CN116128807B 基于多尺度特征融合的無參考圖像質量評價方法 （福州大學）

基于多尺度特征融合的無參考圖像質量評本發明涉及基于多尺度特征融合的無參考真圖像數據集中的數據進行數據預處理；步驟網絡訓練基于多尺度特征融合的無參考圖像質練好的基于多尺度特征融合的無參考圖像質量2步驟S4：設計基于多尺度特征融合的無參考圖絡訓練基于多尺度特征融合的無參考圖像質量評步驟S5：將待測圖像輸入到訓練好的基于多尺度特征融所述步驟S4中，設計基于多尺度特征融合的無參考圖像質量評分預步驟S42：將經過步驟S1的訓練集中的某個批次的圖像Fg的計算公式為：步驟S46：以批次為單位重復上述步驟S42至步驟S45，直2.根據權利要求1所述的基于多尺度特征融合的無參考圖像質量評價方法，其特征在33.根據權利要求1所述的基于多尺度特征融合的無參考圖像質量評價方法，其特征在xxxx和wx為特征圖的高度和寬度，x首先會經過1×1的卷cx降為再用k×k的卷積將hx和wx降為和之后用1×1的卷積將通道數升為其中Pe_x和Se_x的維度都為Pe_x和Se_x采用隨機初始化，操作D的計算公式步驟S22：構建自編碼器SEncoder，SEncoder由N個Transformer層構成，在第i個歸一化，記為LN1，之后輸入多頭自注意力，多頭自注意力的輸出再與zi-1相加獲得q多頭交叉注意力的輸出再與F相加獲得CEncoder中間輸出特征接著對進行層歸一化，q記為LN5，之后輸入兩層全連接層中，記為MLP2，兩層全連接層的輸出再與相加獲得4=W4c_i算公式為：i步驟S25：從步驟S24能夠得到Fc_1，Fc__2，Fc__3，Fc__4；首先將Fc_1和Fc__2一同輸入到CEncoder，記為CEncoder1，中得到Fc1_d1，再將Fc1_d1和Fc_3一同輸入到CEncoder，記為CEncoder2，中得到Fc1_d2，之后Fc1_d2和Fc_4一同輸入到CEncoder，記為CEncoder3，中得到s的計算公式為：4.根據權利要求1所述的基于多尺度特征融合的無參考圖像質量評價方法，其特征在55.根據權利要求1所述的基于多尺度特征融合的無參考圖像質量評價方法，其特征在步驟S51：將測試集中的圖像輸入到訓練好的基于多尺度特征融合的無參考圖像質量6化高級圖像/視頻處理算法提供了一種可行7[0015]步驟S13：將訓練集和測試集中的圖像長邊縮放到H或W，圖像的短邊則按比例縮道數cx降為再用k×k的卷積將hx和wx降為和之后用1×1的卷積將通道數其中Pe_x和Se_x的維度都為Pe_x和Se_x采用隨機初始化，操歸一化，記為LN1，之后輸入多頭自注意力，多頭自注意力的輸出再與zi-1相加獲得8q力，多頭交叉注意力的輸出再與F相加獲得CEncoder中間輸出特征接著對進行層歸一q2Ci-1=H44c_iCEncoder，記為CEncoder1，中得到Fc1_d1，再將Fc1_d1和Fc_3一同輸入到CEncoder，記為CEncoder2，中得到Fc1_d2，之后Fc1_d2和Fc_4一同輸入到CEncoder，記為CEncoder3，中得到s的計算公式為：9spatial的計算公式為：征Fin乘以權重wchannel再加上Fin，得到通道注意力模塊的最終輸出Fchannel，維度為c×l；Fg的計算公式為：)gg基于多尺度特征融合的無參考圖像質量評價網絡[0066]步驟S51：將測試集中的圖像輸入到訓練好的基于多尺度特征融合的無參考圖像[0075]本發明提供一種基于多尺度特征融合的無參考圖像質量評x道數cx降為再用k×k的卷積將hx和wx降為和之后用1×1的卷積將通道數其中Pe_x和Se_x的維度都為Pe_x和Se_x采用隨機初始化，操歸一化(記為LN1)，之后輸入多頭自注意力，多頭自注意力的輸出再與zi-1相加獲得Transformer層中間輸出特征接著對進行層歸一化(記為LN2)，之后輸入兩層全連接q意力，多頭交叉注意力的輸出再與F相加獲得CEncoder中間輸出特征接著對進行層歸q一化(記為LN5)，之后輸入兩層全連接層中(記為MLP2)，兩層全=H44CEncoder(記為CEncoder1)中得到Fc1_d1，再將Fc1_d1和Fc_3一同輸入到CEncoder(記為CEncoder2)中得到Fc1_d2，之后Fc1_d2和Fc_4一同輸入到CEncoder(記為CEncoder3)中得到Fc1_d3c_2和Fc_3一同輸入到CEncoder(記為s的計算公式為：spatial的計算公式為：征Fin乘以權重wchannel再加上Fin，得到通道注意力模塊的最終輸出Fchannel，維度為c×l。)gg基于多尺度特征融