[发明专利]一种基于深度卷积神经网络的图像质量测试方法有效
| 申请号： | 201310511568.5 | 申请日： | 2013-10-25 |
| 公开（公告）号： | CN103544705A | 公开（公告）日： | 2014-01-29 |
| 发明（设计）人： | 郭礼华;李福娣 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00 |
| 代理公司： | 广州市华学知识产权代理有限公司 44245 | 代理人： | 陈文姬 |
| 地址： | 511458 广东省广州市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度卷积神经网络的图像质量测试方法，包括以下步骤：首先建立样本集，然后构建深度卷积神经网络模型，再在不同的初始条件下对深度卷积神经网络模型进行训练，将多次训练得到的最优深度卷积神经网络模型并联连接，得到图像质量测试系统，使用得到的图像质量测试系统对测试图片进行测试。本发明通过模拟人类大脑学习的过程进行特征学习，克服了现有的图像质量测试方法中特征选取难的问题，并且降低了预测结果的偶然性，集成性比较高，泛化能力强，测试效果好。 | ||
| 搜索关键词： | 一种 基于 深度 卷积 神经网络 图像 质量 测试 方法 | ||
【主权项】：
一种基于深度卷积神经网络的图像质量测试方法，其特征在于，包括以下步骤：（1）建立训练样本集：所述训练样本集中的训练图片选自图像质量评价数据库；（2）构建深度卷积神经网络模型：深度卷积神经网络模型包括依次连接的第一卷积层、第一抽取层、第二卷积层、第二抽取层、第三卷积层、第三抽取层和一个全连接层；（3）训练深度卷积神经网络模型：初始化后，采用随机梯度下降法对步骤（2）构建的深度卷积神经网络模型进行迭代，每迭代一次检测一次梯度，以寻求网络层权重和偏置的最优解，迭代多次后得到本次训练的最优深度卷积神经网络模型；（4）改变初始化条件，重复步骤（3）n次，得到n个最优深度卷积神经网络模型；1≤n≤4；（5）组装深度卷积神经网络模型：将步骤（3）和步骤（4）得到的n+1个最优深度卷积神经网络模型并联连接，得到图像质量测试系统；（6）利用步骤（5）得到的图像质量测试系统对测试图片进行质量测试。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201310511568.5/，转载请声明来源钻瓜专利网。
