本发明专利技术公开了一种特征显著性在图像质量评价中的鲁棒机理研究方法，其方法步骤为：首先，确立图像质量评价中特征选择的目标函数并初始化模型参数；其次，选择最优特征加入特征矩阵并移除特征干扰项；然后，计算图像质量评价系统中特征选择的显著性；接着，判断是否满足系统鲁棒性要求或达到特征个数上限；最后，验证模型分类效果。本发明专利技术通过引入的系统特征信噪比衡量特征显著性，求解图像质量评价系统中光滑凸函数的约束优化问题，有效地降低了非显著特征对分类面的干扰，提升了图像质量评价系统的鲁棒性，解决了基于学习机制的图像质量评价网络中，特征属性选择的自适应优化问题。
【技术实现步骤摘要】
本专利技术涉及计算机视觉研究领域，特别涉及一种特征显著性在图像质量评价中的 鲁棒机理研究方法。
技术介绍
图像质量是图像的固有属性，一般通过度量图像降质的程度来获得。图像质量评 价就是一种度量图像降质程度的方式，在图像处理、计算机视觉和系统工程等领域具有广 泛应用价值，对降质图像复原算法的研究、自适应视觉系统的开发以及高层语义计算机视 觉方法的应用具有理论和现实意义。 迄今为止，图像复原领域还没有形成统一的质量评价标准，评价方法通常被划分 为主观评价方法和客观评价方法。其中，主观评价方法容易受到观测者的知识背景、心理动 机等因素的影响，并且无法内嵌到视觉系统中对算法及参数进行自适应优化，大大制约了 算法的工程应用价值。客观评价方法在近几十年的发展过程中涌现出了大量的质量评测指 标，但始终没有出现满足工程应用的质量评价测度。近年来，随着以深度学习等为代表的机 器学习机制迅速发展，出现了基于网络学习的图像质量评价方法，该类方法主要利用图像 中稀疏的特征属性，训练满足精度的非线性映射网络，最终实现图像质量评价。该类方法的 局限性往往体现在：在样本较少的情况下，系统无法根据不同的评测目标自适应选择合理 的特征属性。也就是说，评价系统无法根据实际情况筛选合适的特征输入，不显著的特征被 选入系统往往造成学习过程中出现过拟合现象。在基于学习机制的图像质量评价系统建模 过程中，选取合适数量的稀疏特征个数是一项具有挑战的研究课题。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种特征显著性在图像 质量评价中的鲁棒机理研究方法，通过引入的系统特征信噪比衡量特征显著性，以此求解 图像质量评价系统中光滑凸函数的约束优化问题，使得评价过程更加接近人类视觉感知过 程，有效地降低了非显著特征对分类面的干扰，减少了有限数据样本中离群点的过拟合现 象，提升了图像质量评价系统的鲁棒性，解决了基于学习机制的图像质量评价网络中，特征 属性选择的自适应优化问题。 为了达到上述目的，本专利技术采用以下技术方案： ，包括下述步骤： S101、提取测试集中图像的低秩特征； S102、将原始特征集降维到优选特征矩阵，从海量特征信息中逐步提取最优特征 并剔除特征干扰项，最终得到对图像质量评价系统最有价值的特征矩阵；定义最优特征抽 取函数以及特征干扰项的筛选函数，计算添加新的特征前后损失函数的差值，衡量添加的 特征的显著性；当最优特征抽取函数值越大时，说明对应的特征显著性越好；当特征干扰 项的筛选函数值越大时，说明对应的特征为干扰项的置信度越高，需要被剔除； S103、判断各个特征对于图像质量评价系统效果影响的显著性，定义系统信噪比 作为衡量图像质量评价特征显著性的指标，当显著性指标值越大时，说明在对图像质量评 价系统的影响越显著，对鲁棒的图像质量评价系统贡献越大，更容易被选出，更应该被优先 选入特征集； S104、将显著特征集代入学习网络，训练分类超平面，通过机器学习的方法训练输 入样本数据，达到样本数据分类的目的； S105、实现图像质量等级评价；在训练模型参数确立下来后，输入新的测试图像， 得到的网络输出即为图像质量等级评价结果。 作为优选的，步骤SlOl具体为： 首先，从训练集图像中抽取海量特征信息，其中每一张图片对应多个特征属性，这 些特征可能对应图像色彩、结构、变换域等方面的属性，依照图片序号建立特征数据集序 列； 其次，求解这些候选的特征值之间的相关性，尽可能将特征属性值转化成低秩的 特征矩阵； 最后，将特征矩阵输入到图像质量评价系统中进行计算。 