基于深度学习的无参图像质量评估

发布时间：2021-11-19 20:47

　　随着互联网技术的不断发展,网络中存在着大量以图像为主体的多媒体资源。对图像的质量进行准确地预测对于信息传播的效率尤为重要。基于深度学习的无参图像质量评估（No-reference Image Quality Assessment,NR-IQA）最近吸引了研究者们较多的关注,特别是卷积神经网络（Convolutional Neural Network,CNN）在NR-IQA上的应用使得预测的准确率取得了很大的提升,但其中依然存在一些可以改进的地方。本文提出了两种基于CNN的NR-IQA方法。对于这些方法的研究一方面可以推动图像质量评估领域的发展,另一方面,可以让我们更好地掌握CNN在计算机视觉领域的应用,并不断地改善网络。本文首先介绍了该研究的背景及研究意义,接着从机器学习与深度学习、图像处理和图像质量评估三方面作理论基础的简介。后面则提出了两种新的基于深度学习的无参图像质量评估的方法。在第一种方法中,我们提出了基于质量区分和区域加权的方法（QDRW-CNN）。通过所提出的两个机制:质量区分算法和区域回归,预测的准确率得到了提高。质量区分算法使用数据库的不同子集训练出多个模型,接着根据被... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

神经元示意图

重庆大学硕士学位论文2相关理论基础7图2.1神经元示意图。Fig2.1Theexamplepictureofneure.其基本形式为：a=g(z)=g(wx+b)=g(11+22+++b)，这里的1，2等表示输入向量，1，2等表示权重，b表示该神经节点的偏置，g为激活函数，a为该节点的最终输出。卷积神经网络是神经网络中的一种，其核心概念为卷积，以图像上的操作为例，卷积核（一个矩阵）会在一张图像上按照固定的步长进行遍历，每次会与图像上对应位置同等大小的区域像素作内积，得到的值则替换掉图像上该区域的中心像素值。卷积操作的示意图如图2.2所示。图2.2卷积操作示意图。Fig2.2Theexamplepictureofconvolutionaloperation.

重庆大学硕士学位论文2相关理论基础8对于一张大小为m×m的图像，使用M个大小为k×k的卷积核，假设步长为s，经过卷积后，就会得到M个大小为+1的特征映射。具体的一个卷积层示例如图2.3所示。图2.3卷积层示意图。Fig2.3Theexamplepictureofconvlayer.在卷积神经网络中，除了卷积层，还有一种比较重要的组成部分为池化层。池化的过程就是取某个区域的最大值或平均值，如图2.4所示。图2.4池化操作示意图。Fig2.4Theexampleofpoolingoperation.CNN结构通常由许多的卷积层、池化层、全连接层和激活函数组成。激活函数简单来说，就是将该函数应用到某个层输出的所有像素上。目前比较常见且应用较为广泛的CNN包括孪生神经网络[33]（SiameseNetwork,Siamese）、残差网络[34]（ResidualNetwork,ResNet）和RCNN系列等等。下面对


本文编号：3505838