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！

龙图腾网获悉重庆大学申请的专利一种基于视觉感知的深浅层全参考图像质量评价方法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：CN119919366B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411980559.5，技术领域涉及：G06T7/00；该发明授权一种基于视觉感知的深浅层全参考图像质量评价方法是由尚赵伟;李航宇;周明亮;王冬子;罗均;蒲华燕;冯永;向涛设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于视觉感知的深浅层全参考图像质量评价方法在说明书摘要公布了：本发明涉及图像处理技术领域，具体涉及一种基于视觉感知的深浅层全参考图像质量评价方法，包括：获取尺寸统一的参考图像和失真图像；分别提取五层特征图，前三层为浅层特征图，后两层为深层特征图；对浅层特征图进行特征增强并使用Wasserstein距离计算三个浅层特征质量分数；对深层特征图进行自注意力增强并计算参考图像和失真图像间之间的两层感知差，通过注意力聚合模块、拼接模块和融合模块依次处理，利用加权分数和像素预测得到深层特征的质量分数；S6、通过可学习的参数将三个浅层特征质量分数和一个深层特征质量分数进行整合，得到深浅层全参考图像质量分数。该方法将人类视觉感知和深度学习结合，实现对图像质量的高效评价。

本发明授权一种基于视觉感知的深浅层全参考图像质量评价方法在权利要求书中公布了：1.一种基于视觉感知的深浅层全参考图像质量评价方法，其特征在于，包括如下步骤： S1、获取成对的尺寸统一的参考图像和失真图像； S2、基于参考图像和失真图像分别提取五层特征图，其中，前三层特征图为浅层特征图，后两层特征图为深层特征图； S3、分别对前三层浅层特征图进行特征增强； S4、基于特征增强后的前三层浅层特征图均使用Wasserstein距离度量参考图像和失真图像同层浅层特征的差异并计算三个浅层特征质量分数； S5、基于后两层的深层特征图均进行自注意力增强并计算参考图像和失真图像同层深层特征图之间的图像感知差，用于度量同层深层特征图的退化程度；将两层深层特征之间的图像感知差通过注意力聚合模块、拼接模块和融合模块依次处理，利用加权分数和像素预测得到融合后的深层特征质量分数； S6、深度学习模型通过四个可学习参数将三个浅层特征质量分数和一个深层特征质量分数进行整合，得到最终的深浅层全参考图像质量分数； 所述步骤S3中，对参考图像和失真图像的前三层浅层特征图分别使用SENet进行特征增强，其过程为： S31、SENet沿着空间维度对输入的浅层特征图进行压缩操作，得到相应的压缩向量，其表达式为： 其中，c表示特定的特征通道，uc为特征通道c输入的浅层特征图，Fsq表示压缩操作；zc为特征通道c输入的浅层特征图经压缩后的向量，其维度为1*1*C，C为具有全局感受野的实数，其保证输出的维度和输入的特征通道数相匹配；H和W分别为输入的浅层特征图的长和宽； S32、通过Excitation操作识别压缩的浅层特征图输出通道所分配的权值，其表达式为： s＝Fexz,W＝σgz,W＝σW2δW1z 其中，s为压缩的浅层特征图输出通道所分配的权值，Fex表示Excitation操作，z为浅层特征图的压缩向量，W为识别压缩的浅层特征图输出通道所分配权值矩阵的统称，其中W1和W2为前两次全连接所分配的权重矩阵，所述权重矩阵均为三维矩阵；σ表示sigmoid函数，δ表示Relu激活函数，sigmoid函数之前，将W1与z进行矩阵相乘运算，实现一次全连接；经过Relu层处理后与W2相乘，完成第二次全连接，用于降低通道数和计算量； W1的维度为1*1*Cr，r是一个缩放参量，W1乘以z的维度为1*1*Cr；二者相乘后经过Relu层处理的维度不变；与W2相乘，完成第二次全连接后W2的维度是1*1*C*Cr，第二次全连接后的输出维度为1*1*C； S33、神经网络将输入的浅层特征图与特征通道的分配权值相乘得到特征增强后的浅层特征图； 特征增强后的浅层特征图的表达式为： 其中，为特征增强后的浅层特征图，Fscale为特征增强操作，uc，sc分别为通过通道c输入的浅层特征图和特征通道c的分配权值。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区正街174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”。

以上内容由龙图腾AI智能生成。