買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉杭州電子科技大學(xué)申請(qǐng)的專利一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116152183B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202310035756.9，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法是由鄭博侖;沈卓南;張樺;毛鈺;陳泉;顏成鋼設(shè)計(jì)研發(fā)完成，并于2023-01-10向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法在說明書摘要公布了：本發(fā)明公開了一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法。本發(fā)明包括如下步驟：步驟1.失真先驗(yàn)學(xué)習(xí)；步驟2.語義特征提?。徊襟E3.邊緣信息提?。徊襟E4.特征聚合；步驟5.失真掩蔽與質(zhì)量回歸；步驟6.模型訓(xùn)練。本發(fā)明提出了失真先驗(yàn)學(xué)習(xí)方法，在圖像語義特征的基礎(chǔ)之上引入頻域的先驗(yàn)信息來輔助預(yù)測(cè)質(zhì)量分?jǐn)?shù)。本發(fā)明的方法在四個(gè)公開IQA數(shù)據(jù)集進(jìn)行了廣泛的實(shí)驗(yàn)。結(jié)果表明，所提出的模型在泛化能力和評(píng)估準(zhǔn)確性方面明顯優(yōu)于目前最先進(jìn)的NR?IQA方法。結(jié)果表明，所提出的模型在泛化能力和評(píng)估準(zhǔn)確性方面明顯優(yōu)于目前最先進(jìn)的NR?IQA方法。

本發(fā)明授權(quán)一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法在權(quán)利要求書中公布了：1.一種基于失真先驗(yàn)學(xué)習(xí)的無參考圖像質(zhì)量評(píng)價(jià)方法，其特征在于包括如下步驟： 步驟1.失真先驗(yàn)學(xué)習(xí)； 步驟2.語義特征提??； 步驟3.邊緣信息提?。?步驟4.特征聚合； 步驟5.失真掩蔽與質(zhì)量回歸； 步驟6.模型訓(xùn)練； 步驟1所述的失真先驗(yàn)學(xué)習(xí)，具體方法如下： 利用可學(xué)習(xí)帶通濾波器作為失真先驗(yàn)學(xué)習(xí)模塊，假設(shè)失真圖像Idis是由一張干凈圖像Iclear加上失真特征組成的，則用公式表達(dá)為： Idis＝Iclear+NDis1.1 其中，NDis表征了失真特征； 將NDis轉(zhuǎn)譯到DCT域中處理，因此像素域的失真NP和特征域的失真Nf可以分別被表示為： 其中表示IDCT操作，C表示卷積操作；受到隱式DCT域的啟發(fā)，使用一個(gè)深層CNN塊估計(jì)NDis；其中和C都是線性操作，因此Nf與NDis線性相關(guān)，所以要獲得特征域的失真Nf可以先估計(jì)失真特征NDis，然后再利用一個(gè)卷積對(duì)和C進(jìn)行線性操作； 使用一個(gè)可學(xué)習(xí)帶通濾波器從DCT域?qū)W習(xí)一些先驗(yàn)，公式如下： 其中，θ表示DCT域的可學(xué)習(xí)參數(shù)； 所述的失真先驗(yàn)學(xué)習(xí)模塊包括三個(gè)3*3殘差連接的膨脹卷積層、一個(gè)1*1的卷積層和一個(gè)隱式DCT域單元IDU；其中殘差連接的膨脹卷積層用于提取高維特征，并擴(kuò)大過程的感受野；1*1的卷積層作為特征融合層，融合密集連接產(chǎn)生的卷積特征，減少通道數(shù)；然后失真先驗(yàn)學(xué)習(xí)模塊嘗試從失真圖像Idis的DCT域?qū)W習(xí)先驗(yàn)，隱式DCT域單元IDU進(jìn)行最終的變換；設(shè)IDU的大小是p*p的，則對(duì)應(yīng)DCT域光譜有p2個(gè)頻率，因此θ的大小是p2；θ初始化為1且為非負(fù)值； 步驟2所述的語義特征提取，具體方法如下： 利用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)作為語義特征提取模塊，提取失真圖像Idis的語義特征信息； 所述的預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)是利用ResNet50網(wǎng)絡(luò)在ImageNet21k數(shù)據(jù)集上預(yù)先訓(xùn)練得到的圖像分類模型構(gòu)建成的網(wǎng)絡(luò)，能夠提取到圖像中對(duì)于內(nèi)容的多尺度語義特征；具體如下： 其中，令表示來自i塊的ResNet50網(wǎng)絡(luò)，其中i∈{1,2,3,4}，b表示批量大小，ci,mi,ni分別表示通道大小、寬度和高度；使用每個(gè)stage的最后一層從輸入圖像中提取多尺度語義特征； 步驟3所述的邊緣信息提取，具體方法如下： 受ACNet的啟發(fā)，提取邊緣信息的ARM模塊由兩個(gè)非對(duì)稱殘差塊組成；每一個(gè)非對(duì)稱殘差塊中的3*3的卷積由三個(gè)并行的3*3、3*1和1*3的卷積代替，然后接一個(gè)BN層和PReLU； 步驟4所述的特征聚合，具體方法如下： 使用類似UNet結(jié)構(gòu)的Encoder-Decoder生成模塊將輸入的失真先驗(yàn)信息、語義特征信息和圖像邊緣信息融合來生成豐富的特征圖； Encoder由一個(gè)ConcatConv來融合輸入的失真先驗(yàn)信息、語義特征信息和圖像邊緣信息，然后經(jīng)過一個(gè)LeakyReLU組成一個(gè)下采樣的模塊；Decoder由一個(gè)ConcatConv和ReLU組成一個(gè)上采樣的模塊； 步驟5所述的失真掩蔽與質(zhì)量回歸，具體方法如下： 在被掩蔽的失真圖像中使用全局平均池化以表示感知扭曲的程度；并將特征圖輸入到質(zhì)量回歸模塊中預(yù)測(cè)最后的質(zhì)量分?jǐn)?shù)； 步驟6所述的模型訓(xùn)練方法如下： 使用Adam優(yōu)化器對(duì)整體模型進(jìn)行訓(xùn)練，其中權(quán)重衰減為0，初始學(xué)習(xí)率為2*10-5，之后每10個(gè)epoch增強(qiáng)10％；采用預(yù)訓(xùn)練的ResNet50網(wǎng)絡(luò)對(duì)模型進(jìn)行權(quán)重初始化，訓(xùn)練中使用L1損失函數(shù)。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號(hào)大街；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。