CN109978840A

CN109978840A - 一种基于卷积神经网络的含纹理图像质量的判别方法

Info

Publication number: CN109978840A
Application number: CN201910178618.XA
Authority: CN
Inventors: 贾鹏; 黄毅; 蔡冬梅
Original assignee: Taiyuan University of Technology
Current assignee: Taiyuan University of Technology
Priority date: 2019-03-11
Filing date: 2019-03-11
Publication date: 2019-07-05

Abstract

本发明涉及图像处理领域，特别涉及通过机器评判图像质量领域。一种基于卷积神经网络的含纹理图像质量的判别方法，按照如下步骤进行：构建深度卷积神经网络并使用大量图像对其进行预训练；挑选待评价的原始退化纹理图像分别截取其中具有自相似特点的一小块纹理相似的区域，然后将像素值归一化到0‑1;送入经过预训练的深度卷积神经网络，提取深度卷积神经网络中适当层的输出输出作为图像特征；计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离，得到图像质量的评分。

Description

一种基于卷积神经网络的含纹理图像质量的判别方法

技术领域

本发明涉及图像处理领域，特别涉及通过机器评判图像质量领域。

背景技术

光学系统在成像时受许多不可控因素影响，包括：由重力和热变化产生的像差，由大气湍流引起的波前误差和抖动带来的图像模糊。一般来说我们获得的图片有不同程度上的退化，这就需要评价图像质量的好坏。人工观察具有不可靠性，通过机器评判图像质量能够弥补了人工观察的不可靠性。

发明内容

本发明所要解决的技术问题是：如何对我们获得的图片进行图像质量评估，以剔除不满足质量的图像。

本发明所采用的技术方案是：一种基于卷积神经网络的含纹理图像质量的判别方法，按照如下步骤进行：

步骤一：构建深度卷积神经网络并使用大量图像对其进行预训练，其中深度卷积神经网络可以根据需求选取，例如Vgg-Net等;

步骤二：挑选待评价的原始退化纹理图像（特定光学仪器拍摄到的自然图像，即待评判图像）和与之具有相同纹理的高分辨图像（使用同一仪器在良好外界环境/在自适应光学或其他辅助手段下获取的图像，即标准图像），分别截取其中具有自相似特点的一小块纹理相似的区域，大小不限，分别记作图像A和图像B，并对图像A和图像B做预处理去均值，然后将像素值归一化到0-1;

步骤三：将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络，提取深度卷积神经网络中适当层的输出输出作为图像特征；

步骤四：用提取的图像特征构建出gram矩阵，gram矩阵中的元素为 Gij= (vi,vj)，其中vi,vj分别为提取的图像特征。然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|)，得到图像质量的评分（即待评判图像A相对于标准图像B的评分）。

作为一种优选方式：步骤二中所述具有相同纹理的高分辨图像是指在良好环境下或使用自适应光学成像技术去除大气湍流及抖动影响后的图像中具有纹理的部分。

作为一种优选方式：步骤二中纹理图像指的是具有重复性结构的自然图像如沙漠、树林、海洋，细胞，天文图像等。

本发明的有益效果是：本发明根据自然图像纹理相似性，结合深度卷积神经网络的纹理特征提取能力，根据提取出的纹理特征作为图像质量评价指标。

具体实施方式

本实施例我们将在下面通过构建一种基于卷积神经网络的含纹理图像质量的判别方法进行详细的说明。本实施例包含如下的步骤：

实验数据：实验选用的太阳望远镜拍摄的高分辨率图片数据作为原始数据（标准图像），图片大小为1024*1024，对高分辨率图像利用大气湍流干扰（贾鹏，基于衍射光学元件的通用型大气湍流相位屏的设计方法:中国，CN104374546A[P].2015-02-25）做不同程度的退化获得模糊图片（待评判图像）。

步骤一：构建深度卷积神经网络并使用大量图像对其进行预训练，其中深度卷积神经网络采用的是Vgg-Net，Vgg-Net是一种卷积神经网络，在Karen Simonyan, AndrewZisserman《Very Deep Convolutional NetWorks for Large-Scale Image Recognition》有详细构造介绍;

步骤二：选取高分辨率的太阳图像和退化图像，截取其中纹理相似的部分大小为300*300，高分辨率的图像部分记为A，退化部分记为B，对图像A，B做数据预处理去均值和归一化到0-1；

步骤三：将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络，提取深度卷积神经网络最后一个卷积层的输出作为图像特征；

步骤四：用提取的图像特征构建出gram矩阵，gram矩阵中的元素为 Gij= (vi,vj)，其中vi,vj分别为提取的图像特征。然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|)，得到图像质量的评分，评分的取值范围0-1，以标准图特征构建的gram矩阵为标准，待检测图构建的gram矩阵如果越接近标准图特征构建的gram矩阵，则得分越高，图像质量越好，反之得分越低图像质量越差。

Claims

1.一种基于卷积神经网络的含纹理图像质量的判别方法，其特征在于：按照如下步骤进行：

步骤一：构建深度卷积神经网络并使用大量图像对其进行预训练;

步骤二：挑选待评价的原始退化纹理图像和与之具有相同纹理的高分辨图像，分别截取其中具有自相似特点的一小块纹理相似的区域，大小不限，分别记作图像A和图像B，并对图像A和图像B做预处理去均值，然后将像素值归一化到0-1;

步骤三：将像素值归一化到0-1的图像A和图像B送入经过预训练的深度卷积神经网络，提取深度卷积神经网络中的输出作为图像特征；

步骤四：用提取的图像特征构建出gram矩阵，gram矩阵中的元素为Gij= (vi,vj)，其中vi,vj分别为提取的图像特征，然后计算标准图像与待检测的图像的两个gram矩阵之间的余弦距离cosØ=(A,B)/(|A||B|)，得到图像质量的评分。

2.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法，其特征在于：步骤二中所述具有相同纹理的高分辨图像是指在良好环境下或使用自适应光学成像技术去除大气湍流及抖动影响后的图像中具有纹理的部分。

3.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法，其特征在于：步骤二中纹理图像指的是具有重复性结构的自然图像如沙漠、树林、海洋，细胞，天文图像等。

4.根据权利要求1所述的一种基于卷积神经网络的图像质量的判别方法，其特征在于：深度卷积神经网络为Vgg-Net。