【技術實現步驟摘要】
本專利技術涉及圖像處理，更具體的說是涉及一種基于生成噪聲估計的無參考圖像質量評價方法。
技術介紹
1、圖像質量評價是圖像處理和計算機視覺領域的基礎問題，廣泛應用于圖像/視頻編碼、超分辨率重建和圖像/視頻視覺質量增強等領域。該任務通過建立一個能夠模擬人類視覺系統感知機制的模型，以數字計算的方式衡量圖像整體質量，實現客觀評價圖像感知質量。
2、無參考圖像質量評價(也稱為盲圖像質量評價)是一種重要的客觀質量評價方法，因為它不需要原始的參考圖像。這種方法具有廣泛的應用前景，特別是在無法獲取原始圖像的情況下，如衛星圖像、監控視頻等。無參考圖像質量評價可以有效地評估圖像的質量，幫助改進圖像處理算法和系統。
3、基于深度學習的無參考圖像質量評價方法被提出，這種方法通過構建深度神經網絡，學習圖像的視覺特征以構建圖像質量評價模型，或直接通過端到端學習失真圖像到圖像質量的函數表達。但是，由于沒有原始參考圖像，評估的準確性可能受到影響。此外，不同圖像內容的變化也給評估帶來了難度。
4、因此，如何提高在復雜場景下的評估準確性，以及探索新的特征提取方法，以更好地反映人眼的視覺感知是本領域技術人員亟需解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種基于生成噪聲估計的無參考圖像質量評價方法，能夠準確的模擬失真圖像退化，并學習圖像失真，提高了評估的準確性。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、一種基于生成噪聲估計的無參考
4、訓練第一神經網絡模型和第二神經網絡模型。
5、將失真圖像輸入至訓練好的第一神經網絡模型后，生成不同級別的噪聲圖像。
6、將所述不同級別的噪聲圖像輸入至訓練好的第二神經網絡模型，生成圖像質量分數。
7、其中，所述第一神經網絡模型的訓練步驟包括：獲取多個失真圖像樣本；將所述失真圖像樣本輸入至編碼器中將失真圖像特征映射至潛在空間中，形成潛在變量；在所述潛在空間中進行采樣，通過解碼器生成不同級別的噪聲圖像；將所述失真圖像輸入至擴散模型進行退化修復，并生成偽參考圖像；將所述偽參考圖和所述噪聲圖像進行疊加，并與所述失真圖像計算損失函數進行參數優化。
8、優選的，所述第一神經網絡模型包括獲取模塊、變分自編碼器和擴散模型，所述變分自編碼器和所述擴散模型分別連接所述獲取模塊，并通過所述獲取模塊獲取所述失真圖像。
9、優選的，所述潛在向量服從正態分布，通過設置不同的標準差參數調整采樣范圍，生成不同等級的噪聲圖像。
10、優選的，將所述偽參考圖和所述噪聲圖像進行疊加，具體為：將不同級別的噪聲圖像根據噪聲級別線性加權后與擴散模型恢復得到的偽參考圖像疊加，得到具有噪聲的退化圖像。
11、優選的，所述第二神經網絡模型包括依次連接的輸入層、特征提取模塊、池化層和全連接層；所述輸入層將不同等級的噪聲圖像進行疊加后輸入至特征提取模塊。
12、優選的，所述特征提取模塊為vision?transformer的特征提取部分；經過特征提取后生成多個塊，經過所述池化層進行平均池化后合成為一個全局特征向量，最后通過所述全連接層將所述全局特征向量映射為單個標量，得到圖像質量分數。
13、優選的，所述第二神經網絡模型的訓練步驟包括：
14、分別計算噪聲圖像和失真圖像的質量分數，計算模型損失并進行參數優化。
15、一種基于生成噪聲估計的無參考圖像質量評價系統，包括模型訓練模塊、圖像質量評價模塊、接口模塊以及存儲模塊；
16、所述接口模塊用于接收訓練數據或待評價的失真數據
17、所述模型訓練模塊用于構建所述第一神經網絡模型和所述第二神經網絡模型，并根據所述訓練數據進行模型訓練；
18、所述圖像質量評價模塊用于根據訓練好的神經網絡模型對待評價的失真數據進行相應的圖像處理，得到所述圖像質量分數；
19、所述存儲模塊用于存儲訓練好的模型參數。
20、一種計算機可讀存儲介質，該存儲介質中存儲有計算機程序，所述計算機被執行時用于上述的圖像質量評價方法。
21、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了一種基于生成噪聲估計的無參考圖像質量評價方法，能夠從失真圖像中學習噪聲分布生成噪聲圖像，用來模擬圖像質量因噪聲劣化，可以更全面的模擬圖像在各種復雜環境的質量下降過程，從而提高了最終的評估準確性。
本文檔來自技高網...【技術保護點】
1.一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述第一神經網絡模型包括獲取模塊、變分自編碼器和擴散模型，所述變分自編碼器和所述擴散模型分別連接所述獲取模塊，并通過所述獲取模塊獲取所述失真圖像。
3.根據權利要求2所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述潛在向量服從正態分布，通過設置不同的標準差參數調整采樣范圍，生成不同等級的噪聲圖像。
4.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，將所述偽參考圖和所述噪聲圖像進行疊加，具體為：將不同級別的噪聲圖像根據噪聲級別線性加權后與擴散模型恢復得到的偽參考圖像疊加，得到具有噪聲的退化圖像。
5.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述第二神經網絡模型包括依次連接的輸入層、特征提取模塊、池化層和全連接層；所述輸入層將不同等級的噪聲圖像進行疊加后輸入至特征提取模塊。
6.
7.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述第二神經網絡模型的訓練步驟包括：
8.一種基于生成噪聲估計的無參考圖像質量評價系統，其特征在于，采用了權利要求1-7任一種所述的圖像質量評價方法，包括模型訓練模塊、圖像質量評價模塊、接口模塊以及存儲模塊；
9.一種計算機可讀存儲介質，其特征在于，該存儲介質中存儲有計算機程序，所述計算機被執行時用于實現權利要求1-7任一種所述的圖像質量評價方法。
...【技術特征摘要】
1.一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述第一神經網絡模型包括獲取模塊、變分自編碼器和擴散模型，所述變分自編碼器和所述擴散模型分別連接所述獲取模塊，并通過所述獲取模塊獲取所述失真圖像。
3.根據權利要求2所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述潛在向量服從正態分布，通過設置不同的標準差參數調整采樣范圍，生成不同等級的噪聲圖像。
4.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，將所述偽參考圖和所述噪聲圖像進行疊加，具體為：將不同級別的噪聲圖像根據噪聲級別線性加權后與擴散模型恢復得到的偽參考圖像疊加，得到具有噪聲的退化圖像。
5.根據權利要求1所述的一種基于生成噪聲估計的無參考圖像質量評價方法，其特征在于，所述第二神經網絡模型包括依次連接的輸入層...
【專利技術屬性】
技術研發人員：魏雪凱，胡沁琳，蘭旭婷，張軍譽，周明亮，廖星冉，羅均，蒲華燕，尚趙偉，房斌，馮永，
申請(專利權)人：重慶大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。