发明名称 基于机器学并融合视觉特征的全参考图像质量评估方法
摘要 本发明涉及一种基于机器学并融合视觉特征的全参考图像质量评估方法,包括以下步骤:分别采用客观全参考图像质量评估方法、结合图像显著性分布的客观全参考图像质量评估方法、结合局部图像质量排序的客观全参考图像质量评估方法、结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像提取特征,获得特征集F1、F2、F3和F4;综合特征集F1、F2、F3和F4,将其作为机器学算法的特征集T,通过机器学算法和三等分交叉验证方法学得出客观评估模型;采用客观评估模型对图像进行质量评估,得到客观全参考图像质量评估得分值。该方法可有效的对全参考图像的质量进行评估,与用户主观评分之间具有较好的相关性与准确性。
申请公布号 CN105574885B 申请公布日期 2017.03.08
申请号 CN201610017544.8 申请日期 2016.01.13
申请人 福州大学 发明人 牛玉贞;詹佳楣;郭文忠;陈羽中
分类号 G06T7/00(2017.01)I 主分类号 G06T7/00(2017.01)I
代理机构 福州元创专利商标代理有限公司 35100 代理人 蔡学俊
主权项 一种基于机器学习并融合视觉特征的全参考图像质量评估方法,其特征在于,包括以下步骤:步骤S1:输入参考图像和目标图像,目标图像即为失真图像,基于客观全参考图像质量评估方法对目标图像进行特征提取,获得特征集F1;步骤S2:采用结合图像显著性分布的客观全参考图像质量评估方法对目标图像进行特征提取,获得特征集F2;步骤S3:采用结合局部图像质量排序的客观全参考图像质量评估方法对目标图像进行特征提取,获得特征集F3;步骤S4:采用结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像进行特征提取,获得特征集F4;步骤S5:综合特征集F1、F2、F3和F4,将其作为机器学习算法的特征集T,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型;步骤S6:采用客观评估模型对目标图像进行质量评估,得到最终的客观全参考图像质量评估得分值;在步骤S5中,综合特征集F1、F2、F3和F4,将其作为机器学习算法的特征集T,并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型,具体包括以下步骤:步骤S51:组成特征集T={F1,F2,F3,F4},并将特征集T随机三等分,形成三个特征集T<sub>1</sub>、T<sub>2</sub>和T<sub>3</sub>;步骤S52:计算用于求解特征集T<sub>1</sub>、T<sub>2</sub>和T<sub>3</sub>所对应的图像集的主观平均得分值MOS的集合,分别记为MOS<sub>1</sub>、MOS<sub>2</sub>和MOS<sub>3</sub>;步骤S53:将T<sub>1</sub>、T<sub>2</sub>和MOS<sub>1</sub>、MOS<sub>2</sub>作为机器学习的训练数据集,学习得到图像质量评估模型M<sub>1</sub>;步骤S54:重复步骤S53,分别求出T<sub>1</sub>、T<sub>3</sub>和MOS<sub>1</sub>、MOS<sub>3</sub>作为训练数据集的图像质量评估模型M<sub>2</sub>与T<sub>2</sub>、T<sub>3</sub>和MOS<sub>2</sub>、MOS<sub>3</sub>作为训练数据集的图像质量评估模型M<sub>3</sub>;在步骤S6中,采用客观评估模型对目标图像进行质量评估,得到最终的客观全参考图像质量评估得分值,具体包括以下步骤:步骤S61:采用模型M<sub>1</sub>对特征集T<sub>3</sub>进行计算,得到特征集T<sub>3</sub>对应的图像集的客观全参考图像质量评估得分值集合AS<sub>1</sub>;步骤S62:采用模型M<sub>2</sub>对特征集T<sub>2</sub>进行计算,得到特征集T<sub>2</sub>对应的图像集的客观全参考图像质量评估得分值集合AS<sub>2</sub>;步骤S63:采用模型M<sub>3</sub>对特征集T<sub>1</sub>进行计算,得到特征集T<sub>1</sub>对应的图像集的客观全参考图像质量评估得分值集合AS<sub>3</sub>;步骤S64:综合评估得分值集合AS={AS<sub>1</sub>,AS<sub>2</sub>,AS<sub>3</sub>},得到最终的客观全参考图像质量评估得分值集合AS。
地址 350108 福建省福州市闽侯县上街镇大学城学园路2号福州大学新区