[发明专利]一种基于LPP‑ELM的立体图像质量客观评价方法

摘要

本发明公开了一种基于LPP‑ELM的立体图像质量客观评价方法，步骤(1)、选取训练样本和测试样本；步骤(2)、利用LPP算法对于训练样本和测试样本进行特征提取和降维；步骤(3)、采用极端学习机ELM对训练样本进行分类处理。与现有技术相比，本发明采用的LPP‑ELM算法提高了识别系统的准确性，人工参与少、为立体图像质量客观评价的实时环境及系统的推广提供了有效途径；与PCA‑ELM、PCA‑SVM相比较，LPP‑ELM在立体图像质量客观评价方面整体性能更加优良，具有实际可行性。

主权项

一种基于LPP‑ELM的立体图像质量客观评价方法，其特征在于，该方法包括以下步骤：步骤(1)、选取训练样本和测试样本；步骤(2)、利用LPP算法对于训练样本和测试样本进行特征提取和降维，即在LPP算法中，给定高维特征空间中的样本集X＝[x1,x2,…,xn]，xn代表样本集中的各立体图像，n代表高维训练样本个数；找到一个投影矩阵A，投影矩阵A＝[a1,a2,…,ad]由矩阵(XDXT)‑1XLXT的前d个最小特征值对应的特征向量构成，其中D为对角矩阵，L＝D‑S为拉普拉斯矩阵；将样本集X空间依据投影矩阵A投影到一个低维特征空间的样本集Y＝[y1,y2,…,yn]，Y＝ATX，将训练样本和测试样本投影到LPP子空间中；步骤(3)、采用极端学习机ELM对训练样本进行分类处理，即：读入训练样本，并将样本随机分成训练集和测试集两部分；进行种群初始化，设置种群个体数为N，种群中的个体包含了ELM网络结构的所有权重与阈值；随机设置输入隐藏层权值αi以及阈值bi，i＝1,…,M；其中，M为隐藏层节点个数，αi,bi∈[‑1,1]；选择一个无限可微的函数作为隐藏层神经元的激励函数g(x)，计算隐藏层输出矩阵H；通过最小二乘法计算输出层权值矩阵β，输入样本的期望输出值矩阵T，完成模型建立；β＝HTT其中，β=β1TMβMT,T=t1TMtNT.]]>