申请/专利权人：西安邮电大学

申请日：2022-06-16

公开（公告）日：2022-09-20

公开（公告）号：CN115082756A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/82;G06F16/55;G06N3/04;G06N3/08;G06V10/26;G06V10/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.10.11#实质审查的生效;2022.09.20#公开

摘要：一种基于视觉显著性和梯度特征的无参考图像质量评价方法，由选择数据集、图像预处理、构建图像质量评价模型、训练图像质量评价模型、测试图像质量评价模型组成。采用Sobel算子对图像进行梯度特征提取，将提取的梯度图像块和失真图像块作为图像质量评价模型的输入，获得图像块的图像质量分数；采用显著性检测方法提取显著性图，根据显著性图为每个图像块分配权重；将图像块质量分数与权重分数进行加权求和作为图像的整体评价分数。经仿真对比实验证明表明，本发明方法对不同数据集都有较好的质量预测结果，与人的主观评分相符，适用于不同的失真类型。

主权项：1.一种基于视觉显著性和梯度特征的无参考图像质量评价方法，其特征在于由下述步骤组成：1选择数据集将图像质量评价数据库中的失真图像分为训练集、验证集、测试集，训练集图像与验证集图像、测试集图像的数量占比为8：1：1；2图像预处理采用Sobel算子对失真图像进行梯度特征的提取工作，Sobel算子用附近八个像素估计中心像素的梯度，按下式确定梯度图像Gx： 其中，*为卷积运算，Dx为失真图像；对失真图像采用频率调谐的显著性区域检测方法提取显著性图，进行高斯滤波，由RGB颜色空间转换为LAB颜色空间；对转换后的图像的L、A、B三个通道的图像分别取均值；按下式确定每个像素的显著值Sx，y：Sx，y＝||Iμ-Iωx，y||其中，Iμ为该图像的平均特征向量，Iωx，y是失真图像进行高斯滤波后对应的图像像素向量值；图像中每个像素的显著值Sx，y除以最大的显著值，得到最终的显著性图；将每张失真图像、梯度图、显著性图裁剪成32×32像素大小的图像块，作为输入样本；3构建图像质量评价模型图像质量评价模型包括梯度特征提取器1、质量回归模块2、权重机制模块3、空间域特征提取器4，梯度特征提取器1与空间域特征提取器4并联，与质量回归模块2串联后与权重机制模块3并联构成；4训练图像质量评价模型用基于梯度的自适应矩估计优化器梯度的一阶矩估计方法和二阶矩估计方法自适应调整每个参数学习率，设置学习率为0.0001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999；用下式定损失函数L1： 其中，x表示为图像数量，Hx为第x张图像的主观评分，Sx为第x张图像的预测质量分数；训练集中的梯度图通过图像质量评价模型的梯度特征提取器1生成特征向量Γ：Γ＝γ1,γ2,L,γk其中γk是8×8的矩阵，k∈{1,2,…,64}；失真图像块通过空间域特征提取器4生成3个或4个特征向量；将特征向量Γ与空间域特征提取器4生成3个或4个特征向量转换为单列矩阵，并依次竖向串联构建成竖向特征向量Ν；将竖向特征向量Ν作为质量回归模块2的输入得到第i个图像块的质量分数Si，i为失真图像块数量；将失真图像分割为32×32的图像块，根据显著性图像灰度值的变化将显著性图分为突出区域、一般区域、非突出区域，并设置3个不同的阈值，像素值在[0,74]之间为非突出区域，像素值在[75,174]之间为正常区域，像素值在[175,255]之间为突出区域，为不同区域设置不同的权重，3个不同区域的权重分别为{0.8，1，1.2}，得到权重图Wx；按下式确定每个图像块的权重wi： 其中Nd是图像块中的像素数量，n是一个失真图像的图像块数量，n取值为2α；按下式确定失真图像的图像分数S： 将图像质量评价模型训练至损失函数收敛，在每个周期内，将验证集输入到训练后的图像质量评价模型中；选择验证集中损失最小的模型作为最终模型；5测试图像质量评价模型将测试集的图像输入到训练好的图像质量评价模型中，得到最终的图像质量分数。

全文数据：

权利要求：

百度查询： 西安邮电大学 基于视觉显著性和梯度特征的无参考图像质量评价方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD