一种基于深度学习的无参考图像质量客观评价方法与流程

技术特征：
1.一种基于深度学习的无参考图像质量客观评价方法，其特征在于包括以下步骤：①令Idis表示待评价的失真图像，将Idis的亮度分量图像记为Ilight；②采用m个尺度的多分辨率金字塔对Ilight进行分解，得到Ilight的m幅第一子带图像，将Ilight的第i幅第一子带图像记为Ilight,i；然后采用n个尺度的高斯差分对Ilight的每幅第一子带图像进行再次分解，得到Ilight的每幅第一子带图像的n幅第二子带图像，将Ilight,i的第j幅第二子带图像记为Ilight,i,j；其中，m≥1，i的初始值为1，1≤i≤m，n≥1，j的初始值为1，1≤j≤n；③对Ilight对应的m×n幅第二子带图像分别进行局部归一化处理，得到Ilight对应的每幅第二子带图像的归一化图像，将Ilight,i,j的归一化图像记为④统计Ilight对应的每幅第二子带图像的归一化图像的灰度直方图，将的灰度直方图记为{Xlight,i,j(k)1≤k≤256}，其中，Xlight,i,j(k)表示中像素值属于第k个像素值区间的像素点的总个数，对应的256个像素值区间的获取过程为：将中像素值的最小值和最大值对应记为pixmin和pixmax，然后将区间[pixmin,pixmax]等间隔划分为256个子区间，再将区间[pixmin,pixmax]中的第k个子区间作为对应的第k个像素值区间；⑤估计Ilight对应的每幅第二子带图像的归一化图像的灰度直方图的包络曲线的四个分布参数，将{Xlight,i,j(k)|1≤k≤256}的包络曲线的四个分布参数依次记为其中，⑥将Ilight对应的共4×m×n个分布参数按序排列构成的集合作为Ilight的自然统计特征集，记为F，其中，表示Ilight的第1幅第一子带图像的第1幅第二子带图像的归一化图像的灰度直方图的包络曲线的四个分布参数，表示Ilight的第1幅第一子带图像的第n幅第二子带图像的归一化图像的灰度直方图的包络曲线的四个分布参数，表示Ilight的第2幅第一子带图像的第1幅第二子带图像的归一化图像的灰度直方图的包络曲线的四个分布参数，表示Ilight的第m幅第一子带图像的第n幅第二子带图像的归一化图像的灰度直方图的包络曲线的四个分布参数；⑦采用d幅原始的无失真图像，建立其在不同失真类型不同失真程度下的失真图像集合，将该失真图像集合作为训练集，训练集包括多幅失真图像；然后利用主观质量评价方法评价出训练集中的每幅失真图像的平均主观意见分，将训练集中的第t幅失真图像的平均主观意见分记为MOSt；再按照步骤①至步骤⑥的过程，以相同的方式获取训练集中的每幅失真图像的亮度分量图像的自然统计特征集，将训练集中的第t幅失真图像的亮度分量图像的自然统计特征集记为Ft；其中，d≥1，1≤t≤T，T表示训练集中包含的失真图像的总幅数，MOSt∈[0,5]；⑧采用深度学习中的堆栈自编码器算法对训练集中的所有失真图像各自对应的自然统计特征集和平均主观意见分进行训练，使得经过训练得到的预测质量值与对应的平均主观意见分之间的误差最小，训练得到基于深度学习的回归模型；其中，堆栈自编码器由一个输入层、三个稀疏自编码层和一个线性回归层构成，输入层输入的是训练集中的每幅失真图像的亮度分量图像的自然统计特征集，输入层有4×m×n个节点，三个稀疏自编码层对输入的自然统计特征集进行深度表达，三个稀疏自编码层依次有200个节点、100个节点、100个节点，线性回归层输出的是训练集中的每幅失真图像的预测质量值，线性回归层只有一个节点；⑨将基于深度学习的回归模型中的一个输入层和三个稀疏自编码层构成深度表达模型；然后利用深度表达模型对F进行深度表达，得到Ilight的深度特征集，记为Fd，Fd＝MODSAE(F)，并利用深度表达模型对训练集中的每幅失真图像的亮度分量图像的自然统计特征集进行深度表达，得到训练集中的每幅失真图像的亮度分量图像的深度特征集，将训练集中的第t幅失真图像的亮度分量图像的深度特征集记为其中，MODSAE()为深度表达模型的函数表示形式；⑩采用支持向量回归算法，对训练集中的所有失真图像各自对应的深度特征集和平均主观意见分进行训练，使得经过训练得到的回归函数值与对应的平均主观意见分之间的误差最小，训练得到支持向量回归模型；然后利用支持向量回归模型对Fd进行测试，预测得到Idis的客观质量评价预测值，记为Qdis，Qdis＝MODSVR(Fd)，其中，MODSVR()为支持向量回归模型的函数表示形式。2.根据权利要求1所述的一种基于深度学习的无参考图像质量客观评价方法，其特征在于所述的步骤②中的其中，符号为卷积符号，Gj()表示第j个高斯函数，Gj+1()表示第j+1个高斯函数，Gj(σj)表示Gj()的尺度系数为σj时的高斯卷积核，Gj+1(σj+1)表示Gj+1()的尺度系数为σj+1时的高斯卷积核，假设Gj(σj)和Gj+1(σj+1)的大小均为c×c，则将Gj(σj)中位置为(x,y)处的值记为Gj(x,y；σj)，将Gj+1(σj+1)中位置为(x,y)处的值记为Gj+1(x,y；σj+1)，exp()表示以自然基数e为底的指数函数，1≤x≤c,1≤y≤c，c＝7，σj＝1.6j-2，σj+1＝1.6j+1-2。3.根据权利要求1或2所述的一种基于深度学习的无参考图像质量客观评价方法，其特征在于所述的步骤③中采用尺寸大小为(P-(-P)+1)×(Q-(-Q)+1)的滑动窗口对Ilight对应的每幅第二子带图像进行局部归一化处理；将中坐标位置为(u,v)的像素点的像素值记为其中，P∈[1,5],Q∈[1,5]且P＝Q，1≤u≤W,1≤v≤H，W和H对应表示Ilight,i,j的宽度和高度，Ilight,i,j(u,v)表示Ilight,i,j中坐标位置为(u,v)的像素点的像素值，Ilight,i,j(u+p,v+q)表示Ilight,i,j中坐标位置为(u+p,v+q)的像素点的像素值，-P≤p≤P，-Q≤q≤Q。4.根据权利要求3所述的一种基于深度学习的无参考图像质量客观评价方法，其特征在于所述的步骤⑤中的分布参数的估计采用L矩估计方法。