[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

本發明涉及圖像處理領域，具體涉及一種改進的CNN無參考圖像質量評估方法，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。本發明利用遷移學習和微調的思想，將單一池化方法利用多種池化聯合的方式進行替換，提升了網絡的性能，表現出較高的精確度，可以滿足當前無參考圖像質量評估的實際需要，實驗結果表明，本發明的方法在標準圖像質量評價庫上的評估準確度高于單一的最大池策略。

技術領域

本發明涉及圖像處理領域，具體涉及一種改進的CNN無參考圖像質量評估方法。

背景技術

隨著互聯網技術的快速發展，越來越多的人們想要看到更清晰的圖像，但是受各種因素的影響圖像最終呈現到我們眼前時是不清晰的，因此，為了更好的提高人類主觀視覺體驗，圖像質量評估(Image Quality Assessment,IQA)逐漸成為圖像處理領域的一個熱點。現階段，圖像質量評估方法一般可以分為主觀評估和客觀評估。主觀評估可靠性最高，但在實際應用中，費時費力，原始圖像不僅難以獲取，評估過程中還會受到外界因素的干擾，在這樣一個大數據時代應用起來較為困難；而客觀評估主要是通過機器去評估，避免了很多不必要的人為因素，操作起來較容易，還能降低成本，因此，采用客觀評估的方法更符合現實需求。

在客觀評估中，根據參考圖像的有無又可以分為三種類型：全參考(Full-Reference Image Quality Assessment,FR-IQA)、半參考(Reduced-Reference ImageQuality Assessment,RR-IQA)、無參考(No-Reference Image Quality Assessment,NR-IQA)。無參考圖像質量評估由于不需要借助參考圖像，因此更具有實際應用價值。

基于CNN的方法是目前較為常用的無參考圖像質量評估方法，它可以將失真圖片作為輸入，讓計算機自動提取特征之后進行學習，這樣相比以前手工提取特征的方法方便了很多。但是，也面臨著許多不足，例如，現階段大多數方法只采用最大池化來進行下采樣，很多有價值的圖像信息就會在這時被過濾掉，這就導致最終的評估其實是不準確的。

發明內容

為解決上述問題，本發明提供了一種改進的CNN無參考圖像質量評估方法，。

為實現上述目的，本發明采取的技術方案為：

一種改進的CNN無參考圖像質量評估方法，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。

進一步地，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。

進一步地，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，得到3個14x14x512的特征圖。

進一步地，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)