一种基于支持向量机的图像质量评价方法技术

本发明专利技术提供了一种基于支持向量机的图像质量评价方法。首先对预处理后的图像样本进行特征值的选择和提取，将处理后的样本集分成训练集和测试集两部分；然后利用训练集进行支持向量机的训练，根据系统需要的级别确定支持向量机的个数，对每个支持向量机进行分别训练，训练中，输入样本是图像的特征值，输出是图像质量的级别；训练后得到支持向量机模型，再利用测试集对相关参数进行调整优化，确定支持向量机模型最优分类面的决策函数的参数；最后应用完成训练优化的支持向量机模型对图像样本进行质量评级。本发明专利技术具有需要样本少、运算速度快、准确率高、性能优越、推广性强等特点。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及。
技术介绍
对图像质量的正确评价是图像信息工程领域内一项很有意义的研究课题。图像质量评价 方法一般分为主观和客观两类。图像最终是为人所观看的，故其质量最准确的评价方法是主 观评价，但是主观评价方法在实际应用中存在诸多问题，因此人们不懈地致力于设计客观的 评价方法以近似反映主观感受要求。现在国际上进行了基于解译度的遥感图像分级预估评价，部分国家已制定了基于解译度 的像质预估与评价方法和体系，我国许多军事单位也纷纷提出建立基于解译度的遥感图像分 级标准的需求。遥感图像的解译是通过遥感图像所提供的各种识别目标的特征信息进行分析、 推理与判断，最终达到识别目标或场景理解的目的。遥感图像根据取得的地质效果，解译程度 划分为四类① 解译良好地质体细节和地质构造轮廓全部可以从图像中获取到，能够编制出比较完备的解译地质图件；② 解译中等主要地质构造和地质体主要状况可以从图像上获得，只能编制出粗略的解译地质图件；③ 解译困难只能看出部分地质构造和少量地质要素细节,仅可编制概略的解译地质略④ 解译特别困难只能看出少量的地质要素，不能形成完整的地质构造概念，无法编制同比 例尺解译地质略图。美国国防航空侦察署于1974年就发布r基于应用的国家图像解译度标准(National Imagery Interpretability Rating Scale,简称为NIIRS)作为一种定量的主观图像质量标 准，将用户的任务需求同遥感图像质量联系了起来；1978年这一标准被北约(North Atlantic Treaty Organization，简称为NATO)采用，称为图像解译度标准(Imagery Interpretability Rating Scale,简称为IIRS) 。 1995年发布了民用NIIRS，其表达了图像的情报价值，体 现了情报界对侦察图像的文字要求，构成了用户和研制部门之间交流的标准语言。我国军方 也建立了中国图像解译度标准(Chinese Imagery Interpretability Rating Scale,简称为 CIIRS)，类似于美国的NIIRS，是种基于图像解译度的像质预估与评估方法和体系，能够科学地指导光学遥感器的优化设计。目前的这些方法，虽然参考的开发样本图像集合的特征指标不同，但是均采用线性回归方法开发出图像质量方程；尽管这些方法比较准确的建立了图像质量预估系统，但是具有需 要样本图像多、处理数据多、运算速度慢、准确度有待提高等缺点。目前有种改进的方法是寻找一种需要样本更少、处理速度更快、处理结果更准的机器学习方法，例如模糊系统Fuzzy System和灰色系统Grey System虽然在分类中经常使用， 但是准确度不高；人工神经网络(Artificial Neural Network,简称为ANN)虽然在非线性 和分类问题上具有不错优势，但是泛化能力差，有局部最小点，其中泛化能力是指经过训练 的网络对于不是样本集的输入也能给出合适的输出的性质；隐马尔科夫法Hidden Markov Model建立和训练时间要求比较长。 发 明 内 容本专利技术的目的在于针对现有技术的不足处理慢、可靠性差、泛化能力差、主观评价和 客观测度不一致的缺点，提出一种基于支持向量机(SVM，全称为Support Vector Machine) 的图像质量评价方法。为达到能够准确地对图像质量作出评价的目的，本专利技术所述方法具有如下步骤步骤一，建立样本集；对图像样本进行去噪处理后，选择其某些特征值，提取后进行一定的预处理。再结合对 该图像样本的主观质量评价级别，构成样本集。然后将此样本集分为训练集和测试集两部分。其中，图像样本为经过专家主观质量评价之后的图片，且各质量评价级别的样本数目差 别不大；预处理即为数据的归一化处理。其中，某些特征值是指对比度Contrast,熵Entropy,纹理Texture和模糊度Blur。1) 对比度Contrast对比度指的是一幅图像的亮度分量中，明暗区域最亮值和最暗值之间不同亮度层级的测 量，差异范围越大代表对比越大，差异范围越小代表对比越小。同时对比度指图像目标与背景间亮度值即灰度的差比，是图像反差的测度之一。设A、 ￡2 分别为目标与背景的亮度值，则同时对比度C定义为c = (s「c值的大小反映图像中目标被识别的可能程度，c值越大，该目标越容易被识别。2) 熵Entropy图像的熵是一种特^E的统计形式，它反映了图像中平均信息量的多少。 