申请/专利权人：北京理工大学

申请日：2021-09-24

公开（公告）日：2024-06-21

公开（公告）号：CN113920394B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/82;G06F17/16;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.01.28#实质审查的生效;2022.01.11#公开

摘要：本申请公开了一种无参考图像质量评价方法及其系统；其要点在于：包括：图像输入系统、特征提取系统、质量评价网络系统；所述图像输入系统的输出端与所述特征提取系统的输入端连接，所述特征提取系统的输出端与质量评价网络系统的输入端连接。本申请旨在提出一种无参考图像质量评价方法及其系统，注意力机制模块可以有效提取模糊图像的注意力特征，其对于图像的模糊情况具有更好的描述性，解决了自然模糊图像特征复杂难以学习的问题，为成像技术在多领域的应用提供了有效帮助，具有广泛的应用前景。

主权项：1.一种无参考图像质量评价系统，其特征在于，包括：图像输入系统、特征提取系统、质量评价网络系统；所述图像输入系统的输出端与所述特征提取系统的输入端连接，所述特征提取系统的输出端与质量评价网络系统的输入端连接；其中，所述图像输入系统用于选择图片；其中，所述特征提取系统用于求解所述图像输入系统输入的图像的NSS特征矩阵、简单特征矩阵和注意力机制特征、质量评价特征矩阵；其中，所述质量评价网络系统用于求解图片质量估计值；所述特征提取系统包括：卷积神经网络子系统、注意力机制特征增强网络子系统；所述卷积神经网络子系统包括深度卷积神经网络以及浅层卷积神经网络，输入的图像通过深度卷积神经网络提取图像的NSS特征矩阵fnss、通过浅层卷积神经网络提取图像的简单特征矩阵fba以及得分向量所述注意力机制特征增强网络子系统，其通过所述卷积神经网络子系统的得分向量a、简单特征矩阵fba，求解质量评价特征矩阵fq：浅层卷积神经网络的输出包括：简单特征矩阵fba以及图片对应每类物体的得分向量其中L代表特征向量的个数；简单特征矩阵和得分向量作为所述注意力机制特征增强网络子系统的输入，所述注意力机制特征增强网络子系统的输出为注意力特征fsign、质量评价特征矩阵fq：所述注意力机制特征增强网络子系统的求解过程步骤如下：A.计算得分向量的抑制向量 B.计算参数将输入到全连接层神经网络中，求解即作为全连接层神经网络的输入值，输出结果为作为全连接层神经网络的输入值，输出结果为C.计算特征向量差以及计算上述特征向量差中的每个特征差值ei的权重θi： e输入到MLP多层感知机中，MLP神经网络输出结果为θi；D.根据权值θi对fba进行筛选，得到显著性强的特征矩阵f1：fba是由L个特征向量构成的特征矩阵，其中每个特征向量与得分向量中的分值ai、权值θi一一对应；将θi按照大小进行排序，选择前30％权值对应的特征向量予以保留作为显著性强的特征，其余特征向量改为0向量，得到显著性强的特征矩阵f1；E.采用1×1卷积神经网络，调整简单特征矩阵fba，得到特征f2：矩阵fba输入到1×1卷积神经网络，得到矩阵f2，也即，矩阵fba的数据作为1×1卷积神经网络的输入数据，1×1卷积神经网络的输出数据作为矩阵f2；F.计算最终的注意力特征fsign：fsign＝f1·f2G.采用向量融合的方法将简单特征矩阵fba、NSS特征矩阵fnss和注意力特征fsign结合，得到质量评价特征矩阵fq： 其中α指的是注意力机制权重，是一个非负参数。

全文数据：

权利要求：

百度查询： 北京理工大学 一种无参考图像质量评价方法及其系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD