CN116128807B 基于多尺度特征融合的无参考图像质量评价方法 （福州大学）

基于多尺度特征融合的无参考图像质量评本发明涉及基于多尺度特征融合的无参考真图像数据集中的数据进行数据预处理；步骤网络训练基于多尺度特征融合的无参考图像质练好的基于多尺度特征融合的无参考图像质量2步骤S4：设计基于多尺度特征融合的无参考图络训练基于多尺度特征融合的无参考图像质量评步骤S5：将待测图像输入到训练好的基于多尺度特征融所述步骤S4中，设计基于多尺度特征融合的无参考图像质量评分预步骤S42：将经过步骤S1的训练集中的某个批次的图像Fg的计算公式为：步骤S46：以批次为单位重复上述步骤S42至步骤S45，直2.根据权利要求1所述的基于多尺度特征融合的无参考图像质量评价方法，其特征在33.根据权利要求1所述的基于多尺度特征融合的无参考图像质量评价方法，其特征在xxxx和wx为特征图的高度和宽度，x首先会经过1×1的卷cx降为再用k×k的卷积将hx和wx降为和之后用1×1的卷积将通道数升为其中Pe_x和Se_x的维度都为Pe_x和Se_x采用随机初始化，操作D的计算公式步骤S22：构建自编码器SEncoder，SEncoder由N个Transformer层构成，在第i个归一化，记为LN1，之后输入多头自注意力，多头自注意力的输出再与zi-1相加获得q多头交叉注意力的输出再与F相加获得CEncoder中间输出特征接着对进行层归一化，q记为LN5，之后输入两层全连接层中，记为MLP2，两层全连接层的输出再与相加获得4=W4c_i算公式为：i步骤S25：从步骤S24能够得到Fc_1，Fc__2，Fc__3，Fc__4；首先将Fc_1和Fc__2一同输入到CEncoder，记为CEncoder1，中得到Fc1_d1，再将Fc1_d1和Fc_3一同输入到CEncoder，记为CEncoder2，中得到Fc1_d2，之后Fc1_d2和Fc_4一同输入到CEncoder，记为CEncoder3，中得到s的计算公式为：4.根据权利要求1所述的基于多尺度特征融合的无参考图像质量评价方法，其特征在55.根据权利要求1所述的基于多尺度特征融合的无参考图像质量评价方法，其特征在步骤S51：将测试集中的图像输入到训练好的基于多尺度特征融合的无参考图像质量6化高级图像/视频处理算法提供了一种可行7[0015]步骤S13：将训练集和测试集中的图像长边缩放到H或W，图像的短边则按比例缩道数cx降为再用k×k的卷积将hx和wx降为和之后用1×1的卷积将通道数其中Pe_x和Se_x的维度都为Pe_x和Se_x采用随机初始化，操归一化，记为LN1，之后输入多头自注意力，多头自注意力的输出再与zi-1相加获得8q力，多头交叉注意力的输出再与F相加获得CEncoder中间输出特征接着对进行层归一q2Ci-1=H44c_iCEncoder，记为CEncoder1，中得到Fc1_d1，再将Fc1_d1和Fc_3一同输入到CEncoder，记为CEncoder2，中得到Fc1_d2，之后Fc1_d2和Fc_4一同输入到CEncoder，记为CEncoder3，中得到s的计算公式为：9spatial的计算公式为：征Fin乘以权重wchannel再加上Fin，得到通道注意力模块的最终输出Fchannel，维度为c×l；Fg的计算公式为：)gg基于多尺度特征融合的无参考图像质量评价网络[0066]步骤S51：将测试集中的图像输入到训练好的基于多尺度特征融合的无参考图像[0075]本发明提供一种基于多尺度特征融合的无参考图像质量评x道数cx降为再用k×k的卷积将hx和wx降为和之后用1×1的卷积将通道数其中Pe_x和Se_x的维度都为Pe_x和Se_x采用随机初始化，操归一化(记为LN1)，之后输入多头自注意力，多头自注意力的输出再与zi-1相加获得Transformer层中间输出特征接着对进行层归一化(记为LN2)，之后输入两层全连接q意力，多头交叉注意力的输出再与F相加获得CEncoder中间输出特征接着对进行层归q一化(记为LN5)，之后输入两层全连接层中(记为MLP2)，两层全=H44CEncoder(记为CEncoder1)中得到Fc1_d1，再将Fc1_d1和Fc_3一同输入到CEncoder(记为CEncoder2)中得到Fc1_d2，之后Fc1_d2和Fc_4一同输入到CEncoder(记为CEncoder3)中得到Fc1_d3c_2和Fc_3一同输入到CEncoder(记为s的计算公式为：spatial的计算公式为：征Fin乘以权重wchannel再加上Fin，得到通道注意力模块的最终输出Fchannel，维度为c×l。)gg基于多尺度特征融