[發(fā)明專利]異常值檢測的無參考圖像質(zhì)量評價模型及構(gòu)建方法

有效

• 申請?zhí)枺?/td>: 201810044673.5
• 申請日: 2018-01-17
• 公開（公告）號: CN108289221B
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計）人: 侯文廣;易瑋瑋;徐澤凱;陳子軒;鄒應(yīng)誠;桂秋玲
• 申請（專利權(quán)）人: 華中科技大學
• 主分類號: H04N17/00
• 分類號: H04N17/00;H04N19/154
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 許恒恒;李智

1.一種異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，包括如下步驟：

(1)將圖像數(shù)據(jù)庫中的所有圖像分為訓練集、驗證集和測試集三個子集，將所述圖像數(shù)據(jù)庫中的所有圖像隨機分若干次，得到若干組圖像數(shù)據(jù)；組與組之間訓練集、驗證集和測試集中的圖像張數(shù)占圖像總數(shù)的百分比相同，且組與組之間訓練集、驗證集和測試集中的圖像并不完全相同；所述若干組圖像數(shù)據(jù)至少為兩組圖像數(shù)據(jù)；

(2)對步驟(1)中每組圖像數(shù)據(jù)中的訓練集和驗證集中的圖像和該圖像在數(shù)據(jù)庫中對應(yīng)的主觀分數(shù)值進行卷積神經(jīng)網(wǎng)絡(luò)訓練，得到若干個初始圖像質(zhì)量評價模型；

(3)運用步驟(2)中得到的若干個初始圖像質(zhì)量評價模型分別對步驟(1)中所述的圖像數(shù)據(jù)庫中的所有圖像進行質(zhì)量分數(shù)測試，得到若干組測試分數(shù)；每組測試分數(shù)為每個初始圖像質(zhì)量評價模型對步驟(1)中所述的圖像數(shù)據(jù)庫中的所有圖像進行質(zhì)量分數(shù)測試得到的；

(4)將步驟(3)中得到的每組測試分數(shù)分別與圖像對應(yīng)的主觀分數(shù)值進行線性回歸分析，并運用統(tǒng)計學方法進行異常值檢測，得到分數(shù)異常的圖像樣本，若分數(shù)異常的圖像樣本出現(xiàn)異常的次數(shù)占測試分數(shù)的組數(shù)大于等于10％，則將該異常圖像樣本從圖像數(shù)據(jù)庫中剔除，得到更新圖像樣本的數(shù)據(jù)庫；

(5)將步驟(4)得到的更新圖像樣本的數(shù)據(jù)庫進行卷積神經(jīng)網(wǎng)絡(luò)訓練，得到圖像質(zhì)量評價模型，并對該圖像質(zhì)量評價模型進行測試，若測試得到的圖像質(zhì)量評價的SROCC值或LCC值達到預(yù)定值，那么該圖像質(zhì)量評價模型即為最終的質(zhì)量評價模型；若測試得到的圖像質(zhì)量評價的SROCC值或LCC值沒有達到預(yù)定值，那么將步驟(4)中得到的更新圖像樣本的數(shù)據(jù)庫進行步驟(1)-(4)，直至得到的更新圖像樣本的數(shù)據(jù)庫和其對應(yīng)的主觀分數(shù)值進行卷積神經(jīng)網(wǎng)絡(luò)訓練后得到圖像質(zhì)量評價模型經(jīng)測試得到的圖像質(zhì)量評價的SROCC值和/或LCC值達到預(yù)定值，該圖像質(zhì)量評價模型即為異常值檢測的無參考圖像質(zhì)量評價模型。

2.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(1)所述的若干組圖像數(shù)據(jù)大于等于十組。

3.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(2)中所述的卷積神經(jīng)網(wǎng)絡(luò)訓練包括以下步驟：

(2-1)將步驟(1)中所述的訓練集和驗證集中的圖像樣本進行切割，得到圖像塊，對該圖像塊進行歸一化處理，得到歸一化后的圖像塊；

(2-2)將步驟(2-1)得到的歸一化后的圖像塊采用卷積神經(jīng)網(wǎng)絡(luò)訓練，得到圖像質(zhì)量評價模型。

4.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(4)所述的運用統(tǒng)計學方法進行異常值檢測是通過判斷回歸數(shù)據(jù)的學生化殘差是否超出閾值，若回歸數(shù)據(jù)的學生化殘差超出閾值，則該回歸數(shù)據(jù)對應(yīng)的圖像樣本即為分數(shù)異常的圖像樣本。

