[发明专利]基于stacking无参考型超分辨图像质量评价方法

说明书

本发明公开了基于stacking无参考型超分辨图像质量评价方法，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。本发明提出了利用SVR和k‑NN的两种不同基础回归器的互补性优势，将线性回归作为元回归器，提高了预测准确性，本发明能够获得更为接近人眼主观评价的超分辨图像质量分数。

技术领域

本发明属于图像处理与分析方法技术领域，涉及基于stacking无参考型超分辨图像质量评价方法。

背景技术

单帧图像超分辨率重建技术是一种能够利用来自一个或多个低分辨率输入图像的信息生成具有更精细的细节高分辨率图像。该技术广泛应用于图像处理，计算机视觉等领域。随着大量超分辨图像重建算法的出现，如何评价图像超分辨重建算法成为一个关键的研究问题。毫无疑问，人类的视觉是评估图像的最终受体，因此主观质量评估是反映超分辨图像质量的最直接有效的方法。然而，主观质量评估方法的过程耗时且耗能，并且该方法不能集成到超分辨重建系统中以用于现实场景中。因此，客观质量评价方法应运而生。

目前，超分辨算法的性能主要通过客观的图像质量评估方法来评估，该方法可以分为三大类，即全参考型图像质量评价方法(FRIQA)部分参考型图像质量评价方法(RRIQA)和无参考型图像质量评价方法(NRIQA)。在全参考型图像质量评价方法中，如均方误差(MSE)，峰值信噪比(PSNR)，结构相似性(SSIM)和信息保真度准则(IFC)均需要将原始高分辨图像作为衡量质量的基准。测试超分辨图像。然而，这些全参考型图像质量评价方法的结果有时与人类主观评价结果不一致，并且所需的原始高分辨图像在实践中无法获取。因此，这些传统的全参考型图像质量评价方法不适合评估超分辨图像的质量。作为另一种图像质量评估方法，部分参考型图像质量评价方法减少了信息传输中的数据量，以便在实践中更好地应用。虽然这种评估方法比全参考型图像质量评价方法更灵活，但这些方法仍然需要有关原始高分辨图像的信息。无参考型图像质量评价方法可以克服上述两种需要原始高分辨图像的方法的缺点，并受到研究人员的广泛关注。

现有的无参考型质量评价方法大都采用传统人工设计的统计特征以描述图像的退化程度，但是特征的表示作为图像质量评价重要的环节之一，人工设计的特征会影响到图像评价模型的性能的提升，均存在难以准确有效评价超分辨图像质量的问题。

发明内容

本发明的目的是提供一种基于stacking无参考型超分辨图像质量评价方法，解决了现有技术中存在的超分辨图像质量评价方法难以准确有效评价超分辨图像质量的问题。

本发明所采用的技术方案是，基于stacking无参考型超分辨图像质量评价方法，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。

本发明的特点还在于：

具体包括以下步骤：

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，组成验证集V；

步骤2、将步骤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；