图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令《表示图像中灰度值为/的像素所占的比例，则定义灰度图像的一元灰度熵//为255图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征， 为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来 组成图像的二维熵。3) 纹理Texture图像纹理反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点 灰度级或者颜色的某种变化，而且这种变化是空间统计相关的，它由纹理基元和基元的排列 两个要素构成。4) 模糊度Blur模糊是当图像通过滤波器或者经过视觉数据压縮的时候，由于空间域高频部分的衰减而 造成的，它的特征就是边缘拖尾效应和细节信息的丢失。目前，测量图像或者视频流的模糊 度还没有什么成熟的方法，大部分方法需要进行大量的循环迭代运算，并不适用于实时评价。模糊度测量方法的思路，通过滤波器或者压缩的尖锐边缘会变得平滑或者有拖尾效应， 所以通过测量边缘扩展的程度来判断模糊情况。具体箅法流程是先寻找处理后图像的垂直 强边缘，对处理后图像中的每个符合条件的边缘，都找到边缘的起始位置并计算边缘宽度， 那么模糊度就是所有边缘宽度与边缘数目之比。步骤二，确定支持向量机的数目；根据需要系统要求的分类级别W确定支持向量机的个数，2 。其中，系统的分类级别^即为图像的质量评价级别，比如分为优、良、中和差4个等级， 即此时A^4。其中，所述的根据需要系统要求的分类级别确定支持向量机的个数是指支持向量机是 两类分类器，应用于两类及两类以上分类时，有几种方法，假^:系统要求的分类级别有w》2 种，为将W类中的第/e[l,AH类与其他类别分开，主要利用l-a-r即l-aginst-rest和l-a-l 即l-aginst-l两种方法。其中，1-a-r是指对于W类问题构造W个两类分类器，第/个SVM 用第Z类中的训练样本作为正的训练样本，而将其他的样本作为负的训练样本，最后输出是两 类分类器输出为最大的那一类；l-a-l是指在W类训练样本中构造所有可能的两类分类器， 每个SVM仅仅在iV类中的2类训练样本上训练，结果共构造《二A^V-l)/2个分类器。步骤三，支持向量机训练和优化部分；利用训练集对毎个支持向量机进行分别训练。训练中，输入是图像样本的特征值，输出 是图像质量的评价级别，即该专利技术利用级别数字来代替质量评价，如用1代表优，2代表良，3代表中，4代表差。然后利用测试集对得到的支持向量机模型相关参数进行调整优化，确定 支持向量机模型最优分类面的决策函数的相关参数，包括寻找最合适的核函数的类别及其参 数、惩本文档来自技高网...

【技术保护点】
一种基于支持向量机的图像质量评价方法，其特征在于，该方法包含如下步骤：　步骤一，建立样本集；　首先，对图像样本进行去噪处理后，提取图像的对比度Ｃｏｎｔｒａｓｔ、熵Ｅｎｔｒｏｐｙ、纹理Ｔｅｘｔｕｒｅ和模糊度Ｂｌｕｒ四个特征值，构成特征值矢量（ｐ１，ｐ２，ｐ３，ｐ４），并对各坐标进行归一化以便后期处理；　然后，将各类特征值矢量（ｐ１，ｐ２，ｐ３，ｐ４）作为样本的四维输入，对图像样本进行主观的专家质量评价，评价结果ｙ作为输出，构成样本集；　最后，从各类评价级别ｙ所对应的样本集中均抽出３／４作为训练集，其余１／４作为测试集；　步骤二，确定支持向量机的数目；　根据需要系统的级别Ｎ≥２确定支持向量机的个数；其中，系统的级别Ｎ即为图像的质量评价级别；　其中，所述的根据需要系统的级别确定支持向量机的个数是指：支持向量机是两类分类器，应用于两类以上分类时，假设系统要求的分类级别有Ｎ≥２种，为将Ｎ类中的第ｉ∈［１，Ｎ］类与其他类别分开，本专利技术中采用１－ａ－１方法构造两类及两类以上支持向量机分类器；　步骤三，支持向量机训练和优化部分；　首先，利用训练集对每个支持向量机进行分别训练，初步确定最优分类面的决策函数的相关参数；训练中，输入是图像样本的特征值，输出是图像质量的评价级别，即该专利技术利用级别数字来代替质量评价；其中采用网格法确定最优的径向基核函数Ｋ（ｘ↓［ｉ］，ｘ↓［ｊ］）＝ｅｘｐ（－γ‖ｘ↓［ｉ］－ｘ↓［ｊ］‖↑［２］）的参数γ和惩罚因子Ｃ，以期得到最优的分类效果；　然后，通过训练集的学习，寻找到支持向量集，初步确定拉格朗日乘子ａｉ和偏移因子ｂ；　最后，利用测试集对得到的支持向量机模型相关参数进行调整优化，提高准确率；确定支持向量机模型最优分类面的决策函数的相关参数；　步骤四，支持向量机应用部分；　应用完成训练的支持向量机模型对图像样本进行评级；　采用１－ａ－１的分类方法，对于每张检测图像，代入每个支持向量机模型的决策函数中，最终通过投票法从这些支持向量机模型的结果中决定出图像的分类类别，从而确定图像的质量评价级别；　其中，所述的完成训练的支持向量机模型，对输入的任一图像都输出对该图像的质量评价级别。　价级别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：丁文锐，王磊，李红光，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]