【技术实现步骤摘要】
基于stacking无参考型超分辨图像质量评价方法
本专利技术属于图像处理与分析方法
，涉及基于stacking无参考型超分辨图像质量评价方法。
技术介绍
单帧图像超分辨率重建技术是一种能够利用来自一个或多个低分辨率输入图像的信息生成具有更精细的细节高分辨率图像。该技术广泛应用于图像处理，计算机视觉等领域。随着大量超分辨图像重建算法的出现，如何评价图像超分辨重建算法成为一个关键的研究问题。毫无疑问，人类的视觉是评估图像的最终受体，因此主观质量评估是反映超分辨图像质量的最直接有效的方法。然而，主观质量评估方法的过程耗时且耗能，并且该方法不能集成到超分辨重建系统中以用于现实场景中。因此，客观质量评价方法应运而生。目前，超分辨算法的性能主要通过客观的图像质量评估方法来评估，该方法可以分为三大类，即全参考型图像质量评价方法(FRIQA)部分参考型图像质量评价方法(RRIQA)和无参考型图像质量评价方法(NRIQA)。在全参考型图像质量评价方法中，如均方误差(MSE)，峰值信噪比(PSNR)，结构相似性(SSIM)和信息...
【技术保护点】
1.基于stacking无参考型超分辨图像质量评价方法，其特征在于，具体包括以下步骤：首先通过现有训练好的VGGnet模型提取超分辨图像的深度特征，用于量化超分辨图像的退化；然后，将包含SVR算法和k-NN算法的stacking回归算法用作第一层回归模型，以构建从VGGnet模型提取的深度特征到预测质量分数的映射模型，再采用线性回归算法得到第二层回归模型，从而形成stacking回归模型，以实现无参考评价超分辨图像的质量。/n
【技术特征摘要】
1.基于stacking无参考型超分辨图像质量评价方法，其特征在于，具体包括以下步骤：首先通过现有训练好的VGGnet模型提取超分辨图像的深度特征，用于量化超分辨图像的退化；然后，将包含SVR算法和k-NN算法的stacking回归算法用作第一层回归模型，以构建从VGGnet模型提取的深度特征到预测质量分数的映射模型，再采用线性回归算法得到第二层回归模型，从而形成stacking回归模型，以实现无参考评价超分辨图像的质量。
2.根据权利要求1所述的基于stacking无参考型超分辨图像质量评价方法，其特征在于，具体包括以下步骤：
步骤1、在特征提取阶段，先将初始训练集图像输入到现有训练好的VGGnet模型中，然后输出训练集图像全连接层第七层的深度特征，组成特征训练集D；同时将初始验证集图像也输入到现有训练好的VGGnet模型，得到验证集图像全连接层第七层的深度特征，组成原验证集V；
步骤2、将所述步骤1中的特征训练集D分为k个大小相同、但互不重叠的训练子集D1,D2,...,Dk；
步骤3、令作为训练集，Dj作为测试集，采用SVR算法在训练集上分别训练k个SVR基础回归器Lj_SVR，输出每个SVR基础回归器在测试集Dj上的SVR训练集预测值k个输出的SVR训练集预测值堆叠得到SVR元训练集同时将验证集V里的数据输入SVR基础回归器，获得每个SVR基础回归器在验证集V上的验证集预测值Vj_SVR，再将输出的验证集预测值进行算数平均得到SVR元验证集
步骤4、采用k-NN算法在训练集上分别训练k个k-NN基础回归器Lj_KNN,输出每个k-NN基础回归器在测试集Dj上的k-NN训练集预测值k个输出的训练集预测值堆叠得到k-NN元训练集同时将验证集V里的数据输入k-NN基础回归器，获得每个k-NN基础回归器在验证集V上的验证集预测值Vj_KNN，再将输出的验证集预测值进行算数平均得到k-NN元验证集
步骤5、将步骤3得到的SVR元训练集和步骤4得到的k-NN元训练集按列组合成一个高为训练集大小、宽度为算法个数的矩阵...
【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。