[發明專利]異常值檢測的無參考圖像質量評價模型及構建方法

有效

• 申請號: 201810044673.5
• 申請日: 2018-01-17
• 公開（公告）號: CN108289221B
• 公開（公告）日: 2019-08-30
• 發明（設計）人: 侯文廣;易瑋瑋;徐澤凱;陳子軒;鄒應誠;桂秋玲
• 申請（專利權）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

本發明公開了一種異常值檢測的無參考圖像質量評價模型及構建方法。該模型的構建包括以下步驟：(1)利用圖像數據庫中的圖像和其主觀分數值進行卷積神經網絡訓練，得到圖像質量評價模型；(2)運用該模型對圖像數據庫中的圖像進行質量分數測試；(3)將測試分數與主觀分數值進行線性回歸分析，將異常圖像樣本從圖像數據庫中剔除，得到更新的數據庫；(4)將更新數據庫中的圖像樣本進行步驟(1)操作后進行測試，達到預期效果的即為最終的質量評價模型；若沒有達到預期效果，那么重復步驟(2)?(3)，直至達到預期效果。本發明提供的圖像質量評價方法，適用的圖像范圍廣、主觀一致性好，且評價所需的時間少。

技術領域

本發明屬于圖像處理領域，更具體地，涉及一種基于異常值檢測和卷積神經網絡的無參考圖像質量評價方法。

背景技術

圖像是日常生活中信息的重要載體，圖像質量的好壞直接影響人們的主觀感受和信息量的獲取，同時，圖像質量也是比較各種圖像處理算法性能優劣以及優化系統參數的重要指標，因此圖像質量評價(Image qualityassessment，IQA)在近幾十年受到廣泛關注。

圖像質量評價方法按照是否由人工進行評價分為主觀圖像質量評價方法和客觀圖像質量評價方法。一般情況而言，因為人類是圖像信息的最終接收者，所以主觀評價是最優的質量評價方法，然而主觀評價需要大量人員參與，時間和經濟成本大，操作十分不便。客觀圖像質量評價的優點是彌補主觀評價方法成本高、無法實時的問題，缺點在于無法和主觀的評價保持高度有效的一致性。

客觀圖像質量評價方法按照是否有原始參考圖像可以進一步分為全參考、半參考和無參考圖像質量評價。應用最為廣泛的兩種全參考客觀圖像質量評價方法是峰值信噪比(PeakSignal-to-Noise Ratio,PSNR)和均方誤差(Mean Squared Error,MSE)，但是這兩種評價方法都無法和主觀的評價結果保持高度一致性，而且評價所需的原始圖像獲取難度較大。半參考評價方法只需要提取部分原始圖像數據用于評價，而無參考方法則無需原始圖像即可對測試圖像進行評價。因此相對于全參考圖像評價方法來說，半參考和無參考評價方法靈活性強，適用范圍更廣，更具研究價值。

目前無參考圖像質量評價方法的研究仍然處于起步階段，且大多是針對特定的失真類型、適用的圖像失真類型少，主觀一致性差，且評價所需的時間長。

發明內容

針對現有技術中圖像質量評價方法的主觀一致性差、適用的圖像失真類型少、評價時間長的技術問題，本發明提供了一種基于異常值檢測的無參考圖像質量評價方法。

為實現上述目的，本發明提供了一種異常值檢測的無參考圖像質量評價模型的構建方法，包括如下步驟：

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

(2)對步驟(1)中每組圖像數據中的訓練集和驗證集中的圖像和該圖像在數據庫中對應的主觀分數值進行卷積神經網絡訓練，得到若干個初始圖像質量評價模型；

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

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