[发明专利]基于stacking无参考型超分辨图像质量评价方法

权利要求书

1.基于stacking无参考型超分辨图像质量评价方法，其特征在于，具体包括以下步骤：首先通过现有训练好的VGGnet模型提取超分辨图像的深度特征，用于量化超分辨图像的退化；然后，将包含SVR算法和k-NN算法的stacking回归算法用作第一层回归模型，以构建从VGGnet模型提取的深度特征到预测质量分数的映射模型，再采用线性回归算法得到第二层回归模型，从而形成stacking回归模型，以实现无参考评价超分辨图像的质量；

具体过程如下：

步骤1、在特征提取阶段，先将初始训练集图像输入到现有训练好的VGGnet模型中，然后输出训练集图像全连接层第七层的深度特征，组成特征训练集D；同时将初始验证集图像也输入到现有训练好的VGGnet模型，得到验证集图像全连接层第七层的深度特征，组成原验证集V；

步骤2、将所述步骤1中的特征训练集D分为k个大小相同、但互不重叠的训练子集D₁,D₂,...,D_k；A

步骤3、令作为训练集，D_j作为测试集，采用SVR算法在训练集上分别训练k个SVR基础回归器L_j_SVR，输出每个SVR基础回归器在测试集D_j上的SVR训练集预测值k个输出的SVR训练集预测值堆叠得到SVR元训练集同时将验证集V里的数据输入SVR基础回归器，获得每个SVR基础回归器在验证集V上的验证集预测值V_j_SVR，再将输出的验证集预测值进行算数平均得到SVR元验证集

步骤4、采用k-NN算法在训练集上分别训练k个k-NN基础回归器L_j_KNN，输出每个k-NN基础回归器在测试集D_j上的k-NN训练集预测值k个输出的训练集预测值堆叠得到k-NN元训练集同时将验证集V里的数据输入k-NN基础回归器，获得每个k-NN基础回归器在验证集V上的验证集预测值V_j_KNN，再将输出的验证集预测值进行算数平均得到k-NN元验证集

步骤5、将步骤3得到的SVR元训练集和步骤4得到的k-NN元训练集按列组合成一个高为训练集大小、宽度为算法个数的矩阵，加上从现有数据库中得到的主观质量分数构成第二层的训练集Train，即元回归器的训练集；

步骤6、采用线性回归器作为元回归器，将所述步骤5得到的训练集输入元回归器训练得到元回归模型；

步骤7、将步骤3得到的SVR元验证集和步骤4得到的k-NN元验证集按列组合成一个高为验证集大小、宽度为算法个数的矩阵，构成第二层的验证集Test，即元回归器的验证集；

步骤8、将所述步骤7得到的元回归器的验证集输入所述步骤6训练好的元回归模型中，即可得到最终的预测结果。

2.根据权利要求1所述的基于stacking无参考型超分辨图像质量评价方法，其特征在于，所述步骤3中SVR基础回归器中特征x_i与图像的主观质量分数q_i之间的关系表示如下：

q_i＝w,φ(x_i)+b

其中w和b分别表示特征的权值和偏置值，这两个值都是从训练集中学习得到的；φ(.)为核函数，其作用是将原始低维数据映射到高维空间。

3.根据权利要求2所述的基于stacking无参考型超分辨图像质量评价方法，其特征在于，所述核函数采用径向基函数，其表达式为：

其中为σ为RBF核的标准差，x_i和x_j是图像样本的第i个和第j个深度特征。