5.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(1)所述的訓練集、驗證集和測試集中的圖像個數(shù)占圖像總數(shù)的百分比分別為60％、20％和20％。

6.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(2)和步驟(5)所述的卷積神經(jīng)網(wǎng)絡(luò)包含卷積層、池化層和全連接層，任意兩層之間通過激勵層相連；其中首個卷積層用于輸入圖像塊數(shù)據(jù)，末尾全連接層用于輸出圖像分數(shù)測試值。

7.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(3)所述的質(zhì)量分數(shù)預(yù)測為將所述圖像數(shù)據(jù)庫中的圖像進行切割和歸一化，然后將每幅圖像的歸一化切塊圖像輸入到步驟(2)所述的圖像質(zhì)量評價模型中，得到該歸一化切塊圖像的測試分數(shù)，取所有切塊圖像預(yù)測分數(shù)的平均值，得到該圖像的測試分數(shù)。

8.如權(quán)利要求1所述的異常值檢測的無參考圖像質(zhì)量評價模型的構(gòu)建方法，其特征在于，步驟(1)中所述的圖像數(shù)據(jù)庫為自然圖像數(shù)據(jù)庫或超聲圖像數(shù)據(jù)庫；

優(yōu)選地，所述自然圖像數(shù)據(jù)庫為LIVEⅡ數(shù)據(jù)庫。

9.一種異常值檢測的無參考圖像質(zhì)量評價模型，其特征在于，包括：

圖像分組模塊：用于將圖像數(shù)據(jù)庫中的所有圖像分為訓練集、驗證集和測試集三個子集；將所述圖像數(shù)據(jù)庫中的所有圖像隨機分若干次，得到若干組圖像數(shù)據(jù)；組與組之間訓練集、驗證集和測試集中的圖像張數(shù)占圖像總數(shù)的百分比相同，且組與組之間訓練集、驗證集和測試集中的圖像并不完全相同；所述若干組圖像數(shù)據(jù)至少為兩組圖像數(shù)據(jù)；

初始圖像質(zhì)量評價模型獲得模塊：用于將每組圖像數(shù)據(jù)中的訓練集和驗證集中的圖像和該圖像在數(shù)據(jù)庫中對應(yīng)的主觀分數(shù)值進行卷積神經(jīng)網(wǎng)絡(luò)訓練，得到若干個初始圖像質(zhì)量評價模型；

測試分數(shù)獲得模塊：用于將初始圖像質(zhì)量評價模型分別對圖像數(shù)據(jù)庫中的所有圖像進行質(zhì)量分數(shù)測試，得到若干組測試分數(shù)；每組測試分數(shù)為每個初始圖像質(zhì)量評價模型對圖像數(shù)據(jù)庫中的所有圖像進行質(zhì)量分數(shù)測試后得到；

異常值檢測模塊：用于將每組測試分數(shù)分別與圖像對應(yīng)的主觀分數(shù)值進行線性回歸分析，并運用統(tǒng)計學方法進行異常值檢測，得到分數(shù)異常的圖像樣本，若分數(shù)異常的圖像樣本出現(xiàn)異常的次數(shù)占測試分數(shù)的組數(shù)大于等于10％，則將該異常圖像樣本從圖像數(shù)據(jù)庫中剔除，得到更新圖像樣本的數(shù)據(jù)庫；

圖像質(zhì)量評價模型獲得模塊：用于將更新圖像樣本的數(shù)據(jù)庫進行卷積神經(jīng)網(wǎng)絡(luò)訓練后，得到圖像質(zhì)量評價模型，并對該圖像質(zhì)量評價模型進行測試，若測試得到的圖像質(zhì)量評價的SROCC值或LCC值達到預(yù)定值，那么該圖像質(zhì)量評價模型即為最終的質(zhì)量評價模型；若測試得到的圖像質(zhì)量評價的SROCC值或LCC值沒有達到預(yù)定值，那么將更新圖像樣本的數(shù)據(jù)庫進行圖像分組、初始圖像質(zhì)量評價、獲得測試分數(shù)和檢測異常值后，直至得到的更新圖像樣本的數(shù)據(jù)庫和其對應(yīng)的主觀分數(shù)值進行卷積神經(jīng)網(wǎng)絡(luò)訓練后得到圖像質(zhì)量評價模型經(jīng)測試得到的圖像質(zhì)量評價的SROCC值或LCC值達到預(yù)定值，該圖像質(zhì)量評價模型即為異常值檢測的無參考圖像質(zhì)量評價模型。