CN114785978B 一种面向视频会议的视频图像质量确定方法 （东莞市毅豪电子科技有限公司）

一种面向视频会议的视频图像质量确定方法本发明提供的一种面向视频会议的视频图师子网络模块从图像内容丰富的数据集中提取入全连接层实现特征提取与质量回归的联合优教师子网络从训练集失真图像中预测的质量分数作为模型复杂度较低的学生子网络模块中训网络对于内容丰富的质量评价数据集先进的泛2根据所述图像质量评价数据集构建训练集和测试集，训练集还包对训练集和测试集中的每张图像依次进行归一化处理和分分块化处理采用大小为112×112的滑窗，并按照先行后列、先对于教师子网络进行监督训练，同一张图像分块化后所得到的对于学生子网络进行监督训练，同一张图像分块化所得到的图像块采3述根据所述图像质量评价数据集构建训练集和测试从自然图像质量评价数据集中选取至少1000张图像内容各异的无参考自然图像组成随机划分80％的无参考自然图像组成训练集，剩余20％的无参考自然图像组成测试述根据所述预处理数据集生成待评价视频帧图像块好的教师子网络所输出的预测质量分数作为学生子网络对应失真图像的质量分数伪标签，4量评价技术旨在设计一种不需要使用参考视频图像的任何信息即可快速和自动地预测视很好地泛化到图像内容非常丰富的视频会议应5[0013]利用训练好的所述学生子网络预测出多个所述待评价视频帧图像块的质量评价结构中卷积层的卷积核大小分别设置为1×1，3×3和1×1；第1全连接层的输入通道数为[0022]从自然图像质量评价数据集中选取至少1000张图像内容各异的无参考自然图像6分训练好的教师子网络所输出的预测质量分数作为学生子网络对应失真图像的质量分数[0038]本发明提供的一种面向视频会议的视频图像质量确[0039]上述说明仅是本发明技术方案的概述，为了能够更清楚[0041]图1为本发明实施例提供的一种面向视频会议的视频图像质量确定方法的流程7频会议的无参考视频图像质量评价方法，利用复杂模型特征提取能力较强但实时性较弱，网络从训练集失真图像中预测的质量分数作为模型复杂度较低的学生子网络模块中训练全连接层；第2至第5卷积计算单元采用瓶颈(Bottleneck)结构,每个瓶颈结构由三个卷积[0050](1b)第1卷积计算单元仅由一层卷积层组成，其输入通道数为64，输出通道数为8[0054](3)基于图像内容丰富的图像质量评价数据集构建训练集和测试集，训练集还包[0055]从自然图像质量评价数据集中选取至少1000张图像内容各异的无参考自然图像化所得到的图像块采用教师子网络对图像块的预测分数作为质量分数伪标签进行监督训[0062](6)利用训练好的学生子网络预测楚每帧图像的若干个图进而对待评价视频的所有图像块的质量评价分数Q求均值，得到的平均值即为待评价视频[0065]本发明的仿真实验的硬件平台为：处理器为Intel(R)Xeon(R)CPUE5-2630v4@[0066]本发明仿真实验所使用的软件平台为：Ubuntu18.04.3LTS操作系统，Python模拟视频会议图像内容复杂多变的自然图像，来源于图像质量评价公开数据库LIVEIn[0067]LIVEC数据库包括1169幅图像内容各不相同的失真图像，其图像格式为bmp或jpg[0069]本发明的仿真实验是采用本发明对来源于图像质量评价公开数据库LIVEC的1169ofsubjectiveandobjectivepicturequality[J].IEEETransactionsonImage9[0072]本发明的仿真实验采用斯皮尔曼秩相关系数SROCC(Spearmanrank-ordercorrelationcofficient)和皮尔森线性相关系数PLCC(Pearsonlinearcorrelation量评价方法和仅有学生子网络的无参考视频图像质量评价方法的视频图像质量评价效果将两种方法对测试集中的N个样本的质量预测方数和测试样本对应的质量标签分数计算[0080]表1.本发明和仅有学生子网络的无参考视频图像质量评价方法的评价结果对比表像质量数据库上评价结果的斯皮尔曼秩相关系数SROCC和皮尔森线性相关系数PLCC均高于仅有学生子网