CN116168011B 基于多粒度网络的无参考图像质量评价方法 （西安电子科技大学）

基于多粒度网络的无参考图像质量评价方法基于多粒度网络的无参考图像质量评价方度网络的无参考图像质量评价网络模型S进行迭参考质量评价结果：将测试样本集C作为训练完成的基于多粒度网络的无参考图像质量评价网过分析不同粒度的图像块中包含的丰富局部特2步骤3，对基于多粒度网络的无参考图像质量好的基于多粒度网络的无参考图像质量评价将测试样本集C作为训练完成的基于多粒度网络的无参考图像质量评价网络模型S*的所述全局分支，在res_conv5_1模块中使用步长为2的卷积层进行下采的res_conv5最后一个残差块的输出特征图上进行全局最大池化操作，并使用带有批量归局最大池化操作，再使用带有批量归一化和ReLU激活函数的、卷积核为1x1的卷积层将征图在水平方向上被均匀分割成3个条带；经过每个条带上单独执行的全局最大池化和卷述步骤1中，从公开图像质量评价数据集中任意选取占所有图像数一定比例的图像作为训3t＝S；步骤3.3，首先计算每个训练样本对应的质量预测分数与该训练样本对应的质量分数计算每个训练样本对应的质量预测分数与该训练样本对应的质量分数标签的均方误式(3_1)中，b表示对基于多粒度网络的无参考图像质量评价网络模型S进行迭代训练时从训练样本集B中不放回地随机选取训练样本的个数，qg表示该b个训练样本中第g个训练样本对应的质量分数标签，表示该b个训练样本中第g个训练样本对应的质量预45丰富局部特征而导致的模型预测质量和人类视觉感知[0015]将测试样本集C作为训练完成的基于多粒度网络的无参考图像质量评价网络模型[0016]所述步骤1中，从公开图像质量评价数据集中任意选取占所有图像数一定比例的[0018]步骤2.1，构建多粒度特征提取模块E，采用Resnet_50作为骨干网络，在res_conv4_1(ResNet_50的第4层的第1个块)残差块之后；Resnet_50在残差块之后的部分被复中Resnet_50在res_conv4_1块之后的部分(具体来说为该分支对应的res_conv5最后一个残差块的输出特征图)上进行全局最大池化操作，并使用带有批量归一化和ReLU激活函数6出特征图在水平方向上被均匀分割成3个条带；经过每个条带上单独执行的全局最大池化t＝S；像质量评价网络模型St的输入；多粒度特征提取模块E对每个训练样本进行多粒度特征提[0031]步骤3.3，首先计算每个训练样[0032]计算每个训练样本对应的质量预测分数与该训练样本对应的质量分数标签的均7[0037]式(3_1)中，b表示对基于多粒度网络的无参考图像质量评价网络模型S进行迭代训练时从训练样本集B中不放回地随机选取训练样本的个数，qg表示该b个训练样本中第g个训练样本对应的质量分数标签，qheac表示该b个训练样本中第g个训练样本对应的质[0047]从公开图像质量评价数据集中任意选取占所有图像数80％的图像作为训练样本[0050]步骤2.1，构建多粒度特征提取模块E，采用Resnet_50作为骨干网络，在res_conv4_1(ResNet_50的第4层的第1个块)残差块之后，Resnet_50骨干网络被划分为三个并8核为1×1的卷积层将2048维特征降维到256维特征，即为全局特征这个分支在没有任执行的全局最大池化和卷积，得到3个256维特征，即为粒度为3的局部特征假、假和和拼接为多粒度特征F，使用特殊的全连接层Y对多粒度[0055]所述多粒度特征F，是将通过多粒度特征提取网络提取到得全局特征和多粒度的t＝S；[0062]步骤3.2，从训练样本集B中不放9[0064]步骤3.3，首先计算每个训练样[0070]式(3_1)中，b表示对基于多粒度网络的无参考图像质量评价网络模型S进行迭代训练时从训练样本集B中不放回地随机选取训练样本的个数，qg表示该b个训练样本中第g个训练样本对应的质量分数标签，表示该b个训练样本中第g个训练样本对应的质[0076]将测试样本集C作为训练完成的基于多粒度网络的无参考图像质量评价网络模型[0082]本发明仿真实验所使用的输入图像来源于图像质量评价数据库LIVE、TID2013和CSIQ，其中，CSIQ数据集是E.C.Larson等人在“Mostapparentdistortion:full_referenceimagequalityassessmentandtheroleofstrategy.JournalofD.Ghadiyaram等人在“Massiveonlinecrowdsourcedstudyofsubjectiveandobjectivepicturequality.IEEETransactionsonImageProcessing,25(1):372–imagedatabaseTID2013:Peculiaritiesandpreliminaryresults.InEuropean[0083]本发明仿真实验采用斯皮尔曼秩相关系数SROCC(Spearmanrank_ordercorrelationcoefficient)和皮尔逊线性相关系数PLCC(Pearsonlinearcorrelatio