[發(fā)明專利]一種去霧圖像的質(zhì)量評(píng)價(jià)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202111314610.5
• 申請(qǐng)日: 2021-11-08
• 公開（公告）號(hào): CN114155198A
• 公開（公告）日: 2022-03-08
• 發(fā)明（設(shè)計(jì)）人: 曾恬恬;田時(shí)舜;鄒文斌;李霞
• 申請(qǐng)（專利權(quán)）人: 深圳大學(xué);慧視創(chuàng)新（河源）有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/08;G06K9/62;G06V10/80;G06V10/774
• 代理公司: 深圳尚業(yè)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44503
• 代理人: 王利彬

1.一種去霧圖像的質(zhì)量評(píng)價(jià)方法，其特征在于，包括：

獲取待訓(xùn)練的去霧樣本圖像，從所述去霧樣本圖像中提取多個(gè)霧度相關(guān)特征；

利用預(yù)設(shè)去霧圖像初始評(píng)價(jià)模型中的多個(gè)特征提取塊分別對(duì)所述多個(gè)霧度相關(guān)特征進(jìn)行特征提取，并將提取的特征進(jìn)行特征融合；

利用注意力模型對(duì)融合后的特征進(jìn)行深度聚合得到聚合結(jié)果，通過基本塊和全連接層對(duì)所述聚合結(jié)果進(jìn)行處理輸出所述去霧樣本圖像的評(píng)價(jià)結(jié)果；

利用預(yù)設(shè)的排序損失函數(shù)對(duì)所述評(píng)價(jià)結(jié)果進(jìn)行反向訓(xùn)練直至所述預(yù)設(shè)去霧圖像初始評(píng)價(jià)模型收斂，得到去霧圖像的質(zhì)量評(píng)價(jià)模型；

獲取待評(píng)價(jià)的去霧圖像，將所述去霧圖像輸入至所述去霧圖像的質(zhì)量評(píng)價(jià)模型，得到所述去霧圖像的質(zhì)量評(píng)價(jià)分?jǐn)?shù)。

2.根據(jù)權(quán)利要求1所述的質(zhì)量評(píng)價(jià)方法，其特征在于，多個(gè)特征提取塊包括基本塊和擴(kuò)張塊，所述利用預(yù)設(shè)去霧圖像初始評(píng)價(jià)模型中的多個(gè)基本塊和擴(kuò)張塊，分別對(duì)所述多個(gè)霧度相關(guān)特征進(jìn)行特征提取，并將提取的特征進(jìn)行特征融合，包括：

利用所述基本塊和所述擴(kuò)張塊提取每個(gè)霧度相關(guān)特征并分別輸出不同的尺度特征；

將所述擴(kuò)張塊輸出的不同尺度特征進(jìn)行融合。

3.根據(jù)權(quán)利要求2所述的質(zhì)量評(píng)價(jià)方法，其特征在于，所述基本塊包括第一基本塊和第二基本塊，所述擴(kuò)張塊包括第一擴(kuò)張塊、第二擴(kuò)張塊和第三擴(kuò)張塊，所述利用所述基本塊和所述擴(kuò)張塊提取每個(gè)霧度相關(guān)特征并分別輸出不同的尺度特征，包括：

利用所述第一基本塊對(duì)每個(gè)霧度相關(guān)特征進(jìn)行特征提取得到第一霧度特征，利用第二基本塊對(duì)所述第一霧度特征進(jìn)行特征提取得到第二霧度特征；

利用設(shè)置有第一擴(kuò)張率參數(shù)的第一擴(kuò)張塊對(duì)所述第二霧度特征進(jìn)行特征提取得到每個(gè)霧度相關(guān)特征的第一尺度特征；利用設(shè)置有第二擴(kuò)張率參數(shù)的第二擴(kuò)張塊對(duì)所述第一尺度特征進(jìn)行特征提取得到每個(gè)霧度相關(guān)特征的第二尺度特征，利用設(shè)置有第三擴(kuò)張率參數(shù)的第三擴(kuò)張塊對(duì)所述第二尺度特征進(jìn)行特征提取得到每個(gè)霧度相關(guān)特征的第三尺度特征；

所述將所述擴(kuò)張塊輸出的不同尺度特征進(jìn)行融合，包括：

將每個(gè)所述第一尺度特征進(jìn)行特征拼接得到第一拼接特征，將所述第一拼接特征與每個(gè)所述第二尺度特征進(jìn)行拼接得到第二拼接特征，將所述第二拼接特征與每個(gè)所述第三尺度特征進(jìn)行拼接得到第三拼接特征。

4.根據(jù)權(quán)利要求1所述的質(zhì)量評(píng)價(jià)方法，其特征在于，所述利用注意力模型對(duì)融合后的特征進(jìn)行深度聚合得到聚合結(jié)果，包括：

利用通道注意力模塊對(duì)融合后的特征進(jìn)行聚合得到第一聚合特征；

利用對(duì)比度注意力模塊對(duì)融合后的特征進(jìn)行聚合得到第二聚合特征；

將所述第一聚合特征和所述第二聚合特征進(jìn)行元素相乘得到聚合結(jié)果。

5.根據(jù)權(quán)利要求1至4任意一項(xiàng)所述的質(zhì)量評(píng)價(jià)方法，其特征在于，排序損失函數(shù)L為：

L＝L_rank+L₁，

其中，D＝-[Q_pre(x_i)-Q_pre(x_j)][Q_gt(x_i)-Q_gt(x_j)]，N是批訓(xùn)練樣本數(shù)量；Q_pre(x)和Q_gt(x)分別表示輸入圖像的預(yù)測(cè)質(zhì)量分?jǐn)?shù)和真實(shí)參考質(zhì)量分?jǐn)?shù)，x_i和x_j是批訓(xùn)練圖像中的索引，范圍分別為[1，N-1]和[2，N]，D表示預(yù)測(cè)與真實(shí)質(zhì)量差值之間的距離。