[發(fā)明專利]基于無監(jiān)督特征學習的無參考屏幕圖像質(zhì)量評價方法

有效

• 申請?zhí)枺?/td>: 201710368508.0
• 申請日: 2017-05-22
• 公開（公告）號: CN107292331B
• 公開（公告）日: 2019-06-11
• 發(fā)明（設計）人: 周武杰;邱薇薇;周揚;趙穎;何成;遲梁;陳芳妮;吳茗蔚;葛丁飛;金國英;孫麗慧;陳壽法;鄭衛(wèi)紅;李鑫;吳潔雯;王昕峰;施祥
• 申請（專利權）人: 浙江科技學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 寧波奧圣專利代理事務所(普通合伙) 33226
• 代理人: 周玨

1.一種基于無監(jiān)督特征學習的無參考屏幕圖像質(zhì)量評價方法，其特征在于包括以下步驟：

步驟①：選取N幅無失真屏幕圖像，將第i幅無失真屏幕圖像記為{I_i,org(x,y)}；然后獲取每幅無失真屏幕圖像的歸一化屏幕圖像，將{I_i,org(x,y)}的歸一化屏幕圖像記為接著采用ZCA操作對每幅無失真屏幕圖像的歸一化屏幕圖像進行處理，得到每幅無失真屏幕圖像的歸一化屏幕圖像的ZCA操作結果圖像；再采用無監(jiān)督聚類算法對所有無失真屏幕圖像的歸一化屏幕圖像的ZCA操作結果圖像進行聚類操作，得到矩陣形式表示的字典碼書，記為{C_org(x,y)}；

其中，N≥1，1≤i≤N，1≤x≤W,1≤y≤H，W表示{I_i,org(x,y)}的寬度，H表示{I_i,org(x,y)}的高度，I_i,org(x,y)表示{I_i,org(x,y)}中坐標位置為(x,y)的像素點的像素值，表示中坐標位置為(x,y)的像素點的像素值，C_org(x,y)表示{C_org(x,y)}中下標為(x,y)的元素的值；

步驟②：令{I_d(x,y)}表示待評價的失真屏幕圖像；然后獲取{I_d(x,y)}的歸一化屏幕圖像，記為再先后采用Gaussian kernel similarity weight方法和K-NearestNeighbor方法對進行處理，得到{I_d(x,y)}的權值特征矩陣，記為{F_d(x,y)}；

其中，1≤x≤W,1≤y≤H，{I_d(x,y)}的寬度為W，{I_d(x,y)}的高度為H，I_d(x,y)表示{I_d(x,y)}中坐標位置為(x,y)的像素點的像素值，表示中坐標位置為(x,y)的像素點的像素值，F(xiàn)_d(x,y)表示{F_d(x,y)}中下標為(x,y)的元素的值；

步驟③：根據(jù){C_org(x,y)}和{F_d(x,y)}，并采用LLC算法對{F_d(x,y)}進行編碼，獲得{I_d(x,y)}的LLC特征向量；

步驟④：采用n”幅原始的無失真屏幕圖像，建立其在不同失真類型不同失真程度下的失真屏幕圖像集合，將該失真屏幕圖像集合作為訓練集，其包括多幅失真屏幕圖像；然后利用主觀質(zhì)量評價方法評價出訓練集中的每幅失真屏幕圖像的主觀評分，將訓練集中的第k幅失真屏幕圖像的主觀評分記為DMOS_k；再按照步驟②和步驟③的操作，以相同的方式獲取訓練集中的每幅失真屏幕圖像的LLC特征向量；

其中，n”＞1，1≤k≤K，K表示訓練集中包含的失真屏幕圖像的總幅數(shù)，K≥5，0≤DMOS_k≤100；

步驟⑤：利用支持向量回歸對訓練集中的所有失真屏幕圖像各自的主觀評分和LLC特征向量進行訓練，使得經(jīng)過訓練得到的回歸函數(shù)值與主觀評分之間的誤差最小，擬合得到最優(yōu)的權值矢量W^opt和最優(yōu)的偏置項b^opt；接著利用W^opt和b^opt構造得到支持向量回歸訓練模型；再根據(jù)支持向量回歸訓練模型，對{I_d(x,y)}的LLC特征向量進行測試，預測得到{I_d(x,y)}的客觀質(zhì)量評價預測值，記為Q，Q＝f(z)，

其中，f()為函數(shù)表示形式，Q是z的函數(shù)，z為輸入，z用于代表{I_d(x,y)}的LLC特征向量，(W^opt)^T為W^opt的轉(zhuǎn)置矢量，為z的線性函數(shù)。

2.根據(jù)權利要求1所述的基于無監(jiān)督特征學習的無參考屏幕圖像質(zhì)量評價方法，其特征在于所述的步驟①中，其中，μ_i,org表示{I_i,org(x,y)}中的所有像素點的像素值的均值，σ_i,org表示{I_i,org(x,y)}中的所有像素點的像素值的方差。