作为优选的，步骤S102中，显著特征提取的算法流程包括以下步骤： S201、初始化特征矩阵及参数，并求解第一个特征输入下的模型系数，初始化特征 矩阵F和特征显著性系数Θ，将训练集和对应参数载入网络学习模型； S202、判断是否满足学习精度或者达到特征个数上限，将优选的特征集F带入训 练模型，计算图像质量评价系统精度，当满足系统鲁棒性要求或达到特征个数上限时，停止 特征显著性检测并退出循环体； S203、从特征集中抽取最优特征并剔除干扰项，带入分类模型计算特征显著性； S204、判断新特征的引入，使得图像质量评价系统是否满足鲁棒的约束条件，利用 测试特征集计算训练网络误差，当网络误差在预设的精度范围内时，退出特征选择的循环 过程； S205、从特征集中剔除不满足系统鲁棒约束条件所对应的特征，并指向下一个特 征。 作为优选的，步骤S203的具体方法为： 第一步、确立图像质量评价中特征选择的目标函数，原始特征选择的通项可以表 示为： 其中，L( Θ )为目标损失函数，Θ为损失函数中每个特征对应的系数，吞为优选的 显著特征对应的系数，P为总的特征个数，η为训练样本个数，久乃)为训练数据集，s为 给定的特征个数； 目标损失函数中，Θ的值越大说明对应的特征越显著； 由于I I Θ I |。< S的约束条件，使得式⑴为一个NP-Hard问题，可以引入松弛优 化的方法，将约束条件11ΘI IS转化为最优近似I I θ I I S，从而将原始目标函数通 项近似定义为式（2); 图像质量评价的学习机制具体表征为一个求解分类超平面的问题，选取图像质量 评价中特征选择的目标函数，只需将式（2)中的目标损失函数L(0)替换为具体的分类函 数即可完成建模，如标准logistic损失函数，定义为式（3); 第二步、选择最优特征加入特征矩阵I5 ,定义最优特征抽取函数： 其中，i表示原始特征下标，Θ +ei Θ i代表新一个特征增加到特征矩阵#中，式（4) 表明在已选入最优特征集之外的特征中，添加新的特征前后损失函数的差值，当&越大时， 说明对应的特征显著性越好，选择最优特征加入特征矩阵友即求解：[00Γ?? 第三步、移除特征干扰项，定义特征干扰项的筛选函数： 同理，式6中i表示原始特征下标，Θ -ei Θ i代表新一个特征增加到特征矩阵F中， 式（6)表明在已选入最优特征集之外的特征中，损失函数在添加新的特征后与添加前的差 值，当D1越大时，说明对应的特征为干扰项的置信度越高，需要被剔除，需要指出的是，特征 集元素的遍历过程中每次仅添加一个最优特征，却可能同时移除一个或多个干扰特征； 第四步、计算图像质量评价系统中特征选择的显著性，引入系统信噪比作为衡量 图像质量评价特征显著性的指标，定义特征显著性指标为： 其中，^为被优选出的显著特征系数，〇为被选取的特征集戶的噪声离散方差， 可用均方差代替，SIG,的值越大时，说明在优选特征集中越显著，对鲁棒的图像质量评价系 统贡献越大。 作为优选的，步骤S104训练网络学习的具体方法为： S301、特征抽取层，抽取输入测试集中图像所对应的海量特征，并以特征矩阵的形 式存储，作为机器学习网络输入样本的候选特征集； S302、显著特征提取，通过特征显著性检测手段，从候选特征集中提取显著的图像 质量评价特征集； S303、稀疏表达，通过稀疏表达的方式，对高维显著特征进行降维处理，并以此作 为机器学习网络的输入样本集； S304、拓扑学习机制的超平面分类，通过机器学习的方法训练输入样本数据，达到 样本数据分类的目的； S305、图像质量等级本文档来自技高网...
【技术保护点】
特征显著性在图像质量评价中的鲁棒机理研究方法，其特征在于，包括下述步骤：S101、提取测试集中图像的低秩特征；S102、将原始特征集降维到优选特征矩阵，从海量特征信息中逐步提取最优特征并剔除特征干扰项，最终得到对图像质量评价系统最有价值的特征矩阵；定义最优特征抽取函数以及特征干扰项的筛选函数，计算添加新的特征前后损失函数的差值，衡量添加的特征的显著性；当最优特征抽取函数值越大时，说明对应的特征显著性越好；当特征干扰项的筛选函数值越大时，说明对应的特征为干扰项的置信度越高，需要被剔除；S103、判断各个特征对于图像质量评价系统效果影响的显著性，定义系统信噪比作为衡量图像质量评价特征显著性的指标，当显著性指标值越大时，说明在对图像质量评价系统的影响越显著，对鲁棒的图像质量评价系统贡献越大，更容易被选出，更应该被优先选入特征集；S104、将显著特征集代入学习网络，训练分类超平面，通过机器学习的方法训练输入样本数据，达到样本数据分类的目的；S105、实现图像质量等级评价；在训练模型参数确立下来后，输入新的测试图像，得到的网络输出即为图像质量等级评价结果。
【技术特征摘要】
【专利技术属性】
技术研发人员：王卫星，胡子昂，胡月明，陆健强，姜晟，孙道宗，石颖，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。