[发明专利]一种基于神经网络学习融合的全参考图像质量客观评价方法

权利要求书

1.一种基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，包括以下步骤：

(1)将失真图像随机划分为训练集和测试集两个数据库；

(2)对所有参考图像和所有失真图像分别进行预处理，得到相应的图像灰度矩阵；

(3)采用小波变换方法对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息；

(4)对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理；

(5)基于参考图像每个视觉通道稀疏化后的信息，利用图像质量客观评价算法对失真图像对应视觉通道稀疏化后的信息进行全参考质量评价，获得失真图像质量的视觉多通道客观评价结果；

(6)构建BP神经网络训练模型，利用训练集数据库中失真图像质量的视觉多通道客观评价结果对模型进行学习训练，保存训练结果的权重和阈值参数；

(7)根据BP神经网络训练结果的权重和阈值参数，构建响应的BP神经网络预测模型，以测试集数据库中每帧失真图像质量的视觉多通道客观评价结果作为BP神经网络预测模型的测试输入，以BP神经网络预测模型的预测输出作为所选图像质量客观算法对于对应失真图像质量的融合评价结果，并对该结果进行偏置处理；

(8)更换不同的图像质量客观评价算法，重复步骤(5)～步骤(7)，获得测试集数据中所有失真图像质量基于不同客观评价算法的融合评价结果；

(9)依次将测试集数据库中每帧失真图像质量基于不同客观评价算法的融合评价结果采用以下公式进行自适应融合，获得每帧失真图像质量的最终客观评价；

其中，x₁和x₂代表两种不同客观评价算法的BP神经网络预测模型的预测输出，也就是每帧失真图像质量基于不同客观评价算法的融合评价结果，或x₁、x₂中有一个是某次融合过程中的中间值，λ₁为自适应参数，按照如下公式取值：

其中，参数γ₁₁和γ₁₂为调节参数。

2.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(1)中，训练集与测试集中失真图像的比例为1/3～1。

3.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(2)中，对所有参考图像和所有失真图像分别依次进行灰度化处理和高斯低通滤波，得到相应的图像灰度矩阵。

4.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(3)中，选用Log-Gabor小波对失真图像和参考图像的图像灰度矩阵进行处理，获得失真图像和参考图像的视觉多通道信息。

5.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，步骤(4)中，采用基于阈值滤波算法对失真图像和参考图像的每个视觉通道信息进行感知稀疏化处理。

6.如权利要求1所述的基于神经网络学习融合的全参考图像质量客观评价方法，其特征在于，所述图像质量客观评价算法为PSRN、SSIM或SVD。