【技术实现步骤摘要】
一种多视觉特征集成的无参考超分辨图像质量评价方法
本专利技术属于图像处理
，涉及一种多视觉特征集成的无参考超分辨图像质量评价方法。
技术介绍
图像超分辨率重建技术通常被用于从一个或几个低分辨率图像生成具有更多细节的高分辨率图像。这项技术在许多领域中都有广泛的应用，例如计算机视觉，遥感影像，视频监控以及生活娱乐。迄今为止，研究人员已经提出了大量的超分辨重建算法。通常情况下，不同的超分辨图像表现出不同的退化程度，这取决于不同超分辨算法的性能。为了提高不同超分辨算法的性能，有必要评估重建结果图像的质量，使得评估结果与人类视觉系统(HVS)的感知质量一致。现有的超分辨算法性能主要通过两种方法来衡量，即主观质量评估和客观质量评估。毋庸置疑，人类的主观判断是评估超分辨图像质量的最直接且最可靠的方法。但是，主观质量评估过程是相当昂贵和费时的，在实际应用中难以嵌入到超分辨重建系统中。因此，设计一种合理的客观图像质量评估算法，以自动量化超分辨图像的质量，并进一步优化超分辨算法，对理论研究和实际应用都具有重要意义。根据参考原始图像...
【技术保护点】
1.一种多视觉特征集成的无参考超分辨图像质量评价方法，其特征在于，质量评价方法包括以下步骤：首先分别提取图像的三类统计特性，即局部频域特征、全局频域特征和空间域特征，采用多分辨率的分析方法描述超分辨图像的失真机理；其次，建立并利用AdaBoost决策树回归模型获取每类统计特征的预测分数，然后再利用脊回归模型层次化建立统计特征的预测分数与主观质量分数之间的映射对应关系，训练评价模型进而评价超分辨图像的质量。/n
【技术特征摘要】
1.一种多视觉特征集成的无参考超分辨图像质量评价方法，其特征在于，质量评价方法包括以下步骤：首先分别提取图像的三类统计特性，即局部频域特征、全局频域特征和空间域特征，采用多分辨率的分析方法描述超分辨图像的失真机理；其次，建立并利用AdaBoost决策树回归模型获取每类统计特征的预测分数，然后再利用脊回归模型层次化建立统计特征的预测分数与主观质量分数之间的映射对应关系，训练评价模型进而评价超分辨图像的质量。
2.根据权利要求1所述的一种多视觉特征集成的无参考超分辨图像质量评价方法，其特征在于，具体包括以下步骤：
一、质量评价模型训练阶段
步骤1、首先分别提取训练集中图像的三类统计特性，即局部频域特征、全局频域特征和空间域特征；
步骤2、令是一个具有Mj个决策树的独立评价模型，分别用于局部频率特征(j＝1)，全局频率特征(j＝2)和空间域特征(j＝3)，建立独立评价模型；
步骤3、根据AdaBoost决策树回归算法即主要通过前项分步算法将所述步骤2中建立的独立评价模型，构建成AdaBoost决策树回归模型；
步骤4、每类统计特征通过输入所述步骤3中的AdaBoost决策树回归模型获取相应的预测分数，Xj是训练集图像的第j类特征，训练集中所有超分辨图像的三种感知统计特征的预测分数组成特征矩阵
步骤5、利用脊回归算法在所述步骤4得到的第一层预测分数与相应的主观质量分数之间建立映射对应关系，即第二层的脊回归模型可以表示为其中Q是训练集中所有图像的主观质量分数，β是用于平衡重构误差和正则化项的正则化系数，b是大小为1×3的回归系数矩阵，为所述步骤4中得到的特征矩阵；
二、质量评价模型测试阶段
步骤6、首先分别提取测试集中图像的局部频域特征、全局频域特征和空间域特征这三类统计特性；
步骤7、将所述步骤6中的统计特征输入到所述步骤4训练好的AdaBoost决策树回归模型中，获取测试集中图像的预测分数，测试集中所有超分辨图像的三种感知统计特征产生特征矩阵
步骤8、将所述步骤7得到的预测分数输入到所述步骤5训练好的脊回归模型中，即可获得最终的评价分数其中为所述步骤7中得到的预测分数组成的特征矩阵，b*为所述步骤5中得到的预测结果与相应的主观质量分数之间的映射函数。
3.根据权利要求2所述的一种多视觉特征集成的无参考超分辨图像质量评价方法，其特征在于，所述步骤1中具...
【专利技术属性】
技术研发人员：张凯兵，朱丹妮，罗爽，卢健，李敏奇，刘薇，苏泽斌，景军锋，陈小改，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61
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。