[發明專利]一種改進的CNN無參考圖像質量評估方法

在審

• 申請號: 202110032108.9
• 申請日: 2021-01-11
• 公開（公告）號: CN112734728A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 許成鵬;惠小強;楊艷英;龍艷
• 申請（專利權）人: 西安郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京彭麗芳知識產權代理有限公司 11407
• 代理人: 彭麗芳

1.一種改進的CNN無參考圖像質量評估方法，其特征在于：基于改進的CNN模型實現圖像質量的評估，所述改進的CNN模型由多個卷積、池化、激活和全連接層構成，在最后一個池化層中采用最大、最小、均值三者聯合的方式來進行池化，以此來解決圖像特征信息流失問題。

2.如權利要求1所述的一種改進的CNN無參考圖像質量評估方法，其特征在于：模型的輸入圖像為224x224的彩色圖像，首先經過四個卷積層，每經過兩次卷積之后進行最大池化和激活，然后經過9個卷積層，每經過三次卷積之后依次進行池化和激活操作，接下來，使用兩個全連接層和激活函數進行全連接，最后通過線性回歸得到圖像的質量分數。

3.如權利要求1所述的一種改進的CNN無參考圖像質量評估方法，其特征在于：所述卷積層利用卷積操作提取圖像像素特征，在卷積操作過程中都采用了“0”填充方法，保證能提取角落或邊緣的圖像信息；整個卷積過程分為5塊，第一塊是兩層64個3x3的卷積核進行卷積操作，得到2個224x224x64的特征圖；第二塊是采用兩層128個3x3的卷積核進行卷積操作，得到2個112x112x128的特征圖；第三塊是采用三層256個3x3的卷積核，得到3個56x56x256的特征圖；第四塊是采用三層512個3x3的卷積核，得到3個28x28x512的特征圖，第四塊是采用三層512個3x3的卷積核得3個14x14x512的特征圖。

4.如權利要求1所述的一種改進的CNN無參考圖像質量評估方法，其特征在于：所述池化層的最后一層池化使用最大、最小、均值三者聯合的方式，其他均采用最大池化，具體如下：

P_max＝maxM^k (4)

P_min＝minM^k (5)

P_avg＝avgM^k (6)

其中，M表示特征圖，k表示卷積核數量，P_max、P_min、P_avg分別表示最大池化、最小池化和均值池化。

5.如權利要求1所述的一種改進的CNN無參考圖像質量評估方法，其特征在于：所述輸出層采用兩層全連接層、一個線性回歸層結構，神經元個數分別為4096、512、1個，同時在輸出層使用Rectified Linear Units(ReLU)作為激活函數，以此來加快反向傳播速率和梯度下降速率，利用Dropout方法防止網絡出現過擬合現象，將每層全連接層的輸出按0.5的概率進行設置，最終得到質量得分。