[發明專利]一種眼底圖像無參考質量評價方法

有效

• 申請號: 201710976518.2
• 申請日: 2017-10-19
• 公開（公告）號: CN107862678B
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 邵楓;楊艷;李福翠
• 申請（專利權）人: 寧波大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62
• 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

1.一種眼底圖像無參考質量評價方法，其特征在于包括訓練階段和測試階段兩個過程；

所述的訓練階段過程的具體步驟為：

①_1、選取N幅眼底圖像構成訓練圖像集，記為{I_k|1≤k≤N}；其中，N為正整數，N＞1，k為正整數，1≤k≤N，I_k表示{I_k|1≤k≤N}中的第k幅眼底圖像，{I_k|1≤k≤N}中的每幅眼底圖像的寬度為W，且高度為H；

①_2、計算{I_k|1≤k≤N}中的每幅眼底圖像的亮度特征矢量，將I_k的亮度特征矢量記為并計算{I_k|1≤k≤N}中的每幅眼底圖像的自然度特征矢量，將I_k的自然度特征矢量記為計算{I_k|1≤k≤N}中的每幅眼底圖像的結構布局特征矢量，將I_k的結構布局特征矢量記為其中，的維數為3×1，的維數為1×1，的維數為1×1；

所述的步驟①_2中的的獲取過程為：

①_2a2、選取N'幅主觀質量推薦值為優的眼底圖像構成訓練集；然后采用自然圖像質量預測器從訓練集中提取出訓練集的原始多元高斯模型，記為(μ,C)；其中，N'為正整數，N'＞1，μ表示(μ,C)的均值特征，C表示(μ,C)的協方差矩陣特征；

①_2b2、將I_k劃分成M'個互不重疊的尺寸大小為64×64像素的子塊；然后采用自然圖像質量預測器從I_k中的每個子塊中提取出I_k中的每個子塊的原始多元高斯模型，將I_k中的第t'個子塊的原始多元高斯模型記為(μ_t',C_t')；其中，M'為正整數，符號為向下取整操作符號，t'為正整數，1≤t'≤M'，μ_t'表示(μ_t',C_t')的均值特征，C_t'表示(μ_t',C_t')的協方差矩陣特征；

①_2c2、根據(μ,C)和I_k中的每個子塊的原始多元高斯模型，計算I_k中的每個子塊的自然度質量評價分值，將I_k中的第t'個子塊的自然度質量評價分值記為q_t'，其中，(μ-μ_t')^T為(μ-μ_t')的轉置，為的逆；

①_2d2、計算I_k的自然度質量評價分值，記為然后直接將作為I_k的自然度特征矢量其中，的維數為1×1；

①_3、將{I_k|1≤k≤N}中的每幅眼底圖像的亮度特征矢量、自然度特征矢量和結構布局特征矢量按序排列構成{I_k|1≤k≤N}中的每幅眼底圖像的特征矢量，將I_k的特征矢量記為F_k，其中，F_k的維數為5×1，符號“[]”為矢量表示符號，表示將和連接起來形成一個特征矢量，為的轉置；

①_4、將{I_k|1≤k≤N}中的所有眼底圖像各自的特征矢量和主觀質量推薦值構成訓練樣本數據集合，訓練樣本數據集合中包含N個特征矢量和N個主觀質量推薦值；然后采用支持向量回歸作為機器學習的方法，對訓練樣本數據集合中的所有特征矢量進行訓練，使得經過訓練得到的回歸函數值與主觀質量推薦值之間的誤差最小，擬合得到最優的權重矢量w^opt和最優的偏置項b^opt；接著利用最優的權重矢量w^opt和最優的偏置項b^opt，構造質量預測模型，記為f(F)，其中，f()為函數表示形式，F用于表示眼底圖像的特征矢量，且作為質量預測模型的輸入矢量，(w^opt)^T為w^opt的轉置，為F的線性函數；

所述的測試階段過程的具體步驟為：

②對于任意一幅用作測試的眼底圖像I_test，按照步驟①_2至步驟①_3的過程，以相同的操作，獲取I_test的特征矢量，記為F_test；然后根據訓練階段構造的質量預測模型對F_test進行測試，預測得到F_test對應的預測值，將該預測值作為I_test的質量客觀評價預測值，記為Q_test，其中，I_test的寬度為W'，且高度為H'，F_test的維數為5×1，為F_test的線性函數。