[發明專利]基于stacking無參考型超分辨圖像質量評價方法

有效

• 申請號: 202010086355.2
• 申請日: 2020-02-11
• 公開（公告）號: CN111368875B
• 公開（公告）日: 2023-08-08
• 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: 浙江昕微電子科技有限公司
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F17/18
• 代理公司: 深圳立專知識產權代理有限公司 441000
• 代理人: 黃佳

1.基于stacking無參考型超分辨圖像質量評價方法，其特征在于，具體包括以下步驟：首先通過現有訓練好的VGGnet模型提取超分辨圖像的深度特征，用于量化超分辨圖像的退化；然后，將包含SVR算法和k-NN算法的stacking回歸算法用作第一層回歸模型，以構建從VGGnet模型提取的深度特征到預測質量分數的映射模型，再采用線性回歸算法得到第二層回歸模型，從而形成stacking回歸模型，以實現無參考評價超分辨圖像的質量；

具體過程如下：

步驟1、在特征提取階段，先將初始訓練集圖像輸入到現有訓練好的VGGnet模型中，然后輸出訓練集圖像全連接層第七層的深度特征，組成特征訓練集D；同時將初始驗證集圖像也輸入到現有訓練好的VGGnet模型，得到驗證集圖像全連接層第七層的深度特征，組成原驗證集V；

步驟2、將所述步驟1中的特征訓練集D分為k個大小相同、但互不重疊的訓練子集D₁,D₂,...,D_k；A

步驟3、令作為訓練集，D_j作為測試集，采用SVR算法在訓練集上分別訓練k個SVR基礎回歸器L_j_SVR，輸出每個SVR基礎回歸器在測試集D_j上的SVR訓練集預測值k個輸出的SVR訓練集預測值堆疊得到SVR元訓練集同時將驗證集V里的數據輸入SVR基礎回歸器，獲得每個SVR基礎回歸器在驗證集V上的驗證集預測值V_j_SVR，再將輸出的驗證集預測值進行算數平均得到SVR元驗證集

步驟4、采用k-NN算法在訓練集上分別訓練k個k-NN基礎回歸器L_j_KNN，輸出每個k-NN基礎回歸器在測試集D_j上的k-NN訓練集預測值k個輸出的訓練集預測值堆疊得到k-NN元訓練集同時將驗證集V里的數據輸入k-NN基礎回歸器，獲得每個k-NN基礎回歸器在驗證集V上的驗證集預測值V_j_KNN，再將輸出的驗證集預測值進行算數平均得到k-NN元驗證集

步驟5、將步驟3得到的SVR元訓練集和步驟4得到的k-NN元訓練集按列組合成一個高為訓練集大小、寬度為算法個數的矩陣，加上從現有數據庫中得到的主觀質量分數構成第二層的訓練集Train，即元回歸器的訓練集；

步驟6、采用線性回歸器作為元回歸器，將所述步驟5得到的訓練集輸入元回歸器訓練得到元回歸模型；

步驟7、將步驟3得到的SVR元驗證集和步驟4得到的k-NN元驗證集按列組合成一個高為驗證集大小、寬度為算法個數的矩陣，構成第二層的驗證集Test，即元回歸器的驗證集；

步驟8、將所述步驟7得到的元回歸器的驗證集輸入所述步驟6訓練好的元回歸模型中，即可得到最終的預測結果。

2.根據權利要求1所述的基于stacking無參考型超分辨圖像質量評價方法，其特征在于，所述步驟3中SVR基礎回歸器中特征x_i與圖像的主觀質量分數q_i之間的關系表示如下：

q_i＝w,φ(x_i)+b

其中w和b分別表示特征的權值和偏置值，這兩個值都是從訓練集中學習得到的；φ(.)為核函數，其作用是將原始低維數據映射到高維空間。

3.根據權利要求2所述的基于stacking無參考型超分辨圖像質量評價方法，其特征在于，所述核函數采用徑向基函數，其表達式為：

其中為σ為RBF核的標準差，x_i和x_j是圖像樣本的第i個和第j個深度特征。