像质量评价。其中，主观图像质量评价是指人类受试者在无外界干扰的实验室环境下，根据提前设定好的评价标准，对待测图像的质量进行评价；客观图像质量评价是通过模拟人类视觉系统对图像的感知过程，设计能够反映图像主观质量的客观评价模型，对待测图像的质量进行评价。与主观图像质量评价相比，客观图像质量评价具有成本低、实时性强和时间效率高等优点，成为图像质量评价领域内的研究重点。

客观图像质量评价方法根据对参考图像的依赖程度可以分为全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法。其中，全参考图像质量评价方法通过量化失真图像和其参考图像的相似度来评价失真图像的质量；半参考图像质量评价方法需要获得参考图像的部分信息，是介于全参考与无参考方法之间的一种方法；无参考图像质量评价方法不需要参考图像，仅需要待评价图像及其主观质量分数标签，能够更加灵活、实时地评价图像质量，而且大部分真实图像的参考图像无法获得，全参考和半参考图像质量评价方法无法用于对这些无参考图像的真实图像进行质量评价，所以无参考图像质量评价方法最具研究和应用价值。

为了提高无参考图像的质量评价精度，申请公布号CN113222032A，名称为“基于自注意编码的无参考图像质量评价方法”的专利申请，公开了一种基于自注意编码的无参考图像质量评价方法，该方法首先将图像数据库中的失真图像分为训练图像集和测试图像集，然后对每幅图像进行下采样获得相应的低维映射的特征，再通过构建自编码器对每个特征进行自注意编码，得到包含图像整体注意力信息的深度感知特征，并将这些特征输入全连接层进行回归，以获得每个图像对应的质量预测分数。该方法避免了感知特征缺乏足够深度的图像整体注意力信息对评价精度的影响，有效地提高了无参考图像的质量评价精度，但其不足之处在于该方法选用单一、不变的均方误差函数作为损失函数，增加了主观质量分数与质量预测分数之间的非线性相关性，使得网络模型依据该损失函数进行训练优化时很难找到全局最优点，制约了模型取得对图像质量评价更高的精度，且模型训练效率降低。

课程学习对网络模型的损失函数的结构和调整方式进行拓展，首先，在损失函数中引入更多损失项去克服现有技术采用单一损失项带来的非线性问题，减轻模型在训练过程中找到全局最优点的压力，提高模型的预测精度；其次，对损失函数采取动态调整的策略，在模型的训练过程中，根据训练迭代次数的变化为不同的损失项动态分配不同的权重，使得模型的训练过程具有渐变性，提高了模型的训练效率。

发明内容