基于深度学习的无参图像质量评估.pdf

重庆大学硕士学位论文 中文摘要 摘 要 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，接着根据被测图像的质量 级别选择合适的模型来预测图像的质量评分。而区域回归将图像划分成不同的区 域，并给它们赋予不同的权重来计算图像最终的质量评分。除此之外，我们还使 用了一种新的基于每个小块的视觉重要性的小块采样的方式来提高网络训练的效 率。 在第二种方法中，由于CNN 的性能依赖于大量的训练样本，而现存的、广泛 使用的图像数据库不能提供足够的样本给CNN 训练，因此，我们提出了基于块对 比较（Pair-comparing ）的方法 （PC-CNN ）。通过在训练过程中，将参考图像考 虑进去，我们使用失真图像和参考图像的不同组合生成了更多的由块对组成的训 练样本。同时，我们提出了一种新的CNN 网络，它拥有两个输入和两个输出，输 入的是一个块对，而输出的是两个小块的评分。 我们在不同的数据库上进行单数据库的实验以及交叉数据库的实验，并和其 它现存的很多较好的方法相比，实验结果显示我们的两种方法在预测的准确率上 均取得了更好的效果。 关键词：无参图像质量评估；深度学习；卷积神经网络；人类视觉系统；图像处理 I 重庆大学硕士学位论文 英文摘要 Abstract With the continuous development of Internet technology, there are a huge number of multimedia resources, especially images, in the network. Accurate prediction of image quality is particularly important for the efficiency of information dissemination. No-reference image quality assessment (NR-IQA) based on deep learning attracts a great research attention recently. Especially, the introduction of convolutional neural network (CNN) in no-reference image quality assessment (NR-IQA) gains great success in improving its prediction accuracy. However, there exists something which ca