[发明专利]基于机器学习并融合视觉特征的全参考图像质量评估方法

摘要

本发明涉及一种基于机器学习并融合视觉特征的全参考图像质量评估方法，包括以下步骤分别采用客观全参考图像质量评估方法、结合图像显著性分布的客观全参考图像质量评估方法、结合局部图像质量排序的客观全参考图像质量评估方法、结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像提取特征，获得特征集F1、F2、F3和F4；综合特征集F1、F2、F3和F4，将其作为机器学习算法的特征集T，通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；采用客观评估模型对图像进行质量评估，得到客观全参考图像质量评估得分值。该方法可有效的对全参考图像的质量进行评估，与用户主观评分之间具有较好的相关性与准确性。

主权项

一种基于机器学习并融合视觉特征的全参考图像质量评估方法，其特征在于，包括以下步骤：步骤S1：输入参考图像和目标图像，目标图像即为失真图像，基于客观全参考图像质量评估方法对目标图像进行特征提取，获得特征集F1；步骤S2：采用结合图像显著性分布的客观全参考图像质量评估方法对目标图像进行特征提取，获得特征集F2；步骤S3：采用结合局部图像质量排序的客观全参考图像质量评估方法对目标图像进行特征提取，获得特征集F3；步骤S4：采用结合局部图像质量数据统计的客观全参考图像质量评估方法对目标图像进行特征提取，获得特征集F4；步骤S5：综合特征集F1、F2、F3和F4，将其作为机器学习算法的特征集T，并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型；步骤S6：采用客观评估模型对目标图像进行质量评估，得到最终的客观全参考图像质量评估得分值；在步骤S5中，综合特征集F1、F2、F3和F4，将其作为机器学习算法的特征集T，并通过机器学习算法和三等分交叉验证方法学习得出客观评估模型，具体包括以下步骤：步骤S51：组成特征集T＝{F1,F2,F3,F4}，并将特征集T随机三等分，形成三个特征集T1、T2和T3；步骤S52：计算用于求解特征集T1、T2和T3所对应的图像集的主观平均得分值MOS的集合，分别记为MOS1、MOS2和MOS3；步骤S53：将T1、T2和MOS1、MOS2作为机器学习的训练数据集，学习得到图像质量评估模型M1；步骤S54：重复步骤S53，分别求出T1、T3和MOS1、MOS3作为训练数据集的图像质量评估模型M2与T2、T3和MOS2、MOS3作为训练数据集的图像质量评估模型M3；在步骤S6中，采用客观评估模型对目标图像进行质量评估，得到最终的客观全参考图像质量评估得分值，具体包括以下步骤：步骤S61：采用模型M1对特征集T3进行计算，得到特征集T3对应的图像集的客观全参考图像质量评估得分值集合AS1；步骤S62：采用模型M2对特征集T2进行计算，得到特征集T2对应的图像集的客观全参考图像质量评估得分值集合AS2；步骤S63：采用模型M3对特征集T1进行计算，得到特征集T1对应的图像集的客观全参考图像质量评估得分值集合AS3；步骤S64：综合评估得分值集合AS＝{AS1,AS2,AS3}，得到最终的客观全参考图像质量评估得分值集合AS。