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！

龙图腾网恭喜北京工业大学申请的专利一种基于排序学习和孪生神经网络的图像修复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：CN113269680B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202110174118.6，技术领域涉及：G06T5/77；该发明授权一种基于排序学习和孪生神经网络的图像修复质量评价方法是由马伟;孟祥东设计研发完成，并于2021-02-09向国家知识产权局提交的专利申请。

本一种基于排序学习和孪生神经网络的图像修复质量评价方法在说明书摘要公布了：本发明涉及一种基于排序学习和孪生神经网络的图像修复质量评价方法，具体包括训练数据集的生成、孪生网络的搭建、局部结构连贯性和颜色纹理一致性评估模块的设计、模型的训练与测试等内容。本发明基于深度学习并具备端到端的学习能力，可以实现对两张待评价图像对的质量排序任务。本发明所创建的训练数据集，弥补了本领域的数据集缺失问题；本发明提出的网络结构能够很好的评估被修复区域与周围已知区域，以及被修复区域内部在结构上的连贯性和颜色纹理等内容上的一致性。经实验测试，本发明提出的网络模型，在对修复图像质量排序结果的准确率上比现有方法高，从而证明了本发明的效果和实用性。

本发明授权一种基于排序学习和孪生神经网络的图像修复质量评价方法在权利要求书中公布了：1.一种基于排序学习和孪生神经网络的图像修复质量评价方法，其特征在于，包含以下步骤：S1：数据集创建；首先收集原始数据，并手动在原始图像中圈出待修复区域，然后应用局部退化策略对待修复区域进行修复效果模拟，并通过量化比较退化区域和原始图像获得修复效果得分和排序；最终合成的数据集是以图像对为一个基本单位，每一对图像的标签是它们的质量排序关系；S2：孪生网络搭建；采用孪生网络作为主干网络；该网络总共有两个分支，每个分支的网络结构相同且参数共享，以保证两张图像输入到网络中时能够使用相同的方式进行特征提取；S3：被修复区域局部连贯性评估；在孪生网络的主体框架中加入了基于局部面片连贯性评估模块，从特征层面去衡量被修复区域的局部结构连贯性和纹理颜色方面的一致性；S4：网络模型训练；使用上述的数据集和网络结构进行模型的训练，至损失函数完全收敛时停止训练，得到训练后的模型参数，并以此参数来去对两张图像特征进行提取，进而得出这两张待评价图像的质量排序关系；S2具体如下：设计了一个5层的卷积神经网络作为主干网络的分支结构，孪生网络两个分支的结构一样且参数共享；第一列是网络层，包括5个卷积层、5个激活层、3个池化层和3个全连接层；依次为卷积层1，激活层1，卷积层2，激活层2，最大池化层；卷积层3，激活层3；卷积层4，激活层4，最大池化层；卷积层5，激活层5，全局平均池化层和3个全连接层；每次池化之后特征的大小会缩小为原来的一半，网络最后的输出是一个单一标量，用以代表图像的质量分数；S3具体如下：设计了一个能够衡量待评价图像局部结构连贯性和纹理颜色一致性的模块，该模块的工作原理如下：首先根据掩膜图像，将被修复区域的边界框计算出来，根据边界框再把每一个卷积层输出的多通道特征进行裁切，裁切后得到的特征就是需要度量的特征；然后将这个特征进行切块，随后去计算每一个块与它周围8个块之间的余弦相似度，最终可以得到一个代表这个被修复区域结构连贯性和纹理颜色一致性的相似性图；将这个相似形图进行尺寸大小的调整之后，直接与两个网络分支的最后一层进行拼接；S4具体如下：S4-1：在训练阶段，选取的是上述步骤中创建的数据集，其组成既包含了基于区域退化合成的图像对，又包含了基于传统图像修复算法生成的图像对；S4-2：训练使用的是排序损失函数：Lossrank＝max0，δx1，x2y2-y1+m，其中x1和x2代表的是输入图像，δx1，x2代表的是输入图像对的排序标签，如图x1质量好于x2，那么它的值是1，反之值是-1；y1和y2指孪生网络两个分支输出的两个单一标量，代表了两张输入图像的质量分数，m是表示间隔，用于扩大两张图像质量分数之间的差异，将m设定为0.05；S4-3：训练过程中数据增强的手段包括将每一张图像缩放至统一大小、归一化操作；S4-4：网络训练过程选取Adam优化器，其中优化器参数β1＝0.9和β2＝0.999；Batchsize等于1，初始学习率为3e-5，权重衰减系数为1e-4。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。