[發明專利]一種多視覺特征集成的無參考超分辨圖像質量評價方法

有效

• 申請號: 202010086336.X
• 申請日: 2020-02-11
• 公開（公告）號: CN111325720B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 張凱兵;朱丹妮;羅爽;盧健;李敏奇;劉薇;蘇澤斌;景軍鋒;陳小改
• 申請（專利權）人: 廈門風云科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/766
• 代理公司: 深圳市蘭鋒盛世知識產權代理有限公司 44504
• 代理人: 羅炳鋒

1.一種多視覺特征集成的無參考超分辨圖像質量評價方法，其特征在于，質量評價方法包括以下步驟：首先分別提取圖像的三類統計特性，即局部頻域特征、全局頻域特征和空間域特征，采用多分辨率的分析方法描述超分辨圖像的失真機理；其次，建立并利用AdaBoost決策樹回歸模型獲取每類統計特征的預測分數，然后再利用脊回歸模型層次化建立統計特征的預測分數與主觀質量分數之間的映射對應關系，訓練評價模型進而評價超分辨圖像的質量，具體包括以下步驟：

一、質量評價模型訓練階段

步驟1、首先分別提取訓練集中圖像的三類統計特性，即局部頻域特征、全局頻域特征和空間域特征；

步驟2、令是一個具有M_j個決策樹的獨立評價模型，分別用于局部頻率特征(j＝1)，全局頻率特征(j＝2)和空間域特征(j＝3)，建立獨立評價模型；

步驟3、根據AdaBoost決策樹回歸算法即主要通過前項分步算法將所述步驟2中建立的獨立評價模型，構建成AdaBoost決策樹回歸模型；

步驟4、每類統計特征通過輸入所述步驟3中的AdaBoost決策樹回歸模型獲取相應的預測分數，X_j是訓練集圖像的第j類特征，訓練集中所有超分辨圖像的三種感知統計特征的預測分數組成特征矩陣

步驟5、利用脊回歸算法在所述步驟4得到的第一層預測分數與相應的主觀質量分數之間建立映射對應關系，即第二層的脊回歸模型表示為其中Q是訓練集中所有圖像的主觀質量分數，β是用于平衡重構誤差和正則化項的正則化系數，b是大小為1×3的回歸系數矩陣，為所述步驟4中得到的特征矩陣；

二、質量評價模型測試階段

步驟6、首先分別提取測試集中圖像的局部頻域特征、全局頻域特征和空間域特征這三類統計特性；

步驟7、將所述步驟6中的統計特征輸入到所述步驟4訓練好的AdaBoost決策樹回歸模型中，獲取測試集中圖像的預測分數，測試集中所有超分辨圖像的三種感知統計特征產生特征矩陣

步驟8、將所述步驟7得到的預測分數輸入到所述步驟5訓練好的脊回歸模型中，即可獲得最終的評價分數其中為所述步驟7中得到的預測分數組成的特征矩陣，b^*為所述步驟5中得到的預測結果與相應的主觀質量分數之間的映射函數。

2.根據權利要求1所述的一種多視覺特征集成的無參考超分辨圖像質量評價方法，其特征在于，所述步驟1中具體包括以下步驟：

步驟1.1、局部頻域特征的提取：利用廣義高斯分布分析離散余弦變換系數的分布情況，選擇不同子帶上形狀參數γ作為第一部分的局部頻域特征；再將不考慮高頻DC部分時統計的三個不同顏色分組內DCT系數的平均值作為第二部分的局部頻域特征；計算每個局部塊的DCT系數的方差的平均值和排序后最大的10％的方差的平均值作為第三部分的局部頻域特征，將三者結合作為局部頻域的統計特征；

步驟1.2、全局頻域特征的提?。翰捎媒鹱炙纸夥ǖ玫綇V義鄰域小波系數，分別從六個方向和兩個尺度計算不同小波子帶的形狀參數γ作為第一部分的全局頻域特征；當圖像出現失真或降質時，小波系數之間的相關性會出現變化，因此通過度量不同尺度與不同子帶之間的結構相關系數來預測圖像的降質程度，以此作為全局頻域的特征的第二部分，將兩個部分的統計特征連接起來，一起構成表征超分辨圖像的全局頻域統計特征；

步驟1.3、空間域特征的提?。豪弥鞒煞址治龇椒ㄌ幚砭植繅K得到奇異值，用奇異值來描述空間上的結構不連續性。

3.根據權利要求2所述的一種多視覺特征集成的無參考超分辨圖像質量評價方法，其特征在于，所述步驟2中建立獨立評價模型的過程為：將AdaBoost決策樹回歸模型公式化為M_j個決策樹模型的加權平均值，表示為其中α_m,j是通過AdaBoost回歸算法獲得的決策樹的權重，T(X_j；Φ_m,j)表示第m個決策樹；X_j是訓練集圖像的第j類特征，Φ_m,j是第m個決策樹的對應參數。