[发明专利]一种基于深度漂移-扩散方法的美学图像质量预测系统及方法

权利要求书

1.一种基于深度漂移-扩散方法的美学图像质量预测系统，其特征在于，包括：数据采集模块、预处理模块和神经网络模块；

数据采集模块：确定已知的AVA图像美学分类数据集中所需训练图像集样本、验证图像集样本和测试图像集样本；

预处理模块：对已知的AVA图像美学分类数据集进行预处理，以符合深度漂移-扩散模型的特性，将处理后的数据送到神经网络模块中；

神经网络模块：构建神经网络，将所述验证图像集样本，输入神经网络中，利用深度神经网络方法，确定所述验证图像集样本的美学得分分布、分类类别值和美学评分；

美学分数分布预测模块：将所述测试图像集样本输入神经网络，得到所述测试图像集样本内的美学图像得分分布、分类类别值、美学评分等美学图像质量值为最终的预测结果。

2.根据权利要求1所述的美学图像质量预测系统，其特征在于：数据采集模块中，所述确定已知训练图像集样本、验证图像集样本和测试图像集样本、图像分类模型，具体包括：将名为AVA的美学图像数据集随机分为训练图像集样本，共234599张图像，剩下的图像作为测试图像集样本，共19930张图像，验证图像集样本为非AVA美学图像数据集的其他图像，因使用的AVA数据集为已知、固定数据集，因此所使用的图片数量为固定数值。

3.根据权利要求1所述的美学图像质量预测系统，其特征在于：使用已知AVA图像美学分类数据集执行图像美学分类任务，其分类任务为基于ImageNet图像数据集分类任务的GoogLeNet图像分类模型和ResNet图像分类模型。

4.根据权利要求1所述的美学图像质量预测系统，其特征在于：所述预处理模块中，基于深度漂移-扩散模型的公式为：

其中，v表示美学图像分数分布，MiddleScore表示已知分布的中位数分数，m和n分别代表对已知图像分类模型进行调整时附加多任务回归模块中正吸引子和负吸引子的个数,i表示分数分布范围中的分数，E_pos和E_neg分别表示正吸引子和负吸引子，W为经过修改的白噪声。

5.根据权利要求4所述的美学图像质量预测系统，其特征在于：所述正吸引子和负吸引子由AVA数据集对美学图像质量的标注间接确定，具体公式如下：

E＝0.5*e^{-0.5*U(0，10)} (2)

W＝λ*U(-1，1) (3)

λ＝sigmoid(θ^Tf) (4)

其中，U(0，10)为AVA数据集中已知的10点值表，U(-1，1)为10点值表映射在(-1，1)上的分布，λ为中间参数，θ和f用于表示动态美学图像分数分布预测的图像评价及其动态函数，θ^T表示对以矩阵形式表示的图像评价进行转置表达。

6.根据权利要求1所述的美学图像质量预测系统，其特征在于：将所述验证图像集样本输入神经网络，确定所述验证图像内的各美学图像质量值，具体包括：

所述神经网络包括：以已知GoogLeNet图像分类模型进行调整，所述美学图像分数分布预测模型包括九层有参数的卷积神经网络层和两层没有参数的网络层；以已知ResNet图像分类模型进行调整，所述美学图像分数分布预测模型包括九层有参数的卷积神经网络层和两层没有参数的网络层；

所述美学图像分数分布预测模型包括：五十层有参数的卷积神经网络层和两层没有参数的网络层；其中，五十层有参数的卷积神经网络层为特征提取层，倒数第二层为长度为1024的全连接层，倒数第一层包含两个长度分别为256的全连接层，分别与倒数第二层连接；倒数第二层输出公式(4)中的θ^Tf，最后一层将分别输出公式(1)中的m和n。再代入公式(1)，求得美学图像分数分布。