[發明專利]基于雙通道深度并行卷積網絡的圖像質量分類方法

在審

• 申請號: 201810737250.1
• 申請日: 2018-07-06
• 公開（公告）號: CN108961245A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 高新波;李恒達;路文;余穎;何立火
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

1.一種基于雙通道深度并行卷積網絡的圖像質量分類方法，其特征在于，具體包括如下步驟：

(1)選取圖像樣本：選取圖像質量評價相關領域的數據庫中的所有圖像，作為實驗數據，即圖像樣本，數據庫中共有M類不同內容的圖像，每一類圖像中都包含有高質量圖像樣本和低質量圖像樣本；

(2)構建訓練數據集：從圖像樣本中選取訓練數據集，對M類圖像樣本中的每一類都進行隨機采樣，所有采樣得到的樣本組成包含M類圖像樣本的訓練數據集，作為網絡訓練時的輸入數據集；

(3)搭建雙通道深度并行卷積網絡：搭建一個雙通道深度并行卷積網絡，該網絡前端的雙通道部分包含兩個通道，分別對應圖像的全局信息和局部信息，網絡后端的合并通道部分將兩個通道的輸出合并，變為一個通道；并行卷積結構只存在于網絡前端的雙通道部分中的一個通道中，特點是能夠針對不同語義內容的圖像分別處理；

(4)對訓練數據集進行數據預處理：數據預處理包括兩種預處理方式，預處理后得到的圖像塊作為預處理結果，第一種預處理結果作為雙通道深度并行卷積網絡第一通道的輸入，第二種預處理結果作為雙通道深度并行卷積網絡第二通道的輸入；

(5)訓練雙通道深度并行卷積網絡：

(5a)將經過預處理的訓練數據集輸入到雙通道深度并行卷積網絡，網絡的輸出即為訓練數據集的預測質量類別；

(5b)利用交叉熵公式，計算訓練數據集的預測質量類別與訓練數據集的真實質量類別標簽之間的交叉熵；

(5c)將交叉熵值作為雙通道深度并行卷積網絡的代價值，對網絡進行迭代訓練，直到網絡的代價值不再降低而且達到最大迭代次數時，網絡訓練完畢，得到訓練好的雙通道深度并行卷積網絡；

(6)對待測試圖像進行數據預處理：數據預處理同訓練數據集的數據預處理，也包括兩種預處理方式，第一種預處理結果作為雙通道深度并行卷積網絡第一通道的輸入，第二種預處理結果作為雙通道深度并行卷積網絡第二通道的輸入；

(7)給出圖像質量分類結果：將經過預處理的待測試圖像作為雙通道深度并行卷積網絡的輸入，利用訓練好的雙通道深度并行卷積網絡對輸入圖像進行計算，網絡輸出即為待測試圖像的圖像質量類別分類結果。

2.根據權利要求1所述的基于雙通道深度并行卷積網絡的圖像質量分類方法，其特征在于，步驟(3)中所述的搭建雙通道深度并行卷積網絡，包括有如下步驟：

(3a)搭建一個七層的單通道深度卷積網絡：具體結構為：

第一層為包含有卷積處理、池化處理和局部響應歸一化處理的卷積層；第二層為包含有卷積處理、池化處理和局部響應歸一化處理的卷積層；第三層為進行卷積處理的卷積層；第四層為進行卷積處理的卷積層；第五層為全連接層；第六層為全連接層；第七層為全連接層；

(3b)搭建一個七層的單通道深度并行卷積網絡：在另一個七層的單通道深度卷積網絡中加入并行卷積結構,搭建一個七層的單通道深度并行卷積網絡，具體結構為：

第四層為進行并行卷積處理的并行卷積層組，該并行卷積層組的結構為M個并行排列的卷積層，其中的每一個卷積層參數都是相同的，其余層與七層的單通道深度卷積網絡的對應層相同；

(3c)將七層的單通道深度卷積網絡和七層的單通道深度并行卷積網絡進行合并，搭建成為一個雙通道深度并行卷積網絡，具體合并過程如下：

定義雙通道深度并行卷積網絡的第一通道為七層的單通道深度并行卷積網絡的前五層；用于獲取圖像的全局信息；

定義雙通道深度并行卷積網絡的第二通道為七層的單通道深度卷積網絡的前五層；用于獲取圖像的局部信息；

合并通道部分，包含兩個全連接層，第一個全連接層將兩個單通道的第五層的輸出進行合并，合并后的結果作為第一個全連接層的輸入，輸出結果作為第二個全連接層的輸入；第二個全連接層接受第一個全連接層的輸出，第二個全連接層的輸出結果作為雙通道深度并行卷積網絡最終的分類結果。