买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中汽研汽车检验中心(常州)有限公司申请的专利基于显著性感知的无参考车辆图像质量评估方法及设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119722627B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411801487.3，技术领域涉及：G06T7/00；该发明授权基于显著性感知的无参考车辆图像质量评估方法及设备是由包俊江;夏明辉;黄浩;汪剑鸣;孙玉宽;陈孟龙设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本基于显著性感知的无参考车辆图像质量评估方法及设备在说明书摘要公布了：本发明的一种基于显著性感知的无参考车辆图像质量评估方法及设备，利用大规模无标签车辆图像数据集并通过自监督方式训练区分不同种类和等级的图像失真识别模型；使用显著性区域分割数据集来训练用于检测图像中显著区域的模型；使用预训练的失真质量感知模块和预训练的显著性区域分割模块获取输入图像中的显著性特征图和失真特征图，然后通过构建并应用权重矩阵实现两者之间的加权融合，以生成新的综合特征图；将产生的综合特征图送入一个多层感知机中，经过处理后输出一个反映图像整体质量的分数。本发明不仅提高了图像质量评估的准确性，还增强了模型的实际应用价值和泛化能力。本发明用于行人检测、交通标志识别等关键任务具体重要意义。

本发明授权基于显著性感知的无参考车辆图像质量评估方法及设备在权利要求书中公布了：1.一种基于显著性感知的无参考车辆图像质量评估方法，其特征在于，包括以下步骤， S1，利用大规模无标签车辆图像数据集并通过自监督方式训练区分不同种类和等级的图像失真识别模型； S2，使用显著性区域分割数据集来训练用于检测图像中显著区域的图像显著区域检测模型； S3，输入图像，使用S1预训练的图像失真识别模型和S2预训练的图像显著区域检测模型获取输入图像中的显著性特征图和失真特征图，然后通过构建并应用权重矩阵实现两者之间的加权融合，以生成新的综合特征图； S4，将S3产生的综合特征图送入一个多层感知机中，经过进一步处理后输出一个反映图像整体质量的分数； 所述步骤S1中，具体为： S11，收集大规模的无标签车辆图像数据集，包括合成失真图像和真实失真图像； S12，设计基于卷积神经网络的图像失真模块；所示图像失真模块采用ResNet-50作为骨干网络，并在其后接一个多层感知机头部，用于提取图像的高层次特征； S13，使用自监督学习方法训练图像失真模块；具体来说，通过对比学习来训练模型，使模型能够识别和适应各种图像质量下降的类别和级别，定义自监督损失函数，使用InfoNCE损失函数，计算查询编码器和键编码器生成的表示之间的损失，对于正样本对和负样本，InfoNCE损失函数表示为： ；其中，表示余弦相似度，是温度超参数； 所述步骤S2中，具体为： S21，收集包含了自然车辆图像及其对应的显著性区域标注的显著性区域分割数据集； S22，构建基于U-Net架构的分层显著特征感知模块，所述分层显著特征感知模块包括编码器和解码器组件；编码器阶段包括不同深度的残差U块以适应不同分辨率的输入特征图；解码器阶段采用相应的上采样操作，同时在设定阶段引入膨胀卷积以防止下采样过程中丢失上下文信息； S23，利用输入卷积层将原始图像转换为中间特征图，便于局部特征提取；通过具有高度L的U-Net结构从中间特征图中提取多尺度上下文信息，并通过残差连接将局部特征和多尺度特征合并，生成综合的显著性特征表示； S24，在准备好的显著性区域分割数据集上训练模型，优化目标是使模型能够准确地分割出图像中的显著区域,使用交叉熵损失作为优化标准，设为真实的显著性标签，为预测的显著性概率分布，则交叉熵损失表示为： 并采用Adam优化算法进行参数更新；完成训练后，冻结模型参数，以便于将其集成到后续的图像质量评估流程中。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中汽研汽车检验中心(常州)有限公司，其通讯地址为：213000 江苏省常州市武进国家高新区海湖路97号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。