一种基于深度卷积神经网络的图像质量测试方法
【专利摘要】本发明公开了一种基于深度卷积神经网络的图像质量测试方法，包括以下步骤：首先建立样本集，然后构建深度卷积神经网络模型，再在不同的初始条件下对深度卷积神经网络模型进行训练，将多次训练得到的最优深度卷积神经网络模型并联连接，得到图像质量测试系统，使用得到的图像质量测试系统对测试图片进行测试。本发明通过模拟人类大脑学习的过程进行特征学习，克服了现有的图像质量测试方法中特征选取难的问题，并且降低了预测结果的偶然性，集成性比较高，泛化能力强，测试效果好。
【专利说明】一种基于深度卷积神经网络的图像质量测试方法
【技术领域】
[0001]本发明涉及图像测试领域，特别涉及一种基于深度卷积神经网络的图像质量测试方法。
【背景技术】
[0002]随着电子技术的发展和相机的普及，数字图像已经成为了很重要的传达信息的媒介。人们对图像的感官要求越来越高，这对图像的质量提出了更高的要求，所以对图像的质量测试变得越来越重要。对于图像的质量评价的标准有很多，概括地说，主要有以下几个方面:(1)结构。结构指的是构成一幅图片的所有元素的组合方式。质量好的图像具有比较强的对比度，光线亮暗的对比，形状的对比以及颜色的对比。(2)光线。图像背景的光线直接影响着观察者对图片的感官感受。光线可以使得一幅质量好的图像的主题部分更具立体感，并使得图像的主题区域和背景区域对比明显。(3)颜色。很多人都是通过图像的颜色来感知的。一幅质量好的图像能通过特定的颜色组合来提高观察者的特殊情感。
[0003]图像质量评价由发展起，已经相继提出了很多评价的方法。如专利CN101540048中提到一种基于支持向量机的图像质量评价方法。该方法首先对预处理后的图像样本进行特征值的选择和提取，包括图像的对比度、熵、纹理和模糊度四个特征值，将处理后的样本集分成训练集和测试集两部分；然后利用训练集进行支持向量机的训练，根据系统需要的级别确定支持向量机的个数，对每个支持向量机进行分别训练，训练中，输入样本是图像的特征值，输出时图像质量的级别；训练后得到支持向量机模型，再利用测试集对相关参数进行调整优化，确定支持向量机模型最优分类面的决策函数的参数；最后应用完成训练优化的支持向量机模型对图像样本进行质量评级。
[0004]专利CN102915449A中提出了一种照片分类的方法。该方法包括训练过程和自动分类过程。在训练过程中先采用基于功率谱斜度的方法提取样本照片主题区域，然后提取样本照片的特征，最终利用支持矢量机分类器进行照片美学质量的训练，得到分界面模型；自动分类过程对待识别照片进行先采用基于功率谱斜度的方法提取的主题区域，然后提取的特征，最后使用分界面模型进行识别。
[0005]传统方法需要通过提取图像的一些特征，特征最终决定系统的性能，而好的特征需要很好的先验知识和设计经验，在实际系统开发中很难设计最优的具有区分度的特征。
【发明内容】
[0006]为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于深度卷积神经网络的图像质量测试方法，克服了传统方法需要很强的先验知识来辅助提取有区分度特征的缺点，可以降低偶然性对质量测试结果的影响，泛化性强，可靠性高。
[0007]本发明的目的通过以下技术方案实现:
[0008]一种基于深度卷积神经网络的图像质量测试方法，包括以下步骤:
[0009](I)建立训练样本集:所述训练样本集中的训练图片选自图像质量评价数据库；[0010](2)构建深度卷积神经网络模型:深度卷积神经网络模型包括依次连接的第一卷积层、第一抽取层、第二卷积层、第二抽取层、第三卷积层、第三抽取层和一个全连接层；
[0011](3)训练深度卷积神经网络模型:初始化后，采用随机梯度下降法对步骤(2)构建的深度卷积神经网络模型进行迭代，每迭代一次检测一次梯度，以寻求网络层权重和偏置的最优解，迭代多次后得到本次训练的最优深度卷积神经网络模型；
[0012](4)改变初始化条件，重复步骤(3) η次，得到η个最优深度卷积神经网络模型；1≤ n ≤4 ；
[0013](5)组装深度卷积神经网络模型:将步骤(3)和步骤(4)得到的η+1个最优深度卷积神经网络模型并联连接，得到图像质量测试系统；
[0014](6)利用步骤(5)得到的图像质量测试系统对测试图片进行质量测试。
[0015]所述第一卷积层为Gabor卷积层，用于实现输入图像信号与Gabor滤波器的卷积操作；所述Gabor滤波器定义如下:[0016]
【权利要求】
1.一种基于深度卷积神经网络的图像质量测试方法，其特征在于，包括以下步骤: (1)建立训练样本集:所述训练样本集中的训练图片选自图像质量评价数据库； (2)构建深度卷积神经网络模型:深度卷积神经网络模型包括依次连接的第一卷积层、第一抽取层、第二卷积层、第二抽取层、第三卷积层、第三抽取层和一个全连接层； (3)训练深度卷积神经网络模型:初始化后，采用随机梯度下降法对步骤(2)构建的深度卷积神经网络模型进行迭代，每迭代一次检测一次梯度，以寻求网络层权重和偏置的最优解，迭代多次后得到本次训练的最优深度卷积神经网络模型； (4)改变初始化条件，重复步骤(3)η次，得到η个最优深度卷积神经网络模型；I^ n ^ 4 ； (5)组装深度卷积神经网络模型:将步骤(3)和步骤(4)得到的η+1个最优深度卷积神经网络模型并联连接，得到图像质量测试系统； (6)利用步骤(5)得到的图像质量测试系统对测试图片进行质量测试。
2.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第一卷积层为Gabor卷积层，用于实现输入图像信号与Gabor滤波器的卷积操作；所述Gabor滤波器定义如下:..
3.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第一抽取层采用最大值抽取方法对第一卷积层的输出进行采样，抽取方式为不重叠抽取。
4.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第二卷积层高斯卷积层，用于实现第一抽取层的输出信号与高斯滤波器的卷积操作；所述高斯滤波器的矩阵如下:
5.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第二抽取层采用L2抽取方法对第二卷积层的输出进行采样，抽取单元的大小ζ*ζ取3*3，相邻抽取单元的间隔s取2。
6.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第三卷积层为Sobel卷积层，用于实现第二抽取层的输出信号与Sobel滤波器的卷积操作。
7.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，所述第三抽取层采用最大值抽取方法对第三卷积层的输出进行采样，抽取方式为不重叠抽取。
8.根据权利要求1所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，步骤(1)所述样本集中的图片为经过预处理的图片，所述预处理为:将所有图片都归一化到128*128的大小，并转换为HSV颜色空间。
9.根据权利要求8所述的基于深度卷积神经网络的图像质量测试方法，其特征在于，步骤(6)所述测试图片为经过预处理的图片，所述预处理为:将所有图片都归一化到128*128的大小， 并转换为HSV颜色空间。
【文档编号】G06T7/00GK103544705SQ201310511568
【公开日】2014年1月29日 申请日期:2013年10月25日 优先权日:2013年10月25日
【发明者】郭礼华, 李福娣 申请人:华南理工大学