[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量測(cè)試方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310511568.5
• 申請(qǐng)日: 2013-10-25
• 公開（公告）號(hào): CN103544705A
• 公開（公告）日: 2014-01-29
• 發(fā)明（設(shè)計(jì)）人: 郭禮華;李福娣
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 陳文姬

技術(shù)領(lǐng)域

本發(fā)明涉及圖像測(cè)試領(lǐng)域，特別涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量測(cè)試方法。

背景技術(shù)

隨著電子技術(shù)的發(fā)展和相機(jī)的普及，數(shù)字圖像已經(jīng)成為了很重要的傳達(dá)信息的媒介。人們對(duì)圖像的感官要求越來越高，這對(duì)圖像的質(zhì)量提出了更高的要求，所以對(duì)圖像的質(zhì)量測(cè)試變得越來越重要。對(duì)于圖像的質(zhì)量評(píng)價(jià)的標(biāo)準(zhǔn)有很多，概括地說，主要有以下幾個(gè)方面：（1）結(jié)構(gòu)。結(jié)構(gòu)指的是構(gòu)成一幅圖片的所有元素的組合方式。質(zhì)量好的圖像具有比較強(qiáng)的對(duì)比度，光線亮暗的對(duì)比，形狀的對(duì)比以及顏色的對(duì)比。（2）光線。圖像背景的光線直接影響著觀察者對(duì)圖片的感官感受。光線可以使得一幅質(zhì)量好的圖像的主題部分更具立體感，并使得圖像的主題區(qū)域和背景區(qū)域?qū)Ρ让黠@。（3）顏色。很多人都是通過圖像的顏色來感知的。一幅質(zhì)量好的圖像能通過特定的顏色組合來提高觀察者的特殊情感。

圖像質(zhì)量評(píng)價(jià)由發(fā)展起，已經(jīng)相繼提出了很多評(píng)價(jià)的方法。如專利CN101540048中提到一種基于支持向量機(jī)的圖像質(zhì)量評(píng)價(jià)方法。該方法首先對(duì)預(yù)處理后的圖像樣本進(jìn)行特征值的選擇和提取，包括圖像的對(duì)比度、熵、紋理和模糊度四個(gè)特征值，將處理后的樣本集分成訓(xùn)練集和測(cè)試集兩部分；然后利用訓(xùn)練集進(jìn)行支持向量機(jī)的訓(xùn)練，根據(jù)系統(tǒng)需要的級(jí)別確定支持向量機(jī)的個(gè)數(shù)，對(duì)每個(gè)支持向量機(jī)進(jìn)行分別訓(xùn)練，訓(xùn)練中，輸入樣本是圖像的特征值，輸出時(shí)圖像質(zhì)量的級(jí)別；訓(xùn)練后得到支持向量機(jī)模型，再利用測(cè)試集對(duì)相關(guān)參數(shù)進(jìn)行調(diào)整優(yōu)化，確定支持向量機(jī)模型最優(yōu)分類面的決策函數(shù)的參數(shù)；最后應(yīng)用完成訓(xùn)練優(yōu)化的支持向量機(jī)模型對(duì)圖像樣本進(jìn)行質(zhì)量評(píng)級(jí)。

專利CN102915449A中提出了一種照片分類的方法。該方法包括訓(xùn)練過程和自動(dòng)分類過程。在訓(xùn)練過程中先采用基于功率譜斜度的方法提取樣本照片主題區(qū)域，然后提取樣本照片的特征，最終利用支持矢量機(jī)分類器進(jìn)行照片美學(xué)質(zhì)量的訓(xùn)練，得到分界面模型；自動(dòng)分類過程對(duì)待識(shí)別照片進(jìn)行先采用基于功率譜斜度的方法提取的主題區(qū)域，然后提取的特征，最后使用分界面模型進(jìn)行識(shí)別。

傳統(tǒng)方法需要通過提取圖像的一些特征，特征最終決定系統(tǒng)的性能，而好的特征需要很好的先驗(yàn)知識(shí)和設(shè)計(jì)經(jīng)驗(yàn)，在實(shí)際系統(tǒng)開發(fā)中很難設(shè)計(jì)最優(yōu)的具有區(qū)分度的特征。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的上述缺點(diǎn)與不足，本發(fā)明的目的在于提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量測(cè)試方法，克服了傳統(tǒng)方法需要很強(qiáng)的先驗(yàn)知識(shí)來輔助提取有區(qū)分度特征的缺點(diǎn)，可以降低偶然性對(duì)質(zhì)量測(cè)試結(jié)果的影響，泛化性強(qiáng)，可靠性高。

本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像質(zhì)量測(cè)試方法，包括以下步驟：

（1）建立訓(xùn)練樣本集：所述訓(xùn)練樣本集中的訓(xùn)練圖片選自圖像質(zhì)量評(píng)價(jià)數(shù)據(jù)庫；

（2）構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型：深度卷積神經(jīng)網(wǎng)絡(luò)模型包括依次連接的第一卷積層、第一抽取層、第二卷積層、第二抽取層、第三卷積層、第三抽取層和一個(gè)全連接層；

（3）訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型：初始化后，采用隨機(jī)梯度下降法對(duì)步驟（2）構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代，每迭代一次檢測(cè)一次梯度，以尋求網(wǎng)絡(luò)層權(quán)重和偏置的最優(yōu)解，迭代多次后得到本次訓(xùn)練的最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)模型；

（4）改變初始化條件，重復(fù)步驟（3）n次，得到n個(gè)最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)模型；1≤n≤4；

（5）組裝深度卷積神經(jīng)網(wǎng)絡(luò)模型：將步驟（3）和步驟（4）得到的n+1個(gè)最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)模型并聯(lián)連接，得到圖像質(zhì)量測(cè)試系統(tǒng)；

（6）利用步驟（5）得到的圖像質(zhì)量測(cè)試系統(tǒng)對(duì)測(cè)試圖片進(jìn)行質(zhì)量測(cè)試。

所述第一卷積層為Gabor卷積層，用于實(shí)現(xiàn)輸入圖像信號(hào)與Gabor濾波器的卷積操作；所述Gabor濾波器定義如下：