[發明專利]元學習下的無參考圖像質量評價方法、裝置及計算機設備

有效

• 申請號: 202011323518.0
• 申請日: 2020-11-23
• 公開（公告）號: CN112419270B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 王妙輝;黃亦婧
• 申請（專利權）人: 深圳大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 李瑩

本申請涉及一種元學習下的無參考圖像質量評價方法、裝置、計算機設備及存儲介質，其中該方法包括：獲取輸入的訓練圖像集；分別提取所述圖像集中圖像的邊緣特征圖、局部紋理特征圖及視覺敏感度分布示意圖；將所述訓練圖像集、邊緣特征圖、局部紋理特征圖、視覺敏感度分布示意圖、亮度圖及色度圖作為六個質量相關任務的數據集，利用元學習框架學習質量先驗模型；獲取輸入的目標任務圖像集；利用所述目標任務圖像集對所述質量先驗模型進行微調訓練，得到最終的質量評價模型。本發明利用元學習方法通過多個質量相關的任務學到一個魯棒的質量先驗模型，再輸入少量目標質量評價任務的標注樣本進行微調訓練得到最終的質量評價模型，能夠快速地實現泛化。

技術領域

本發明涉及圖像質量評價技術領域，特別是涉及一種元學習下的無參考圖像質量評價方法、裝置、計算機設備及存儲介質。

背景技術

圖像是人們日常生活獲取信息的重要載體，圖像在獲取、壓縮和傳輸等過程中會引入各種不同類型的失真。圖像質量客觀評價方法可以自動地對圖像質量進行評價，同時保持與人眼感知的一致性，在眾多圖像驅動相關系統的設計與優化中有重要的應用價值。

目前，客觀質量評價依據對參考圖像的依賴程度可以分為：全參考圖像質量評價、半參考圖像質量評價和無參考圖像質量評價。全參考圖像質量評價是在能獲取參考圖像全部信息的情況下，根據參考圖像和失真圖像之間的差異來衡量失真圖像的質量。半參考圖像質量評價是在只考慮部分參考圖像信息的情況下來衡量失真圖像的質量。無參考圖像質量評價是在沒有任何參考圖像信息的情況下來衡量失真圖像的質量。雖然根據應用情況不同，這三種客觀評價方法都有其研究的意義和價值，但在大部分實際應用場景中往往無法獲取參考圖像的信息。因此，無參考圖像質量評價具有更高的實際應用價值與研究價值。

具體地，無參考圖像質量評價方法主要可以分為兩類，分別為面向特定失真類型的方法和通用型方法，由于面向特定失真的方法應用范圍比較局限，所以通用型方法的需求更為顯著，且更受關注。同時，通用型方法又可以分為基于自然場景統計的方法，基于人眼視覺模型的方法和基于學習的方法。

在現有技術中，由于實際應用中圖像類型以及失真類型呈現多樣化特性，且各種不同的圖像類型和失真類型之間存在較大差異，使得通用型的圖像質量評價模型構建極具挑戰。圖像質量評價模型的可擴展性是待改善的問題也是目前關注的熱點。由于質量評價數據庫的數據標注成本過高，圖像質量評價是典型的小樣本學習問題。而現有的直接利用深度卷積神經網絡構建的圖像質量評價模型容易出現過擬合問題，導致模型的可擴展性不理想。

發明內容

基于此，有必要針對上述技術問題，提供一種元學習下的無參考圖像質量評價方法、裝置、計算機設備及存儲介質。

一種元學習下的無參考圖像質量評價方法，所述方法包括：

獲取輸入的訓練圖像集；

分別提取所述圖像集中圖像的邊緣特征圖、局部紋理特征圖及視覺敏感度分布示意圖；

將所述訓練圖像集、邊緣特征圖、局部紋理特征圖、視覺敏感度分布示意圖、亮度圖及色度圖作為六個質量相關任務的數據集，利用元學習框架學習質量先驗模型；

獲取輸入的目標任務圖像集；

利用所述目標任務圖像集對所述質量先驗模型進行微調訓練，得到最終的質量評價模型。

在其中一個實施例中，所述分別提取所述圖像集中圖像的邊緣特征圖、局部紋理特征圖及視覺敏感度分布示意圖的步驟包括：

通過采用多角度濾波器提取所述圖像集中圖像的邊緣特征；

根據周圍像素與中心像素的大小關系通過多尺度融合的方式提取所述圖像集中圖像的局部紋理特征；

通過保留圖像中的高頻信息檢測所述圖像集中圖像的視覺敏感度分布。